Dstack 是一个开源的 AI 计算管理平台，旨在简化 AI 任务的部署和管理。它支持本地和云端运行 AI 工作负载，并提供自动化的 GPU 资源调度，使开发者能够更高效地利用计算资源。Dstack 兼容 K8s，可以无缝集成到现有的基础设施中，适用于 AI 模型训练、推理和 MLOps 工作流。

SkyPilot 是一个开源的云端任务调度和优化平台，旨在帮助用户高效地在多云环境中运行 AI 训练和计算任务。它支持自动选择最优的云提供商、智能分配计算资源，并提供低成本、高性能的计算优化方案。SkyPilot 适用于 AI 研究、分布式计算和大规模云端任务管理，可无缝集成 K8s 和多种云平台。

Kaito 是一个基于 AI 的搜索引擎，旨在帮助用户更高效地检索和组织信息。它结合了大模型技术与搜索能力，使用户能够从多个数据源（如 GitHub、论文、网站等）中提取关键信息，提升研究和开发效率。Kaito 适用于开发者、研究人员和知识工作者，提供更智能的搜索体验。

RagApp 是一个开源的 RAG（检索增强生成）应用开发框架，旨在帮助用户构建基于大语言模型的智能问答和知识检索系统。它支持从多种数据源（如文档、数据库、API）提取信息，并结合 LLM 进行智能回答，使 AI 更精准地提供基于上下文的响应。RagApp 适用于企业知识管理、聊天机器人和智能搜索等应用场景。

本文介绍了在 K8s 上高效运行 AI/ML 工作负载的最佳实践。首先，合理管理计算资源至关重要，建议使用 K8s 设备插件（如 NVIDIA 插件）优化 GPU 分配，并配置 CPU 和内存请求以避免资源争用。通过节点选择、亲和性规则和自动扩展机制，可以提高任务调度的灵活性和效率。此外，为了确保多租户环境的安全性，建议利用命名空间和网络策略进行隔离，并通过 RBAC 访问控制，防止未经授权的访问。

同时，监控和日志管理是保障系统稳定性的关键。集成 Prometheus 进行实时资源监控，有助于优化性能并及时发现潜在瓶颈，而集中化日志管理系统能够提升故障排查效率，确保 AI 任务的顺畅执行。通过这些实践，企业可以更高效地管理 K8s 上的 AI 训练和推理任务，提升计算资源的利用率和系统的可靠性。

本文介绍了 K8s 1.31 版本中针对云提供商集成架构的重大变更。官方在此次更新中移除了内置的云提供商相关代码，转而采用云控制器管理器（Cloud Controller Manager，CCM）来处理云平台特定的控制逻辑。这一迁移提升了 Kubernetes 的可扩展性和云平台兼容性，但也引发了一个关键的“先有鸡还是先有蛋”问题：当 kubelet 启动并向 API 服务器注册节点时，节点仍缺少关键的云提供商信息（如地址和区域标签），而这些信息依赖 CCM 来填充，而 CCM 又需要节点完成初始化才能生效。这种相互依赖可能导致节点就绪的延迟，并带来潜在的故障风险。

为解决这一问题，集群管理员和安装工具（如 kOps 或 Cluster API）需要采取额外措施，确保 CCM 在集群启动过程中能够正确配置并与其他组件协调运行。通过优化初始化流程和资源调度策略，可以减少 K8s 1.31 迁移带来的影响，提升集群的稳定性和可管理性。

vivo互联网服务器团队针对大规模容器集群运维难题，自主研发了北斗运维管理平台，通过白屏化、自动化手段解决了初期黑屏操作复杂、人工巡检低效、多集群管理困难等挑战。该平台构建了节点扩缩容工具实现全流程自动化（20台扩容时间从60分钟缩短至10分钟），开发kube-doctor组件支持集群资源/节点/自定义巡检，并整合资源管理、事件中心、监控告警等核心功能，形成覆盖集群安装、组件管理、故障定位的运维体系，成功支撑 20+ 生产集群、数万节点的高效运维，累计执行 5000+ 扩缩容任务，显著提升运维标准化程度与系统稳定性。

Dapr 1.15.0 版本正式发布。此版本引入了多项新特性和改进，包括将调度器服务（Scheduler service）提升为稳定版。在此版本中，调度器服务默认用于管理 Actor 提醒（Actor reminders），取代了之前的放置服务（Placement service）。

升级至 Dapr 1.15 后，现有的 Actor 提醒将自动从放置服务迁移至调度器服务。此外，Dapr 1.15 还包含其他增强功能和修复，旨在提升分布式应用的开发体验和系统性能。