model-serving-kubernetes
Ajuda seu agente a implantar modelos de aprendizado de máquina em servidores Kubernetes. Ele usa ferramentas específicas para tornar os modelos acessíveis.
O que ela faz
Esta ferramenta ajuda a colocar modelos de inteligência artificial (IA) para funcionar em servidores usando Kubernetes. Ela permite que os modelos respondam a pedidos de forma eficiente, mesmo com muitos acessos ao mesmo tempo.
Quando usar
- ✓Quando você tem um modelo de IA pronto para ser usado por outras aplicações.
- ✓Quando você precisa que seu modelo de IA atenda a muitos usuários ao mesmo tempo.
- ✓Quando você quer testar novas versões do seu modelo de IA gradualmente.
Exemplo do que pedir para a IA
“Coloque meu modelo de IA para funcionar no Kubernetes para que ele possa receber pedidos.”
Quer saber mais? Abra as seções abaixo.
Como usar
O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.
Link da skill
Mensagem pronta para colar
Como funciona
A ferramenta configura um ambiente no Kubernetes para rodar seu modelo. Ela usa ferramentas como KServe ou Triton para gerenciar o modelo, permitindo que ele escale automaticamente e seja atualizado sem interrupção.
Instalação
Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.
No terminal (Claude Code, Codex, Cursor), na pasta do projeto:
npx skills add sickn33/agentic-awesome-skills --skill model-serving-kubernetesOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/sickn33/agentic-awesome-skills/main/plugins/agentic-awesome-skills-claude/skills/model-serving-kubernetes/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Servindo Modelos no Kubernetes
Servindo modelos de ML em produção com KServe e Triton — implantações canary, autoescalonamento e agendamento ciente de GPU.
Quando Usar Esta Habilidade
Use esta habilidade quando:
- Servir modelos scikit-learn, PyTorch, TensorFlow ou ONNX em escala
- Implementar implantações canary e testes A/B para modelos de ML
- Autoescalonar pods de inferência com base na taxa de requisições ou métricas de GPU
- Implantar LLMs com Triton ou KServe no Kubernetes
- Gerenciar múltiplas versões de modelos com divisão de tráfego
Pré-requisitos
- Kubernetes 1.28+ com nós GPU
- KServe instalado (ou Triton standalone)
kubectlehelmconfigurados- NVIDIA GPU Operator instalado no cluster
Instalação do KServe
# Install KServe with Helm
helm repo add kserve https://kserve.github.io/helm-charts
helm repo update
helm install kserve kserve/kserve \
--namespace kserve \
--create-namespace \
--set kserve.controller.gateway.ingressGateway.className=nginx
# Verify
kubectl get pods -n kserve
kubectl get crd | grep kserve
InferenceService Básico (KServe)
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
name: sklearn-iris
namespace: models
spec:
predictor:
sklearn:
storageUri: gs://kfserving-examples/models/sklearn/1.0/model
resources:
requests:
cpu: "1"
memory: 2Gi
limits:
cpu: "2"
