K8s运维工程师 - 面试帮助文档

基于 JD：混合云环境下 Kubernetes 集群运维、算力平台保障、可观测体系建设、运维自动化与 AI Agent 工具应用。

一、岗位核心能力画像

维度	重点
基础能力	Linux 排障、Kubernetes 对象与运维场景、公有云/私有云基础产品
进阶能力	混合云多集群运维、算力/Agent 任务调度保障、SRE 稳定性建设
工具能力	Prometheus/Grafana/Alertmanager/Loki/ELK、Shell/Python/Go
AI 能力	熟练使用 Claude Code/Codex 等 AI Agent 辅助运维开发与排障

二、高频面试问题与回答思路

2.1 Linux 系统与排障

Q1：线上 CPU 飙高，如何排查？

top/htop 定位高 CPU 进程与线程
pidstat -t -p <pid> 看线程级 CPU 占用
perf top / perf record 抓热点函数
结合应用日志、火焰图分析耗时路径
检查是否因 GC、死循环、定时任务或流量突增导致

Q2：内存 OOM 排查思路？

dmesg | grep -i "killed process" 查看 OOM 日志
free -m、vmstat、sar -r 分析内存趋势
pmap、/proc/<pid>/status 看进程内存分布
检查缓存使用、内存泄漏、大对象、未限制资源

Q3：磁盘 IO 高如何处理？

iostat -x 1、iotop 定位高 IO 进程
df -h、du -sh 排查磁盘空间与目录占用
检查日志暴涨、临时文件、大文件删除未释放（lsof +L1）
评估是否需要拆分存储、限速或扩容

Q4：网络不通怎么排查？

分层排查：物理层 → 链路层 → 网络层 → 传输层 → 应用层
ip addr、ip route、ss -s、netstat -antp
ping、traceroute、telnet/nc 测试连通性与端口
检查安全组/ACL、iptables/nftables、DNS、MTU、Conntrack

2.2 Kubernetes 核心与排障

Q5：K8s 核心对象及使用场景？

对象	用途
Pod	最小调度单元
Deployment	无状态应用滚动更新/扩缩容
StatefulSet	有状态应用（数据库、消息队列）
DaemonSet	每个节点运行一个 Pod（日志、监控 Agent）
Service	集群内服务发现与负载均衡
Ingress	七层流量入口
ConfigMap/Secret	配置与敏感信息管理
PV/PVC/StorageClass	持久化存储
Namespace	资源隔离
RBAC	权限控制

Q6：Pod Pending 的常见原因？

资源不足：CPU/内存/磁盘/GPU 不够
节点亲和性/反亲和性、污点容忍不匹配
PVC 未绑定或 StorageClass 问题
镜像拉取失败
调度策略限制（PodTopologySpread、ResourceQuota）

Q7：CrashLoopBackOff 如何排查？

kubectl describe pod 看 Events
kubectl logs --previous 看上次退出日志
检查启动命令、环境变量、依赖服务、资源限制
进入容器调试：kubectl debug 或临时修改 command

Q8：OOMKilled 调优思路？

确认是真实内存不足还是 Limit 设置过低
优化应用内存使用、调整 JVM/Node/Python 堆内存参数
合理设置 Request/Limit，避免 Limit 过小触发 OOM
使用 VPA 动态建议资源配额

Q9：节点 NotReady 怎么处理？

kubectl describe node 看 Conditions
检查 kubelet 状态：systemctl status kubelet
检查节点资源：磁盘压力、内存压力、PID 压力
查看节点日志：journalctl -u kubelet -f
检查网络插件（CNI）、Docker/containerd 运行时

Q10：Service 不通怎么排查？

确认 Pod 是否 Ready，Endpoints 是否存在
kubectl get endpoints <svc>
检查 kube-proxy 规则：iptables -t nat -L 或 ipvsadm
测试 DNS：nslookup <svc>.<ns>.svc.cluster.local
检查 NetworkPolicy、安全组、CNI 插件状态

Q11：CoreDNS 异常排查？

查看 CoreDNS Pod 状态与日志
检查 ConfigMap：coredns 的 upstream DNS
检查是否有循环转发（loop plugin）
关注 DNS 缓存、QPS、解析延迟，必要时扩容 CoreDNS

Q12：Ingress 访问异常？

检查 Ingress 规则、Service、Endpoints
查看 Ingress Controller 日志
检查证书是否过期
排查后端健康检查失败、超时配置、Rewrite 规则

2.3 云产品与混合云

Q13：混合云 K8s 运维的挑战？

网络互通：VPC 对等连接、专线、VPN
统一认证与权限管理
镜像与配置跨云同步
流量调度与容灾切换
成本分摊与资源治理
多云监控告警统一

Q14：熟悉哪些云产品？

计算：云主机/裸金属/弹性伸缩
网络：VPC、子网、安全组、负载均衡、NAT 网关
存储：云盘、对象存储、文件存储
安全：IAM、KMS、WAF

2.4 可观测性体系

Q15：如何建设监控告警体系？

Metrics：Prometheus + Grafana，核心指标包括节点资源、Pod 资源、K8s 组件、应用黄金指标（延迟/流量/错误/饱和度）
Logging：Loki 或 ELK，按 Namespace、Pod、应用聚合
Tracing：Jaeger/Tempo/SkyWalking，定位链路性能瓶颈
Alerting：Alertmanager，分级告警、抑制、静默、路由
On-call：PagerDuty/飞书/钉钉/企业微信集成

