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 2026-08-09 · 当前星标 ★ 2243
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
- 已安装 Python 与 pip(envd 通过 PyPI 分发)
- 网络可访问 PyPI,或能手动下载 GitHub Releases 二进制
- 构建容器环境需本机具备 Docker(bootstrap 会涉及 docker.io registry 配置)
安装与启动步骤
-
1安装 envd
用 pip 安装或升级 envd,也可以直接从 GitHub Releases 下载二进制文件。
pip install --upgrade envd -
2初始化 bootstrap
安装完成后必须执行 bootstrap,它会准备构建环境所需的组件。
envd bootstrap -
3配置 Docker 镜像
网络受限或拉取慢时,可在 bootstrap 时加 --dockerhub-mirror 或 -m 指定 docker.io 镜像源。
envd bootstrap --dockerhub-mirror https://docker.mirrors.sjtug.sjtu.edu.cn -
4编写 build.envd
在项目目录创建 build.envd,用 Python DSL 声明基础环境、依赖包、shell 与 Jupyter。
def build(): base(dev=True) install.conda() install.python() # Configure the pip index if needed. # config.pip_index(url = "https://pypi.tuna.tsinghua.edu.cn/simple") install.python_packages(name = [ "numpy", ]) shell("fish") config.jupyter() -
5启动开发环境
在 build.envd 所在目录执行 envd up,构建镜像并进入容器;加 --detach 可后台运行。
envd up -
6查看环境信息
后台启动后用 envd envs ls 查看环境名、Jupyter 地址、SSH 目标与运行状态。
envd up --detach envd envs ls
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
--dockerhub-mirror / -m | 否 | 配置 docker.io 仓库镜像,加速镜像拉取 | https://docker.mirrors.sjtug.sjtu.edu.cn |
config.pip_index(url) | 否 | 设置 pip 源,加速 Python 包安装 | https://pypi.tuna.tsinghua.edu.cn/simple |
install.python_packages(name) | 否 | 声明需要安装的 Python 依赖包列表 | name = ["numpy"] |
如何确认成功
执行 envd envs ls,STATUS 列显示 Up 即启动成功,JUPYTER 列会给出访问地址。
常见问题
Q:安装后直接构建报错怎么办?
A:必须先运行 envd bootstrap 完成初始化,之后才能执行 envd up 构建环境。
Q:下载镜像或依赖太慢怎么加速?
A:bootstrap 时加 --dockerhub-mirror 指定 docker.io 镜像;在 build.envd 中用 config.pip_index 指定 pip 源。
Q:怎么在集群里用同样的体验运行?
A:先执行 envd context use cluster 切换上下文,之后照常执行 envd up 即可。
Q:如何复用团队已有环境配置?
A:在 build.envd 中用 include 导入 Git 仓库(如 envdlib),再调用其中定义的函数。
注意事项
- 安装完成后务必先执行 envd bootstrap,否则无法构建环境。
- build.envd 需放在执行 envd up 的项目目录中,两者要保持一致。
- 可通过 include("https://github.com/tensorchord/envdlib") 复用团队共享的环境函数。
核心亮点
- 声明式配置,用代码定义环境,告别手工搭建和文档说明
- 支持 GPU 加速,对 AI/ML 开发友好,自动处理 CUDA 等依赖
- 内置 Jupyter、VS Code 集成,开箱即用,提升开发效率
不足之处
- 项目处于成长阶段,生态和社区规模相对较小
- 文档和教程可能不够完善,上手有一定学习成本
适用场景
- 机器学习/深度学习项目开发,快速搭建 GPU 环境
- 数据科学团队统一开发环境,消除环境差异
- AI 代理或自动化流程中按需创建隔离环境
替代项目
Devcontainer、Conda、Docker
上一篇:tokenmaxxing
下一篇:u-claw
同类项目推荐
TokenHub
开源
统一管理企业 AI 调用,让每一次请求可控可追溯。
TokenHub gives enterprises a private gateway to unify AI model access and governance···
gpu-hot
开源
打开网页,实时盯紧每一块 NVIDIA GPU 的状态
Real-time NVIDIA GPU dashboard
ollama-to-lmstudio-symlinks
开源
一份模型两处用,省下几十 GB 磁盘
A small utility to use Ollama models in LM Studio (and vice versa via symlinking) wi···
Agent2API
开源
一个本地网关,把桌面 AI 客户端的额度变成标准 API
Local AI routing gateway with Agent client takeover — reuse existing client logins,···
mistral-inference
开源
官方推理库,快速跑通 Mistral 模型,省心部署
Official inference library for Mistral models
Yatai
开源
在 Kubernetes 上轻松规模化部署和运维机器学习模型
Model Deployment at Scale on Kubernetes ️
markify
开源
把各种文件秒变 Markdown,让 RAG 和 LLM 更懂你
Convert files into markdown to help RAG or LLM understand, based on markitdown and M···
spectralquant
开源
旋转特征基+注水位分配,KV-Cache 压缩不降精度
SpectralQuant: Calibrated Eigenbasis Rotation and Water-Filled Bit Allocation for KV···
tensorlake
开源
一键部署智能体后台任务,沙箱安全执行代码
Tensorlake is a serverless runtime for sandboxes and deploying background agentic ap···
