跳转至

Deep Research: [5] 持续交付（Continuous Delivery）：把发布做成可回滚的流水线

  • Source: https://martinfowler.com/books/continuousDelivery.html
  • Note: ../notes/ref-005-continuous-delivery.md
  • Snapshot: ../sources/md/martinfowler-com-books-continuousdelivery-html-7b817f9cdde9.md

TL;DR

持续交付（Continuous Delivery, CD）不仅仅是自动化部署脚本，而是建立一条从代码提交到生产环境的自动化流水线，通过频繁、小批量的发布和快速反馈循环，让软件发布成为一种低风险、可重复、甚至无聊的日常活动。

核心观点

  1. 部署流水线（Deployment Pipeline）：这是 CD 的核心模式。每一次代码提交都会触发一系列自动化的构建、测试和部署步骤。流水线是发布的唯一途径，确保所有变更都经过相同的验证标准。
  2. 发布是业务决定，部署是技术行为：通过按需发布将部署动作（技术风险）与发布动作（业务影响）解耦。软件应随时处于可发布状态。
  3. 质量内建与左移：反馈越早越便宜。在流水线早期（提交阶段）拦截大部分错误，而不是依赖后期的手动测试（QA）。
  4. 配置即代码：不仅是源代码，基础设施配置、数据库脚本、部署逻辑都必须版本化管理。没有任何变更是通过 SSH 登录服务器手动完成的。
  5. 小批量交付：通过减少每次发布的变更量（Batch Size），降低出错概率，并加速故障定位与回滚。
  6. 每个人都对交付负责：消除开发只管写代码，运维只管部署的隔阂（DevOps 的前身），开发人员需为代码在生产环境的运行状态负责。

可落地做法

1. 面向工程（Engineering）

  • 构建脚本化：使用 Make/Gradle/npm 等工具将构建、测试、打包命令标准化，确保在本地和 CI 服务器上运行结果一致。
  • 建立提交阶段（Commit Stage）：配置 CI 任务，确保每次 Push 都在 5-10 分钟内运行完单元测试和静态检查。若失败，优先级最高修复。
  • 蓝绿/金丝雀部署：利用云原生设施，实现无停机部署。确保新版本部署失败时，流量能瞬间切回旧版本。

2. 面向产品（Product）

  • 拆分需求：将大功能拆解为可独立上线的小 Story，配合特性开关（Feature Toggles）实现暗部署（代码已上线但用户不可见）。
  • 定义完成：只有代码在生产环境运行且业务指标正常，才算Done。

3. 面向评测/QA（Evaluation）

  • 自动化回归：将手动测试用例转化为自动化测试脚本（E2E），纳入流水线。
  • 分层测试策略：大量单元测试（快）、适量集成测试、少量 UI 测试（慢、脆），避免倒金字塔结构。

检查清单：流水线健康度自查

  • [ ] 原子性构建：构建只需运行一条命令，不需要任何手动配置步骤？
  • [ ] 版本一致性：测试环境、预发布环境和生产环境是否使用同一个二进制包/镜像（而不是重新构建）？
  • [ ] 配置分离：配置信息是否与代码分离，并随环境自动注入？
  • [ ] 一键回滚：是否能在 5 分钟内通过一个命令（或点击）将生产环境回滚到上一个稳定版本？
  • [ ] 每日部署：团队是否具备每天多次部署到生产环境的能力（即使不一定要这么做）？
  • [ ] 红灯停：流水线失败时，是否所有人都停止提交代码，直到修复为止？

常见坑与对策

  • 坑：测试不仅慢而且不稳定（Flaky Tests）。
    • 对策：零容忍。一旦发现不稳定测试，立即隔离或修复。不要让团队习惯于忽略那个红灯，重跑一下就好。
  • 坑：只做 CI 不做 CD。
    • 对策：很多团队只做到了持续集成（跑通单测），但部署仍需手动操作。需打通最后一公里，将部署脚本化并纳入流水线。
  • 坑：环境差异导致的在我机器上是好的。
    • 对策：使用容器技术（Docker）确保开发、测试、生产环境的高度一致性；使用 IaC（Terraform/Ansible）管理环境。

可用于丰富《AI 辅助软件产品》的写作点

  • 第 07 章 Engineering（工程实践）：
    • AI 作为流水线构建者：现在的 LLM 非常擅长生成 GitHub Actions 或 GitLab CI 配置文件。可以展示如何用 Prompt 生成一个包含 Lint、Test、Build、Docker Push 的完整 CI/CD 配置文件。
    • AI 辅助修复构建：当流水线失败时，直接将错误日志投喂给 AI，让其分析原因并给出修复补丁（不仅是代码修复，也包括环境配置修复）。
  • 第 17 章 Deployment（部署与发布）：
    • 智能回滚代理：提出AI SRE的概念。在部署后，AI 监控日志和监控指标（如错误率突增、延迟抖动），一旦发现异常模式，自动触发回滚指令，比人工介入更快。
  • 第 10 章 Agentic RAG（Agent 体系）：
    • Prompt 的持续交付：将 Prompt 视为代码。建立 Prompt 的 CD 流水线：修改 Prompt -> 自动运行评估集（Evaluation） -> 对比质量分数 -> 自动部署到 Agent 服务。这是 AI 产品的特有 CD 实践。