Q16：Prometheus 高可用方案？

Prometheus HA：双副本 + Thanos 远端存储
使用 Thanos Sidecar/Receive/Query 实现全局查询与长期存储
Remote Write 到 VictoriaMetrics/Cortex
Alertmanager 集群模式避免单点

Q17：如何减少告警噪音？

告警分级（P0/P1/P2/P3）
设置合理的阈值与持续时间
告警抑制与依赖分组
定期复盘，清理无效告警
引入 SLO/SLI，基于错误预算告警

2.5 运维自动化与 SRE

Q18：你做过哪些运维自动化工具？

自动巡检脚本：集群/节点/Pod/证书/镜像漏洞扫描
批量变更工具：ConfigMap/Secret 分发、镜像更新、节点打补丁
资源回收：僵尸 Pod、未使用 PVC/LB/IP 清理
弹性伸缩：HPA/VPA/Cluster Autoscaler/自定义调度器
成本统计：按 Namespace/业务线分摊资源成本
故障自愈：节点异常自动驱逐、Pod 自动重启、服务降级

Q19：Runbook 应包含哪些内容？

故障现象与影响范围
快速止血步骤（降级/回滚/扩容/切流）
根因排查命令与检查清单
修复操作与验证方法
复盘与改进项

Q20：变更管理如何保障稳定性？

变更评审、灰度发布、蓝绿/金丝雀
可回滚、可观测、可审计
变更窗口、双人复核、自动化变更平台

2.6 AI Agent 工具应用

Q21：如何用 Claude Code/Codex 提升运维效率？

辅助编写 Shell/Python/Go 运维脚本
自动生成 K8s YAML、Terraform、Ansible Playbook
分析日志/监控数据，定位异常模式
生成故障复盘报告与 Runbook
代码 Review 与配置审计

Q22：AI 辅助运维的安全与可控性如何保障？

明确权限边界，AI 操作最小权限原则
关键变更需人工审批，禁止自动执行高危操作
所有 AI 生成内容与操作记录审计日志
对 AI 输出进行校验与测试，避免幻觉导致事故
敏感数据脱敏，避免上传至外部 AI 服务

三、算力平台与 Agent 任务保障（加分重点）

该岗位强调算力平台和大量 Agent 任务的稳定运行，面试中可能重点考察：

方向	准备要点
任务调度	了解 K8s Scheduler、自定义调度器、队列调度、批量调度（Volcano/Yunikorn）
资源池管理	CPU/内存型资源池划分、节点亲和性、资源配额、LimitRange、ResourceQuota
容器异常	Pod 频繁重启、任务卡住、资源竞争、Sidecar 干扰主容器
网络异常	大量短连接、DNS 解析压力、东西向流量、带宽打满
存储异常	共享存储挂载、临时存储清理、日志量过大
成本优化	资源利用率分析、Spot/抢占式实例、弹性伸缩、任务调度错峰

准备建议：结合实际项目，准备 1-2 个关于"保障 Agent 任务高并发稳定运行"的案例。

四、面试准备清单

4.1 技术复习

[ ] Linux 性能分析工具：top/htop、iotop、pidstat、vmstat、iostat、perf
[ ] K8s 对象、调度、网络、存储、安全
[ ] K8s 排障命令与常见错误码
[ ] Prometheus/Grafana/Alertmanager/Loki/ELK 基础架构
[ ] 至少一门脚本语言：Shell/Python/Go
[ ] 公有云/私有云基础产品
[ ] SRE 稳定性建设：SLO、on-call、故障复盘、混沌工程

4.2 项目复盘

[ ] 准备 1 个 K8s 集群建设/运维项目
[ ] 准备 1 个故障排查/稳定性保障案例（STAR 法则）
[ ] 准备 1 个自动化/平台化建设案例
[ ] 准备 AI Agent 工具使用经验与安全意识

4.3 行为面试

你如何平衡稳定性与迭代效率？
遇到线上重大故障，你的处理流程是什么？
你如何推动团队使用自动化/AI 工具？
描述一次跨团队协作解决复杂问题的经历。

五、推荐学习资源

类型	资源
K8s 官方	Kubernetes 官方文档、kubectl cheatsheet
Linux 性能	Brendan Gregg《Systems Performance》
SRE	Google SRE Book、《Kubernetes 最佳实践》
可观测性	Prometheus 官方文档、Grafana Labs 教程
AI 运维	Claude Code/Codex 官方文档、提示工程最佳实践

六、简历亮点建议

量化成果：例如"保障 X 节点、Y Pod 的 K8s 集群稳定性，P0 故障下降 Z%"
突出混合云/多集群经验
强调算力平台/Agent 任务/调度平台经验
展示自动化工具与 AI 辅助运维实践
提及可观测体系建设与成本优化成果

祝你面试顺利！

K8s运维工程师 - 面试帮助文档 ​

一、岗位核心能力画像 ​

二、高频面试问题与回答思路 ​

2.1 Linux 系统与排障 ​

2.2 Kubernetes 核心与排障 ​

2.3 云产品与混合云 ​

2.4 可观测性体系 ​

2.5 运维自动化与 SRE ​

2.6 AI Agent 工具应用 ​

三、算力平台与 Agent 任务保障（加分重点） ​

四、面试准备清单 ​

4.1 技术复习 ​

4.2 项目复盘 ​

4.3 行为面试 ​

五、推荐学习资源 ​

六、简历亮点建议 ​