我让 AI 参与维护 9 台 NixOS（上）：为什么声明式系统适合人机协作

本文不是一篇“让 AI 帮我写了几个配置文件”的体验文，而是一份持续协作记录：我让 AI 参与维护一套真实运行的 NixOS 基础设施，经历需求讨论、代码审查、静态检查、测试、 金丝雀部署、全节点发布和线上告警处理。它确实提高了效率，也确实犯过一些只有人类知道 为什么不能犯的错误。

本文涉及的公开配置与实现：LokiSharp/nix-config。 真实凭据保存在独立私有仓库中，不包含在公开配置里。

写在前面

先说明两点。

第一，本文中的“AI”不是一个被接入生产环境后完全自主行动的机器人。它运行在我的工作区中， 能读取仓库、修改文件和执行检查；只有在我明确授权后，才会提交、连接节点或部署。敏感值由 SOPS 管理，我不会因为调试方便就把明文 secret 交给它。

第二，这篇文章本身也由 AI 参与整理。事实材料来自真实仓库、提交历史、部署输出、监控邮件 和我们之间的连续对话；章节结构和初稿由 AI 生成，我负责提供语境、纠正错误和决定哪些经验 值得公开。换句话说，文章的产生方式就是文章主题的一部分。

如果不想读完整连载，可以先记住下面五点：

1. NixOS 最适合 AI 的地方，不是 Nix 语法容易生成，而是系统状态能被求值、构建、测试、 比较和回滚；
2. AI 最有价值的工作不是一次写出完整配置，而是持续做仓库搜索、约束翻译、机械重构、 故障调查和文档同步；
3. nix flake check 通过只代表验证链的一层，真实部署仍然需要 Test 金丝雀、目标节点探针 和一段时间的监控；
4. AI 会删除有意保留的模板、添加恒真测试、误解历史地址、把告警安静误当成故障解决， 所以权限边界和停止条件必须写清楚；
5. 最可靠的合作方式是让人负责目标与授权，让 AI 负责搜索和执行，让 Nix 、Git 、测试、 Test 节点与监控分别提供不同层次的证据。

本文不会证明“NixOS 是唯一正确的发行版”，也不会证明“AI 已经能替代运维工程师”。我想 讨论的是一个更具体的问题：当系统本身可以被声明、检查和回滚时，我们是否能用一种比 “复制 AI 给出的命令并祈祷”更成熟的方式与它合作？

一、先说结论

过去一段时间，我一直在尝试让 AI 深度参与自己的 NixOS 配置仓库。

这里的“深度参与”不是让它生成一段 configuration.nix，然后由我复制粘贴；而是让它进入 仓库，阅读现有模块，理解主机模型，修改代码，运行格式化和静态检查，补测试，按照提交 规范拆分 commit ，先部署到 Test 节点，验证无误后再推向其他节点，最后继续读取 systemd 、 Prometheus 和 Alertmanager 的反馈。

目前这套仓库管理：

• 9 台 NixOS 节点；
• 1 台 nix-darwin 设备；
• 裸机服务器、虚拟机、测试节点以及多个不同供应商的 VPS ；
• 261 个 Nix 文件；
• 30 组 x86_64-linux 求值测试；
• Home Manager 、Colmena 、Disko 、impermanence 、sops-nix ；
• BIRD 、DN42 、ZeroTier 、Tailscale 、sing-box 、Caddy 、PostgreSQL 、Gitea 、Grafana 、 VictoriaMetrics 、Alertmanager 等服务；
• Btrfs 快照、scrub 、SMART 、mdraid 、coredump 和部署后健康检查。

