安装 Alauda AI

Alauda AI 现在提供灵活的部署选项。从 Alauda AI 1.4 开始,Knative 能力成为可选功能,如果不需要,可以简化安装流程。

首先,你需要部署 Alauda AI Operator。这是所有 Alauda AI 产品的核心引擎。默认情况下,它使用 KServe Standard 模式作为推理后端,尤其推荐用于资源密集型生成式工作负载。该模式通过利用基础 Kubernetes 功能,提供了一种直接部署模型的方法,并具备强大且可定制的部署能力。

如果你的使用场景需要 Knative 功能,例如支持按需缩容至零以实现成本优化,则可以选择安装 Knative Operator。该 operator 不属于默认安装内容,可以随时添加以启用 Knative 功能。

INFO

推荐的部署选项:对于生成式推理工作负载,推荐使用 Standard 方式(此前称为 RawKubernetes Deployment),因为它能对资源分配和扩缩容提供最强的控制能力。

下载

Operator 组件:

  • Alauda AI Operator

    Alauda AI Operator 是驱动 Alauda AI 产品的主引擎。它专注于两个核心功能:模型管理和推理服务,并提供了一个可以轻松扩展的灵活框架。

    下载包:aml-operator.xxx.tgz

  • Knative Operator

    Knative Operator 提供 serverless 模型推理。

    下载包:knative-operator.ALL.v1.x.x-yymmdd.tgz

INFO

你可以从 Customer Portal 网站上的 Marketplace 下载名为 Alauda AI 和 Knative Operator 的应用。

上传

我们需要将 Alauda AI 和 Knative Operator 都上传到要使用 Alauda AI 的集群中。

下载 violet 工具

首先,如果机器上没有 violet 工具,需要先下载它。

登录 Web Console,并切换到 管理员 视图:

  1. 点击 Marketplace / 上架软件包。
  2. 点击 Download Packaging and Listing Tool。
  3. 在 Execution Environment 下找到正确的 OS / CPU 架构。
  4. 点击 Download 下载 violet 工具。
  5. 运行 chmod +x ${PATH_TO_THE_VIOLET_TOOL} 使工具可执行。

上传软件包

首先将以下脚本保存为 uploading-ai-cluster-packages.sh,然后阅读下面的注释,更新该脚本中的环境变量配置。

uploading-ai-cluster-packages.sh
#!/usr/bin/env bash
export PLATFORM_ADDRESS=https://platform-address  
export PLATFORM_ADMIN_USER=<admin>
export PLATFORM_ADMIN_PASSWORD=<admin-password>
export CLUSTER=<cluster-name>

export AI_CLUSTER_OPERATOR_NAME=<path-to-aml-operator-tarball>
export KNATIVE_OPERATOR_PKG_NAME=<path-to-knative-operator-tarball>

VIOLET_EXTRA_ARGS=()
IS_EXTERNAL_REGISTRY=

# If the image registry type of destination cluster is not platform built-in (external private or public repository).
# Additional configuration is required (uncomment following line):
# IS_EXTERNAL_REGISTRY=true
if [[ "${IS_EXTERNAL_REGISTRY}" == "true" ]]; then
    REGISTRY_ADDRESS=<external-registry-url>
    REGISTRY_USERNAME=<registry-username>
    REGISTRY_PASSWORD=<registry-password>

    VIOLET_EXTRA_ARGS+=(
        --dst-repo "${REGISTRY_ADDRESS}"
        --username "${REGISTRY_USERNAME}"
        --password "${REGISTRY_PASSWORD}"
    )
fi

# Push **Alauda AI Cluster** operator package to destination cluster
violet push \
    ${AI_CLUSTER_OPERATOR_NAME} \
    --platform-address=${PLATFORM_ADDRESS} \
    --platform-username=${PLATFORM_ADMIN_USER} \
    --platform-password=${PLATFORM_ADMIN_PASSWORD} \
    --clusters=${CLUSTER} \
    ${VIOLET_EXTRA_ARGS[@]}

