实战、排障与选型¶

这个系列不再按组件解释“它是什么”，而是从一个具体问题出发，给出证据链、实验变量、验收指标和停止条件。页面中的数字应由目标硬件和真实负载实测，示例值不能替代生产基线。

排障与事故¶

• GPU 有空闲，Pod 为什么仍然 Pending
• GPU 利用率为什么很低
• GPU 节点故障图鉴
• AI 集群事故复盘方法

性能、成本与容量¶

• vLLM、SGLang 与 TensorRT-LLM 同机实测
• 模型显存与并发容量计算器
• Prefill/Decode 分离的性能拐点
• 国内外 GPU 云资源选型

平台和调度¶

• 大模型时代 GPU 开发平台踩坑记
• GPU 资源银行与潮汐推理平台实践蓝图
• Kueue 与 Volcano 对比实验
• Kubernetes 还是 Slurm
• KubeVirt 单节点桌面实战：本地盘、CDI 与浏览器 noVNC
• 用 KubeVirt 与 Ceph RBD 构建持久 GPU Notebook
• Spot GPU 与 Checkpoint 恢复实验
• 国产 GPU/NPU 的 Kubernetes 实践

端到端交付¶

• DeepSeek-V4-Flash-0731 的 H20 部署与压测
• 在既有 Kubernetes 集群落地 AIBrix
• AIBrix 真实 GPU 实测：从两机推理到八节点碎片 GPU
• 在 Kubernetes 部署 ComfyUI：离线镜像、CephFS 模型与跨集群 Ingress
• RBG 多角色推理编排与 sr1 实战
• SGLang Model Gateway CPU 实战：动态发现、路由与故障摘除
• 从 Ollama 到 Kubernetes 生产推理
• 70B 模型向百节点分发
• 离线环境部署 AI/LLM 平台
• Agent Sandbox 攻防实验

阅读和复现约定¶

每个实验至少记录：

1. Kubernetes、驱动、CUDA/ROCm/CANN 和组件版本；
2. GPU/NPU/TPU、CPU、内存、磁盘和网络拓扑；
3. 模型、精度、输入输出长度和并发分布；
4. 冷缓存/热缓存、失败重试和预热状态；
5. 原始日志、事件、指标、Trace 和时间戳；
6. 成功标准、失败标准和结果的不适用范围。

复现实验时先修改 Namespace、镜像、StorageClass、资源名和安全策略，不要直接把示例中的权限、镜像标签或云厂商参数复制到生产。