ChatGPT 刷屏的第一晚，我盯着 GitHub 上那些疯狂增长的 star 数，突然意识到过去三年死磕的爬虫、API 封装、自动化脚本，可能一夜之间变成废铁。这种感觉不是焦虑，是胃里那种实实在在的坠痛，像被人从背后猛踹了一脚。我去年刚把团队解散，回归个人交付，以为靠着一手“技术黑活”能稳吃几年，现在这堵墙开始晃了。
墙晃归墙晃，手里的活不能停。客户那边还有三个数据采集项目挂着，服务器环境部署还是老一套：手动 apt-get，配环境变量，处理依赖冲突，一台机器搞完复制粘贴命令到下一台，出点幺蛾子就得 SSH 上去瞪着眼睛查日志。太他妈原始了。这种重复劳动在 2021 年底显得尤其可笑，尤其是在看到 OpenAI 那种弹指间部署全球服务的可能性之后。我得先把自己从这种泥潭里拔出来，不然连被 AI 替代的资格都没有。
所以今晚的任务不是焦虑，是彻底搞定容器化。目标很明确：任何一个新项目，我写个 Dockerfile，就能在阿里云、腾讯云、甚至我家里那台破 NUC 上，用完全一致的环境跑起来。这听起来是 DevOps 的常识，但对我这种习惯了“够用就行”的独狼来说，是思维上的硬切换。我开始动手，第一个坑就是 Alpine 镜像。为了追求极致轻量，我用了 Alpine 做 Python 基础镜像，结果一堆依赖报错，连基本的 pandas 都装不上。musl libc 和 glibc 的兼容性问题像一记闷棍，把我打回现实——追求极致的前提是别给自己挖坑。老老实实换回 python:3.9-slim。
真正的战斗在 Dockerfile 的优化上。我之前的写法是把所有依赖和代码一股脑 COPY 进去，每次改一行代码，整个镜像都要重建，缓存形同虚设。这次我拆了层级：第一层，只复制 requirements.txt 并安装依赖。只要依赖不变，这层缓存就一直有效。第二层，再复制整个项目代码。这样我日常改代码，构建速度从几分钟缩短到十几秒。这种细节带来的效率提升是实打实的，它让我在频繁迭代时保持了心流，而不是在等待中消耗耐心。
单机跑起来只是第一步。横向扩展的逻辑才是核心。我搞了个 docker-compose.yml，把应用服务、Redis 缓存、PostgreSQL 数据库都定义成独立 service。然后用一个简单的 shell 脚本，配合 sshpass（虽然不安全，但内网临时用用），把构建好的镜像 tar 包 scp 到另外两台备用的 VPS 上，再远程执行 docker load 和 docker-compose up -d。逻辑很简单：一台机器作为构建机，生成标准镜像；其他机器作为运行节点，只负责拉取和运行。我甚至尝试了用 Docker Swarm 做最简单的集群管理，初始化 swarm，加入节点，服务堆叠。看着同一个服务在三个节点的容器间自动分配，那种“掌控感”稍微抵消了一点对 AI 的恐慌。
但这套东西依然粗糙。它没有健康检查，没有自动滚动更新，日志也是分散在各台机器上。可对我来说，2021 年 11 月这个节点，能做到“一键部署，多机运行”，已经是从农耕文明迈进了工业时代。它解决的不是技术先进性，而是把我从繁琐的、重复的、低价值的运维劳动中解放出来。我把更多的时间留给了业务逻辑本身，留给了思考怎么用 Python 把客户那些乱七八糟的 Excel 表清洗得更干净。
凌晨三点，三个节点的服务都跑起来了，监控面板上的曲线平稳。我关掉电脑，脑子里挥之不去的却是晚上看到的 ChatGPT 演示。我的容器化围墙垒高了，但外面已经有人开上了飞机。这种技术代差带来的窒息感，比任何服务器宕机都可怕。我知道，接下来要啃的硬骨头，不再是 Docker 命令，而是怎么让我的“手艺”在 AI 面前，不至于一触即溃。身体刚因为健身教练的调理好了点，精神上的新一轮暴击又来了。这行真他妈没法干，但又停不下来。