# Push **Knative Operator** package to destination cluster
violet push \
    ${KNATIVE_OPERATOR_PKG_NAME} \
    --platform-address=${PLATFORM_ADDRESS} \
    --platform-username=${PLATFORM_ADMIN_USER} \
    --platform-password=${PLATFORM_ADMIN_PASSWORD} \
    --clusters=${CLUSTER} \
    ${VIOLET_EXTRA_ARGS[@]}
  1. ${PLATFORM_ADDRESS} 是你的 ACP 平台地址。
  2. ${PLATFORM_ADMIN_USER} 是 ACP 平台管理员的用户名。
  3. ${PLATFORM_ADMIN_PASSWORD} 是 ACP 平台管理员的密码。
  4. ${CLUSTER} 是要安装 Alauda AI 组件的集群名称。
  5. ${AI_CLUSTER_OPERATOR_NAME} 是 Alauda AI Cluster Operator 软件包 tarball 的路径。
  6. ${KNATIVE_OPERATOR_PKG_NAME} 是 Knative Operator 软件包 tarball 的路径。
  7. ${REGISTRY_ADDRESS} 是外部 registry 的地址。
  8. ${REGISTRY_USERNAME} 是外部 registry 的用户名。
  9. ${REGISTRY_PASSWORD} 是外部 registry 的密码。

配置完成后,执行 bash ./uploading-ai-cluster-packages.sh 脚本文件,同时上传 Alauda AI 和 Knative Operator。

安装 Alauda AI Operator

操作步骤

在 管理员 视图中:

  1. 点击 Marketplace / OperatorHub。

  2. 在控制台顶部的 Cluster 下拉列表中,选择要安装 Alauda AI 的目标集群。

  3. 选择 Alauda AI,然后点击 Install。

    会弹出 Install Alauda AI 窗口。

  4. 然后在 Install Alauda AI 窗口中:

  5. 保持 Channel 不变。

  6. 检查 Version 是否与要安装的 Alauda AI 版本匹配。

  7. 保持 Installation Location 不变,默认应为 aml-operator。

  8. 在 Upgrade Strategy 中选择 Manual。

  9. 点击 Install。

验证

确认 Alauda AI 卡片显示以下状态之一:

  • Installing:正在安装;请等待其变为 Installed。
  • Installed:安装已完成。

安装 Alauda Build of KServe Operator

有关详细安装步骤,请参见 Alauda Build of KServe 中的 安装 KServe。

启用 Knative 功能

Knative 功能是一项可选能力,需要额外部署一个 operator 和一个实例。

WARNING

如果你计划使用 Knative 功能,必须先安装 Knative Operator 并创建 Knative Serving 实例,然后再创建 Alauda AI 实例,以确保集群中可用所需的 CRD。

1. 安装 Knative Operator

INFO

从 Knative Operator 开始,Knative 网络层切换为 Kourier,因此不再需要安装 Istio。

操作步骤

在 管理员 视图中:

  1. 点击 Marketplace / OperatorHub。

  2. 在控制台顶部的 Cluster 下拉列表中,选择要安装的目标集群。

  3. 搜索并选择 Knative Operator,然后点击 Install。

    会弹出 Install Knative Operator 窗口。

  4. 然后在 Install Knative Operator 窗口中:

  5. 保持 Channel 不变。

  6. 检查 Version 是否与要安装的 Knative Operator 版本匹配。

  7. 保持 Installation Location 不变。

  8. 在 Upgrade Strategy 中选择 Manual。

  9. 点击 Install。

验证

确认 Knative Operator 卡片显示以下状态之一:

  • Installing:正在安装;请等待其变为 Installed。
  • Installed:安装已完成。

2. 创建 Knative Serving 实例

安装 Knative Operator 后,需要手动创建 KnativeServing 实例。

操作步骤

  1. 创建 knative-serving namespace。

    kubectl create ns knative-serving
  2. 在 管理员 视图中,导航到 Operators -> Installed Operators。

  3. 选择 Knative Operator。

  4. 在 Provided APIs 下找到 KnativeServing,然后点击 Create Instance。

  5. 切换到 YAML view。

  6. 将内容替换为以下 YAML:

  7. 点击 Create。

    apiVersion: operator.knative.dev/v1beta1
    kind: KnativeServing
    metadata:
      name: knative-serving
      namespace: knative-serving
    spec:
      # For ACP 4.0, use version 1.18.1
      # For ACP 4.1 and above, use version 1.19.6
      version: "1.18.1"
      config:
        deployment:
          registries-skipping-tag-resolving: kind.local,ko.local,dev.local,private-registry
        domain:
          example.com: ""
        features:
          kubernetes.podspec-affinity: enabled
          kubernetes.podspec-hostipc: enabled
          kubernetes.podspec-hostnetwork: enabled
          kubernetes.podspec-init-containers: enabled
          kubernetes.podspec-nodeselector: enabled
          kubernetes.podspec-persistent-volume-claim: enabled
          kubernetes.podspec-persistent-volume-write: enabled
          kubernetes.podspec-securitycontext: enabled
          kubernetes.podspec-tolerations: enabled
          kubernetes.podspec-volumes-emptydir: enabled
          queueproxy.resource-defaults: enabled
        network:
          domain-template: '{{.Name}}.{{.Namespace}}.{{.Domain}}'
          ingress-class: kourier.ingress.networking.knative.dev
      ingress:
        kourier:
          enabled: true
WARNING
  • 对于 ACP 4.0,使用版本 1.18.1
  • 对于 ACP 4.1 及以上,使用版本 1.19.6
  1. 指定要部署的 Knative Serving 版本。

