我把 Jenkins 夜间批处理迁到 Argo Workflows 后，K8s 资源利用率从 23% 提到 71%

说实话，我之前一直觉得 Jenkins 夜间跑批处理这事挺稳的。凌晨 0 点 30 分自动触发，三台固定 slave 节点吭哧吭哧跑 5 个多小时，第二天早上我上班看报告就行。

直到有天早上 7 点 15 分，我打开 Grafana 看到三条曲线：

• 三台 slave 的 CPU 平均 11%；
• 队列长度 47；
• 最长一个 job 在队列里躺了 4 小时 12 分钟。

那一刻我就意识到：我们不是缺资源，而是在把资源当摆设。白天三台机器空转，晚上任务又互相排队等锁。这种架构不改，成本只会越来越高。

01 问题：Jenkins 批处理就像租了三间常年空着的仓库

先交代一下我们的 nightly 流程，大概是给第二天 BI 报表准备数据：

• 00:30 从 6 个业务库抽取增量数据；
• 01:00 做清洗、脱敏、打标签，生成中间表；
• 02:00 跑三个模型训练任务，输出特征权重和预测结果；
• 03:30 汇总报告，生成 CSV 和 PDF；
• 04:30 推送到数据仓库和对象存储；
• 05:00 触发下游 BI 刷新。

全部写在一个 Jenkins pipeline 里，串在 3 台固定节点nightly-slave-01/02/03上。每台 8C16G，全年 24 小时开机，只为凌晨 6 小时服务。

更难受的是一次故障。1 号节点凌晨 2 点因为磁盘满了 crash，整个 pipeline 从头再来。早上 8 点业务上班，报表还没出来，老板直接在群里 @ 我。

我列了 5 个核心痛点：

1. 资源分配和任务调度强耦合。slave 一旦绑定任务，其他 job 只能排队，即使旁边节点空闲。
2. 失败重试粒度是整个 pipeline。一个步骤失败，前面 2 小时全部白跑。
3. 没有真正的 DAG。步骤之间要么全串行，要么靠 shell 里写&&自己拼，出错很难定位。
4. 资源利用率极低。白天三台机器 95% 时间空转，凌晨又因为串行导致节点利用率起不来。
5. 扩容成本线性。想加并发？加机器。机器加完，白天继续空转。

我算了一笔账：三台 8C16G 云主机，按包年包月每月 3200 块，一年接近 4 万。但这三台机器真正在干活的时间，每月不到 180 小时，利用率不到 25%。

02 选型：为什么是 Argo Workflows 而不是 Airflow / Temporal

我先看了一圈方案：

• Airflow：编排能力强，生态成熟。但对我们来说太重，需要单独维护 scheduler、webserver、metadata DB，而且任务最终还是要跑在 K8s Pod 上，多了一层抽象。
• Temporal：我之前做对账系统时用过，durable execution 很强，适合长状态、需要补偿的业务流程。但批处理场景我们更想要 “任务即容器”，不想常驻 worker 吃资源。
• Argo Workflows：直接基于 K8s CRD，Workflow 就是一组 Pod 的 DAG。天然能分时复用节点资源，失败可以按 step 重试，扩缩完全交给 K8s scheduler。

最终选 Argo Workflows 的核心原因就一句话：它让我把 “任务调度” 交给 K8s scheduler，把 “业务编排” 交给 YAML。没有额外中间层，也少了一套系统需要维护。

03 迁移：两周时间，分四步走

我没敢一次性全切，而是制定了为期两周的迁移计划：

• 第 1-2 天：在测试 namespace 部署 Argo Workflows controller，验证 WorkflowTemplate 和 CronWorkflow 基本功能；
• 第 3-5 天：把 nightly pipeline 拆成 5 个 DAG step，在测试环境跑通三次完整流程；
• 第 6-10 天：灰度切流，50% 日期用 Argo、50% 日期仍用 Jenkins，对比耗时和资源占用；
• 第 11-14 天：全量切到 Argo，回收 Jenkins slave 节点，补监控和告警。

下面说说拆分 DAG 时的具体做法。

整个流程拆成 5 个 step：

extract → transform → train → export → load-to-warehouse

每个 step 运行在自己的 Pod 里，依赖关系通过 DAG 表达。transform 必须等 extract 完成，export 必须等 train 完成，但 extract 和后续一些前置准备可以并行。

