11. 延伸阅读与学习路径
本章汇总 Ray 相关的论文、官方文档、工程博客、公开演讲与相邻主题，帮助读者从“会用”走向“能讲清楚设计取舍”。
11.1 必读论文
| 论文 | 年份 | 核心贡献 | 与本主题关系 |
|---|---|---|---|
| Ray: A Distributed Framework for Emerging AI Applications (Moritz et al., SOSP'18) | 2018 | 提出 task/actor/object 三元抽象、全局调度器、GCS | 理解 Ray 最初设计动机与演进起点 |
| Ownership: A Distributed Futures System for Fine-Grained Tasks (Wang et al., NSDI'21) | 2021 | 提出 ownership 模型，把任务规格与引用计数从 GCS 下放到 worker | 理解现代 Ray 容错与调度核心 |
| Spillback Scheduling (Ray 调度文档/源码) | 2020+ | 分布式 spillback 调度替代全局调度器 | 理解默认 HYBRID 策略的底层实现 |
| RLlib: Scalable Reinforcement Learning | 2018+ | 大规模 RL 训练框架 | RLlib 主题源码基础 |
注意：Ray 原始论文发表在 SOSP'18，不是 SOSP'17 也不是 OSDI'18；ownership 论文在 NSDI'21。引用时不要写错会议名。
11.2 官方文档与源码
核心文档
- Ray Core Key Concepts
- Ray Tasks
- Ray Actors
- Ray Objects / ObjectRefs
- Ray Scheduling
- Placement Groups
- Handling Dependencies (runtime_env)
- Ray Fault Tolerance
库文档
源码仓库
- ray-project/ray
src/ray/core_worker/：ownership、task managersrc/ray/raylet/scheduling/：调度策略src/ray/object_manager/plasma/：对象存储python/ray/：Python API 与库
- ray-project/kuberay
11.3 工程博客与演讲
Anyscale / Ray 团队
- Ray 2.0 and Beyond — 2.x 架构演进
- Ownership in Ray — ownership 模型详解
- Ray Serve LLM Announcement — Serve LLM 定位
- Ray Data GA — Data GA 2.10
- Ray Train GA — Train GA 2.7
用户案例
- Ant Group @ Ray Summit（240k cores, 1.37M TPS）
- Coinbase：15× jobs same cost, 50× data
- Shopify Merlin、Pinterest、Uber Michelangelo、Netflix 等公开技术分享
基金会与治理
- Ray Joins PyTorch Foundation — 2025-10-22 加入 Linux Foundation
- Anyscale — 商业支持、Anyscale Platform、Ray Summit
11.4 相关主题交叉引用
| 主题 | 关系 | 推荐阅读 |
|---|---|---|
| vLLM | Ray Serve LLM 默认后端 | vLLM 连续批处理、PagedAttention |
| TensorRT-LLM | 可作为 Ray Serve backend | NVIDIA 推理优化 |
| KServe | 可与 Ray Serve 互补 | K8s 模型服务网关（本手册 LLMOps 篇待补充） |
| KubeRay | Ray 在 Kubernetes 上的官方 Operator | RayCluster / RayJob / RayService / GCS FT |
| Kubernetes | KubeRay 基座 | K8s 调度框架、Operator 模式、GPU/Gang 调度 |
| GPU 在 Kubernetes 上的调度 | Ray 训练/推理任务依赖 K8s GPU 调度；覆盖 Device Plugin、MIG/MPS、Gang、队列公平调度 | K8s GPU 调度框架、Gang 调度与拓扑感知 |
| Observability | Ray 生产可观测 | Prometheus/Grafana/OpenTelemetry |
| Agent Runtime | Ray 可用于多 Agent 执行后端 | ReAct、multi-agent 调度 |
| Multi-Agent | Ray 可支撑分布式 Agent 集群 | Agent 通信与协调 |
11.5 推荐学习路径
路径 A：从使用到调优（开发者）
- 本地跑通
ray.init()+@ray.remote+ray.get。 - 用 Ray Data 完成一个 ETL/批量推理项目。
- 用 Ray Train 跑一个多 GPU 训练任务。
- 用 Ray Serve 部署一个模型，配置 autoscaling。
- 在 KubeRay 上部署上述服务。
路径 B：从原理到源码（架构师）
- 精读 SOSP'18 Ray 论文 + NSDI'21 Ownership 论文。
- 阅读
src/ray/core_worker/与src/ray/raylet/scheduling/关键类。 - 跟踪一个 task 从
CoreWorker::SubmitTask到 worker 执行的完整调用链。 - 研究 object store spill/restore 在
LocalObjectManager中的状态机。 - 对比 Ray Serve / KServe / Triton 的架构取舍。
路径 C：从落地到生产（平台工程师）
- 搭建本地 KubeRay 集群（kind/minikube）。
- 提交一个
RayJob与一个RayService。 - 配置 Prometheus + Grafana 监控 Ray 指标。
- 做节点故障演练，验证 task 重试与 actor 重启行为。
- 调优 autoscaler idle timeout 与 object store 大小。
11.6 常见问题索引
| 问题 | 答案位置 |
|---|---|
| Ray 默认调度策略是什么？ | 第 2 章 |
| ownership 模型如何影响容错？ | 第 2 章、第 4 章 |
| object store 容量与溢写阈值 | 第 3 章、第 7 章 mini-demo |
| KubeRay 部署与 GCS FT | 第 8 章 |
| 何时用 Task vs Actor | 第 9 章 |
| 面试题 | 第 10 章 |
11.7 版本速查
| 版本 | 时间 | 里程碑 |
|---|---|---|
| Ray 1.0 | 2020-09 | 首个稳定大版本 |
| Ray 1.11 | 2022-03 | GCS 默认内存存储 |
| Ray 2.0 | 2022-08 | 新 API、Ray Train v1 |
| Ray 2.7 | 2023-09 | Ray Train GA；KubeRay GA |
| Ray 2.10 | 2024-03 | Ray Data GA |
| Ray 2.51 | 2025-05 | Ray Train v2 默认开启 |
| Ray 2.55 | 2026-06 | 最新稳定版（截至 2026-07） |
当前稳定版本以 Ray GitHub Releases 为准。
11.8 小结
- 论文：SOSP'18 + NSDI'21 是理解 Ray 设计演进的基石。
- 文档：docs.ray.io 是最权威的 API 与配置来源。
- 源码：
core_worker、raylet/scheduling、object_manager/plasma是三大核心。 - 相邻主题：vLLM/TensorRT-LLM/KServe/K8s/Observability 与 Ray 形成生产栈。
- 学习路径：按开发者、架构师、平台工程师三条路线推进。