10. 面试题

初级

1. Kubeflow 是什么？它解决了什么问题？

Kubeflow 是一组在 Kubernetes 上运行 ML 工作负载的组件（Notebook、Pipelines、Katib、Kubeflow Trainer、KServe、Hub 等）。它解决了 ML 生命周期工具割裂、不可复现、难协作的问题。

2. Kubeflow 的核心组件有哪些？

• Notebooks：Jupyter 开发环境。
• Pipelines（KFP）：ML 工作流编排。
• Katib：超参搜索 / NAS。
• Kubeflow Trainer：分布式训练与 LLM 微调（V1 框架 CRD / V2 TrainJob）。
• KServe：模型服务（含 LLMInferenceService）。
• Hub：模型/OCI 制品/MCP 目录（原 Model Registry）。
• Spark Operator：数据工程。
• Central Dashboard：统一入口。
• Profiles / KFAM：多租户。

3. Kubeflow 多租户的基本单元是什么？

Profile。一个 Profile 对应一个 namespace，Profile Controller 会创建 namespace、RBAC、Istio AuthorizationPolicy、ResourceQuota。

4. KFP 中的 Experiment、Run、Pipeline 分别指什么？

• Pipeline：DAG 定义（IR YAML）。
• Experiment：一组相关 Run 的逻辑分组。
• Run：一次 Pipeline 执行实例。

5. Katib 的 Experiment / Trial / Suggestion 分别是什么？

• Experiment：一次搜索任务，定义目标、搜索空间、算法、Trial 数量。
• Trial：一次具体超参组合的实验运行。
• Suggestion：根据算法生成下一组超参的服务。

中级

6. KFP v2 的 DSL → Run 链路是怎样的？

Python DSL → Compiler → IR YAML (pipeline spec) → API Server → Run → Driver/Launcher/Executor → Pod → Artifact + MLMD

Driver 解析参数、Launcher 管理 artifact、Executor 运行业务容器。

7. Kubeflow Trainer 如何管理 PyTorch 分布式训练？

V1：用户创建 PyTorchJob，指定 Master 和 Worker 的 replicas。Controller 创建对应 Pod 和 Headless Service，注入 MASTER_ADDR、WORLD_SIZE 等环境变量。

V2（当前默认）：用户创建 TrainJob，通过 spec.runtimeRef 引用 TrainingRuntime（内置 torch-distributed、torchtune 等），由运行时负责 torchrun 启动参数与环境注入，并与 Kueue/Volcano 集成 gang scheduling。

8. Kubeflow 为什么默认用 Istio？

• 统一入口 Gateway。
• 认证（OIDC/JWT）。
• namespace 间流量隔离。
• Notebook 路径路由 /notebook/<ns>/<name>。

9. Katib 如何收集 Trial 的指标？

Trial 训练容器把目标指标写到 /katib/metrics/metrics.json，Metrics Collector 读取后上报，Experiment Controller 根据 objective 比较并保留最优 Trial。

10. Pipeline 如何实现缓存？

KFP v2 通过计算 step 输入/输出/镜像的指纹，命中缓存时直接复用之前的 output artifact，不再创建 Pod。

高级

11. Kubeflow Pipelines v1 与 v2 的核心差异是什么？

• v1 后端基于 Argo Workflows；v2 逐步解耦，使用 Driver/Launcher/Executor 模型。
• v2 DSL 更类型化，编译为 Protobuf-based IR YAML。
• v2 原生支持 artifact、lineage、缓存。

12. Kubeflow Trainer V1 与 V2 的演进方向是什么？

V1 是各框架独立 CRD（TFJob、PyTorchJob、MPIJob 等），现处维护模式。V2 于 2025-07 GA，引入统一的 TrainJob + TrainingRuntime 模型，把用户面与平台面解耦；Kubeflow 1.11 起成为默认。v2.2 的破坏性变更：PodTemplateOverrides → RuntimePatches，移除 numProcPerNode 与 ElasticPolicy；v2.3（2026-08）新增 OptimizationJob CRD 与运行时快照机制，并要求 v2.0/2.1/2.2 必须先升到 v2.3 再往后升级。

