POV：部署成功那天你截圖發到群組，過一陣子某個早上機器自己重開，你才發現「部署成功」跟「它會一直活著」是兩件事。
昨天的表把四個服務擺好了位置。今天講擺好之後的事：所謂 Day 2。這篇不是要把你變成 SRE，是一張給 AI 工程師的最小清單，只挑四件事，每件附一個最省力做法，跟一個我自己踩過的雷。
K8s 版本、節點 OS、base image，三層都要升。GKE 跟 AKS 這類代管服務會自動升 control plane，節點也可以設成自動升級：GKE 有 node auto-upgrade 加 maintenance windows，AKS 有 --auto-upgrade-channel 加 planned maintenance。
最省力做法：開自動升級，但一定要設維護時段；關鍵服務給兩個以上的 replica，並用 PodDisruptionBudget 限制同時被驅逐的數量。只有一個 replica 的話，節點升級把那顆 Pod 趕走的那段時間，服務很可能就是斷的。
我的雷：這條我還沒在 K8s 上踩到，但在 VM 上看過類似的：2026-09-07 dev-box 重開了一次，前後 kernel 從 6.17 變成 7.0（兩者的因果我沒有確認）。如果底層是別人在管的，它換底層的時機不一定配合你；維護時段的價值，就是讓「被換掉」盡量變成可以預期、可以排程的事。
容器用完即丟，要備份的從來不是容器，是狀態：資料庫、向量庫（devstack 的 qdrant 就是）、使用者上傳的檔案，還有 agent 系統特別在意的對話與 session 紀錄。
最省力做法：狀態全部放叢集外（代管資料庫、物件儲存），讓叢集本身維持「隨時可以整個重建」。這樣叢集這一層的還原才會只剩重新 apply YAML（Day 27 示範過那有多短）。但叢集外的資料庫、物件儲存本身還是要備份、還原流程也要真的演練過才算數；把狀態搬出叢集，是把備份責任搬到別處，不是讓它消失。
我的雷：我的 agent session 是持續落盤的 JSONL 檔。9/7 那次重開之後，我實際確認過的只有這一項：session 的 JSONL 都還在。這足以說明「關鍵狀態持續落盤」是對的；其他資料我沒有逐一核對，不多說。反過來說，把關鍵狀態只放在記憶體或容器內暫存檔的 agent，重開機就等於歸零。
這是我最推、也最容易被跳過的一條。用 Spot 節點省錢的話（AI workload 很常見：GKE Spot Pods、AKS Spot node pool），你就得接受機器隨時會被回收。沒故意演練過的話，很可能就是在真的被回收那天才第一次驗證還原機制，我自己就是。
我的雷：dev-box 是 Spot VM，Cloud Scheduler 每 5 分鐘把被回收的 VM 拉起來，容器靠 restart policy 自己回來。2026-09-07 早上它重開了一次（原因我沒有確認，Day 18 講過），我設好的自動還原是開機時重建 tmux 配置、把 agent session 接回來。結果有一部分沒回來：無人值守開機沒有終端機，tmux 預設視窗只有 80x24，split-window 切到第五個 pane 就 no space for new pane。更糟的是 15 分鐘一次的快照在重開後照跑，保留 5 份，幾輪就把「重開前的健康快照」輪替掉了。
教訓：無人值守還原要先設視窗尺寸；快照輪替要保護最後一次健康狀態。 後來 9/15 它又重開了一次，13 隻 OpenAB 容器在開機後 22 秒全部自己回來，這是 restart policy 的功勞；但容器這層過關不代表 tmux 那層也過關，兩層要分開驗。
最省力做法：挑個沒人用的時段，手動砍掉一個節點或 VM，看服務會不會自己回來、回來之後完不完整。K8s 上通常比 VM 輕鬆：只要還有別的節點、資源夠、排程條件（node selector、taint）允許，Deployment 會把 Pod 排到別的節點；單節點叢集或資源塞滿時，砍節點就是直接中斷。「狀態有沒有完整帶回來」則還是要你自己看。
Day 28 面向 3 說過：節點型的東西忘了關就一直計費，Autopilot 的 Pod 留著也在付。最省力做法是在雲端上設預算告警（GCP budgets、Azure cost alerts），門檻設在「看到會心痛但不會破產」的金額，通知送到你每天會看的地方。
我的雷：9/6 那次記憶體壓力，追到一個閒置 45 小時的 dev 容器吃了 1.25 GiB（Day 04）。那不是帳單問題，但本質一樣：開了沒人關是常態，不是意外。 成本告警是對抗這種常態的一層被動防線；預算上限、配額、閒置自動關閉是更前面的護欄，這篇先講最省力的這層。
最小清單，可以直接抄：
明天收尾：三十天之後，我對「AI 工程師該懂多少 K8s」的一頁式答案。
Day 2 的最小清單四項：升級交給平台但設好時段、狀態放叢集外、故意殺一次驗證還原、預算告警卡在心痛線；「故意殺一次」不做，你很難知道還原機制是真的還是裝飾。
iThome鐵人賽
看影片追技術