第 1 章：岗位能力画像与简历优化模板
💡 岗位核心能力拆解
容器平台容量规划工程师不仅需要技术深度，更要具备系统思维与业务视角。以下表格将岗位职责映射到关键能力，帮助你在简历和面试中精准对齐考察点。
| 岗位职责 | 关键能力 | 量化指标示例 |
|---|---|---|
| 集群资源水位评估与预警 | 监控分析、趋势预测 | 预留比 ≤ 15%，利用率波动 < 10% |
| 容量规划模型设计与迭代 | 资源建模、数据驱动 | 准确率 ≥ 92%，过分配比 < 5% |
| 弹性扩缩容策略制定 | 自动化运维、成本优化 | 扩缩容延迟 < 30s，节约成本 30%+ |
| 跨部门容量需求对齐 | 沟通协作、技术判断 | 需求响应周期缩短 40% |
| 容量风险复盘与改进 | 系统性思维、根因分析 | P0 级容量事故下降 80% |
示例：设计资源预测模型，将集群预留比从 22% 降至 12%，支撑日均 5000+ Pod 调度，持续运行 6 个月
🧩 面试问答卡片（一）
Q：请解释你是如何进行容器集群的容量规划？
考察点：系统性思维、资源建模方法论、监控体系认知
回答框架：① 数据采集（历史负载、业务趋势）② 建模预测（线性/时间序列）③ 预留策略（buffer vs 弹性）④ 反馈闭环（水位告警 + 调优）
示例回答：“我会先对接 Prometheus 采集 90 天 Pod 级资源日志，用 Prophet 做周/月趋势预测；然后按业务等级设定 buffer：核心服务 20%，非核心 10%；最后通过 HPA + 节点自动扩缩容闭环调节，每周 review 准确率。”
可能追问：如果预测曲线出现尖刺怎么处理？你用过哪些预测算法？为什么选它？
🧩 面试问答卡片（二）
Q：如何定义集群的“健康水位”？你如何确保不超卖且不浪费？
考察点：成本优化意识、资源画像能力、对碎片和超卖的理解
回答框架：① 定义核心指标（CPU 分配率、内存超卖比、节点碎片率）② 设定上下阈值（如分配率 65%~75%）③ 动态调整（业务波峰/波谷映射）④ 监控告警 + 主动规整（descheduler）
示例回答：“我设置 CPU 分配率目标 70%，内存超卖比 ≤ 1.2，节点碎片率 < 10%。通过 VPA 推荐非核心业务 request 下限，配合 descheduler 定期驱逐高碎片节点 Pod，每月节省约 25% 资源成本。”
可能追问：碎片率和超卖比如何平衡？如果业务突然增长，你的预留策略如何应对？
🧩 面试问答卡片（三）
Q：请描述一个你主导的容量规划优化项目，包括难点与成果。
考察点：项目主导能力、量化表达、复盘复盘能力
回答框架：背景（团队规模、集群数）→ 痛点（高浪费/频繁 OOM）→ 方案（模型+自动化）→ 量化成果（成本、效率）→ 关键决策点
示例回答：“我在某电商大促前负责 5 集群容量规划。原方案按峰值固定预留，浪费 40%。我改用时序预测 + 分时弹性策略，预留降至 15%，大促期间零 OOM，直接节省 3 台物理机。后续推广为团队标准流程。”
可能追问：你用了什么模型？大促压测前如何验证模型？如果预测偏差大如何兜底？
📁 真实项目案例模板
项目名称：基于业务分级的容量预测与弹性调度平台
业务背景：某在线教育公司 10+ Kubernetes 集群资源利用率仅 35%，且经常因峰值调度失败导致服务降级。
| 规模指标 | 300+ 节点，8000+ Pod，日均请求量 2 亿次 |
|---|---|
| 技术栈 | Kubernetes 1.24 + Prometheus + Grafana + 自研预测引擎（Prophet + ARIMA） + HPA/VPA + Cluster Autoscaler + Descheduler |
| 核心难点 | ① 业务峰谷差异大（10:1）② 离线/在线混合部署资源争抢 ③ 预测模型冷启动周期长 |
面试高频追问：① 如何处理预测冷启动？② 混合部署如何防止资源强占？③ 模型回滚机制如何设计？
可迁移回答话术：“针对冷启动，我采用同类业务历史均值兜底 + 7 天滚动学习；混合部署通过 QoS 优先级和 Pod 反亲和规避争抢；模型每次上线前回放最近 3 天流量验证，PSNR 低于 20 则自动回滚至上一版。”