13. 如何设计一个高可用的 Kubeflow 生产平台？

• 安装方式：根据团队规模选完整发行版（1.11 / 26.03）、独立组件或仅 Python SDK。
• 多租户：Profile + RBAC + Istio AuthorizationPolicy + ResourceQuota；1.11 默认 PSS/NetworkPolicy。
• 存储：S3/GCS/SeaweedFS artifact、MySQL MLMD、Katib DB 均做备份；模型制品走 Hub OCI。
• 可观测：Prometheus/Grafana + ELK/Loki + TensorBoard。
• 升级：分组件灰度升级，KFP 2.15+ 数据库迁移不可回滚须先备份。
• 成本：Notebook 自动休眠、Pipeline cache、KServe 缩容到零。

14. Pipeline Run 卡在某个 step，如何排查？

1. 看 KFP UI 中该 step 的日志。
2. kubectl describe pod <pod-name> 看事件。
3. 检查 artifact store 连通性。
4. 检查 resource quota / GPU 是否足够。
5. 查看 Driver/Launcher 日志。

15. 如何在 Kubeflow 中做模型 A/B 测试？

通过 KServe 的 canaryTrafficPercent 或 InferenceGraph 把流量按百分比切到不同版本；Pipeline 部署时输出两个 InferenceService 版本。

16. Hub 与旧的 Model Registry 有什么区别？

Hub 是 Model Registry 在 2026 年的更名扩围：除模型版本治理外，新增 Model Catalog（基准测试、硬件对比、Hugging Face 拉取）、MCP Catalog（搜索/部署 MCP 服务器），模型存储以 OCI 为标准，并通过 reconciliation controller 记录线上 InferenceService 实际运行的版本。

17. 在 Kubeflow 上微调一个 LLM 并上线，典型链路是什么？

1. pip install kubeflow，用 BuiltinTrainer + torchtune 运行时（LoRA/QLoRA/DoRA）配置微调任务，HuggingFaceModelInitializer 拉模型。
2. 可选先用 SDK 本地后端（Docker/进程）验证。
3. 提交 TrainJob（runtimeRef 指向 torchtune 运行时），分布式训练并自动上报指标。
4. 微调产物以 OCI 制品注册到 Hub。
5. KServe 创建 LLMInferenceService，经 Custom Storage Initializer 拉取模型，暴露 OpenAI 兼容端点。

18. Kubeflow 的 CNCF 毕业（2026-08）意味着什么？

Kubeflow 于 2023-07 进入 CNCF 孵化，2026-07-24 经 TOC 批准、2026-08-17 正式宣布毕业。毕业代表其在治理（指导委员会）、安全（第三方审计、CII 最佳实践徽章）、社区规模（260M+ PyPI 下载、33k+ star、6600+ 贡献者）上达到 CNCF 最高成熟度级别，成为云原生 AI 运维的标准平台，生产用户包括 Bloomberg、NVIDIA、Red Hat、LinkedIn、Spotify 等。

参考答案速查

题号	关键词
1	K8s-native ML 平台、生命周期统一
2	Notebook/Pipeline/Katib/Trainer/KServe/Hub/Spark/Dashboard/Profile
3	Profile = namespace
4	Pipeline/Experiment/Run
5	Experiment/Trial/Suggestion
6	DSL → Compiler → IR → API Server → Driver/Launcher/Executor
7	PyTorchJob V1 / TrainJob + TrainingRuntime V2
8	认证、流量隔离、路由
9	/katib/metrics/metrics.json 或 push-based
10	输入/输出/镜像指纹
11	Argo vs Driver/Launcher、IR YAML
12	TrainJob + TrainingRuntime、2025 GA、RuntimePatches、v2.3 OptimizationJob
13	安装、多租户、存储、可观测、升级、成本
14	UI 日志、Pod 事件、artifact、quota、Driver 日志
15	KServe canary / InferenceGraph
16	Model Catalog + MCP Catalog + OCI
17	BuiltinTrainer → TrainJob → Hub OCI → LLMInferenceService
18	2026-08-17 毕业、治理/安全/社区规模、生产采用

参考来源

• Kubeflow 官方文档
• KFP v2 Documentation
• Katib Documentation
• Kubeflow Trainer Documentation
• Kubeflow SDK GitHub
• Kubeflow Community Distribution 26.03 Release
• CNCF 宣布 Kubeflow 毕业（2026-08-17）
• 本手册 KServe 面试题