Kubeflow KFServing中vLLM模型部署问题解析与解决方案

问题背景

在使用Kubeflow KFServing部署vLLM大语言模型服务时，用户遇到了两个主要的技术问题：YAML格式解析错误和API接口调用问题。本文将详细分析这些问题产生的原因，并提供完整的解决方案。

YAML格式问题分析

最初用户按照文档提供的YAML配置部署InferenceService时，遇到了"did not find expected '-' indicator"错误。这个错误是由于YAML格式不规范导致的，具体表现为：

1. 容器参数部分的缩进不正确
2. 列表项缺少正确的"-"标识符
3. 某些字段的层级关系不明确

正确的YAML配置

经过调整后，有效的YAML配置如下：

apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
  namespace: kserve-test
  name: bloom
spec:
  predictor:
    containers:
    - args:
      - --port
      - "8080"
      - --model
      - "/mnt/models"
      command:
      - python3
      - -m
      - vllm.entrypoints.api_server
      env:
      - name: STORAGE_URI
        value: pvc://task-pv-claim/bloom-560m
      image: docker.io/kserve/vllmserver:latest
      imagePullPolicy: IfNotPresent 
      name: kserve-container
      resources:
        limits:
          cpu: "5"
          memory: 20Gi
          nvidia.com/gpu: "1"
        requests:
          cpu: "5"
          memory: 20Gi
          nvidia.com/gpu: "1"

关键修正点包括：

• 确保所有列表项以"-"开头并正确缩进
• 参数和值作为独立的列表项
• 保持一致的缩进层级

模型存储配置

在配置模型存储时，可以使用PVC(Persistent Volume Claim)方式：

env:
- name: STORAGE_URI
  value: pvc://task-pv-claim/bloom-560m

这表示模型文件存储在名为"task-pv-claim"的持久卷中，路径为"bloom-560m"。

API接口调用问题

最初用户尝试了多种API端点都返回404错误，包括：

• /v1/models/bloom-560m:predict
• /v2/models/bloom-560m/generate
• /v1/completions

经过测试发现，标准的vLLM API服务器只支持/generate端点。正确的调用方式为：

curl -v -H "Host: ${SERVICE_HOSTNAME}" -H "Content-Type: application/json" \
    http://${INGRESS_HOST}:${INGRESS_PORT}/generate \
    -d '{"prompt": "San Francisco is a" }'

成功响应示例：

{"text":["San Francisco is a medium-sized family donating site with nonprofits, churches, Catholic organizations and business"]}

高级配置：支持OpenAI协议

如果需要支持OpenAI兼容的API协议，应该使用不同的入口点：

command:
- python3
- -m
- vllm.entrypoints.openai.api_server

这样配置后，服务将支持标准的OpenAI API端点，如/v1/completions等。

模型文件准备

对于需要在PVC中准备模型文件的情况，可以使用初始化容器来完成。以下是一个完整的示例：

apiVersion: v1
kind: PersistentVolumeClaim
metadata: 
  name: vlmm-gpt2-claim
  namespace: vllm-gpt2
spec: 
  accessModes: 
    - ReadWriteOnce
  resources: 
    requests: 
      storage: 10Gi

apiVersion: v1
kind: Pod
metadata: 
  name: setup-gpt2-binary
  namespace: vllm-gpt2
spec: 
  volumes: 
    - name: model-volume
      persistentVolumeClaim: 
        claimName: vlmm-gpt2-claim
  containers: 
    - name: download-model
      image: registry.access.redhat.com/ubi9/python-311:latest
      command: ["sh"]
      args: [ "-c", "pip install --upgrade pip && pip install --upgrade huggingface_hub && python3 -c 'from huggingface_hub import snapshot_download\nsnapshot_download(repo_id=\"gpt2\", local_dir=\"/mnt/models/gpt2\", local_dir_use_symlinks=False)'"]
      volumeMounts: 
        - mountPath: "/mnt/models/"
          name: model-volume

这个配置会从Hugging Face Hub下载GPT-2模型并保存到PVC中，后续可以在InferenceService中引用。

总结

在Kubeflow KFServing中部署vLLM大语言模型服务时，需要注意以下几点：

1. YAML格式必须严格符合规范，特别是列表项的表示和缩进
2. 默认的vLLM API服务器只支持/generate端点
3. 如需OpenAI协议支持，需使用openai.api_server入口点
4. 模型文件可以通过PVC方式挂载，并使用初始化容器准备
5. 资源请求和限制需要根据模型大小合理配置

通过以上解决方案，用户可以成功在KFServing环境中部署和调用vLLM支持的大语言模型服务。