dstack
统一管理多平台GPU资源，简化AI开发与部署流程
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：dstack。 它的用途是：统一管理多平台GPU资源，简化AI开发与部署流程 完整的 Skill 内容见：https://321skill.com/skills/dstack/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我启动一个带有4块A100 GPU的环境，用来微调Llama 3模型，预算控制在每小时20美元以内。”，dstack会分析配置的多个云后端，自动选择符合成本与硬件要求的资源池，并为您拉起一个配置好的运行环境。或者，您可以说：“将昨晚训练好的模型部署为在线推理服务。”，dstack会处理从模型打包到服务暴露的整个流程。
介绍
dstack 是一个面向AI开发与部署的统一控制平面，它解决了开发者在不同GPU云、Kubernetes集群或本地服务器之间，进行资源调配、环境管理和任务编排时面临的复杂性和碎片化问题。
用户通过部署一个dstack服务器，即可将各类异构的计算资源（支持NVIDIA、AMD、Google TPU等多种加速器）统一管理起来。之后，无论是开发、训练还是推理任务，都可以通过简洁的CLI命令或API来启动和管理，无需关心底层基础设施的具体差异。
这个工具非常适合需要频繁使用GPU进行计算任务的团队和个人，例如机器学习工程师、AI研究员、运维开发以及需要进行大规模模型训练或推理服务的全栈开发者。它能显著降低从环境搭建到任务上线的运维成本。
使用建议是，如果您的工作流严重依赖GPU且需要在多种云环境或本地集群间切换，dstack能极大提升效率。需要注意的是，它本身是一个基础设施管理平台，需要一定的初始配置成本，对于仅使用单一固定云服务的简单场景可能显得稍重。
核心特点
与同类工具相比，dstack的核心优势在于其真正的多云/混合云无差别管理能力，它不绑定任何特定云厂商，并能统一纳管Kubernetes和裸金属服务器。同时，它原生集成了面向AI Agent的Skill，允许智能体直接通过自然语言操作底层计算资源，这在自动化编排场景下是独特的。
注意事项
不适合仅需在单一、稳定环境中运行简单脚本，且不希望引入额外运维复杂度的个人开发者。
常见问题
dstack和Kubernetes有什么区别？
dstack可以管理Kubernetes集群作为其资源后端之一，但它更上层，专注于简化AI任务（如开发、训练、推理）的提交与管理，提供了更贴近AI工作流的抽象和CLI体验。
使用dstack需要付费吗？
dstack本身是开源软件，您可以免费部署和使用。但您需要自行承担其管理的底层云服务或服务器所产生的费用。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/dstack/raw/index.md 读取 dstack 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/dstack/raw/index.md（查看排版版本）