客户规模扩大，如何保证大数据软件产品和服务质量始终如一？几乎所有成长中的软件厂商，尤其是需要通过私有化部署交付的厂商，都会面临这个问题。正如《人月神话》中多次表明的，单纯地增加人手、扩大团队规模，并不能成功达成大型系统建设目标。

　　软件的生产、交付和运维，如何从“手工作坊”走向“现代化工厂”？厂商又应当在什么时候改变对“高级工匠”的依赖，研究生产线如何改造？奇点云去年改造了面向交付的工程生产线。虽然投入了大量的时间精力，但成功提升了产品的发布版本质量和稳定性，提高了客户环境部署、版本升级的效率，完善了客户项目运维的响应流程，强化了主动发现风险的能力。

　　本文作者牧然，奇点云资深技术专家，曾在多家大型互联网公司负责 DevOps、质量保障体系建设、效能和过程改进，主导完成奇点云的工程生产线改造。

　　大数据平台软件体量大，通常是私有化部署的方式交付给客户。奇点云的核心产品数据云平台 DataSimba 也不例外。有别于 SaaS 产品专注维护一套生产环境的一个发布版本，私有化部署的大型平台软件产品在交付和运维上面临更复杂的挑战：

　　对不同客户的独立环境（M），维护不同的产品发布版本（N），从数学上说，就会有 M*N 种维护场景。当然，在客户规模尚未出现井喷时，上述挑战的影响还在可预见、可应对的范畴之内。

　　2021 年前后，数据价值陆续得到验证，数字化成为确定性选择。DataSimba 作为企业的数据基础设施，新客户数量激增，老客户复购需求持续上涨。团队面临的交付、运维挑战，相较往年也成倍上难度。

　　2022 年，我们在收敛主售版本的基础上，推出了长期维护版（即 LTS 版），一定程度上让维护的范围更集中。但团队仍然需要投入大量精力，来应对“M*N”的交付和运维问题——除了日常维护，版本更新、漏洞修复等都需要准确无误地更新到每个独立的客户环境中。

　　2023 年，客户对数据的使用不断深入，数据系统成为核心的生产系统。除了软件的功能，开始关注其 Reliability（可靠性）、Availability（可用性）、Serviceability（可服务性），要求可靠、连续、稳定地产出数据业务结果。这就需要服务商提供“产品 + 服务 + 连续可靠的运行机制”做保障。

　　“RAS”是企业级软件的金标准。这一年，我们从软件、服务、管理等各个层面向“企业级”升级。毋庸置疑，企业级软件在企业级客户的交付和运维，也要达到企业级标准。而形成一条更优质高效的生产线，是规模化服务好客户的前提。

　　产品质量：软件通过严格测试，包括功能测试、性能测试、安全测试等等，覆盖所有的功能和边界情况，确保软件的稳定性、可靠性。

　　交付时间：要在严格的时间内完成交付。（也就是说，过去友商常见的花 1 个月甚至更久时间部署已成“过去时”。）

　　2021 年至今，我们严格遵循 SAFe（Scaled Agile Framework，大型敏捷软件工程方）的迭代原则，保持产品研发和版本发布的稳定节奏，目前总计发布了 32 个 R 版。

　　Built in Quality（内建质量）是 SAFe 框架中的一个重要概念，要求团队在工作的每个阶段都要关注和进行质量实践，而不是把质量留到最后的测试阶段。

　　正如质量管理的先驱戴明博士（William Edwards Deming）所说，“检验不能提高质量，也不能保证质量。检验为时已晚，产品已有好坏之分。”“它（即质量）必须内置在其中。”在 SAFe 方中，有 5 个关键维度来衡量内建质量：流程（Flow）质量，架构与设计质量，代码质量，系统质量，发布质量。

　　流程质量，我们通过持续优化开发流程，进行 DevOps 实践，串联从需求开发到产品交付的每个环节，并提高流程节点上的自动化率。自动化是我们始终关注并坚持的要求。

　　发布质量，结合近 3 年在客户环境进行的数千次部署 / 升级经验，我们设计和完善了部署 / 升级的 SOP，确保新版本顺利更新到客户环境。

　　其一，研发过程中，当稳定分支（master）有合并，就触发完整 CI 流程，执行所有 MR（Merge

　　其二，维护阶段，某一个客户现场有特殊问题需要修复时，bugfix 分支向 release 发起 MR，生成的包给客户修复问题。MR 积累到一定数量后再统一合入稳定分支（master），避免未经全面测试的特殊修复给全局版本引入风险。

　　我们建立了研发流水线，并设计了自动化测试，开发环节效率得到显著提升：目标分支发布到目标环境的效率提高；目标分支合并后产生的包都经过了 12000 个自动化测试用例，研发、测试、运维基于此工作，不会发生基础问题。

　　1）研发在 feature 分支完成需求开发后，向目标分支（如 master 分支）发起 MR，自动触发 CI 流程，将包与镜像推往对象存储，可一键构建到开发环境。（测试及生产环境需要通过发布平台执行。）

　　2）测试过程中 feature 分支代码变更，会再次自动触发 CI 流程，生成包和镜像，按需一键发布到目标环境。

　　通过全量接口和场景自动化测试用例卡点，目前我们要求通过全部（12000 个）自动化测试用例，无失败。

　　自动化部署工具：支持“一键”部署；可以集中管理配置、自动渲染；集成日志系统，支持日志集中查询；支持监控报警，分级报警，分级处理。我们之所以把日志和监控工具都集成到了部署工具中，是因为部署 DataSimba 并不只是简单的安装软件，也需要保障其运行稳定。

　　自动化验证工具：我们从 12000 条自动化测试用例中选取了 3000 条，用于客户环境部署后的验证，以确保部署后的产品可用性。测试过程耗时仅 30 分钟。

　　做到这里，工程生产线基本上改造完成了。相比之前，团队工作上的体感已经大不相同：再也没有出现分支发布到目标环境失败或功能不可用的问题；再也不会出现临时紧急修复一个问题，而影响到了全部版本；也不再出现客户环境部署完成后还有功能不可用的问题。

　　很多厂商会把部署完成视为交付的最后一步，钥匙交给客户万事大吉。但像前文所说的，数字化进程越深入，客户越要求可靠、连续、稳定地产出数据业务结果，这离不开持续、可靠的运维。

　　运维是一个“人力”比较重的过程，所以同样会面临需求爆发和质量管控的问题：一位运维工程师通常会负责多家企业客户的运维，同一个客户也会经历不同运维工程师的运维。

　　对此，解法也是类似的——“运维标准化”，即同一个产品在不同客户环境，有统一的运维方案。从监控告警到日志标准化，从应急操作手册到巡检工具，都通过统一的运维 SOP 和工具完成，来保障运维响应的规范、质量、效率和全面性。

　　监控告警：设置分层监控（集群监控、服务监控、业务监控），配合多渠道告警（电话、短信、IM、邮件等），确保系统运维工程师和数据运维工程师快速响应；

　　On-call 小组：我们更新了 On-call 的机制，工单分级响应，并设置了问题处理超时预警机制，确保服务水平和满意度。

　　高级运维服务：主要满足有深度运维需求的客户，包括协助客户团队建立数据开发的 CI/CD 流程，以及由原厂专家提供一对一的系统运维规划、专属运维实施等服务。