凌晨三点那通电话
去年冬天,一个做 SaaS 的朋友半夜被电话吵醒。API 响应时间飙到八秒,客户在群里骂人。他爬起来连上跳板机一看——CPU 20%,内存 30%,啥毛病没有。问题出在数据库连接池被打满了,而真正的原因,是他那台 4C8G 的机器有一半时间在空转,剩下一半时间在挨打。
这种场景我见得太多了。业务有明显的波峰波谷,但机器得按峰值买。白天扛得住,晚上烧钱。
然后他问我:要不要上 Serverless?
我说先别急。这玩意儿没那么简单。
Serverless 卖的到底是什么
很多人以为 Serverless 就是「没有服务器」。不是。服务器还在,只是你不再需要提前决定买几台、开多大。
它真正卖给你的,是把容量决策这件事外包出去。你不用再猜 QPS,不用为双十一提前扩容三倍,也不用在流量低谷时心疼那几张账单。平台替你调度,你按调用次数和执行时长付费。
听起来挺美对吧。
但这里藏着一个前提:你的业务得是事件驱动或者请求驱动的形态。一次请求进来,跑一段逻辑,返回,释放。跑完就干净了。如果你的服务需要常驻内存缓存、需要长连接、需要后台线程池一直转着,那 Serverless 会把你逼疯——真的。

冷启动不是玄学是数学
冷启动这事被说烂了。但很多人理解得不对。它不是偶尔慢一下,它是一道概率题。
假设你的函数五分钟没被调用,容器被回收。下一个请求进来,平台得重新拉镜像、初始化运行时、加载你的代码。这段时间从几十毫秒到几秒不等。取决于语言、依赖体积、内存配置。
Node 和 Python 一般比较快。Java 嘛……坦白说,老版本的 JVM 冷启动能把人看哭。GraalVM 或者 SnapStart 之后好很多,但也不是免费午餐。
关键点来了:冷启动的痛感,跟你请求的时间分布强相关。流量均匀,容器一直热着,冷启动几乎不存在。但如果你的流量是一天来三波、每波间隔两小时,那你每次都在开新车。
解法?预热。定时 ping 一下。或者上预置并发。但后者要钱,而且贵得不便宜。
所以你看,Serverless 从来不是免费扩容。它只是把成本从固定支出换成了按量支出。哪个划算,得自己算。
账单背后的真相
我见过最离谱的一个案例。一个团队把图片处理服务搬到了函数计算上,结果第一个月账单翻了三倍。
为什么?他们忽略了执行时长乘以内存配置这个乘数。图片处理是 CPU 密集型,内存给少了 CPU 配额也跟着降,处理时间被拉长,最后算下来比一台常驻的 C 系列机器贵得多。

有个经验法则可以记一下:低延迟要求的、请求稀疏的、突发型的任务,Serverless 很香。持续高负载的、长时运行的、需要精细调优 CPU 的场景,老老实实买机器。
就这么简单。可惜很多人不愿意承认。
团队协作里真正的坑
技术选型是一回事,工程协作是另一回事。
Serverless 最大的隐性成本,其实是可观测性和本地调试。
你试试在本地复现一个只在云端出现的问题。分布式追踪?日志聚合?没有一套像样的可观测体系,你会对着 CloudWatch 或者阿里云 SLS 的日志发呆,一盯就是两小时。
还有依赖管理。函数打包体积、Layer 复用、环境变量注入……这些琐碎的东西,会慢慢侵蚀团队的开发体验。
我见过一些团队的做法挺聪明:把核心业务逻辑抽成一个普通库,函数只是薄薄一层适配。这样本地能跑单测,云端只负责触发和编排。以后想换平台,改动量也小。
对了,还有供应商锁定这事。说实话,完全避免是不可能的。但你可以控制锁定的深度——用标准的 HTTP 触发、用容器镜像部署、别把业务逻辑写进平台的专有 DSL 里。
什么情况下我会劝你上

说几个具体的场景。
定时任务。每天凌晨跑一次数据清洗。你为这个买一台机器,纯属浪费。
Webhook 处理。第三方回调,流量完全不可预测,来多少处理多少。
轻量 API。内部工具、管理后台、爬虫接口,QPS 不高但需要一直在线。
还有一件事。如果你的团队很小,运维能力有限,Serverless 帮你省掉的,不只是服务器成本,还有运维的注意力。这个可能比钱更值钱。
反过来——做游戏后端、实时通信、高频交易、大规模数据处理的,先别急着上。
工具就是工具,别把它供起来。