Sukka 写前端、网络和基础设施时，习惯先把边界和代价摊开。把「谈谈云服务和 SLA | Sukka's Blog」整理成可落地的中文笔记：问题在哪、默认做法会踩什么坑、该怎么选。原站导航和广告已去掉。
我们为什么需要云计算、云服务？
使用云服务的优势我们都已经耳熟能详：成本低、迅速获得能力等等。但是很多人也会质疑云服务的稳定性，安全性，隐私性。所以在谈可用性之前，先谈谈这三个方面。
云服务中断的原因有很多：底层硬件基础设施故障（比如卡车倒车撞断电线杆，导致 UCloud 北京三区机房三路市电全部断电，服务中断超过 14 个小时）、合作伙伴服务故障、新功能上线导致宕机（比如 Cloudflare 的 WAF 敏捷上线导致所有 Web 业务 502 ），还有硬盘满了、DDoS 攻击等。但是，你自己购买硬件、或者基于 IaaS 部署，稳定性一定远远低于使用云计算服务 —— 云服务面临的上述问题你一个都跑不了，但是云服务厂商的体量比你更大、投入比你更多、冗余度比你更高、有专业的运维团队 7×24 随时救火。总之，云服务厂商的投入远远超过个人或者一般公司的投入。重要的是，稳定性是一个长期指标，在绝大多数情况下，使用云服务的稳定性都是高于自己搭建服务的。
讲讲 SLA（可用性）
首先，不存在 100% 安全。不论是黑客攻击、误操作还是故障和「不可抗力因素」都会导致数据丢失，因此所有重要数据必须异地备份。我们常说的「两地三中心」乃至「三地五中心」都是这个道理，因为机房或者你家一把火全烧了也是有可能的。
每次和人辩论是否需要使用云计算时我都会举一个例子：给你 1 万根金条，你会放在自己家里还是去银行租一个保险柜放起来？云计算厂商雇佣了一大帮人每天研究这个问题、投入了一堆硬件资源来做多重备份。因此，你自己部署服务器所获得安全性都不太可能比云服务厂商的高。
冗余度
IaaS、PaaS 业务应该很少会有人拿隐私性说事了，被关注最多的还是 SaaS 的隐私性。的确，SaaS 厂商如果想要看你数据，完全是可以看的。但是，这有一个动机问题：厂商没有动机去主动看用户的数据，他们最多只会看汇总的统计数据。比如在 GitHub，某些部门的员工可以查看每个用户有几个仓库、每天 push 几次，但是他们没有理由去看 push 的是什么。这不仅和业务无关、也浪费宝贵的时间。这些员工本身也签署了保密协议，如果个人的行为导致公司的信用损失，对于员工来说也会面临更严重的风险。
SaaS 的隐私问题就好比去酒店开房，酒店毫无疑问可以打开被房卡锁上的门、甚至可以在房间里装摄像头。但是除非特殊利益关系， 知名的 酒店和宾馆从来不会这么做 —— 这是一个真实存在但是却不需要担心的问题。
灾难恢复
正如不存在 100% 的安全一样。谈 SLA、谈可用性，首先必须承认服务一定会有不可用的时候，只是不可用的程度和时长而已。一个东西是不是高可用，直接问他 SLA 有几个 9 就好了：
云计算业务除非保证 3 个 9 才能被称为「基本可用」 。做不到，这个产品就是玩具。而从 3 个 9 迈向 4 个 9，意味着你的服务每年只有不到一小时的时间是不可用的。
备份系统
以前 YouTube 和 Google 搜索业务的可用度大概是 5 个 9，这其实是一个非常可怕的概念，因为 包含了一切可能发生的事故 。「不可抗力」？扯淡去吧。地震、洪水、台风、火山喷发、太阳射线击穿主板、数据中心倒塌、外星人入侵地球，都要在 5 分钟之内恢复服务。同样的，亚马逊声称 AWS S3 冷存储的可用度高达 7 个 9，这也是非常吓人的数字。
相比之下，国内的数据中心都是按照 2 个 9 设计的，一年 3 天不可用，你可以给春节 1 天、元旦 1 天、国庆 1 天，用来机动。这不可用就是不可用，求爷爷告奶奶照样不能用。国内某搜索引擎在北京王府井楼上的搜索业务集群，也只是按照 3 个 9 设计的。
值得单独记下的点
