5. 核心模块速查
本章是 Ray 各组件的"参数与边界速查表"。每个模块给一句话定位、关键 API/参数、成熟度、出处。
5.1 库总览
| 组件 | 定位 | 成熟度 |
|---|---|---|
| Ray Core | task/actor/object/placement group 分布式原语 | GA（稳定 API） |
| Ray Serve | 模型服务（HTTP+gRPC）、DAG、自动伸缩 | GA |
| Ray Serve LLM（原 RayLLM/Aviary） | OpenAI 兼容 LLM 服务（默认 vLLM 引擎） | GA（快速演进） |
| Ray Data | 流式数据预处理；map_batches | GA（2.10） |
| Ray Train | 分布式训练（PyTorch/FSDP/DeepSpeed/HF/XGBoost/JAX） | GA（2.7） |
| Ray Tune | 超参搜索；ASHA/PBO/BOHB；Optuna/HyperOpt/W&B | GA |
| RLlib | 分布式 RL；新 API stack（PyTorch-only） | GA（API 迁移中） |
| Ray Workflows | 持久、可 checkpoint 的长任务 DAG | Beta（2025 弃用） |
| Compiled Graph | 编译静态执行图（紧耦合集合通信） | Beta（2.44 起） |
| KubeRay | K8s operator + RayCluster/RayJob/RayService CRD | GA |
| RayDP（Spark on Ray） | 在 Ray 上跑 PySpark | 社区 |
| Dask/Modin/Mars on Ray | 熟悉 dataframe API 跑在 Ray 后端 | 社区/GA |
5.2 Ray Core 关键参数
@ray.remote 装饰器参数
| 参数 | 默认 | 说明 |
|---|---|---|
num_cpus | task=1 / actor=0(执行)+1(放置) | CPU 资源 |
num_gpus | 0 | GPU 资源；分配即设 CUDA_VISIBLE_DEVICES |
memory / object_store_memory | — | 内存（仅准入控制，运行时不强制） |
resources | — | 自定义资源键值 |
max_restarts（actor） | 0 | actor 死后重启次数 |
max_task_retries（actor） | 0 | 在途方法重试次数 |
max_retries（task） | 3 | 非任务重试次数 |
max_concurrency（actor） | 1 | 并发度（async actor 才有真并行） |
runtime_env | — | 每任务依赖环境 |
scheduling_strategy | DEFAULT(HYBRID) | SPREAD/PACK/PlacementGroup/NodeAffinity |
全局/集群关键常量（源码 ray_constants.py / ray_config_def.h）
| 常量 | 值 | 含义 |
|---|---|---|
DEFAULT_OBJECT_STORE_MEMORY_PROPORTION | 0.30 | 对象存储 = 30% 可用 RAM |
DEFAULT_OBJECT_STORE_MAX_MEMORY_BYTES | 200 GiB | Linux/云硬上限 |
MAC_DEGRADED_PERF_MMAP_SIZE_LIMIT | 2 GiB | macOS 上限（避免性能退化） |
OBJECT_STORE_MINIMUM_MEMORY_BYTES | 75 MiB | 最小 |
max_direct_call_object_size | 100 KiB | in-band 小对象阈值（随 owner 而亡） |
task_rpc_inlined_bytes_limit | 10 MiB | 单 task RPC 内联上限 |
object_spilling_threshold | 0.8 | 主动溢写阈值 |
max_lineage_bytes | 1 GiB | 每 worker lineage 缓存上限 |
CALLER_MEMORY_USAGE_PER_OBJECT_REF | 3000 B | 每 ObjectRef 元数据约 3 KB |
RAY_scheduler_spread_threshold | 0.5 | HYBRID 打包→摊开切换阈值 |
RAY_gcs_rpc_server_reconnect_timeout_s | 60 | raylet 重连 GCS 超时 |
RAY_memory_monitor_refresh_ms | 250 | OOM killer 检查间隔 |
RAY_memory_usage_threshold | 0.95 | OOM killer 触发阈值 |
5.3 Ray Serve 关键参数
| 概念 | API/参数 | 说明 |
|---|---|---|
| 部署 | @serve.deployment(num_replicas, ray_actor_options, autoscaling_config) | 副本数 / actor 资源 / 伸缩 |
| 路由 | DeploymentHandle + Router（power-of-two-choices） | 模型组合/DAG |
| 批处理 | @serve.batch(max_batch_size, batch_wait_timeout_s) | 动态批 |
| 伸缩 | autoscaling_config：min_replicas/max_replicas/target_num_ongoing_requests_per_replica/upscale_delay_s/downscale_delay_s | 按请求驱动，与集群 VM autoscaler 独立 |
| Ingress | HTTP（Uvicorn）/ gRPC（grpcio）/ HAProxy router | proxy 每节点一个 |
| 健康 | RayService CRD 滚动更新 + 健康探针 | 零停机升级 |
5.4 Ray Serve LLM（ray.serve.llm）
python
from ray import serve
from ray.serve.llm import LLMConfig, build_openai_app
cfg = LLMConfig(
model_loading_config=dict(model_id="qwen", model_source="Qwen/Qwen2.5-0.5B-Instruct"),
