项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 2308
技术标签
使用教程
ℹ 本教程由 AI 依据该项目 README 整理,个别步骤可能需要按你的环境微调。
环境要求
- Git(CLI 依赖,README 明确要求)
- OpenSSH(CLI 依赖,README 明确要求)
- uv 工具(用于安装 dstack CLI)
- 可访问的 dstack 服务器地址,例如 http://127.0.0.1:3000
- Node.js/npx(仅在使用 npx skills 安装 agent skills 时需要)
安装与启动步骤
-
1准备前置依赖
README 说明 CLI 可装在 Linux、macOS、Windows,且依赖 Git 和 OpenSSH,请先确认两者已可用。README 未给出安装命令。
-
2安装 dstack CLI
使用 uv 工具安装或升级 dstack 命令行客户端,安装后即可在终端调用 dstack 命令。
uv tool install dstack -U -
3添加项目连接服务器
把 CLI 指向 dstack 服务器,需提供服务地址、用户 token 和项目名,命令执行后会更新本地配置。
dstack project add --name main --url http://127.0.0.1:3000 --token bbae0f28-d3dd-4820-bf61-8f4bb40815da -
4安装 agent skills
可选步骤,安装 dstack 技能包,让 Claude、Codex、Cursor 等 AI 代理代为创建 fleet、提交任务。
npx skills add dstackai/dstack -
5编写 YAML 配置
在代码仓库中以 YAML 定义 Fleet、Dev environment、Task、Service、Preset 或 Volume 等配置。
-
6应用配置
用 dstack apply 提交配置,平台自动处理资源供给、排队、扩缩容、网络与卷等。具体参数见官方文档。
dstack apply
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
--name | 是 | dstack 项目名称,用于区分不同项目 | main |
--url | 是 | dstack 服务器访问地址 | http://127.0.0.1:3000 |
--token | 是 | 访问服务器的用户 token,示例值需替换为自己的 | bbae0f28-d3dd-4820-bf61-8f4bb40815da |
~/.dstack/config.yml | 否 | CLI 本地配置文件,执行 project add 后自动写入 | ~/.dstack/config.yml |
YAML 配置文件 | 否 | 仓库中定义 Fleet、Task、Service 等资源的配置文件 | config.yaml |
如何确认成功
执行 dstack project add 后提示 Configuration is updated at ~/.dstack/config.yml,且该文件含项目名、URL 与 token,即表示 CLI 已连上服务器。
常见问题
Q:dstack CLI 支持哪些系统,需要什么依赖?
A:README 说明 CLI 可安装在 Linux、macOS 和 Windows,并且依赖 Git 和 OpenSSH,请先确保这两者安装可用。
Q:如何让 CLI 连接到 dstack 服务器?
A:使用 dstack project add,提供 --name 项目名、--url 服务器地址和 --token 用户 token,配置会写入 ~/.dstack/config.yml。
Q:怎么让 AI 代理帮我管理任务?
A:执行 npx skills add dstackai/dstack 安装 dstack skills,之后 Claude、Codex、Cursor 等代理即可创建 fleet 并提交工作负载。
Q:配置写在哪里?
A:dstack 的配置以 YAML 文件形式放在你的代码仓库中,涵盖 Fleets、Dev environments、Tasks、Services、Presets、Volumes。
Q:怎么把配置提交运行?
A:通过 dstack apply 命令、编程 API 或 AI agent skills 来应用配置,平台会自动处理供给、排队、扩缩容和失败重试。
注意事项
- README 节选未给出服务器端的安装命令,服务器部署需参考官方文档 https://dstack.ai/docs
- 示例 token bbae0f28-d3dd-4820-bf61-8f4bb40815da 仅为演示值,请替换为你自己的 token
- dstack apply 的具体参数(配置文件路径等)README 未说明,请以官方文档为准
- CLI 配置保存在 ~/.dstack/config.yml,换服务器或项目时需重新执行 dstack project add
核心亮点
- 真正厂商中立,同时支持NVIDIA、AMD、TPU和Tenstorrent,避免硬件锁定
- 统一抽象层,一套配置即可在云、K8s和裸金属上运行,迁移成本低
- 专为AI设计,内置训练、推理和智能体工作流的编排原语,非通用调度器硬改
不足之处
- 项目较年轻,社区生态和文档成熟度待观察
- 高级功能(如复杂扩缩容策略)可能需要依赖外部K8s技能
适用场景
- AI团队需要混合使用多云GPU资源,统一管理训练任务
- 在本地开发环境与云端集群之间无缝切换,加速实验迭代
- 运行需要多步协调的智能体工作流,且希望底层硬件可替换
替代项目
Kubeflow、Ray、Run:ai
同类项目推荐
ComfyUI-Installer
开源
Linux 上一键装好 ComfyUI,省去手动配环境的麻烦。
Easily install ComfyUI on a Linux system. Installs completely inside a Python venv.
OmniInfer
开源
一套 Rust 接口,把 AI 模型跑上各种边缘设备
Unified, efficient, and easy-to-use inference infrastructure for edge AI || 面向端侧···
tokentelemetry
开源
本地追踪 AI 智能体令牌消耗,成本一目了然
Token telemetry dashboard for AI autonomous and coding agents — tracks tokens, sess···
semantica
开源
知识串成图谱,AI 回答有据可查能追责
Graph-Native Infrastructure for Context and Accountable AI Systems
vllm-ultimate-dgx-spark
开源
DGX Spark 新硬件开箱即跑 vLLM 推理镜像
AEON vLLM Ultimate — vLLM 0.27.1 built from source for DGX Spark / Blackwell (sm_12···
llmix
开源
不改代码,热切换模型,自动加缓存重试熔断,让 LLM 调用更稳更省。
Production LLM call layer for AI agents and tools: keep OpenAI/Anthropic/AI SDK/Lite···
ai-beehive
开源
一个 Java 网关,统一接入 ChatGPT、Midjourney 等 AI 服务,省去多平台对接麻烦。
AI 蜂巢,基于 Java 使用 Spring Boot 3 和 JDK 17,支持的功能有 ChatGPT、OpenAi Image、···
semantic-conventions-genai
开源
统一生成式 AI 遥测字段,让 LLM 调用可观测
traceml
开源
一站式追踪 ML 实验、漂移与可解释性,让模型监控更省心
Engine for AI/ML/Data tracking, visualization, explainability, drift detection, and ···