- Quarantine：A 用户一个请求可能把整个实例的资源全部吃掉，则时候必须限制 A 用户的请求钉死在一个节点上以顾全大局
- Query-of-death：A 用户一个异常请求，实例直接死了，LB 和热备立刻换个实例，然后 A 用户重发请求，几趟下来整个集群都死了谈什么可用性？
落地时建议先做的 5 件事
- 用自己的流量和设备测，不要只抄厂商推荐最小配置。
- DNS、CDN、代理分流先画清 Fake IP 和 Real IP 的边界。
- 前端性能看 CLS、白屏和重复渲染，而不是只看打包体积。
- 基础设施变更走 Git，能复现、能回滚。
- 结论写成可检查的清单：接口、超时、失败样本、回滚版本。
和智能体产品怎么接
龙虾PRO做 OpenClaw 落地时，网络、DNS 和前端性能笔记最有用的是「边界」：哪一层该加速、哪一层不该假装智能。数字员工调用外部能力前，先把超时和失败路径写死。
本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源
常见问题 FAQ
什么是AI智能系统？
「AI智能系统」可概括为：使用云服务的优势我们都已经耳熟能详：成本低、迅速获得能力等等。但是很多人也会质疑云服务的稳定性，安全性，隐私性。所以在谈可用性之前，先谈谈这三个方面。 本文从定义、方法与实践要点展开说明。
为什么要关注AI智能系统？
关注AI智能系统，是因为它直接影响效率、风险与可复制性。文中指出：使用云服务的优势我们都已经耳熟能详：成本低、迅速获得能力等等。但是很多人也会质疑云服务的稳定性，安全性，隐私性。所以在谈可用性之前，先谈谈这三个方面。
如何落地AI智能系统？有哪些关键步骤？
建议按以下路径推进AI智能系统：1) Quarantine：A 用户一个请求可能把整个实例的资源全部吃掉，则时候必须限制 A 用户的请求钉死在一个节点上以顾全大局；2) Query-of-death：A 用户一个异常请求，实例直接死了，LB 和热备立刻换个实例，然后 A 用户重发请求，几趟下来整个集群都死了谈什么可用性？；3) 用自己的流量和设备测，不要只抄厂商推荐最小配置。；4) DNS、CDN、代理分流先画清 Fake IP 和 Real IP 的边界。；5) 前端性能看 CLS、白屏和重复渲染，而不是只看打包体积。。细节见正文对应章节。
AI智能系统适合哪些人或团队？
AI智能系统更适合：产品/技术负责人、运营与增长团队、需要落地智能体或自动化的中小团队、关注「AI智能系统」方向的读者。若你只需要单次聊天式问答，可先读概念；若要上生产，请重点看步骤、权限与风控相关段落。
关于「我们为什么需要云计算、云服务？」，本文给出了什么结论？
在「我们为什么需要云计算、云服务？」部分，要点是：伙伴服务故障、新功能上线导致宕机（比如 Cloudflare 的 WAF 敏捷上线导致所有 Web 业务 502 ），还有硬盘满了、DDoS 攻击等。但是，你自己购买硬件、或者基于 IaaS 部署，稳定性一定远远低于使用云计算服务 —— 云服务面临的上述问题你一个都跑不了，但是云服务厂商的体量比你更大、投入比你更多、冗余度比你更高、有专业的运维团队 7×24 随时救火。总之，云服务厂商的投入远远超过个人或者一般公司的投入。重要的是，稳定
关于「讲讲 SLA（可用性）」，本文给出了什么结论？
在「讲讲 SLA（可用性）」部分，要点是：中心倒塌、外星人入侵地球，都要在 5 分钟之内恢复服务。同样的，亚马逊声称 AWS S3 冷存储的可用度高达 7 个 9，这也是非常吓人的数字。 相比之下，国内的数据中心都是按照 2 个 9 设计的，一年 3 天不可用，你可以给春节 1 天、元旦 1 天、国庆 1 天，用来机动。这不可用就是不可用，求爷爷告奶奶照样不能用。国内某搜索引擎在北京王府井楼上的搜索业务集群，也只是按照 3 个 9 设计的。 值得单独记下的点 Quarantin