有家公司的运维主管花了二十万买了套自动化平台，用了八个月，团队还是手动敲命令。他跑来问我：“工具买了，培训也做了，为什么就是推不动？”

聊了半小时我就发现问题所在：他们连标准操作流程都没梳理清楚，每个运维人员的操作习惯都不一样。这就像你没画好图纸就开始买建材，砖头水泥堆了一院子，房子还是盖不起来。

第一件事：哪些操作值得自动化

别试图一步到位把所有运维工作都自动化。先做一张操作清单，按“频率×风险”两个维度打分。高频低风险的操作优先自动化，比如日志清理、备份检查、磁盘空间巡检。低频高风险的操作最后再做，比如数据库主从切换、内核升级。

一个判断标准：如果你每周都要手动做三次以上某个操作，而且每次步骤都差不多，那就该自动化了。反过来，一年才做一次的操作，手动做反而更安全，因为自动化的脚本本身也需要维护和测试。

第二件事：流程先标准化再自动化

自动化的前提是标准化。如果三个人部署同一个应用用了三种不同的路径、三种不同的配置方式，你写出来的自动化脚本根本跑不起来。先把操作流程统一：统一的目录结构、统一的用户权限、统一的配置文件格式。这一步可能要花一两个月，但磨刀不误砍柴工。

具体做法是写一份操作SOP文档，把每个步骤的命令、参数、预期输出都写清楚。然后让不同的人按文档操作，看结果是否一致。只有人和人之间的操作能对齐了，机器才能接管。

第三件事：必须有回滚机制

自动化最大的风险是“一键搞砸所有服务器”。一个写错的脚本在十台机器上同时执行，比手动操作一台台出错严重十倍。所以每个自动化任务都必须配套回滚方案：执行前自动快照或备份，执行失败时自动触发回滚。

用Ansible的话，利用其幂等性特性——同一个playbook执行多次结果一致，这本身就能防止重复执行导致的问题。但对于有破坏性的操作，比如删数据、改防火墙规则，一定要加--check参数先做dry run，确认变更内容符合预期再正式执行。

工具只是放大器，流程才是地基。地基不稳，工具越强大翻车越惨。