AI Infra 教材
写给有 5–8 年 Linux / 存储 / 网络运维经验、想转 AI Infra（GPU 集群方向）的工程师。 主线：数据怎么走 → 算力怎么用 → 故障怎么办。
章节目录
| # | 章节 | 主题 |
|---|---|---|
| 0 | 序章 | 教材怎么用 + 全书主线 |
| 1 | 第 1 章 Linux 内核 IO 栈与 VFS | 数据从磁盘到进程 |
| 2 | 第 2 章 分布式存储：Ceph 核心 | CRUSH / PG / BlueStore |
| 3 | 第 3 章 存储选型 | JuiceFS / 3FS / Lustre 怎么选 |
| 4 | 第 4 章 RDMA 与无损网络 | IB / RoCE / PFC / ECN / DCQCN |
| 5 | 第 5 章 NCCL 与集合通信 | AllReduce 数学与 hang 排查 |
| 6 | 第 6 章 GPU 硬件与 CUDA/DCGM | 利用率上不去时怎么查 |
| 7 | 第 7 章 推理框架：vLLM 与 PagedAttention | KV cache 与连续批处理 |
| 8 | 第 8 章 调度与多租户 | Slurm / Volcano / Kueue |
| 9 | 第 9 章 可观测性与告警 | Prometheus / PromQL / 告警 |
| 10 | 第 10 章 故障演练与 STAR 叙事 | 混沌工程 / 复盘 / 面试故事 |
| 11 | 第 11 章 综合实战：集群故障排查 | 把前面 10 章串起来 |
| 12 | 第 12 章 面试冲刺 | 高频题 + 答题框架 |
| 13 | 第 13 章 自动化运维与版本管理 | 健康巡检 + 驱动/CUDA/NCCL 对齐 |
| 附 | 术语与符号表 | 全书术语、符号、缩写约定 |
怎么用
每章开头先看”本章学习目标”，学完用章末自检清单逐条确认。例题要照着算一遍，独立习题做完再翻。/categories/ai-infra/ 里按分类聚合了所有章节。