AI/LLM on Kubernetes 基础设施知识库¶
Hi~你好👋, 这里是 runzhliu 的工作笔记，我是一名在 AI/LLM/大数据/Kubernetes 领域工作了十年的工程师，同时我也是一个记录狂人🤔，特别爱记笔记，这个站点是我基于这几年在 AI/LLM Infras 的工作经历总结的一些笔记，同时也经过一些大模型的润色发布的，希望和大家一起交流和学习，一起在大模型时代做一点🤏小事，无论是内容本身还是工作，欢迎大家找我交流😄👏!(runzhliu@163.com)
这是一套面向平台工程师、SRE、数据平台、训练和模型服务团队的工程文档，系统整理 AI/LLM 工作负载运行在 Kubernetes 上需要的基础设施知识。
内容从 GPU 节点、异构设备、大数据、调度队列、RDMA 和数据供给开始，延伸到分布式训练、LLM 推理、RAG、Agent 沙箱、可观测性、安全、成本和生产运维。每个专题尽量说明组件边界、选型条件、关键指标、故障路径和上线检查，而不只是罗列项目名称。
进入完整技术地图 查看生产参考架构 实战与排障 浏览工程案例 RSS 订阅
常用官方网站¶
按技术层次整理的官方文档直达入口。项目能力、版本兼容性和安装方式变化较快，使用时以官方文档与目标版本的 Release Notes 为准。
-
LLM 推理引擎
vLLM · SGLang · TensorRT-LLM · Triton Inference Server · llama.cpp · Ollama
-
推理服务与分布式编排
KServe · Ray / KubeRay · AIBrix · llm-d · NVIDIA Dynamo
-
Kubernetes、GPU 与调度
Kubernetes · NVIDIA GPU Operator · Kueue · Volcano · Kubeflow
-
模型、训练与通信
PyTorch · Hugging Face · DeepSpeed · NCCL
文档覆盖范围¶
-
集群与加速器
理解 AI 工作负载从 Kubernetes API 到节点驱动、容器运行时和 GPU 的完整路径，建立可重复的节点验收和异构设备管理方式。
-
大数据、调度与分布式训练
处理 Spark/Flink/Kafka/Lakehouse、资源声明、队列准入、Gang Scheduling、RDMA、数据加载、Checkpoint 和故障恢复。
-
LLM 推理与 RAG
覆盖推理引擎、批处理、KV Cache、量化、智能路由、Prefill/Decode 分离，以及向量检索和权限过滤。
-
平台工程与生产运维
用版本矩阵、基准测试、SLO、可观测性、安全策略、容量模型和发布门禁保持平台长期可运行。
按你的任务开始¶
| 当前任务 | 建议阅读路径 |
|---|---|
| 第一次系统了解 AI on Kubernetes | Kubernetes 如何承载 AI → 集群架构设计 → 完整技术地图 |
| 建设 GPU 或异构算力集群 | GPU 节点软件栈 → 设备管理 → GPU 调度 |
| 建设 GPU Notebook 开发平台 | Notebook 平台与存储 → 数据与缓存 → MLOps |
| 建设大数据与 AI 数据平台 | 大数据 on Kubernetes → 数据与缓存 → 模型制品 → MLOps |
| 建设多租户训练平台 | 队列与多租户 → 分布式训练 → RDMA 网络 → 可靠性 |
| 建设 Ray 大模型平台 | Ray 训练与推理 → 分布式训练 → 可靠性 |
| 建设 LLM 在线推理平台 | 推理平台总览 → 引擎选型 → Serving 框架 → API 中转与网关选型 → 智能路由 → Higress 实战 |
| 建设 RAG 或 Agent 服务 | Agent 现状与趋势 → Agent Harness → HarnessRouter → RAG 基础设施 → Agent Sandbox 选型 → 安全治理 |
| 负责稳定性、成本和容量 | 可观测性 → 性能基准 → 成本与容量 → 落地路线图 |
核心专题¶
计算与集群¶
调度、网络与数据¶
训练与推理¶
- 分布式训练平台
- 大模型 SFT 入门：把 Loss、LoRA、Batch 和并行一次讲明白
- 大模型 SFT 训练实战：从单卡 LoRA 到 DeepSeek V4
- SwanLab 自托管：从 Kubernetes 部署到真实 SFT 指标
- 从 W&B Local 到 SwanLab：两年团队实验追踪实践与选型
- Ray 在大模型训练与推理中的角色
- LLM 推理平台总览
- 推理引擎选型
- LLM Serving 与 AI 微服务框架
- LLM 推理性能优化
- 大模型 API 中转器与 LLM Gateway 综述
- AI Gateway 与智能路由
- Higress AI Gateway：架构、安装与 AIBrix 接入实战
- 分布式与 Prefill/Decode 分离推理
应用基础设施与治理¶
- 大模型时代的 GPU Notebook 平台与存储选型
- 2026 年 AI Agent 现状、实现原理与趋势
- Agent Harness 技术综述
- HarnessRouter 综述
- RAG 基础设施
- Agent Sandbox 选型与架构分析
- CubeSandbox Kubernetes 部署条件与生产评估
- OpenClaw 作为企业 Agent 平台底座
- OpenClaw 2.0 实测：与 1.x 的架构、功能、性能和迁移风险对比
- AI Agent、沙箱与工具执行
- GPU、训练与推理可观测性
- AI 平台安全与治理
- 平台运维、升级与多集群
可直接使用的参考材料¶
- AI/LLM 集群组件清单：按场景说明需要哪些组件、为什么需要、何时可以不装以及怎样验收。
- 五种生产参考架构：小型 GPU 平台、多租户训练、高可用推理、分离式推理和 Agent 沙箱。
- GPU 平台最小闭环实验：从 GPU 发现和冒烟测试，到 vLLM 服务、网络策略和冷启动测量。
- AI on Kubernetes 十年发展史：理解关键接口和工具为什么出现，以及当前技术主线。
- 术语表：快速查询设备、调度、训练、推理、网络和 RAG 术语。
- 30/60/90 天落地路线图：把架构目标拆成可执行的实施阶段。
实战案例¶
工程案例 单独收录可执行清单和真实环境记录。其中 AI/LLM 集群组件清单 用于确定建设范围，K3s 集群升级与 DRA 预检 保存了一次真实环境的版本跨度评估、备份、兼容性检查、升级和验证过程。
内容标准¶
- 优先使用 Kubernetes SIG、项目官方文档和公开规范等一手资料。
- 区分稳定原理、快速演进的上游能力和仅用于学习的实验配置。
- 选型结论必须落到吞吐、延迟、可靠性、成本、安全或运维复杂度。
- 示例必须能说明验证方法；生产落地还要补齐版本固定、权限、密钥、容量、备份和回滚。
- 保留已有页面地址，新增内容按主题目录组织，避免链接随导航调整而失效。
建议先进入 完整技术地图，再按当前角色选择一条阅读路径。
关注微信公众号¶
更多 AI/LLM on Kubernetes 实战、部署记录与性能分析会同步到微信公众号 AI-K8S技术工程。使用微信扫描二维码，或在“微信搜一搜”中搜索 AI-K8S技术工程：
