KitOps on TKE¶

📚 概述¶

KitOps 是一个开源工具，用于将 AI/ML 模型的所有相关资源（模型权重、数据集、代码、配置、文档）打包成标准化的 OCI Artifact，存储在容器镜像仓库中。本指南介绍如何在腾讯云 TKE 上使用 KitOps 实现模型的版本化管理和跨环境复现。

🎯 学习目标¶

通过本模块，你将学会：

• 理解 KitOps 和 ModelKit 的核心概念
• 使用 Kitfile 定义 AI/ML 项目结构
• 将 ModelKit 推送到腾讯云容器镜像服务 (TCR)
• 在 TKE 集群中一键解包和部署模型
• 实现开发环境到生产环境的无缝迁移

🏗️ 工作流程架构¶

KitOps on TKE 的典型工作流程：

graph LR
    subgraph 开发环境
        Dev[开发者] --> Pack[kit pack]
        Pack --> ModelKit[ModelKit OCI Artifact]
        ModelKit --> Push[kit push]
    end

    subgraph TCR 容器镜像仓库
        Push --> Registry[(TCR 企业版)]
    end

    subgraph TKE 生产集群
        Registry --> Pull[kit pull]
        Pull --> Unpack[kit unpack]
        Unpack --> Deploy[部署模型服务]
    end

    style Registry fill:#4A90E2
    style ModelKit fill:#7CB342
    style Deploy fill:#D84315

核心概念¶

📖 章节列表¶

🚀 快速开始¶

前置条件¶

• 腾讯云账号及 TCR 企业版实例
• TKE 集群（Kubernetes 1.20+）
• 本地安装 Kit CLI
• kubectl 已配置并可访问集群

安装 Kit CLI¶

brew install kitops-ml/kitops/kit

curl -fsSL https://get.kitops.org | sh

# 使用 Scoop
scoop bucket add kitops https://github.com/kitops-ml/scoop-kitops.git
scoop install kit

验证安装¶

kit version
# 输出: kit version 1.x.x

端到端示例¶

1. 创建示例项目¶

mkdir my-ml-project && cd my-ml-project

# 创建目录结构
mkdir -p models data notebooks

# 模拟模型文件
echo "model weights placeholder" > models/model.bin

# 模拟数据集
echo "id,feature1,feature2,label" > data/train.csv
echo "1,0.5,0.3,1" >> data/train.csv

# 模拟代码
echo "# Training notebook" > notebooks/train.ipynb

2. 编写 Kitfile¶

# Kitfile
manifestVersion: v1.0.0

package:
  name: my-sentiment-model
  version: 1.0.0
  description: 情感分析模型 - 基于 BERT 微调
  authors:
    - TKE Workshop Team
  license: Apache-2.0

model:
  name: sentiment-classifier
  path: ./models/model.bin
  framework: PyTorch
  description: BERT-based sentiment classifier
  version: 1.0.0

datasets:
  - name: training-data
    path: ./data/train.csv
    description: 训练数据集

code:
  - path: ./notebooks
    description: 训练和推理代码

3. 打包为 ModelKit¶

# 打包并标记
kit pack . -t ccr.ccs.tencentyun.com/your-namespace/sentiment-model:v1.0.0

# 查看本地 ModelKit
kit list

4. 推送到 TCR¶

# 登录 TCR
kit login ccr.ccs.tencentyun.com -u <用户名> -p <密码>

# 推送 ModelKit
kit push ccr.ccs.tencentyun.com/your-namespace/sentiment-model:v1.0.0

5. 在 TKE 中拉取和解包¶

# 在 TKE 节点或 Pod 中执行
kit pull ccr.ccs.tencentyun.com/your-namespace/sentiment-model:v1.0.0

# 解包到指定目录
kit unpack ccr.ccs.tencentyun.com/your-namespace/sentiment-model:v1.0.0 \
  -d /workspace/model

# 验证内容
ls -la /workspace/model
# models/  data/  notebooks/  Kitfile

💡 使用场景¶

1. 模型开发到生产的无缝迁移¶

数据科学家在开发环境完成模型训练后，通过 KitOps 打包：

• 模型权重和配置
• 验证数据集
• 推理代码和依赖

DevOps 团队在生产 TKE 集群中一键解包部署，无需"它在我机器上能跑"的问题。

2. 模型版本管理¶

利用 OCI 镜像仓库的版本管理能力：

• 每个版本都有唯一的 digest
• 支持标签管理（latest, v1.0.0, prod 等）
• 支持回滚到任意历史版本

3. 多环境一致性¶

确保开发、测试、生产环境的一致性：

• 相同的 ModelKit 在任何环境解包后完全一致
• 避免环境差异导致的推理结果不一致
• 支持审计和可追溯性

4. CI/CD 自动化¶

与 GitHub Actions、GitLab CI 等集成：

• 代码提交自动触发模型打包
• 自动推送到 TCR
• 自动部署到 TKE 测试/生产集群

📊 TCR + TKE 优势¶

🔗 相关资源¶

官方资源¶

• KitOps 官网
• KitOps GitHub
• KitOps CLI 文档
• Kitfile 规范

腾讯云资源¶

• TCR 产品文档
• TKE 产品文档
• TCR 企业版快速入门

TKE Workshop 相关¶

• Training on TKE
• Inference on TKE
• OPEA on TKE

📝 更新日志¶

• 2026-03-06: 初始版本发布
• KitOps + TCR + TKE 集成指南
• 端到端示例
• 最佳实践

下一步¶

准备好开始了吗？

快速开始指南

或者深入了解 Kitfile 编写：

Kitfile 编写指南