VMware Tanzu Educates 培训平台基于 Carvel 的安装指南
前言
VMware Tanzu Educates 培训平台是一个基于 Kubernetes 的现代化教学平台,专为技术培训和教育场景设计。本文将详细介绍如何使用 Carvel 工具集中的 kapp-controller 在现有 Kubernetes 集群上安装 Educates 平台。
Carvel 工具集简介
Carvel 是一套专为 Kubernetes 设计的工具集合,提供了一系列用于包管理和应用部署的解决方案。虽然安装 Educates 平台并不强制要求本地安装 Carvel 工具,但了解这些工具可以帮助您更好地管理 Kubernetes 应用。
准备工作
1. 确认 kapp-controller 状态
Educates 平台需要 Kubernetes 集群中预先安装 kapp-controller。如果您使用的是 Tanzu Kubernetes Grid (TKG) 或 Tanzu Mission Control (TMC) 创建的集群,kapp-controller 通常已经预装。
如需手动安装,执行以下命令:
kubectl apply -f https://github.com/vmware-tanzu/carvel-kapp-controller/releases/latest/download/release.yml
安装步骤
2. 创建安装服务账户
Educates 平台需要较高的权限来创建各种 Kubernetes 资源,因此需要创建具有 cluster-admin 权限的服务账户:
kubectl apply -f https://github.com/educates/educates-training-platform/releases/latest/download/educates-installer-app-rbac.yaml
此命令会创建:
- 名为
educates-installer的命名空间 - 具有必要权限的服务账户
3. 准备配置文件
创建一个包含 Educates 平台配置的 config.yaml 文件,然后将其存储为 Kubernetes Secret:
kubectl create secret generic educates-installer -n educates-installer --from-file config.yaml --save-config
4. 安装 Educates 平台
执行以下命令安装最新版 Educates:
kubectl apply -f https://github.com/educates/educates-training-platform/releases/latest/download/educates-installer-app.yaml
后期维护
5. 更新配置
如需更新配置,修改 config.yaml 后执行:
kubectl create secret generic educates-installer -n educates-installer --from-file config.yaml --dry-run=client -o yaml | kubectl apply -f -
6. 强制配置同步
使用 Carvel 的 kctrl 工具强制同步配置:
kctrl app kick -a installer.educates.dev -n educates-installer -y
注意:配置变更通常只影响新创建的培训门户,不影响已存在的环境。
卸载指南
7. 完全卸载 Educates
删除 Educates 平台及其相关资源:
kubectl delete -n educates-installer app/installer.educates.dev
8. 清理残留资源
手动清理命名空间和集群角色绑定:
kubectl delete namespace/educates-installer
kubectl delete clusterrolebinding/educates-installer
最佳实践建议
-
版本控制:建议在生产环境中使用特定版本而非最新版,以确保稳定性。
-
权限管理:虽然 Educates 需要 cluster-admin 权限,但在实际生产环境中应考虑更细粒度的权限控制。
-
配置备份:定期备份您的 config.yaml 文件,以便在需要时可以快速恢复。
-
监控:安装后建议设置对 educates-installer 命名空间的监控,及时发现潜在问题。
通过以上步骤,您应该能够顺利完成 VMware Tanzu Educates 培训平台的安装和基础配置。如需更高级的配置选项,建议参考官方文档中的详细配置参数说明。
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