VMware Tanzu Labs Educates 培训平台快速入门指南
平台概述
VMware Tanzu Labs Educates 培训平台是一个基于 Kubernetes 的交互式学习环境,专为技术培训和教育场景设计。它允许培训师快速创建和部署交互式技术工作坊,学员可以直接在浏览器中获得实践操作体验。
环境准备
系统要求
在本地机器上部署 Educates 需要满足以下条件:
-
操作系统:支持 macOS 或 Linux。Windows 用户需要使用 WSL (Windows Subsystem for Linux) 环境。
-
Docker 环境:需要安装并配置好 Docker 环境。推荐使用 Docker Desktop,但在 macOS 上也可以使用 Colima 作为替代方案。
-
资源分配:确保为 Docker 环境分配了足够的内存和磁盘资源,以支持 Kubernetes 集群运行。
-
端口可用性:
- 端口 80 (HTTP) 和 443 (HTTPS) 必须可用
- 端口 53 (DNS) 在 macOS 上需要可用(如果启用本地 DNS 解析)
- 端口 5001 需要可用(用于本地镜像仓库)
Docker 配置
如果使用 Docker Desktop,需要确保:
- 启用了默认 Docker socket(设置->高级)
- 允许特权端口映射(设置->高级)
- 根据版本可能需要调整 UDP 内核网络设置(设置->资源->网络)
对于 Colima 用户,需要在 Educates 配置文件中添加以下内容:
localKindCluster:
listenAddress: 0.0.0.0
CLI 工具安装
Educates 提供了命令行工具来简化平台管理。安装步骤如下:
-
下载适合您操作系统和架构的 CLI 二进制文件:
- Linux (amd64):educates-linux-amd64
- Linux (arm64):educates-linux-arm64
- macOS (amd64):educates-darwin-amd64
- macOS (arm64):educates-darwin-arm64
-
重命名为
educates,添加可执行权限:chmod +x educates -
将文件移动到系统 PATH 包含的目录中。
对于 macOS ARM64 用户,虽然可以使用 amd64 二进制(通过 Rosetta 运行),但建议使用原生 ARM64 版本以获得更好的兼容性。
创建本地 Kubernetes 集群
执行以下命令创建本地开发环境:
educates create-cluster
该命令会完成以下工作:
- 使用 Kind 创建 Kubernetes 集群
- 启用集群安全策略引擎
- 安装 Contour 作为入口控制器
- 部署本地镜像仓库(端口 5001)
- 配置集群信任本地仓库
- 部署 Educates 平台
整个过程可能需要 5 分钟左右,具体取决于网络速度。完成后,集群上下文会自动配置为 kind-educates。
域名配置说明
Educates 需要一个有效的完全限定域名(FQDN)用于 Kubernetes Ingress。默认情况下,CLI 会使用 nip.io 域名(基于本地 IP 地址,如 192-168-1-1.nip.io)。
注意:
- 某些家庭路由器可能阻止
nip.io域名(DNS 重绑定保护) - 高级功能需要通配符 TLS 证书,而
nip.io域名无法获得合法证书 - 生产环境建议配置自定义域名
部署示例工作坊
Educates 平台的核心功能是运行交互式工作坊。让我们部署一个 Kubernetes 基础教程:
educates deploy-workshop -f https://github.com/educates/lab-k8s-fundamentals/releases/latest/download/workshop.yaml
此命令会:
- 加载工作坊定义到集群
- 自动部署培训门户(如果尚未运行)
- 为该工作坊创建专用环境
访问工作坊
要访问已部署的工作坊,执行:
educates browse-workshops
此命令会自动打开浏览器并登录培训门户。如需手动访问或分享链接,可以使用:
educates list-portals
查看门户密码:
educates view-credentials
首次运行工作坊时可能需要较长时间,因为需要下载相关容器镜像。
管理工作坊
查看已部署的工作坊:
educates list-workshops
删除工作坊(使用原始 YAML 文件或工作坊名称):
educates delete-workshop -f [YAML_URL]
# 或
educates delete-workshop -n [WORKSHOP_NAME]
开发工作流程建议
Educates 本地环境特别适合工作坊内容开发,因为它提供了:
- 本地镜像仓库,用于存储自定义基础镜像和工作坊内容
- 快速迭代的工作流程,无需发布到外部平台
- 完整的 Kubernetes 环境,模拟生产场景
后续步骤
本快速入门指南介绍了基本使用方法。要深入了解平台功能,建议探索:
- 自定义工作坊内容开发
- 高级部署配置(生产环境)
- 多工作坊管理
- 学员进度跟踪和评估功能
Educates 平台为技术培训提供了强大的基础设施,无论是内部员工培训还是对外技术教育,都能提供高效的交互式学习体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00