对于那些在Devops领域工作的开发人员与工程师来说，2025年是戏剧性和挑战性的一年。一边是人工智能（AI）正在推升新的业务期望和技术能力，开发人员和工程师们责无旁贷地需要跟上这股创新浪潮；而另一边是2025年持续发生的组织裁员趋势，据统计有超过12万名技术岗位被裁撤。如你所见，越来越多的企业正在使用AI和自动化推进开发和IT运营，包括编写需求、维护文档和氛围编程等。
而且由于各个企业都期望Devops团队能够实现数据质量的提高，自动化AI智能体的测试，以及运营鲁棒性的提升，Devops的相关责任也在持续增加。为此，企业中的Devops团队需要寻找有效的方法，以确保团队成员在各种挑战中保持积极的状态。
在我最近主持的一次关于数字开拓者如何减压的活动中，演讲者和技术专家们为Devops团队和专业人士提供了如下4项有效的建议。随着我们迈入新的一年，Devops团队是时候设定2026年的成功目标和“正确打开方式”了。
1.全面拥抱基于AI的软件开发
在过去的两年里，随着AI Copilots、代码生成器和氛围编程的出现，开发人员和自动化工程师往往需要花费更多的时间，加深他们对于编程语言的了解，并拓展他们的技能，进而横跨不同的云端架构开展工作。因此，在2026年，我们应该将更多的时间用于学习AI软件开发。
“培养一种成长的心态，即AI模型无关优劣，只是软件界一种新的非决定性范式。它既可以创造新的问题，也可以创造新的机会。”DigitalOcean开发者关系副总裁Matthew Makai指出，“Devops工程师和团队应当适应新的软件构建、部署和运营方式。”这项建议的具体内涵可以包括：
- 随着AI编程工具的兴起，Makai建议对各类安全问题和技术缺陷开展自动化的代码审查，以便让AI工具可以生成更多的代码，并且可以在代码库中转移技术债。
- New Relic的首席技术策略师Nic Benders则表示，每个Devops技术人员都需要积累使用AI编程工具的经验。对于Devops团队而言，可以把氛围编程想象成是新时代的Perl语言，团队可以通过一个快速工具来尽快熟练掌握它。
- Selector的开发者关系主管John Capobianco建议Devops团队应该努力拥抱vibe-ops。“我们可以采取软件工程师与AI共创的原则和方式，来增强vie-ops中的软件开发。此概念就像从Devops演化到net-Devops那样，让AI深度参与到我们日常的管道和工作流中。”
- RRMac Associates的总裁兼首席执行官Robin Macfarlane建议工程师开始重新思考他们的主要角色--无论是在大型项目上，还是在分布式计算中工作，都不应固守代码开发者的角色，而是成为代码的编排者。你可以从精进AI编程语言开始，通过反复排障与迭代，成为AI开发的布道者。
CriblAI的研发总监Nikhil Mungel表示，真正的AI技能是通过发现那些微妙的错误、安全漏洞、性能问题、以及不正确的假设，来审查、质疑和改进AI生成的工作内容。“那些能够频繁地将AI与强大的审查判断力相结合的DevOps工程师，会比那些仅凭表面内容接受AI建议的工程师，在行动上更快，交付的系统也更可靠。”Mungel建议Devops工程师切实做到如下方面：
追踪AI智能体后台的决策图，而不仅仅停留在API调用上。
围绕OWASP LLM十大风险和MCP风险构建可被AI感知的安全可观察性。
在持续集成/持续部署（CI/CD）和运营的runbook中捕获特定于AI的源头和事件。
快速小结：培养使用AI来解决开发和审查工程所需的技能。
2.加强对基于成果、具有鲁棒性运营方式的认识
在开发人员专注于AI功能的同时，运维工程师应将解决方案的重点放在鲁棒性上。系统在应对问题和从问题中恢复的自主性越高，DevOps团队需要处理的优先事件就越少，这将意味着团队在深夜接到紧急电话的情况也会越少。我们可以从提高API、应用和自动化的可观察性开始。
“开发人员应秉持‘AI优先、预防优先’的理念，利用可观察性和AI运维（AIops），变被动修复为主动检测和问题预防，”Infosys的高级副总裁兼流程咨询主管Alok Uniyal表示，“我们要强化在自我修复系统和平台可靠性方面的专业知识，毕竟由AI驱动的根本原因分析和自主修复，将越来越准确地决定企业如何满足苛刻的服务等级协议（SLA）的各项要求。”
随着越来越多的企业转型成为数据驱动型组织，并投资AI作为其未来工作战略的一部分，构建鲁棒性的另一个起点将是数据运维和数据管道。
