学习路径总入口：先选领域，再建立模型，最后用故障演练验证

使用方式

这个站点有八个技术分支和上百条指南。不要从命令列表开始，也不要同时学三个领域。按下面的顺序走：

先选领域：从工作里真实遇到的问题出发，选一个主领域。运维和 SRE 通常从 Linux 开始，平台团队从 K8s 开始，后端团队从中间件或排障开始。
读心智模型：先读该领域的 60–100 行心智模型，建立“系统由哪些状态组成、故障会出现在哪一层”的骨架。
走学习路径：按四个阶段读页面、做任务、回答过关问题。每个阶段都要动手，不能只读。
做故障演练：找一个对应的故障页，在隔离环境复现它，先写判断再验证。演练失败比读完所有页面更有价值。

一个领域走完再扩展第二个。相邻领域会自然重叠，例如 Linux → 排障 → K8s → DevOps，顺序反过来会变成背工具。

学习路径

十条路径都按“目标 → 阅读顺序 → 动手任务 → 过关标准”组织，每阶段链接 8–10 个真实页面。

Linux 学习路径 — 文件、进程、网络、排障与安全，适合作为所有运维方向的第一站。
Kubernetes 学习路径 — 从 Pod 模型到生产集群，先建立对象关系再学发布和排障。
DevOps 学习路径 — Git、构建、制品、GitOps、IaC、可观测和供应链。
故障排查学习路径 — 方法论、系统、网络、数据库与 K8s 的分层排障。
中间件学习路径 — 日志搜索、消息队列、网关和数据高可用。
AI 学习路径 — GPU 运行时、推理服务、训练微调、RAG 与评估。
安全学习路径 — 身份权限、主机加固、供应链、运行时与合规。
可观测性学习路径 — 指标、日志、链路、剖析、SLO 与告警，把散在各分支的观测能力串成一条主线。
数据库学习路径 — SQL、MySQL/PostgreSQL、复制高可用、备份恢复、连接池与迁移选型。
网络学习路径 — IP、路由、端口、DNS、TCP/TLS、抓包与 K8s 网络，按层建立排查能力。

选路径时看两件事：当前工作是否真的需要，以及前置知识是否具备。下面的对照表用于判断先后，不要求按表格顺序全部学完。

路径	前置建议	走完后应能独立完成
Linux	无	定位文件、进程、端口和资源问题
Kubernetes	Linux 基础	部署服务、定位 Pod 故障、做生产检查
DevOps	Git 与 Linux	建流水线、发布制品、回滚变更
故障排查	Linux 或 K8s 基础	按层定位系统、网络、数据和编排故障
中间件	Linux 与网络基础	搭日志、消息、网关和数据高可用组件
AI	Linux 与 Python 基础	部署推理服务、跑微调、搭 RAG 与评估
安全	Linux 与 K8s 基础	收紧权限、加固主机、验证供应链
可观测性	Linux 与 K8s 基础	建指标体系、接日志链路、写告警与 SLO
数据库	Linux 与 SQL 基础	定位慢查询、配复制备份、做迁移选型
网络	Linux 基础	按层定位 DNS、连接、TLS 与丢包问题

心智模型

先读模型，再读路径。模型回答“为什么”，路径回答“先学什么”。

Linux 心智模型 — 一切皆文件、进程树、权限位、文件描述符、namespace/cgroup、网络栈。
Kubernetes 心智模型 — 声明式 API、控制循环、Pod 与控制器、Service/Endpoint、调度、etcd。
DevOps 心智模型 — 变更流水线、构建一次晋升多次、不可变制品、环境即代码、反馈回路、供应链。
排障心智模型 — 现象与根因、假设-验证、USE/RED、分层排查、变更关联、复盘。
中间件心智模型 — 连接、队列、分区、副本、一致性、背压。
AI 心智模型 — 显存/算力/带宽、训练/推理、批处理/并发、RAG/微调、评估。
安全心智模型 — 身份、最小权限、边界、供应链、检测响应、合规。
可观测性心智模型 — 四类信号、标签与基数、存储、查询、告警与成本。
数据库心智模型 — 页与缓存、事务隔离、索引与执行计划、复制一致性、连接与备份。
网络心智模型 — 分层封装、路由、端口、DNS、TCP 状态机、TLS、NAT/MTU 与 K8s 网络。

