环境要求

安装之前需要准备什么——从一台 GPU 机器到一个受集中治理的集群。

StarForge 的设计目标是在一台 GPU 服务器上和在受集中治理的多节点集群上都能工作， 而不是为两者各出一个产品。两者之间变的只是「下面这些东西你真正需要哪几样」。

​

无论如何都需要

东西	说明
Python 3.12–3.13	控制平面和 CLI 都要
一个容器运行时	Docker 或 Podman。裸进程模式是给开发用的，没有任何隔离
存储	一个控制台和每个节点看到完全一致的路径——见存储布局
至少一张 GPU	除了平台自己那套跑在仿真模式下的测试之外

​

团队部署还需要

东西	为什么
Postgres	SQLite 是单写。两个控制台副本争抢同一个文件不叫部署
Redis	共享缓存、分布式锁、限流、token 即时吊销。没有它，后台任务会停掉，而不是跨副本不安全地跑
S3 兼容对象存储	作业包、产物、数据集、归档。没有它这些全部回落到共享盘路径
固定的 FORGE_WEB_JWT_SECRET	否则每次重启都换一把密钥，全员掉线
一个 https 域名	FORGE_PUBLIC_URL。没有它单点登录无法工作

控制台副本多于一个又没有 Redis 的部署，后台角色是被禁用的——存储记账、诊断、 每日日报和看门狗根本不会运行。定时任务页有横幅提示， 但很容易被忽略。

​

按执行器分

local

一台机器。Docker 或 Podman，真正的 GPU 直通还需要 NVIDIA 容器运行时。别的都不需要。 即使是团队，这也是正确的起点——之后换执行器是改一项设置，不是一次迁移。

agent

多台裸机，每台跑一个 forgelet。要求存储根以同一路径挂载到控制台和每个节点， 并且两侧都持有同一个 Bearer token。缺 token 会拒绝启动，而不是无鉴权运行。

kuberay

一个装了 KubeRay operator 的 Kubernetes 集群、一个 GPU device plugin， 以及一个承载存储根的 RWX PVC。RWO 的 claim 不会直接失败—— 它给每个 Pod 各自一个卷，于是 checkpoint 分片散落在不同节点上，这次 run 再也续不了。

slurm

能通过 REST 访问的 slurmrestd，带 JWT。控制平面绝不回退到 sbatch 或 SSH。 容器镜像必须通过 FORGE_RUNTIME_REGISTRY_FILE 以 SIF 或 SQSH 提供， 容器运行时 profile 必须显式选择。

​

网络

方向	用于
用户 → 控制台	Web 控制台和 API
集群 → 控制台	Ingest。训练要回传日志和指标，所以 FORGE_INGEST_URL 必须从集群内部可达——绝不能是 127.0.0.1
控制台 → 执行器	Kubernetes API、slurmrestd，或 agent 节点
集群 → 镜像仓库	拉训练镜像
集群 → 模型 hub	拉权重，或走内网镜像——见离线内网

第二行是最容易被忽略的。用户能访问到的控制台，不等于 worker 节点也能访问到。

​

可选项，以及缺了各自会失去什么

缺什么	后果
对象存储	没有 sf dataset push，没有训练后自动评测
一个 LLM 端点	没有 AI 诊断、没有 Ask Agent、没有 LLM 裁判、没有每日日报
沙箱镜像	需要运行模型生成代码的环境会被拒绝，而不是退化成在训练容器里跑
Argilla	没有偏好标注闭环
Hugging Face OAuth	读不了受限模型，推不了导出结果