VMware Tanzu Labs Educates 培训平台安装指南
前言
VMware Tanzu Labs Educates 是一个功能强大的培训平台,专为在 Kubernetes 环境中提供交互式学习体验而设计。本文将详细介绍如何在现有 Kubernetes 集群上安装 Educates 平台,帮助技术团队快速搭建自己的培训环境。
安装前准备
在开始安装 Educates 之前,请确保您已经:
- 拥有一个可用的 Kubernetes 集群
- 了解集群的基本配置要求
- 具备集群的管理员权限
Educates 支持多种 Kubernetes 环境,包括本地开发环境和云服务提供商的环境。
安装方式选择
Educates 提供两种主要的安装方式,各有优势:
1. CLI 安装方式
使用 Educates 命令行工具进行安装是最简单直接的方法,特点包括:
- 无需在集群中预先安装任何特殊操作器
- 安装过程自包含,仅需 CLI 工具本身
- 适合快速部署和测试场景
2. kapp-controller 安装方式
基于 Carvel 项目的 kapp-controller 操作器的安装方式:
- 需要预先在集群中安装 kapp-controller
- 仅需 kubectl 工具即可完成安装
- 更适合 GitOps 工作流和持续部署场景
对于初次接触 Educates 的用户,推荐使用 CLI 方式进行安装,体验更加友好。
集群基础设施配置
Educates 提供了一套"预设配置"机制,可以根据不同的基础设施提供商自动适配最佳配置。目前支持的主要环境包括:
- Amazon EKS (eks)
- Google GKE (gke)
- Kind (kind)
- Minikube (minikube)
- OpenShift (openshift)
- vCluster (vcluster)
对于这些预设环境,Educates 会自动安装和配置必要的组件和服务。
如果您的环境不在上述列表中,可以选择:
generic- 适用于已预装 Ingress 控制器的通用 Kubernetes 集群custom- 完全自定义配置,需要提供完整的配置方案
配套服务安装
Educates 安装过程中会根据需要自动部署以下辅助服务:
- cert-manager - Kubernetes 证书管理工具
- contour - Kubernetes Ingress 控制器
- external-dns - 外部 DNS 管理工具
- kapp-controller - Carvel 包管理操作器
- kyverno - Kubernetes 策略执行引擎
其中,Kyverno 是默认安装的组件,用于确保集群和培训环境的安全策略执行。
配置文件详解
安装 Educates 需要一个 YAML 格式的配置文件。以下是一个针对 Kind 集群的最小配置示例:
# 指定 Kubernetes 集群的基础设施提供商
clusterInfrastructure:
provider: kind
# 指定访问培训环境的入口域名
clusterIngress:
domain: educates-local-dev.test
关键配置项说明:
clusterInfrastructure.provider: 指定基础设施提供商类型clusterIngress.domain: 设置 Educates 平台的主域名
您可以根据需要添加更多配置项来覆盖默认设置,实现定制化安装。
安装步骤
CLI 安装方式步骤
- 下载并安装 Educates CLI 工具
- 准备配置文件
- 执行安装命令
- 验证安装结果
kapp-controller 安装方式步骤
- 确保集群已安装 kapp-controller
- 准备配置文件
- 应用 Educates 包配置
- 监控安装进度
安装后验证
安装完成后,建议进行以下验证:
- 检查所有 Pod 是否正常运行
- 验证 Ingress 配置是否正确
- 测试访问培训平台
- 检查证书是否自动生成
常见问题处理
- 证书问题:确保 cert-manager 正常运行并正确配置
- Ingress 问题:检查 Contour 或集群默认 Ingress 控制器的状态
- DNS 解析问题:验证 external-dns 是否正常工作
- 资源不足:调整集群资源配置或减少并发培训会话数量
最佳实践建议
- 生产环境建议使用云服务提供商的托管 Kubernetes 服务
- 开发测试可以使用 Kind 或 Minikube 环境
- 定期备份重要的配置和培训内容
- 监控集群资源使用情况,及时扩容
总结
Educates 培训平台提供了灵活多样的安装方式,能够适应不同的 Kubernetes 环境和部署需求。通过本文介绍的安装指南,您可以快速搭建起自己的培训环境,为团队提供高质量的交互式学习体验。
对于初次使用的用户,建议从 CLI 安装方式开始,待熟悉平台特性后再考虑更高级的部署方案。
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