dstack

一套编排，跑遍所有GPU环境，训练推理不发愁

dstack 是一个厂商中立的编排平台，专为 AI 训练、推理和智能体工作负载设计。它解决了 AI 团队在混合基础设施（云、Kubernetes、裸金属）上运行 GPU 任务时面临的配置复杂、供应商锁定和资源管理低效问题。核心能力包括：通过统一 API 和 CLI 定义并提交任务，自动调度到 NVIDIA、AMD、TPU 或 Tenstorrent 等不同硬件；支持 Docker 容器化环境，简化依赖管理；提供任务队列、自动扩缩容和成本优化；内置对智能体工作流的编排支持，可与主流框架集成。dstack 强调可移植性，让用户无需修改代码即可在本地、云或自建集群间切换，特别适合需要灵活利用异构 GPU 资源的团队。

开源 unknown 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2259

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类基础设施

开发团队dstackai

所属国家

官网地址https://dstack.ai/docs

GitHubhttps://github.com/dstackai/dstack

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MPL-2.0

主要语言Python

技术栈/模型agent-skills,agentic-orchestration,amd,cloud,containers,docker,fine-tuning,gpu,inference,k8s,kubernetes,llms,machine-learning,nvidia,orchestration,python,slurm,training

GitHub 星标★ 2259

30天Star增速

HF 下载量

上线时间2022-01-04 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数6

使用教程

难度：入门约 10 分钟部署方式：命令行工具 6 步

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

项目介绍

dstack 是基础设施领域的开源项目，由 dstackai 开发，2022 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（2,259）位列前 30%，在基础设施分类中处于中上游。

近 45 天，它的 GitHub 星标从 2,209 增加到 2,259，净增 50。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。

它主要面向的使用场景是：AI团队需要混合使用多云GPU资源，统一管理训练任务。同类可对比的替代方案包括 Kubeflow、Ray、Run:ai。

上一篇：ort

下一篇：sonar