Engineer Operation Booklet｜工程师运维小册 是一个面向 IT 运维、DevOps、SRE、安全运维、云原生平台工程师的知识库项目。
本项目主要收集和整理服务器运维规范、Linux 常用操作、自动化运维、数据库运维、安全基线、故障排查、云平台、容器化、CI/CD、监控告警、备份恢复等内容，帮助工程师在实际生产环境中形成标准化、流程化、工程化的操作习惯。
项目核心目标：
- 建立系统化的运维知识体系；
- 汇总常见 Linux / Bash / Python / MySQL / Redis / Nginx / Docker / Kubernetes 操作规范；
- 总结生产环境中的高危操作、风险场景与事故预防措施；
- 提供可复用的 Runbook、Checklist、故障排查流程和安全基线；
- 帮助运维工程师、DevOps 工程师和 SRE 工程师提升工程实践能力。
- Linux 运维工程师
- DevOps 工程师
- SRE 工程师
- 云计算工程师
- 云原生平台工程师
- 运维开发工程师
- 安全运维工程师
- 数据库运维工程师
- 运维经理 / 运维负责人
- 希望系统学习生产环境运维规范的开发工程师
目前，网上运维工程师，大部分都存在这三方面的问题：
-
服务器运维操作命令没有细粒度总结；
-
数据库操作命令记忆或设置不全面；
-
服务器安全重要，安全设置都有做，但实际操作有遗忘，安全意识不强。
-
比如：在2017/01/31 18:00 UTC国外Gitlab出现故障，丢失了6小时的生产数据！Gitlab 数据库终于在北京时间 2月2日 0:14 恢复成功（18:14 UTC 02/01）。运维工程师操作时。没有检查正在操作的服务器，以至于误删除了正常的数据。
-
安全设置要不要做？做安全还是不做安全？还是说只做一些基础设置。
-
如果安全相关工作，能让服务器和服务器集群更安全，那就要去做。
-
安全的相关工作尽量做，不会做的想办法做，实在没法做的，那就延后再说，也许现在没办法做，可能以后有办法，想做总能找到办法。
-
安全无小事，要想想不安全的后果，如果出现安全事件，数据泄露，数据库被拖库，后果是很严重的，这样的案例互联网上很多，就不多说了。
-
项目的口号是：使用服务器安全运维规范，不掉坑，不背锅！
- 如果想要贡献或是交流的话，请加 QQ 群： （313682642）
- Email：golucklee@gmail.com
本项目覆盖但不限于以下技术方向：
| 分类 | 内容 |
|---|---|
| Linux 运维 | 用户权限、系统服务、磁盘、网络、日志、进程、性能排查 |
| Shell / Bash | 自动化脚本、批量任务、巡检脚本、日志处理 |
| Python 运维开发 | API 调用、批量管理、自动化工具、运维平台脚本 |
| 数据库运维 | MySQL、PostgreSQL、Redis、备份恢复、权限控制 |
| Web 服务 | Nginx、Apache、负载均衡、TLS、反向代理 |
| 容器技术 | Docker、Containerd、镜像构建、容器安全 |
| Kubernetes | Pod、Deployment、Service、Ingress、Helm、RBAC、集群排障 |
| 自动化运维 | Ansible、Terraform、SaltStack、配置管理 |
| CI/CD | Jenkins、GitLab CI、GitHub Actions、Argo CD |
| 云平台 | AWS、Azure、阿里云、腾讯云、云资源治理 |
| 可观测性 | Prometheus、Grafana、Alertmanager、日志、链路追踪 |
| 安全运维 | Linux 安全基线、SSH 加固、漏洞扫描、入侵排查 |
| 故障处理 | 事故响应、应急预案、RCA、复盘机制 |
| 备份恢复 | 数据备份、快照、灾备、恢复演练 |
| 运维规范 | Runbook、Checklist、变更流程、发布流程 |
| AI 基础设施 | GPU/NPU 架构与编程、CUDA、集群运维、NCCL、推理优化、KV Cache、Agent、RAG |
| AI 集群运维 | nvidia-smi、InfiniBand、GPU 调度、HAMi、云原生 AI 平台 |
涵盖从硬件底座到智能体应用的全链路 AI 技术栈：GPU/NPU 架构与异构编程、AI 集群运维与 NCCL 高性能通信、云原生 AI 平台（K8s + GPU 调度）、大模型训练与微调、推理系统优化（vLLM / SGLang / KV Cache）、RAG 与知识图谱、企业级 AI Agent 开发，以及 AI Native 全栈实践。已按工程师运维风格重构，含学习路径图与章节速览。
入口：AI Fundamentals ｜ AI 基础设施实战小册
口号：看懂硬件，写对算子，跑稳集群，算清成本——不掉坑，不白花算力！
| 模块 | 技术栈 | 目录 |
|---|---|---|
| 硬件架构与互连 | GPU/TPU、PCIe、NVLink、GPUDirect、GB300 | 01_hardware_architecture |
| GPU / DPU / NPU 编程 | CUDA、TileLang、DOCA、CANN | 02_*_programming |
| AI 集群运维 | nvidia-smi、InfiniBand、NCCL | 03_ai_cluster_ops |
| 云原生 AI 平台 | K8s、Kueue/HAMi、JuiceFS/3FS | 04_cloud_native_ai_platform |
| 模型训练与微调 | SFT、LoRA、70B 从零训练 | 05_model_training_and_fine_tuning |
| LLM 理论与基础 | Transformer、MoE、量化、Deep Research | 06_llm_theory_and_fundamentals |
| RAG 与工具生态 | RAG、GraphRAG、Neo4j、PDF 解析 | 07_rag_and_tools |
| 企业级 AI Agent | 多智能体、MCP、记忆、上下文工程 | 08_agentic_system |
| 推理系统与优化 | vLLM、SGLang、KV Cache、成本分析 | 09_inference_system |
| 课程与学习路径 | AISystem、Token Factory、Trae | 10_ai_related_course |
| AI Native 全栈 | Vibe Coding、Software 3.0 | 11_ai_native_everything |
| LLM 应用开发 | Spring AI、LangGraph、Coze、n8n | 98_llm_programming |
关于运维安全的推荐阅读：
| 项目（点击预览） | 文章作者 ID | 文章链接 | 学习资源 |
|---|---|---|---|
| # 安全运维规范 # | @ppabc｜安全运维规范发起人 | 原创链接 | 推荐｜归档 |
| - 内部漏扫工具-巡风 | @ysrc｜同程安全应急响应中心 | 原创链接 | 推荐｜归档 |
| - Docker的蜜罐系统 | @atiger77｜atiger77 | 原创链接 | 推荐｜归档 |
| - jumpserver跳板机 | @jumpserver｜jumpserver | 原创链接 | 推荐｜归档 |
| - 脚本自动安全检查基线 | @ppabc｜安全运维规范发起人 | 转载链接 | 推荐｜归档 |
| - 服务器安全事件应急响应排查 | @ppabc｜安全运维规范发起人 | 转载链接 | 推荐｜归档 |
| - GitLab误删除数据库事件的几点思考 | @左耳朵耗子｜程序员，酷壳博主 | 转载链接 | 推荐｜归档 |
| - Gitlab从删库到恢复：丢失6小时生产数据 | 龙井、萧田国 | 转载链接 | 推荐｜归档 |
| - 运维三十六计 | 梁定安、周小军 | 转载链接 | 推荐｜归档 |
学习IT资源收集持续更新 https://github.com/lilinji/IT/wiki