我的结论是：

NixOS 并不会让 AI 自动变得可靠，但它会把 AI 的大量错误提前变成可观察、可比较、可拒绝 的结果。

这两者的组合真正有价值的地方，不是“AI 会写 Nix”，而是 NixOS 把系统状态变成了代码， 又把代码变成了一套可以求值、构建、比较、回滚和部署的闭环。

如果使用普通发行版，AI 可能会告诉你执行十几条命令、修改五个路径下的配置、重启三个 服务。命令执行完以后，机器究竟处于什么状态，需要靠人记忆。

在 NixOS 中，更理想的合作方式是：

1. 人描述目标、约束和不可接受的风险；
2. AI 阅读仓库中的现有事实；
3. AI 修改声明式配置；
4. Nix 对配置进行求值；
5. 测试检查跨节点约束；
6. Test 节点承担真实运行验证；
7. 监控系统提供部署后的长期反馈；
8. 失败时回到上一个 generation 或上一个 commit 。

它仍然不是“按一下按钮全自动运维”，但已经很接近一种可审计的人机协作工程。

二、为什么偏偏是 NixOS

1. AI 最擅长操作文本，而 NixOS 恰好把系统变成文本

AI 对当前机器里“曾经运行过哪些命令”没有天然记忆，也很难仅凭 /etc、数据库和服务 状态还原管理员过去几年的意图。

但它很擅长：

• 搜索代码；
• 比较相似模块；
• 找出重复结构；
• 根据类型和约束补全字段；
• 把手工流程整理成函数；
• 根据错误信息做局部修正；
• 为已经明确的规则生成测试。

NixOS 把软件包、用户、systemd unit 、内核参数、防火墙、文件系统、服务配置和部署元数据 都放进同一个表达式系统。这意味着 AI 不必先猜“这台机器可能被手动改过什么”，而可以从 仓库中得到一个相对完整的意图模型。

Nix 官方文档把 Nix 的典型使用场景概括为可复现开发环境和 Linux 机器的声明式定义； Flake 又提供了统一入口、输入锁定和标准化输出。对 AI 来说，这些恰好意味着更稳定的上下文： 依赖版本、主机输出和测试入口都在仓库里，而不是散落在聊天记录中。

2. Nix 的失败通常发生得比较早

传统运维脚本的典型风险是：前八步成功，第九步失败，机器停在一种很难描述的中间状态。

Nix 当然也可能在 activation 阶段失败，但大量问题会更早暴露：

• 语法错误在解析阶段暴露；
• option 类型错误在模块求值阶段暴露；
• 不存在的属性在 evaluation 阶段暴露；
• package 、unit 、secret 声明可以在构建阶段暴露；
• 跨节点重复地址可以通过纯求值测试暴露；
• Prometheus 规则可以通过 Promtool 暴露；
• Nushell 的错误数据形状可以通过类型签名和测试暴露。

这对 AI 特别重要。AI 最大的问题通常不是完全不会，而是“看起来很像对的”。越早让机器 检查它，越不需要依赖人类逐字阅读几千行差异。

3. 旧 generation 给试错留下了空间

NixOS 的代际模型让一次系统切换不会直接覆盖所有旧状态。只要启动链、磁盘和远程入口还 在，很多错误都可以切回上一代。

这并不意味着可以让 AI 随便部署。错误的防火墙、磁盘布局、SSH 配置和 secret 仍然可能 把人锁在门外。但是相较于不可追踪的命令历史，generation 至少让“刚才那次系统变更”有 一个清楚边界。

4. Flake 既是入口，也是边界

我的仓库使用 Flake 管理输入和输出。AI 可以从 flake.nix 开始理解：

• 使用哪些 nixpkgs 分支；
• 哪些输入是公开依赖；
• 哪个输入来自私有 secrets 仓库；
• 有哪些 NixOS 、Darwin 、package 、check 和 devShell 输出；
• CI 和本地执行的求值是否一致。

这里也有一个很实际的坑：Git 仓库中的 Flake 默认只看到已跟踪或已暂存的文件。

我曾经让 AI 新增一组测试。它运行 just test，所有测试都通过了，但报告里没有新测试。 原因不是测试写得好，而是新文件还没有进入 Git ，Flake 根本没看见它。