memory: 4Gi
kubectl apply -f inference-service.yaml
# Get inference service URL
kubectl get inferenceservice sklearn-iris -n models
# NAME URL READY ...
# sklearn-iris http://sklearn-iris.models.example.com True
# Test prediction
curl -X POST http://sklearn-iris.models.example.com/v1/models/sklearn-iris:predict \
-H "Content-Type: application/json" \
-d '{"instances": [[6.8, 2.8, 4.8, 1.4]]}'
InferenceService de LLM com GPU Ativada
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
name: llama-3-8b
namespace: models
annotations:
serving.kserve.io/enable-prometheus-scraping: "true"
spec:
predictor:
containers:
- name: vllm-container
image: vllm/vllm-openai:latest
args:
- "--model"
- "meta-llama/Llama-3.1-8B-Instruct"
- "--tensor-parallel-size"
- "1"
- "--gpu-memory-utilization"
- "0.90"
ports:
- containerPort: 8080
protocol: TCP
resources:
requests:
nvidia.com/gpu: "1"
memory: "20Gi"
cpu: "4"
limits:
nvidia.com/gpu: "1"
memory: "24Gi"
cpu: "8"
readinessProbe:
httpGet:
path: /health
port: 8080
initialDelaySeconds: 60
periodSeconds: 10
env:
- name: HUGGING_FACE_HUB_TOKEN
valueFrom:
secretKeyRef:
name: hf-token
key: token
nodeSelector:
nvidia.com/gpu.present: "true"
transformer:
containers:
- name: kserve-container
image: kserve/kserve-transformer:latest
Implantação Canary (Divisão de Tráfego)
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
name: llama-3-8b
namespace: models
spec:
predictor:
canaryTrafficPercent: 20 # 20% to new version, 80% to stable
containers:
- name: vllm-container
image: vllm/vllm-openai:latest
args:
- "--model"
- "meta-llama/Llama-3.1-8B-Instruct-v2" # new model version
resources:
limits:
nvidia.com/gpu: "1"
# Gradually increase canary traffic
kubectl patch inferenceservice llama-3-8b -n models \
--type='json' \
-p='[{"op":"replace","path":"/spec/predictor/canaryTrafficPercent","value":50}]'
# Promote canary to stable
kubectl patch inferenceservice llama-3-8b -n models \
--type='json' \
-p='[{"op":"remove","path":"/spec/predictor/canaryTrafficPercent"}]'
Autoescalonamento com KEDA
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
name: llama-scaler
namespace: models
spec:
scaleTargetRef:
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
name: llama-3-8b
minReplicaCount: 1
maxReplicaCount: 5
triggers:
- type: prometheus
metadata:
serverAddress: http://prometheus-server.monitoring:9090
metricName: kserve_request_count
threshold: "10"
query: |
sum(rate(kserve_request_count_total{namespace="models",
…
Perguntas frequentes
O que é Kubernetes?
Kubernetes é um sistema que ajuda a gerenciar e organizar aplicações em muitos servidores ao mesmo tempo, garantindo que elas funcionem bem e estejam sempre disponíveis.
O que é KServe/Triton?
KServe e Triton são ferramentas que ajudam a servir modelos de IA. Eles facilitam a configuração, o gerenciamento e o escalonamento dos modelos para que possam responder a pedidos rapidamente.
O que são 'canary deployments'?
É uma forma de lançar uma nova versão de um modelo de IA para apenas uma pequena parte dos usuários. Se tudo funcionar bem, a nova versão é liberada para todos. Isso ajuda a evitar problemas com novas versões.
Detalhes
Descrição original do autor
Deploy ML models on Kubernetes with KServe (formerly KFServing) and NVIDIA Triton Inference Server.
Popularidade
- Estrelas no GitHub
- 48 mil
- Posição no ranking
- #3611
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
00-andruia-consultant
Ajuda seu agente a iniciar ou melhorar projetos de IA. Ele analisa código, sugere ferramentas e cria planos de ação em espanhol.
sickn33/agentic-awesome-skills
007
Faz seu agente realizar auditorias de segurança e modelagem de ameaças. É útil para proteger projetos contra ataques e vulnerabilidades.
sickn33/agentic-awesome-skills
10-andruia-skill-smith
Ajuda seu agente a criar ou melhorar ferramentas de IA. Ele define como as ferramentas funcionam, escreve a documentação e valida a estrutura.
sickn33/agentic-awesome-skills
20-andruia-niche-intelligence
Faz seu agente criar um resumo sobre um setor específico. É útil para entender o contexto, regras, padrões de uso e riscos de um projeto, usando fontes confiáveis.
sickn33/agentic-awesome-skills
Skills parecidas
bun-runtime
Faz seu agente usar o Bun para rodar, organizar e testar código. Ajuda a escolher o Bun em vez de outras ferramentas e a migrar projetos existentes.
affaan-m/ECC
database-migrations
Ajuda seu agente a fazer mudanças seguras em bancos de dados. Ele garante que as alterações possam ser desfeitas e minimiza o tempo de inatividade.
affaan-m/ECC
deployment-patterns
Configura fluxos de implantação e CI/CD, containerização e estratégias de rollback para garantir lançamentos seguros.
affaan-m/ECC