3.1 用 WorkflowTemplate 沉淀可复用模板

我先写了一个通用模板，所有 step 都引用它：

apiVersion:argoproj.io/v1alpha1kind:WorkflowTemplatemetadata:name:nightly-batch-stepnamespace:batchspec:templates:-name:batch-containerinputs:parameters:-name:image-name:command-name:cpuvalue:"500m"-name:memoryvalue:"1Gi"-name:storagevalue:"10Gi"container:image:"{{inputs.parameters.image}}"command:["/bin/sh","-c"]args:["{{inputs.parameters.command}}"]resources:requests:cpu:"{{inputs.parameters.cpu}}"memory:"{{inputs.parameters.memory}}"limits:cpu:"{{inputs.parameters.cpu}}"memory:"{{inputs.parameters.memory}}"volumeMounts:-name:batch-datamountPath:/datavolumes:-name:batch-datapersistentVolumeClaim:claimName:batch-data-pvc

统一模板的好处很明显：每个 step 只声明自己需要的资源，训练 step 给 4C8G，导出 step 给 500m/1Gi，谁也不多占。资源请求精确到 step 级别，K8s scheduler 才能把碎片时间利用起来。

3.2 CronWorkflow 定时触发

然后用 CronWorkflow 替代 Jenkins 的定时任务：

apiVersion:argoproj.io/v1alpha1kind:CronWorkflowmetadata:name:nightly-pipeline-v2namespace:batchspec:schedule:"30 0 * * *"timezone:"Asia/Shanghai"startingDeadlineSeconds:120concurrencyPolicy:ForbidsuccessfulJobsHistoryLimit:3failedJobsHistoryLimit:3workflowSpec:entrypoint:nightly-dagserviceAccountName:argo-batch-satemplates:-name:nightly-dagdag:tasks:-name:extracttemplateRef:name:nightly-batch-steptemplate:batch-containerarguments:parameters:-name:imagevalue:"registry/batch-extract:v2.1"-name:commandvalue:"python extract.py --date {{workflow.parameters.batch-date}}"-name:storagevalue:"50Gi"-name:transformdependencies:[extract]templateRef:name:nightly-batch-steptemplate:batch-containerarguments:parameters:-name:imagevalue:"registry/batch-transform:v2.1"-name:commandvalue:"python transform.py --stage full"-name:cpuvalue:"2"-name:memoryvalue:"4Gi"-name:storagevalue:"80Gi"-name:traindependencies:[transform]templateRef:name:nightly-batch-steptemplate:batch-containerarguments:parameters:-name:imagevalue:"registry/batch-train:v2.1"-name:commandvalue:"python train.py --models all"-name:cpuvalue:"4"-name:memoryvalue:"8Gi"-name:storagevalue:"100Gi"-name:exportdependencies:[train]templateRef:name:nightly-batch-steptemplate:batch-containerarguments:parameters:-name:imagevalue:"registry/batch-export:v2.1"-name:commandvalue:"python export.py"-name:load-to-warehousedependencies:[export]templateRef:name:nightly-batch-steptemplate:batch-containerarguments:parameters:-name:imagevalue:"registry/batch-load:v2.1"-name:commandvalue:"python load.py --warehouse prod"

这里有两个细节我认为很关键：

• concurrencyPolicy: Forbid：防止前一次没跑完又触发一次，造成资源踩踏；
• startingDeadlineSeconds: 120：如果 2 分钟内 scheduler 没把 workflow 调度起来，直接视为失败，避免静默错过调度窗口。

3.3 资源分时复用，训练 step 独占、其余 step 错峰填缝

我把训练 step 放在 01:30-03:00 这个窗口，给它nodeAffinity优先落到带高内存的节点上。其他导出、load 步骤用通用计算节点，跑完立刻释放。

affinity:nodeAffinity:preferredDuringSchedulingIgnoredDuringExecution:-weight:100preference:matchExpressions:-key:workload-typeoperator:Invalues:["batch-memory"]

结果是：同一批节点，白天跑微服务 Pod，凌晨跑批处理 Pod，24 小时都有人干活。K8s 集群的夜间利用率从 23% 直接拉到 71%。

04 量化对比：23% → 71% 是怎么算的

改造前后各跑了两周，数据如下。需要说明的是，灰度阶段我用标签把 Jenkins 和 Argo 跑的日子区分开，确保对比的是同一业务负载：

说明一下：

• 利用率计算的是凌晨 0-6 点批处理窗口内，所有实际运行 Pod 的container_cpu_usage_seconds_total / kube_pod_container_resource_requests_cpu平均值；
• 没有到 100% 是因为 K8s 预留了系统进程、kubelet 开销，以及我们故意保留了 20% buffer 防止某个 step 突发暴涨；
• 成本下降主要来自于白天不再保留空转节点，批处理 Pod 用集群现有容量，跑完即走。