后来流程被修正成：

1. 新增测试文件；
2. 确认 Git 能看到它；
3. 重新运行求值；
4. 必须在测试报告中明确看到新测试名称；
5. 才能说“新增测试通过”。

这是一个非常典型的例子：AI 会把“命令退出码为 0”理解为成功，而工程系统必须继续追问 “我们想测的东西真的参与测试了吗？”

三、我的仓库不是从一开始就这么整齐

这套配置最早也有大量常见问题：

• 主机元数据散落在不同文件；
• index 、地址和部署标签之间没有统一约束；
• 一些测试只是把实现重新抄一遍；
• 部署依靠单节点命令，没有强制 Test 金丝雀；
• 健康检查默认使用高权限账户；
• CI 只能求值，无法发现部分真实构建问题；
• 静态检查加入后，预留模板被误判为无用代码；
• 网络、日志和监控告警有不少历史噪声；
• 文档只覆盖局部目录，新接手者很难得到全局图。

AI 真正带来的改变不是一次“大重构”，而是把这些模糊的不舒服逐步变成具体问题，然后一项 一项处理。

这个过程持续了很多轮对话。很多时候，我只会问：

接下来还有什么可以优化？

AI 会先读代码，列出若干候选；我再问每一项的意义、代价和风险。确认以后，只改其中一项， 测试、提交、部署，再讨论下一项。

这种节奏比让 AI 一次生成一个“完美架构”可靠得多。

四、案例一：从“这个节点该用几号”到全局地址约束

我的多节点网络里，主机 index 不只是一个展示字段，它还参与生成多个内部网络地址、部署 标签和 DNS 记录。

一次讨论从一个很小的问题开始：某个节点应该使用哪个编号。

AI 先分析现有地址分配逻辑，又解释 /26 的地址范围、主机位和可用地址。我们讨论过是否 把整个序号换掉，最后给 OVH 节点选择了 7 。

如果只是修改一个数字，这件事没有太大意义。真正有价值的是随后补出的约束：

• 每个主机 index 全局唯一；
• 由 index 派生的各网络地址不能重复；
• 启用某网络时，相关字段必须完整；
• ZeroTier node ID 不能在两个主机上复用；
• DNS 记录必须覆盖所有应该出现的节点；
• 已退休节点不能继续残留在输出中。

最后，主机元数据从“方便写配置的 attrset”变成了一种小型数据模型。

AI 在这里的优势很明显：它很适合沿着字段依赖关系搜索所有消费者，然后生成跨节点测试。

但它也暴露了一个危险倾向：喜欢加“看起来更保险”的判断。

例如它曾经加入：

benchmarkIPv4RoutesAbsent =
  lib.all (route: !lib.hasPrefix "198.19." route.target) routes;

问题是，我的 ZeroTier 正常地址使用的是 198.18.<index>.0/24，而 198.19.* 已经不再使用。 这条检查虽然会通过，却没有保护任何当前需求。它只是检查一个已经不存在的历史路径。

我追问：

为什么要加这个判断？这个是我 ZeroTier 的地址。

继续讨论以后，我们删掉了这类冗余测试。

这件事让我形成了一个很重要的判断标准：

测试不能只证明“某个字符串不存在”，它必须对应一个仍然存在的风险。

AI 很容易生成大量断言，但断言数量不等于保障强度。

五、案例二：SSH 不能只检查“服务开着”

我最不能接受的部署事故之一，是远程修改后把自己锁在服务器外面。

仓库原来有一个类似 public-ssh-port.nftablesEnabled 的检查。我没有同意删除它，反而要求：

这个还是检查吧，我不想被关在外面。是不是要再扩展一下，从各个角度保证 SSH 端口开放？

于是 SSH 保障不再只是检查一个布尔值，而是从多个层面验证：

• OpenSSH 服务启用；
• 实际监听端口与主机元数据一致；
• 防火墙允许同一个端口；
• 公开暴露面期望值与配置一致；
• 部署健康元数据携带正确端口；
• Colmena 的目标端口没有走另一条遗留配置；
• 所有公网节点遵循同一约束。