  2. private-registry 是你的私有 registry 地址占位符。你可以在 管理员 视图中点击 Clusters,选择 your cluster,然后在 Basic Info 部分查看 Private Registry 的值。

创建 Alauda AI 实例

安装好 Alauda AI Operator(以及可选的 Knative Operator)后,就可以创建 Alauda AI 实例了。

操作步骤

在 管理员 视图中:

  1. 点击 Marketplace / OperatorHub。

  2. 在控制台顶部的 Cluster 下拉列表中,选择要安装 Alauda AI Operator 的目标集群。

  3. 选择 Alauda AI,然后 Click。

  4. 在 Alauda AI 页面中,点击选项卡中的 All Instances。

  5. 点击 Create。

    会弹出 Select Instance Type 窗口。

  6. 在 Select Instance Type 窗口中找到 AmlCluster 卡片,然后点击 Create。

    会显示 Create AmlCluster 表单。

  7. Name 保持 default 不变。

  8. 从下拉列表中选择 Deploy Flavor:

    1. 非 HA 部署选择 single-node。
    2. HA 集群部署选择 ha-cluster(生产环境推荐)。
  9. 将 KServe Mode 设置为 Managed。

  10. 在 Domain 字段中输入一个有效的域名。

    INFO

    该域名由 ingress gateway 用于暴露模型服务。 大多数情况下,你会希望使用通配符域名,例如 *.example.com。

    你可以通过更新 Domain Certificate Type 字段来指定以下证书类型:

    • Provided
    • SelfSigned
    • ACPDefaultIngress

    默认情况下,配置会使用 SelfSigned 证书类型来保护到集群的 ingress 流量,证书存储在 Domain Certificate Secret 字段中指定的 knative-serving-cert secret 中。

  11. (可选) 如果你要启用 Knative 功能,在 Serverless Configuration 部分将 Knative Serving Provider 设置为 Operator。

    INFO

    如果你在前面的步骤中安装了 Knative Operator 以启用 Serverless 功能,请提供以下参数进行集成:

    • APIVersion: operator.knative.dev/v1beta1
    • Kind: KnativeServing
    • Name: knative-serving
    • Namespace: knative-serving

    如果你不使用 Knative 功能,请将 Knative Serving Provider 保持为 Removed(或留空),其余参数保持为空。

  12. 在 Gitlab 部分:

    WARNING

    基于 GitLab 的模型存储已弃用。它仅为兼容性保留,并计划在未来的 Alauda AI 版本中移除。对于内置模型和新的模型交付工作流,请改用 Model Catalog 和 OCI 模型制品。

    1. 在 Base URL 中填写自托管 Gitlab 的 URL。
    2. 在 Admin Token Secret Namespace 中填写 cpaas-system。
    3. 在 Admin Token Secret Name 中填写 aml-gitlab-admin-token。
  13. 在 Model Catalog 部分,配置以下参数:

    • Database Password Secret Namespace:包含 Model Catalog 所需 PostgreSQL 密码的 secret 所在的 namespace。

    • Database Password Secret Name:包含 Model Catalog 所需 PostgreSQL 密码的 secret 名称。

      请在创建 Alauda AI 实例之前先创建该 secret。如果使用下面的示例,请将 Database Password Secret Namespace 设置为 aml-operator,并将 Database Password Secret Name 设置为 model-catalog。

      apiVersion: v1
      kind: Secret
      metadata:
        name: model-catalog
        namespace: aml-operator
      stringData:
        password: <postgres-password>
      type: Opaque
      1. metadata.name 对应 Database Password Secret Name 的值。
      2. metadata.namespace 对应 Database Password Secret Namespace 的值。
      3. stringData.password 是明文形式的 PostgreSQL 密码。Kubernetes 在创建 Secret 后会将其存储为 base64 编码的 data.password。

