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 Trainer GitHub
- Kubeflow SDK GitHub
- Kubeflow Manifests GitHub
- Kubeflow KServe GitHub
核心论文与博客
- Kubeflow 1.10 Release Announcement（2025-03）
- Kubeflow 1.11 Release Announcement（2025-12）
- Kubeflow Community Distribution 26.03 Release（2026-04）
- Kubeflow Manifests Releases（当前稳定版 26.03.1，2026-06）
- Kubeflow Graduation 博客（2026-08）
- CNCF 宣布 Kubeflow 毕业（2026-08-17）
- Kubeflow Trainer v2.2 Release（2026-03）
- Kubeflow Trainer v2.3.0 Release Notes（2026-08）
- Kubeflow SDK 0.5.0 Release Notes（2026-08）
- CNCF 博客 — Kubeflow SDK Evolution: One Million Downloads and Counting（2026-08）
- KServe v0.21.0 Release Notes（2026-09）
关键工程文章
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 |
| 特征平台与训练数据基础设施 | 特征生产/消费与流水线偏斜治理，Kubeflow Pipelines 的上游数据源 | 特征平台 |
| AI SRE | 生产可观测与成本治理 | AI SRE |
推荐学习路径
- 先修：Kubernetes、Operator 模式、容器基础。
- 入门：本地 kind 安装 Kubeflow（或
pip install kubeflow只装 SDK），跑官方 MNIST Pipeline 示例。 - 进阶：写一个自己的 @dsl.component，接入 S3 artifact；用 Katib 调参（Trial 跑 TrainJob）；用 torchtune 运行时做一次 LoRA 微调。
- 生产：独立组件安装、Istio 认证、多租户 ResourceQuota、SeaweedFS/PSS 基线、Prometheus 监控、升级演练。
- 源码：阅读
kubeflow/pipelines/backend、kubeflow/trainer/pkg/controller（V2）、kubeflow/katib/pkg/controller.v1beta1、kubeflow/sdk。
社区与生态
- Kubeflow Slack
- Kubeflow 社区会议
- Kubeflow Community Showcase 2026（CNCF 虚拟活动）
- CNCF Kubeflow 项目页（已毕业）
- KubeCon NA 2026 — A Decade of AI on Kubernetes: Kubeflow's Journey to CNCF Graduation（2026-11，Salt Lake City）
本章小结
- 官方文档和 GitHub 是持续学习的核心来源；版本发布博客（1.10/1.11/26.03/Trainer v2.2/v2.3）与 2026-08 的 CNCF 毕业公告是跟进演进的最好材料。
- 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 → LLM 微调 → 生产部署 → 源码阅读。