MariaDB开发者关系工程师Alejandro Duarte表示：“2026年，DevOps团队应认真了解他们所管理的自动化系统，尤其是在数据层上，目前仍有太多的中断来自那些被视为数据库黑盒的管道。团队需要了解多存储引擎功能、分析和支持AI工作负载、原生复制以及强大的高可用性，这些将决定他们是能享受轻松的周末，还是只能熬夜救火。”而在基础设施层面上，工程师们过去习惯于关注冗余、自动化扩展和灾难恢复。如今，他们更应该考虑如何引入AI智能体，来提高系统的鲁棒性和性能。
“对于DevOps工程师而言，解决方案不在于学习一种新的框架，而在于掌握新的运营模式——由AI驱动的自修复基础设施，”SADA的AI与机器学习副首席技术官Simon Margolis表示，“我们的重点必须从编写命令式脚本，转向创建强大的可观察性和可反馈的循环，使得AI智能体能够依次真正采取行动。这就意味着我们需要投资于那些有助于定义自身意图和结果（而非步骤）的技能上，这也是实现真正运营效率提升和领导力成长的唯一途径。”
专家们也建议，我们与其学习新的AI工具，不如审查在企业中已使用的平台内开发新的AI能力的机会。“2026年的一项明智决定可能是，停止试图将旧的事物强行塞进某种新的AI解决方案中，而是开始利用AI来增强和改进我们已经拥有的事物。”
SAS的杰出软件工程师Brett Smith表示，“我们需要停止追逐那些‘我能用AI解决此问题’的炒作，而要开始关注‘AI如何能帮我多快好省地解决问题？’”
快速小结：将运营思维从问题的检测、解决和根本原因分析，转变为具有鲁棒性、能够自我修复的运营模式。
3.学习新的技术学科
学习一种新产品或技术是一个层次，而学习一门新的学科则是完全不同层次的成长路径。如果你是一名应用开发人员，那么需要更多关注的新领域之一就是了解无障碍需求和测试方法，以便为残障人士改进应用程序。
Evinced的首席执行官Navin Thadani表示：“随着自动化测试和AI编程工具的成熟，将可访问性融入DevOps流程应成为当前的首要任务。同时，可访问性测试应与CI中的安全测试和单元测试并行开展。而随着AI的加速迭代，如果不能及早解决可访问性问题，团队将只能在生成黑盒代码方面提升效率。对此，实现代码可访问性的左移非常重要。工程师们应认真考虑如何将AI编程更具有可访问性。”
同时，数据科学家、架构师和系统工程师还应该更多地了解AI智能体之间通信的模型上下文协议（MCP），学习如何配置安全的MCP服务器的相关要求和步骤。“Devops应该专注于掌握MCP，它将在2026年创建一个全新的应用开发管道。”
Descope的联合创始人Rishi Bhargava说，“虽然对于生产环境就绪的AI智能体仍属早期，但MCP已被广泛采用。那些现在开始学习构建和验证支持MCP的应用的开发者，会在随着智能体系统的不断成熟的过程中，获得巨大的竞争优势。”
快速小结：拥抱终身学习的理念，研究行业趋势，深入探索合规所需或推动创新的新技术。
4.培养变革领导力
我在的《数字开拓者》（Digital Trailblazer）一书中曾谈及，对于变革型领导者（我称为数字开拓者）的要求是，“他们能够领导团队，开创可持续的工作方式，开发具有竞争优势的技术，并实现业务成果。”
有些工程师可能希望从Devops领域走上领导岗位，那么培养沟通技巧和商业敏锐度则是必不可少的技能。
SAP美国实验室董事总经理兼SAP全球研究与创新主管Yaad Oren表示，领导技能与技术基础同样重要。“要注重与同事和客户的清晰沟通，以及向AI智能体发出明确的指令。那些能够将持续学习与高度协同相结合的人，将成为引领IT运营的下一代领袖。”
对于那些准备晋升到领导岗位，又担心无法直接管理下属的工程师而言，可以考虑通过指导他人来培养自己的技能和信心。其实，企业内部“到处都有高潜力的人才，因此，除了学习技术与技能，我建议Devops工程师在2026年花些时间去指导一名初级工程师，”Fastly的开发人员赋能高级总监Austin Spires说，“在工程师职业生涯的早期给予其指导，无论是关于安全方面的硬技能，还是与利益相关者沟通管理的软技能，都将有助于他们成长为你最好的同事之一。”
当然，如果你不想管理他人，那么另一种选择是在战略举措中担任领导角色。毕竟，在复杂的就业市场中，如能具备敏捷的项目领导能力，则会为你带来各种新的机会。
Sisense的人事与运营主管Christine Rogers表示，传统的工作种类正在消亡，真实技能（而非头衔）将成为录用与升迁的决定因素。“2026年，企业将转向以技能为基础的模式，员工将根据可验证的能力和适应性来获取聘用和晋升机会，而这些往往是通过实际项目积累而来，而不仅仅停留在简历上。”
快速小结：请探索一条途径来培养自己的自信、提升自己的业务领导力，哪怕并非源于现有工作。
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量
