這個系列誕生的理由很單純，就是用鐵人賽的 deadline 逼自己暴風學習

為什麼是 Karpenter

節點自動擴縮是 Kubernetes 裡「最雲」的一塊：它站在 k8s 排程與雲端運算資源的交界上。
傳統答案是 Cluster Autoscaler（CA），但用過的人多少都有怨言：綁 node group、
擴容慢、機型要事先規劃。Karpenter 是 AWS 開源的版本答案，現在已捐給 CNCF、由
SIG Autoscaling 維護。它的做法：不管 node group，直接看 pending pod 需要什麼，
就去開什麼機器，60 秒內給你節點。

這個設計差異背後，藏著整套 k8s 排程模型的知識。所以學 Karpenter，
等於被迫把 scheduler、requests/limits、affinity、PDB 全部學一遍。完美的教材。

這個系列不會是什麼

• 不是官方文件翻譯：每一篇都有我親手跑過的實驗
• 不是燒錢大賽：30 天總 AWS 預算 10 美元，27 天在我的 MacBook（M5/24GB）上用
  kind + KWOK 零成本模擬，真 AWS 只有一個週末
• 不是高手俯視教學：我就是邊學邊寫，踩到的坑會原樣呈現

30 天大致的走法

接下來會先把 k8s 排程和 autoscaling 的基本功補齊，再把 Karpenter 搬到本機
動手玩，該踩的坑一次踩過。中間找一個週末上真正的 AWS 驗證幾件事，其他時間
都在 Homelab 上跑。後段會往裡面多鑽一點，把幾個關鍵行為背後的邏輯讀懂。最後收斂
成幾篇整理，把這 30 天能帶走的東西寫下來。順序照實驗進度走，不在這裡先綁死。

明日預告

Day 2 從最根本的問題開始：一個 pod 從 kubectl apply 到跑起來，中間發生了什麼？
我們會故意讓 pod 卡在 Pending，然後把 scheduler 的決策過程一步步挖出來。