这正是 NixOS 与 AI 配合得很舒服的地方。

如果用普通脚本，AI 可能给出：

systemctl status sshd
ss -lntp
iptables -L

这些命令只能描述当前机器的一瞬间。

在 NixOS 中，我们可以把“SSH 服务、端口、防火墙、部署目标和测试期望必须一致”写成仓库 长期成立的不变量。以后改端口时，只要遗漏任何一个消费者，求值测试就会失败。

当然，这仍然不能完全替代外部探测。内部网络访问成功，不等于公网防火墙路径正确。因此 仓库还保留了从不受信网络执行 public exposure 检查的入口。

声明式测试和真实网络探测并不是二选一：前者检查意图一致性，后者检查现实世界。

六、案例三：让 Test 节点成为真正的发布闸门

最初的部署方式是 just <HostName>：选一个节点，交给 Colmena 。

这种方式对人来说很直接，对 AI 来说却太自由。只要命令构造错一个目标，就可能直接修改 生产节点。

后来我们把发布流程改成固定顺序：

1. 完整求值 Flake ；
2. 执行部署流程自身的可执行测试；
3. 只部署 Test-NixOS；
4. 检查 Test 的 SSH 、主机名、systemd 、内核、audit 、ZeroTier 、BIRD 、DNS 和日志；
5. Test 全部通过后，才部署剩余节点；
6. 最后对所有节点执行健康检查。

现在完整发布入口是：

just deploy-all

这里最关键的并不是命令变短，而是部署顺序从“聊天中的约定”变成了代码。

为了验证这个顺序，我们还给部署编排本身写了测试：

• Test 部署失败时，其他节点不能开始；
• Test 健康检查失败时，其他节点不能开始；
• 中途某节点部署失败时，不能伪装成全量成功；
• 最终健康检查失败时，命令必须返回失败；
• SSH multiplexing 失效时允许重建连接；
• 认证失败和真实网络错误不能被错误地当作 multiplexing 问题重试。

有一次真实发布中，所有节点都成功 activation ，但最终健康检查发现 MoeDove-TPE -> Test-NixOS 的 SLK IPv6 在十个包里丢了两个，超过 10% 阈值。

发布命令因此返回失败。

AI 没有把它说成“部署失败”，也没有立刻重新部署全部节点，而是区分：

• 配置是否已经成功激活；
• 服务是否正常；
• 是哪一条健康检查失败；
• 同一节点的 IPv4 和另一条 IPv6 overlay 是否正常；
• 单独复测后丢包是否回落。

复测时，SLK IPv6 丢包降到 10%，按策略记录 warning ； Loki-Net IPv6 无丢包，节点健康 检查通过。

这类细节非常重要。一个好的自动化系统不应该只有“成功/失败”两个词，而应该保留失败发生 在哪一层。

上篇小结

这一篇先回答了“为什么是 NixOS”：AI 擅长处理文本和结构，NixOS 则把系统意图变成可以 求值、构建、测试和回滚的文本。主机编号、SSH 端口和部署顺序不再只是管理员脑中的约定， 而可以成为仓库中的长期约束。

但让 AI 能修改配置，并不等于应该给它无限权限。下一篇会继续写健康检查账户、secrets 预留模板、Nushell 类型、Btrfs 快照、磁盘监控、Alertmanager 告警和测试反例，并进一步 讨论怎样给 AI 下达运维任务、如何判断它提供的证据是否足够。

系列下一篇：《我让 AI 参与维护 9 台 NixOS （中）：权限、故障案例与实战方法》

本篇参考

• nix.dev：Nix 官方文档
• nix.dev：Flakes 概念
• NixOS Wiki：NixOS 概览与 generations