Ray
Ray — 大规模 ML 和 Python 的分布式计算框架。
分析复杂
技术栈组成
FrameworkRay 2.x
为什么
分布式训练、服务、调优和数据处理一体框架。PostHog 和 Plausible 提供隐私优先分析，无需 GDPR 同意横幅，2024 年增长 200%。
BigQuery 和 ClickHouse 以 5 美元/TB 处理 PB 级数据。
何时使用
用于分布式 ML 和 Python。避免单机工作负载。
如何做
1. pip install ray
2. ray.init()
3. 用 @ray.remote 标记任务
4. 跨集群扩展
5. 添加环境配置 — cp .env.example .env && 编辑值
6. 运行测试 — npm test 或 pnpm test 验证设置
7. 部署 — git push 触发 CI/CD 或手动部署
示例
import ray
ray.init()
@ray.remote
class Counter:
def __init__(self): self.n = 0
def inc(self): self.n += 1; return self.n
常见问题
- ⚠对象存储 OOM — 调优 object_store_memory
- ⚠Actor 调度 — 用放置组
- ⚠环境间配置漂移 — 使用基础设施即代码（Terraform/Pulumi）保持 dev/staging/prod 一致
最佳实践
- ✓用 Ray Train 分布式训练
- ✓用 Ray Serve 模型服务
- ✓设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求
常见问题解答
什么是Ray？适合做什么项目？
Ray — 大规模 ML 和 Python 的分布式计算框架。 它通过分层组合提供端到端类型安全与开箱即用的部署体验，适合从 MVP 到生产 SaaS 的快速迭代。
如何用Ray在 10 分钟内跑通一个 demo？
两步起步：① pip install ray；② ray.init()。先跑通本地 dev server，再接一个真实数据源验证端到端链路。
Ray 最常见的坑是什么？怎么避免？
最高频的坑是：对象存储 OOM — 调优 object_store_memory。避免方法：在 PR 模板里加入对应 checklist，CI 中跑类型检查 + lint + 单测，三重把关再合并。
Ray 的最佳实践有哪些？
Ray 的最佳实践包括：用 Ray Train 分布式训练；用 Ray Serve 模型服务；设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求。其中首条「用 Ray Train 分布式训练」应在项目初始化时就落地，避免后期返工。
什么情况下不该选Ray？
三种情况另选他栈：① 团队对该栈核心框架零经验且工期紧张（学习曲线风险）；② 项目是纯内容/营销站（选 Astro 更轻）；③ 需要极高吞吐（>1 万 RPS）或强一致微服务（选 Go/Rust）。Ray 的强项是中高复杂度全栈与 API，别在简单静态页上过度工程。