故障演练

演练不是“看一遍故障页”，而是先只看现象，写下三个假设和验证命令，再对照页面。建议在一次性虚拟机、kind 集群或本地 Compose 环境里做。不知道从哪个开始，先看故障演练学习路径，它按难度和依赖把基础演练排成四周计划，并列出进阶演练的插入方式。

磁盘写满演练 — 在 loop 文件系统里复现，配合 no-space-left 阅读。
inode 耗尽演练 — 创建大量小文件耗尽 inode，配合 inode-exhausted 阅读。
CPU 100% 演练 — 限时压测单核，配合 cpu-100 阅读。
网络延迟演练 — 用 tc netem 注入延迟和丢包，配合 connection-timeout 阅读。
Pod Pending 演练 — 制造调度失败，配合 pod-pending 阅读。
CrashLoopBackOff 演练 — 让容器反复退出，配合 crashloopbackoff 阅读。
DNS 失败演练 — 制造集群 DNS 解析失败，配合 k8s-dns-failed 阅读。
PVC Pending 演练 — 制造存储绑定失败，配合 k8s-pvc-pending 阅读。
MySQL 死锁演练 — 构造并发事务死锁，配合 mysql-deadlock 阅读。
PostgreSQL 连接耗尽演练 — 打满连接池，配合 postgres-connection-exhausted 阅读。
Kafka 消费积压演练 — 制造消费滞后，配合 kafka-consumer-lag 阅读。
Redis 热 key 演练 — 制造单分片热点，配合 redis-hotkey 阅读。

另有 10 个进阶演练：OOMKilled、ImagePullBackOff、NodeNotReady、证书过期、Nginx 502、Helm 发布失败、Kafka rebalance、Elasticsearch 分片未分配、etcd quorum 和 MySQL 主从延迟。难度、环境要求和插入方式见故障演练学习路径。

建议顺序

推荐按依赖关系推进，而不是按热度：

顺序	领域	理由
1	Linux	进程、文件、网络是所有上层系统的底座
2	排障	先学会观察和验证，后面学什么都更快
3	Kubernetes	现代部署和中间件大多运行在 K8s 上
4	DevOps 或中间件	交付流水线与数据组件按工作需要二选一
5	安全或 AI	在已有系统上增加边界、供应链或模型能力

如果工作直接涉及某个领域，可以从该领域切入，但至少要补完 Linux 和排障的方法论。

如果每周投入 6–8 小时，可以按六周推进：

第 1 周：Linux 心智模型 + 路径阶段一、二。
第 2 周：Linux 阶段三、四 + 磁盘和 CPU 演练。
第 3 周：排障心智模型 + 方法论、系统和网络阶段。
第 4 周：Kubernetes 心智模型 + 路径阶段一、二。
第 5 周：K8s 阶段三、四 + Pod 与 DNS 演练。
第 6 周：从 DevOps、中间件、安全、AI 中选一个方向走完。

每周至少留一次演练，不要把时间全部花在阅读上。

常见误区

同时开三条学习路径，每条都停在第一阶段。
只收藏页面不动手，把“读过”当成“会了”。
先学工具和命令，不理解进程、网络、存储这些底层对象。
跳过心智模型，直接背排障命令，遇到新现象仍然不会迁移。
在共享或生产环境做演练，制造真实故障。
演练只看最终答案，不记录假设、验证过程和错误判断。
学完不复习，三个月后只剩模糊的工具名。

读完自测

合上页面，先回答，再展开对照。

为什么建议先读心智模型，再走学习路径？
故障演练时，为什么要求先写假设再动手验证？
如果只能选一条路径开始，应该怎么选？

答案

心智模型给出系统的状态和层次：数据存在哪里、请求经过哪些组件、失败会在哪一层表现出来。没有模型，学习路径会退化成命令清单，遇到路径外的问题无法迁移。
先写假设能避免“边查边改”的随机排查。假设迫使你说清预期结果，验证命令才有判别力；即使假设被推翻，也缩小了范围并留下可复盘的记录。
从当前工作中最常遇到的问题出发：经常登录服务器就从 Linux 开始，经常处理告警就从排障开始，负责部署平台就从 K8s 开始。无论选哪条，都建议在一周内补上 Linux 和排障的基础。