deployment_config=dict(autoscaling_config=dict(min_replicas=1, max_replicas=4)),
accelerator_type="A10G",
engine_kwargs=dict(tensor_parallel_size=1, max_model_len=8192),
)
serve.run(build_openai_app({"llm_configs": [cfg]}), blocking=True)- OpenAI 兼容 API，与
vllm serve对齐；engine_kwargs大多通用。(vLLM 兼容指南) - 能力：chat/completions/embeddings/transcriptions(Whisper)/VLM/结构化输出(JSON+Pydantic)/推理模型(DeepSeek-R1)。
vllm serve↔ Ray Serve LLM 无需改代码，额外获得自动伸缩/多模型/高级路由。- 高级特性：跨节点并行、数据并行 attention、prefill/decode 分离、KV cache 卸载、prefix-aware 路由、多 LoRA、分数 GPU。
- 连续批处理来自 vLLM 引擎，Ray 不重造。
5.5 Ray Train 关键参数
| 概念 | API | 说明 |
|---|---|---|
| 规模 | ScalingConfig(num_workers, use_gpu, resources_per_worker) | worker 数与资源 |
| 持久化 | RunConfig(storage_path=...) | 2.7 起必需（trial/checkpoint） |
| Trainer | TorchTrainer/HuggingFaceTrainer/XGBoostTrainer/LightGBMTrainer/JAXTrainer/DeepSpeedTrainer/HorovodTrainer/TensorflowTrainer | AccelerateTrainer 自 2.8 弃用，改用 HuggingFaceTrainer |
| 上报 | session.report(metrics, checkpoint=ray.train.Checkpoint(...)) | 指标 + checkpoint |
| 弹性 | Elastic training | worker 加入/离开 |
| 容错 | Fault tolerance | 重启 + spot + checkpoint |
ScalingConfig.trainer_resources已弃用——trainer 资源改由 trainer 构造器传。
5.6 Ray Data 关键参数
| 概念 | API | 说明 |
|---|---|---|
| 抽象 | Dataset（惰性分布式集合）+ Block（单分区，Pandas/PyArrow） | 两层 |
| 计划 | 逻辑计划（ReadOp/MapBatches/Filter/Project）→ 优化器（OperatorFusionRule）→ 物理计划（TaskPoolMapOperator/ActorPoolMapOperator） | 两阶段 |
| 执行 | 流式（非 shuffle 算子流水线，不同 stage 独立伸缩并发）；shuffle（sort/groupby）需物化、中断流式 | — |
| 主变换 | ds.map_batches(fn, batch_format=, num_cpus=, num_gpus=) | 核心算子 |
| 连接器 | Parquet/JSON/CSV/text/binary/HuggingFace(read_huggingface)/TFRecords/WebDataset/NumPy/pandas/Delta Lake；远端 S3/GCS/Azure/HDFS | — |
| LLM 批推理 | ray.data.LLM / Dataset.map_llm() | 批推理 API |
5.7 RLlib（新 API stack，PyTorch-only）
| 新（默认） | 旧（淘汰） |
|---|---|
RLModule | ModelV2 + Policy |
Learner / LearnerGroup | RolloutWorker（训练侧） |
EnvRunner | RolloutWorker（采样侧） |
ConnectorV2 | ViewRequirement |
OfflineData | Policy 上的离线 API |
- 算法：PPO/IMPALA/APPO/DQN(Rainbow)/SAC/A2C/A3C/PG/MARL(QMIX…)（Algorithms）。
- GRPO 不是 RLlib 原生：走 TRL 的
GRPOTrainer，由 Ray Train 的TorchTrainer包装（vllm_mode="colocate"）。 - Ray + vLLM 的 RLHF 框架：verl、OpenRLHF。
5.8 KubeRay CRD 选型
| CRD | 何时用 |
|---|---|
| RayCluster | 声明式集群（head + worker pod 模板 + 集群内 autoscaler） |
| RayJob | 提交/跟踪一个 Ray Job（entrypoint、runtime_env、shutdownAfterJobFinishes、TTL） |
| RayService | 部署 Ray Serve 应用，滚动更新 + 健康探针 + 零停机 + HA |
| RayCronJob | 定时任务（2.56 文档 ToC 出现，[细节未完全核验]） |
集成：Kueue/Volcano/YuniKorn/KAI Scheduler/Istio mTLS/Prometheus+Grafana。
5.9 可观测工具速查
| 工具 | 用途 |
|---|---|
Dashboard :8265 | 集群/actor/task/PG/日志/指标/内存/事件 |
ray status | 集群资源摘要 |
ray list actors/tasks/placement-groups/nodes/cluster-events | 实体列表 |
ray get <type> <id> / ray summary actors/tasks | 详情/聚合 |
ray memory | ObjectRef 五类引用诊断 |
| Prometheus metrics | 见 第 8 章 §8.x |
| Task Timeline | chrome://tracing / Perfetto |
| Tracing | OpenTelemetry 导出 |
下一章 源码与生态分析 深入仓库的真实文件与调用链。