凌晨两点,群里有人@所有人:生产环境安全组被改过,数据库端口暴露了。谁改的?没人说话。控制台日志只能看到一串账号ID。那一刻我特别想把“基础设施即代码”这六个字贴在每个人显示器上。

手点出来的环境迟早会变成考古现场

很多团队不是不懂 IaC,是觉得“就改一个端口,点一下多快”。快。然后半年后你让新人复刻一套测试环境,他打开云控制台,面对三百多个资源,像在废墟里找钥匙。
手工操作最大的问题不是慢,是不可复现。你知道这个安全组为什么多了一条规则吗?可能因为去年双十一临时开的。文档写了?文档最后更新在去年三月。更麻烦的是环境漂移:测试环境是好的,生产环境是坏的,代码仓库里的配置和线上真实状态早就分叉了。你拿什么排查?靠记忆。记忆这玩意儿,比过期酸奶还不靠谱。
IaC 的核心不是“把点击变成代码”这么简单。它真正改变的是变更的入口。以前入口在控制台,谁都能点;现在入口在 Git 仓库,改一行 YAML 或者 HCL,提 PR,跑 plan,review 后再 apply。多了一步,却把“谁改了、为什么改、改成什么样”钉在了时间线上。
声明式不是万能药但比命令式少踩坑
说人话:命令式是你告诉系统“先装 Nginx,再改配置,然后重启”。声明式是你告诉系统“我要 Nginx 处于运行状态,配置文件长这样”。Terraform、CloudFormation、Kubernetes 的 YAML,基本都走声明式路线。区别在于,命令式脚本跑第二遍可能报错,声明式工具通常会对比当前状态,只做必要变更。这叫幂等。听起来很香,对吧?
但别急着把整个机房一把梭。我见过一个团队,两周内把两百多个资源全塞进一个 Terraform 模块,结果改一个标签要 plan 五分钟,状态文件还锁死。IaC 的落地顺序比工具有时更重要。先从边缘开始:VPC、子网、安全组、IAM 角色。这些资源依赖少,出问题也容易回滚。数据库、Kafka、有状态服务,别急着纳管,或者至少用单独的状态和生命周期保护。

还有个常见误会:把 Ansible 当 IaC 的全部。Ansible 更像配置管理,擅长把机器变成你要的样子。但机器本身怎么来?网络怎么划?云资源怎么申请?这些是 Terraform 的活。两者可以配合,但别混成一锅粥。GitOps 又是另一层:ArgoCD 这类工具盯着 Git 仓库,集群状态和仓库不一致就告警甚至自动同步。适合 Kubernetes 已经玩得比较熟的团队。
从一台机器到一个团队的文化账
技术问题好办,流程问题磨人。真正卡住 IaC 的,往往不是写不出 HCL,而是没人愿意为状态文件负责。状态文件里可能有数据库密码、密钥、敏感 IP。放本地?换个人就抓瞎。放 Git?等着安全事故。正确做法是远端后端加锁:S3 存状态,DynamoDB 做锁,或者用 Terraform Cloud。别嫌麻烦,这一步省了,后面迟早加倍还。
然后是把 plan 变成团队习惯。每次 PR 自动跑 terraform plan,把变更贴到评论区。看起来只是多看了一眼,但这一眼能拦住“把生产数据库删除策略改成强制销毁”这种蠢事。apply 最好也走 CI,权限收窄,人工审批。别让每个人本地都有生产环境的钥匙。那不是信任,是偷懒。
IaC 不是运维一个人的 KPI。开发要习惯在仓库里提资源需求,而不是群里喊“帮我开个 Redis”。运维要把模块做成自助餐,而不是继续当点菜员。安全团队要把策略写成代码,比如 OPA 或者 Sentinel,别总在最后关头手动卡审批。这里没有银弹。你可能会经历模块拆了又合、状态迁移到吐血、旧资源导入失败。正常。我见过最稳的团队,也是从三个人共用一把钥匙,慢慢走到 Git 一开一合。
真要动手先做这三件小事
选一个不痛不痒的环境。别拿生产练手。把测试环境的网络资源写成代码,手动导入现有资源,跑通 plan 和 apply。状态文件立刻上远端后端,加锁,加加密。定一条规矩:任何控制台改动都必须在 24 小时内补回代码仓库。做不到?那就把控制台只读权限发出去。狠一点,有效。
如果你问我 IaC 最大的价值是什么。不是自动化,不是酷。是让凌晨两点那个“谁改的”问题,变成一句“看 PR 记录”。这玩意儿不浪漫,但能救命。