LEARNING PATH
Model deployment engineering
A reproducible path from model packaging and inference serving to canaries, observability, and rollback.
← Back to knowledge center
Reading progress0%0/10 completed
Continue reading →01
Open collectionModel deployment engineering
A reproducible path from model packaging and inference serving to canaries, observability, and rollback.
TUTORIAL_CHAPTER模型部署基础:可重复的模型打包 (original language)
固定模型、Tokenizer、依赖和配置,生成可审计的部署工件。
Open collection →TUTORIAL_CHAPTER推理服务接口:健康检查与兼容 API (original language)用稳定的 HTTP 契约隔离模型运行时,明确超时、错误和请求上限。
Open collection →TUTORIAL_CHAPTERvLLM 服务化:从本地兼容接口开始 (original language)使用官方 OpenAI 兼容接口启动本地模型,并验证鉴权和请求边界。
Open collection →TUTORIAL_CHAPTER推理性能与容量规划:先测边界再调参数 (original language)用可复现的输入集测量延迟、并发、上下文和显存边界。
Open collection →TUTORIAL_CHAPTERKubernetes 发布:探针、资源与滚动更新 (original language)为模型服务配置资源边界、探针和可回滚的 Deployment。
Open collection →TUTORIAL_CHAPTER模型服务观测与回滚:让故障可定位 (original language)记录请求级指标、模型版本和错误类别,在异常时快速切回上一版。
Open collection →cases实战:本地 vLLM 兼容接口冒烟测试 (original language)用固定模型接口和 Python 客户端验证服务启动、鉴权、超时与错误边界。
Open collection →cases实战:模型服务金丝雀发布与回滚 (original language)在隔离 Kubernetes namespace 中演练探针、滚动更新和回滚指针。
Open collection →cases实战:模型服务金丝雀与质量预算 (original language)用固定提示集和阈值决定模型服务是否继续灰度,演练失败时回滚。
Open collection →TUTORIAL_CHAPTER模型量化与质量预算:先定义可接受损失 (original language)在推理成本、延迟和回答质量之间建立可测量的量化发布门槛。
Open collection →