11. 延伸阅读

官方文档

• Kubeflow 官网
• Kubeflow 官方 GitHub
• Kubeflow Pipelines GitHub
• Kubeflow Pipelines AGENTS.md
• Kubeflow Katib GitHub
• Kubeflow Training Operator GitHub
• Kubeflow Manifests GitHub
• Kubeflow KServe GitHub

核心论文与博客

• ReAct: Synergizing Reasoning and Acting in Language Models — 与本主题无直接关联，但涉及 Agent 规划，可参考本手册 Agent 篇。
• Kubeflow 最初由 Google 发布，相关早期论文可参考 Kubeflow: Machine Learning on Kubernetes（如存在）。

关键工程文章

• Kubeflow 1.9/1.11 Release Notes
• KFP v2 迁移指南
• Katib 超参搜索算法对比
• Training Operator 弹性训练

本手册相关主题

主题	关系	链接
Kubernetes	Kubeflow 底座	Kubernetes
Operator 模式	Kubeflow 每个组件都是 Operator	Operator 模式
Helm	安装辅助	Helm
KServe	Kubeflow 的模型服务组件	KServe
Ray	分布式训练/推理补充	Ray
MLflow	实验追踪与模型注册，可与 Kubeflow Pipelines 集成	MLflow
KubeRay	Ray 在 K8s 上的 Operator，可与 Kubeflow 互补	KubeRay
Airflow	工作流编排；可与 Kubeflow Pipelines 互补	Airflow
AI SRE	生产可观测与成本治理	AI SRE

推荐学习路径

1. 先修：Kubernetes、Operator 模式、容器基础。
2. 入门：本地 kind 安装 Kubeflow，跑官方 MNIST Pipeline 示例。
3. 进阶：写一个自己的 @dsl.component，接入 S3 artifact；用 Katib 调参；用 PyTorchJob 分布式训练。
4. 生产：独立组件安装、Istio 认证、多租户 ResourceQuota、Prometheus 监控、升级演练。
5. 源码：阅读 kubeflow/pipelines/backend、training-operator/pkg/controller.v1、katib/pkg/controller.v1beta1。

社区与生态

• Kubeflow Slack
• Kubeflow 社区会议
• KubeCon + AICon Kubeflow 议题

本章小结

• 官方文档和 GitHub 是持续学习的核心来源。
• Kubeflow 与 Kubernetes、Operator、KServe、Ray、MLflow、KubeRay、AI SRE 等主题紧密相连。
• 学习路径遵循：本地体验 → 自定义 Pipeline → 生产部署 → 源码阅读。