蓝绿和灰度有什么区别？边界一次说清

先把边界划出来：蓝绿是两套环境整套切换，要么旧版全量、要么新版全量，中间没有过渡带；灰度是新版先接一小部分流量，按观察结果逐步放量。蓝绿和灰度的区别，在于切换的动作方式、回滚的速度和影响面的形状。

发布大模型服务的新版本时，这个选择尤其重要：模型换了，回答风格会变，提示词的表现也可能漂移，发布策略直接决定出问题时波及多少用户。豆包、智谱清言这类产品的模型迭代之所以让人无感，背后的发布编排把两种策略都用在了刀刃上。

先说结论：两条路的分界

需要秒级回滚、环境完全一致、用户不允许感受到任何混布状态的，选蓝绿；需要真实流量验证、影响面要从小到大铺开、能接受新旧版本短暂并存的，选灰度。还有一个现实约束：蓝绿要双倍资源，切换瞬间才能整套对调；灰度资源占用随放量比例增长，前期投入小。资源预算和回滚要求，这两条把大多数场景的答案定下来了。

四条分界线摆在一起，选哪边就有据可依。

蓝绿切换的动作细节

蓝绿部署里，蓝是现行生产环境，绿是待发布的新版本环境。流程是：把新版本完整部署到绿环境，做冒烟验证；确认就绪后，把流量入口从蓝切到绿——通常改的是负载均衡指向，动作是一次性的；观察一段时间无异常，蓝环境保留待命或下线。回滚同样是入口切回蓝，速度以秒计。关键细节有两个：切换前绿环境的验证要充分，因为切过去就是全量用户；数据库等共享依赖要兼容两个版本，否则回滚会被数据结构卡住。

灰度放量的观察节奏

灰度的核心是「放量跟着指标走」。典型节奏：先放百分之一流量，观察错误率、延迟分布、业务指标；指标平稳，翻倍放量，再观察；任何一项指标越过预设阈值，立即冻结或回退。对大模型服务还要多看两类指标：回答质量抽样（人工或自动化评估）和用户行为变化（重试率、会话放弃率），这些往往比技术指标更早暴露模型问题。放量比例的档位和每档的观察时长要提前定好，临场拍脑袋容易在指标还没稳定时就把量放完。

两者怎么配合使用

两种策略并不互斥，成熟团队常串起来用：先用蓝绿把新版本环境整体备好，随后不整切，而是在蓝绿之间做灰度分流——入口层按比例把流量拨给绿环境，逐步加大，最后全量、旧环境退场。这样既保留了整套环境快速回滚的能力，又拿到灰度渐进验证的好处。决定权交给入口层的分流规则，切换动作本身被简化成一个配置改动。

蓝绿与灰度对照表

• 动作：蓝绿整套切换无过渡，灰度小步放量有观察期
• 回滚：蓝绿秒级切回，灰度是收缩比例或停发
• 资源：蓝绿要双倍环境，灰度随比例增长
• 组合：蓝绿备环境加灰度控流量，两头的好处都拿到

发布策略之外，发布链条上还有环节要看。流量入口的分流能力怎么配，见直连和经网关有什么区别？适用场景分开讲；版本承诺与弃用节奏，参考API 的版本是怎么管理的？过程拆开看；发布前算力怎么备，看竞价实例和预留实例有什么区别？；私有化场景的发布形态，在私有化和混合部署有什么区别？各自的适合场景；边缘节点的更新节奏，参考边缘和云端推理有什么区别？选型不再纠结。

关于蓝绿灰度再多问三句

• 小团队能玩得起蓝绿吗？：资源翻倍是主要门槛，模型服务可以用按量资源临时拉起绿环境，发布完就释放，把双倍成本压缩到发布窗口内。
• 灰度放量到多少算安全？：没有固定数，通常过半后风险已大幅暴露，但模型类发布建议覆盖完整会话周期再全量。
• 两者都用了还需要回滚预案吗？：需要，策略只是降低风险，预案是兜底——回滚脚本、数据兼容检查、值班分工，一样不能少。