AI服务灰度发布实操：零基础用Nginx实现逐步切换版本

为什么AI服务需要灰度发布

AI服务（如模型推理、图像识别）一旦上线新版本，如果直接全量替换，可能因模型质量问题或配置错误导致大面积服务异常。
灰度发布让你先让一小部分用户使用新版本，观察无误后再逐步放量，这是降低上线风险的标准做法。

本文使用 Nginx 反向代理 作为流量网关，通过权重或 Cookie 策略控制新旧版本的分流比例。
整套方案无需额外付费组件，单台服务器也能跑通，适合零基础入门。

做好这些准备让灰度发布更顺利

1. 一台 Linux 服务器（推荐 CentOS 7+ 或 Ubuntu 20.04），并已安装 Nginx。未安装可使用命令：yum install nginx -y 或 apt install nginx。
2. 两个版本的 AI 服务 以 HTTP 端口方式运行，例如旧版本监听 5001 端口，新版本监听 5002 端口。可以是 Python Flask、FastAPI 等框架启动的容器或进程。
3. 一个简单的健康检查接口：确保每个服务都有 /health 端点返回200，便于 Nginx 检测存活状态。
4. 确保服务器防火墙已放行 Nginx 端口（默认80）和两个服务端口。

逐步调整流量到新版本：两种常用方法

方法一：基于权重的分批发布

修改 Nginx 配置文件（通常位于 /etc/nginx/nginx.conf 或 /etc/nginx/conf.d/ 下新建 .conf 文件），
使用 upstream 块定义两个后端，
并设置 weight 参数控制流量比例。

upstream ai_servers {
    server 127.0.0.1:5001 weight=90;   # 旧版本占90%流量
    server 127.0.0.1:5002 weight=10;   # 新版本占10%流量
}

server {
    listen 80;
    server_name your-domain.com;
    location / {
        proxy_pass http://ai_servers;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

保存后执行 nginx -t 测试配置是否正确，然后 systemctl reload nginx 使生效。
此时约10%的请求会进入新版本。
观察无问题后，逐步调高新版本的 weight（如30、50、100），直到完全切换。

方法二：基于 Cookie 的指定用户灰度

如果你只想让带特定 Cookie 的用户（如内部测试人员）访问新版本，可以使用 Nginx 的 map 指令结合 if 判断。

map $cookie_gray_group $backend {
    default  127.0.0.1:5001;  # 默认走旧版
    "new"    127.0.0.1:5002;  # 携带 Cookie: gray_group=new 的用户走新版
}

server {
    listen 80;
    server_name your-domain.com;
    location / {
        proxy_pass http://$backend;
    }
}

你可以在用户登录或访问时由应用端设置 Cookie gray_group=new，只有这些用户的请求会命中新版本。
这种方式适合定向测试，验证通过后再转为全量。

灰度发布最容易踩的四个坑

• 没有统一健康检查：如果新版本服务崩溃，Nginx 仍会分发请求到故障端口，导致部分用户报错。务必在 upstream 里加上 max_fails=3 fail_timeout=30s 参数。
• 会话状态不一致：AI 服务如果是无状态的，直接分流没问题；如果依赖本地存储或内存会话，需要确保用户请求始终路由到同一版本。这时优先使用 Cookie 灰度或者配置 sticky session 插件。
• 权重调整后未 reload：修改 Nginx 配置后必须 reload 而不是 restart，否则可能导致连接中断。
• 日志监控缺失：新版本的问题可能只有少量用户遇到。建议在 Nginx 日志中记录转发到的 upstream 地址，方便事后排查。可以在 proxy_set_header X-Upstream $upstream_addr; 并开启访问日志格式化。

用一小部分用户验证新AI服务效果

1. 功能测试：以测试身份访问服务（如携带特殊 Cookie），确认新版本推理结果正确。
2. 压力测试：使用 Apache Bench 发出少量请求，观察新版本服务延迟与旧版本对比：ab -n 100 -c 10 http://your-domain.com/
3. 错误日志检查：查看 Nginx 错误日志 /var/log/nginx/error.log 和 AI 服务自身日志，确认无异常。
4. 逐步放量：权重从 10% 起步，每观察 1-2 小时无报错，增加至 30%、50%、100%。整个过程可线上完成，无需停机。

如果你正在处理 AI 服务的版本升级，建议先按本文步骤在测试环境跑通流程，再迁移到生产。
遇到异常时优先回看避坑部分，尤其是日志和健康检查项。
成功完成一次灰度后，你可以继续学习蓝绿部署或金丝雀发布等进阶策略。