最让我意外的是 pipeline 耗时从 5 小时 40 分降到 2 小时 15 分。原因不是机器变快了，而是 DAG 把能并行的步骤并行起来，并且 K8s scheduler 能根据资源实时填缝，不再受固定 slave 的锁限制。

05 踩坑记录：这 5 条建议能省你半天

1. 默认 Pod 起不来？检查 service account 权限

Argo controller 需要给 Pod 创建、查看日志等权限。如果 service account 没配，workflow 会一直 Pending。我建了一个专用 sa 和 role：

apiVersion:v1kind:ServiceAccountmetadata:name:argo-batch-sanamespace:batch---apiVersion:rbac.authorization.k8s.io/v1kind:Rolemetadata:name:argo-batch-rolenamespace:batchrules:-apiGroups:[""]resources:["pods","pods/log"]verbs:["get","list","watch"]-apiGroups:["argoproj.io"]resources:["workflows"]verbs:["get","list","watch"]---apiVersion:rbac.authorization.k8s.io/v1kind:RoleBindingmetadata:name:argo-batch-bindingnamespace:batchsubjects:-kind:ServiceAccountname:argo-batch-sanamespace:batchroleRef:kind:Rolename:argo-batch-roleapiGroup:rbac.authorization.k8s.io

2. 大文件不要用默认 minio artifact 存储

我们一开始用 minio 做 artifact，transform 输出 60GB Parquet，每次上传下载要 20 分钟。后来改成 NFS 共享卷 +volumeClaimTemplates，同 namespace 下多个 step 直接挂载，省掉串行上传。

volumeClaimTemplates:-metadata:name:batch-dataspec:accessModes:["ReadWriteOnce"]storageClassName:nfs-batchresources:requests:storage:100Gi

3. retryStrategy 别只写 count，要写 expression

无脑重试会把 OOM 也重试 3 次，浪费资源。我改成只重试非资源类失败：

retryStrategy:limit:3retryPolicy:"OnError"expression:"asInt(lastRetry.exitCode) != 137 && asInt(lastRetry.exitCode) != 143"

137 是 OOMKilled，143 是 SIGTERM，这两种情况重试基本没用，应该直接告警人工介入。

4. CronWorkflow missed schedule 很难查

有天凌晨 pipeline 没触发，查了半天才发现 controller 当时重启了。建议配 Prometheus 告警：

-alert:ArgoCronWorkflowMissedScheduleexpr:|(argo_workflows_cronworkflows_info - argo_workflows_cronworkflows_triggered_total) > 0for:5mlabels:severity:warningannotations:summary:"CronWorkflow missed schedule"

5. 监控 UI 只看 Argo UI 不够，要加 workflow_duration 和 pod_phase

我搭了 Grafana 看板，核心指标有三个：

• argo_workflows_workflow_duration按 workflow 名分位，看整体耗时趋势；
• kube_pod_status_phase{phase=~"Pending|Failed"}按 workflow 标签过滤，快速定位卡住的 Pod；
• container_cpu_usage_seconds_total / kube_pod_container_resource_requests_cpu_cores按 Pod 聚合，算实际资源利用率。

另外我还加了一个指标：每个 CronWorkflow 的last_successful_time和last_scheduled_time差值，超过 10 分钟就触发告警。这个比单纯看 Pod 是否成功更直接，因为有时候 workflow 根本没被触发，Pod 监控是看不到的。

6. 别忘了给 Argo 组件本身做高可用

controller 默认只跑一个副本，某天节点维护时它重启了，导致 3 个 workflow 同时挂起。我后来给 controller 配了 2 个副本 + PodDisruptionBudget，并把它固定在两个不同可用区的节点上。虽然 Argo 号称 stateless，但 controller 重启时正在执行的 workflow 会短暂卡住，关键业务还是要考虑这一点。

