边缘计算曾经被视为一个细分场景，主要局限于电信运营商、制造工厂和大型零售门店。如今，随着AI在各行各业的快速普及，边缘计算已经走向主流，并且仍在持续增长。CNCF发布的2025年度调查显示，66%的组织正在Kubernetes上运行生成式AI工作负载。对大多数企业而言，无论规模大小，边缘计算都值得被纳入战略规划，而非继续零敲碎打地应对。

这里所说的“边缘”到底是什么？CNCF的IoT Edge工作组将其定义为一种受约束条件塑造的计算环境：计算、连接、存储和电力都受到限制。从这个角度看，边缘与其说是一个地理位置，不如说是一种运行状态。它需要在没有持续供电、稳定连接和弹性计算资源的前提下，保持基础设施的可靠运行——这些假设在云端原生环境中被视为理所当然，在边缘场景中却无法成立。

打开网易新闻 查看精彩图片

Kubernetes与云原生生态为边缘计算提供了理想的运行平台。轻量化的容器模型带来了边缘所需的可移植性和编排能力，包括编排GPU节点、托管大语言模型（LLM）、运行可扩展的生成式AI流水线等云原生能力。从网络、安全到持续交付，Kubernetes提供了一整套集成构建模块，帮助团队搭建生产级的边缘平台。然而，问题也随之而来。

每家企业在通往边缘的道路上各有各的走法。如今，大多数企业运行着多年来逐步搭建起来的分散集群网络，每个集群都有自己的配置历史，形成了高度定制化的自研自动化系统或人工管理的“雪花型”集群。随着企业在边缘部署越来越多的集群和应用，这种零散的配置方式正在成为重大的运维瓶颈。

当需要推送更新或安全补丁时，每个集群都需要单独审计和修复。更棘手的是，边缘环境通常没有本地管理员来执行统一策略，也无法在故障发生时及时修复。结果是，本应赋能平台团队的技术反而拖累了他们——消耗时间、资源和精力，因为它难以应对现代边缘运维的需求，而这恰恰不是它当初设计时所能预见的。

解决这个问题的关键在于换一种思路看待被管理的对象：舰队管理（Fleet Management）。这意味着将一组集群视为一个统一的、集中治理的单元，按照共享的配置策略进行分组管理。这种思路的核心目标不仅是降低运维开销，更是把团队的精力释放出来，让他们专注于真正该做的事情。