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

概念	说明
ModelKit	OCI 兼容的 AI/ML 项目打包格式，包含模型、数据、代码等所有资源
Kitfile	YAML 配置文件，定义 ModelKit 的内容和元数据
TCR	腾讯云容器镜像服务，用于存储和分发 ModelKit
OCI Artifact	开放容器标准工件，可存储在任何 OCI 兼容的镜像仓库

📖 章节列表

章节	内容	难度	时间
快速开始	10 分钟体验 KitOps 工作流	⭐	10 分钟
Kitfile 编写	编写标准的 Kitfile 配置	⭐⭐	15 分钟
TCR 集成	配置 TCR 企业版存储 ModelKit	⭐⭐	15 分钟
TKE 部署	在 TKE 中解包和部署模型	⭐⭐⭐	20 分钟
CI/CD 集成	自动化打包和部署流程	⭐⭐⭐	25 分钟
最佳实践	企业级使用最佳实践	⭐⭐⭐⭐	20 分钟

🚀 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

=== “macOS (Homebrew)” bash brew install kitops-ml/kitops/kit

=== “Linux” bash curl -fsSL https://get.kitops.org | sh

=== “Windows” powershell # 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

特性	说明
安全性	TCR 企业版支持 VPC 内网访问，数据不出云
高可用	多可用区部署，99.95% SLA
加速拉取	TKE 与 TCR 同地域内网互通，拉取速度快
权限控制	与腾讯云 CAM 集成，细粒度权限管理
镜像扫描	支持漏洞扫描和安全签名
全球同步	支持跨地域同步，满足多地部署需求

!!! tip “成本优化” 使用 TCR 企业版基础版即可满足大部分 ModelKit 存储需求。对于大型模型（>10GB），建议开启压缩选项。

🔗 相关资源

官方资源

腾讯云资源

TKE Workshop 相关

📝 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？

:octicons-arrow-right-24: 快速开始指南

或者深入了解 Kitfile 编写：

:octicons-arrow-right-24: Kitfile 编写指南