07 迁移 checklist：如果你也准备动手，按这个顺序来

我把这次迁移的 checklist 整理出来，方便你复制粘贴：

1. 梳理现有 pipeline：画出每个步骤的输入输出、执行时间、资源占用、失败重试点；
2. 搭建 Argo Workflows：先在测试 namespace 部署 controller，确认版本 ≥ 3.5，开启 metrics 端点；
3. 设计 WorkflowTemplate：把通用容器模板抽象出来，参数化 image、command、cpu、memory；
4. 拆 DAG：用依赖关系替代时间 sleep，把能并行的步骤并行；
5. 选 artifact 方案：小文件用 minio/S3，大文件用共享 PVC 或 NFS；
6. 配 RBAC + service account：给 workflow Pod 最小权限，别用 default sa；
7. 写 CronWorkflow：设置concurrencyPolicy: Forbid和startingDeadlineSeconds；
8. 灰度对比：至少跑 5-7 天双跑，记录耗时、资源利用率、失败率；
9. 加监控告警：workflow_duration、pod_phase、cron missed schedule、资源利用率；
10. 回收旧资源：确认稳定后再下线 Jenkins slave 节点，省钱。

按这个顺序走，基本不会踩大坑。

06 架构讨论：不是 Jenkins 不好，是用错了地方

迁移完我复盘了一下，Jenkins 并不是被 “淘汰” 了，而是回归它该干的事：CI/CD 流水线、代码构建、镜像打包。这些场景 Jenkins 的插件生态和可视化流水线依然很能打。

批处理这种 “定时触发、DAG 编排、资源弹性” 的场景，交给 K8s-native 的 Argo Workflows 更对味。整个架构变成：

GitLab / GitHub -> Argo Workflows -> K8s Job Pod ^ | CronWorkflow 定时触发 | Prometheus + Grafana 监控

这个架构的核心好处是：调度层和编排层分离。

• 调度层：K8s scheduler 根据节点资源实时决定 Pod 落在哪台机器上，不需要人工指定 slave；
• 编排层：Argo Workflows 用 DAG 表达依赖，失败重试可以精确到 step；
• 资源层：Pod 跑完即释放，不再占用固定节点，白天和晚上都能充分利用集群。

如果规模再大一点，我会考虑这几个方向：

• Argo Events做事件触发，替代部分 CronWorkflow。比如上游数据到达 S3 后自动触发 workflow，而不是死等半夜 0 点 30 分；
• Hera SDK让数据科学家用 Python 写 workflow，而不是手写 YAML。团队里大部分人不是 K8s 专家，降低门槛很重要；
• workflow-level 成本分摊，把每个批处理任务的资源成本打到业务线账上。这一步做好了，能反向推动业务优化自己的任务资源申请；
• archive 和 artifact GC 策略。workflow 历史记录默认保存在 etcd 里，跑久了会成为集群负担，需要定期归档到 S3 并清理。

还有一个很多人忽略的点是：Argo Workflows 让你的批处理变成了 “声明式” 的。以前 Jenkins pipeline 的改动是改 Groovy 脚本，现在改 YAML 并走 Git 流程。配合 Argo CD 或 Flux，批处理流程本身也可以被 GitOps 管理。

写在最后

这次迁移最值钱的一课，不是学会了 Argo Workflows 的 YAML 语法，而是让我重新理解了 “资源利用率” 这个词。

以前我以为利用率低就是机器买大了。其实很多时候，是调度模型太旧。把任务从固定节点里解放出来，让 K8s 根据实际资源去填缝，71% 并不是上限，而是我们刻意留的 buffer。如果胆子大一点，把训练任务进一步拆分并行，把 buffer 压到 10%，利用率还能再往上走。

对于还在用 Jenkins 跑定时批处理的团队，我的建议是分步走：先拿一条非核心 pipeline 试点，跑通 WorkflowTemplate 和 CronWorkflow；再逐步把高耗时的步骤拆成独立 Pod；最后把资源请求精确化，让 scheduler 真正发挥作用。不要一上来就追求全切，灰度对比数据才是说服老板和团队最好的材料。

Argo Workflows 的 YAML 乍看啰嗦，但写顺之后，你会爱上那种 “资源按任务走，失败按步回滚” 的清爽感。

下一篇我可能会写写怎么用 Argo Events 把这些批处理改成事件驱动，或者聊聊用 Hera SDK 让数据团队不写 YAML 也能跑 Argo。感兴趣的可以蹲一下。

参考链接

• Argo Workflows 官方文档：https://argoproj.github.io/argo-workflows/
• CronWorkflow 调度说明：https://argoproj.github.io/argo-workflows/cron-workflows/
• Hera Python SDK：https://github.com/argoproj-labs/hera