      创建完成后,存储的 Secret 会有一个 base64 编码的 data.password 字段,例如:

      apiVersion: v1
      data:
        password: cGc=
      kind: Secret
      metadata:
        name: model-catalog
        namespace: aml-operator
      type: Opaque
    • Model OCI Registry Address:为 Model Catalog 托管模型 OCI 制品的 registry 地址。默认值为 build-harbor.alauda.cn。

      该 registry 存储 Model Catalog 使用的模型 OCI 镜像。请使用 Harbor 或其他支持 HTTPS 访问的生产模式 OCI registry。Model Catalog 使用的 Harbor project 或 repository 必须允许推理集群节点匿名拉取。

      如果在目标环境中无法部署带 HTTPS 的 registry,可以使用 HTTP registry 作为备用方案。在部署模型之前,请先在推理集群的每个节点上配置容器运行时。对于 containerd,可以为该 registry 地址添加不安全的 registry mirror,例如创建 /etc/containerd/certs.d/<registry-host:port>/hosts.toml:

      server = "http://<registry-host:port>"
      
      [host."http://<registry-host:port>"]
        capabilities = ["pull", "resolve"]

      然后重启 containerd,或者通过你的集群管理系统应用等效的节点运行时配置。该配置必须存在于计划运行推理服务 pod 的节点上;否则,即使 Model Catalog 能列出该模型,pod 的镜像拉取仍会失败。containerd 的具体配置路径可能因 Kubernetes 发行版而异;应用配置后,请验证节点可以拉取 Model Catalog 镜像,例如使用 crictl pull <registry-host:port>/<repository>:<tag>。

    • Source of PVC:选择复用已有 PVC 还是创建新的 PVC。使用 CreateNew 让安装过程创建 PVC。

    • StorageClass Name:创建新 PVC 时使用的 StorageClass。

  14. 检查上述配置,然后点击 Create。

验证

检查名为 default 的 AmlCluster 资源中的状态字段:

kubectl get amlcluster default

应返回 Ready:

NAME      READY   REASON
default   True    Succeeded

将内置模型镜像导入 Catalog

Alauda AI 中的 Catalog 功能附带一组内置的模型 OCI 镜像,用户可以从 Web Console 将其作为推理服务进行部署。这些镜像必须先导入到 Model Catalog 配置的 OCI registry 中,Catalog 才能提供它们。如果不执行这一步,安装虽然会成功完成,但之后从 Catalog 部署内置模型时会失败,并报 ImagePullBackOff。

获取 OCI image tarball

内置模型镜像以 OCI 归档 tarball(符合 OCI Image Layout Specification 的 .tar 文件)形式交付。每个 tarball 都包含一个模型的多架构镜像(linux/amd64 + linux/arm64)。

你可以从 Customer Portal Marketplace 下载这些 tarball,或者联系你的 Alauda 支持代表获取与你的 Alauda AI 版本匹配的软件包。

推送到 Harbor

推荐的目标是 Harbor。下面的示例使用 HTTP Harbor registry。如果你的 Harbor registry 使用 HTTPS,请省略 --plain-http,并将 API URL 从 http:// 改为 https://。

请在安装了 ctr、curl 和 jq 且可以访问 Harbor 的节点上执行这些命令。

首先,设置环境变量:

export REG=192.168.140.0:32700                
export REPO=mlops/modelcar-qwen3.5-0.8b       
export TAG=v0.1.0                             
export TAR=./Qwen3.5-0.8B.oci.tar             
export AUTH='user:password'
  1. Harbor registry 终端地址,不包含 URL scheme。
  2. Harbor 中的目标 repository 路径,格式为 <project>/<image-name>。例如,mlops/modelcar-qwen3.5-0.8b 使用 Harbor project mlops 和 repository modelcar-qwen3.5-0.8b。
  3. OCI archive 携带的镜像标签。如果你不知道,可以使用下面的命令从 tarball 中提取。
  4. 上一步获取的 OCI archive tarball 路径。
  5. Harbor 凭据,格式为 user:password。如果你没有这些信息,请联系你的平台管理员。

tarball 通常在 OCI image layout 中携带自己的标签(例如 v0.1.0)。如有需要,可以从 tarball 中提取它:

export TAG=$(tar -xOf "$TAR" index.json \
  | jq -r '.manifests[0].annotations["org.opencontainers.image.ref.name"]')
echo "$TAG"   # should print something like v0.1.0

检查 Harbor 中是否已存在该镜像标签:

URL="http://$REG/api/v2.0/projects/${REPO%%/*}/repositories/$(printf '%s' "${REPO#*/}" | sed 's|/|%2F|g')/artifacts/$TAG"

HTTP=$(curl -s -u "$AUTH" -o /tmp/harbor-artifact.json -w '%{http_code}' "$URL")

echo "HTTP=$HTTP  URL=$URL"

[ "$HTTP" = 200 ] && jq '{digest, size, push_time, arch: .extra_attrs.architecture, tags: [.tags[].name], platforms: [.references[]?.platform]}' /tmp/harbor-artifact.json \
  || jq -r '.errors[]?.message' /tmp/harbor-artifact.json

如果 Harbor project 尚不存在,请在推送前先创建它:

PROJECT="${REPO%%/*}"

curl -s -u "$AUTH" -X POST "http://$REG/api/v2.0/projects" \
  -H 'Content-Type: application/json' \
  -d "{\"project_name\":\"$PROJECT\",\"public\":false}" \
  -w '\nHTTP %{http_code}\n'

如果 project 已存在,Harbor 会返回非 2xx 状态码。确认 project 存在后,继续执行导入和推送。

然后运行导入和推送流程:

# 1. Import into the node's containerd content store.
#    --base-name prepends $REG/$REPO to the tag carried inside the tarball,
#    producing a fully-qualified reference $REG/$REPO:$TAG.
ctr -n k8s.io images import \
  --all-platforms \
  --base-name "$REG/$REPO" \
  "$TAR"

# 2. Verify the import. You should see "$REG/$REPO:$TAG".
ctr -n k8s.io images ls -q | grep "$REPO"

# 3. Push to Harbor. Use --plain-http only for HTTP Harbor.
ctr -n k8s.io images push \
  --plain-http \
  --user "$AUTH" \
  "$REG/$REPO:$TAG"

# 4. Clean up the local reference on the node. Blob data is reclaimed by
#    containerd's garbage collector, leaving no persistent state on the node.
ctr -n k8s.io images rm "$REG/$REPO:$TAG"

对每个内置模型 tarball 重复此流程,并针对每个模型分别调整 $REPO、$TAG 和 $TAR。

INFO

在 import 步骤中,--all-platforms 非常关键:如果省略它,只会导入节点主机架构对应的内容,后续 push 时会静默遗漏其他平台的 blob。push 步骤不需要该参数——推送多架构 index 时会自动推送其引用的所有平台。

验证 Harbor 导入

确认 Harbor 现在可以提供该镜像:

URL="http://$REG/api/v2.0/projects/${REPO%%/*}/repositories/$(printf '%s' "${REPO#*/}" | sed 's|/|%2F|g')/artifacts/$TAG"

HTTP=$(curl -s -u "$AUTH" -o /tmp/harbor-artifact.json -w '%{http_code}' "$URL")

echo "HTTP=$HTTP  URL=$URL"

[ "$HTTP" = 200 ] && jq '{digest, size, push_time, arch: .extra_attrs.architecture, tags: [.tags[].name], platforms: [.references[]?.platform]}' /tmp/harbor-artifact.json \
  || jq -r '.errors[]?.message' /tmp/harbor-artifact.json

HTTP=200 表示镜像已成功导入到 Harbor。预期输出应包含 digest、size、push time、tag 和平台信息:

{
  "digest": "sha256:...",
  "size": 123456789,
  "push_time": "2026-05-06T00:00:00.000Z",
  "arch": "amd64",
  "tags": ["v0.1.0"],
  "platforms": [
    {"architecture": "amd64", "os": "linux"},
    {"architecture": "arm64", "os": "linux"}
  ]
}

现在,Alauda AI 的核心能力已经成功部署。如果你想快速体验该产品,请参阅 快速开始。

FAQ

1. 为 aml-skipper 配置审计输出目录

默认的审计输出路径是宿主机上的 /cpaas/audit。但是,在某些操作系统上(例如 Alauda OS),宿主机的根路径是只读的,无法创建 /cpaas 目录。在这种情况下,用户需要修改审计输出路径。

要修改审计输出路径,请更新 AmlCluster 默认资源,并在 spec.values 下添加 amlSkipper.auditLogHostPath.path 配置。例如:

apiVersion: amlclusters.aml.dev/v1alpha2
kind: AmlCluster
metadata:
  name: default
  ...
spec:
  ...
  values:
    amlSkipper:
      auditLogHostPath:
        path: /var/lib/audit
NOTE

具体路径应与 Alauda Container Platform Log Collector 的采集配置保持一致。