一个运行时加五个 AI 库的分布式计算框架

产品总结

Ray 是由 Anyscale 主导的开源分布式计算框架，官方把它描述为「统一扩展 AI 与 Python 应用的框架」：由一个核心分布式运行时和一组 AI 库组成，目标是让同一套基础设施承载从数据处理到在线服务的各类机器学习负载。项目以 Apache-2.0 许可开源，核验时 GitHub 仓库约有 4.4 万 star，版本节奏稳定，最新记录为 Ray-2.58.0（2026 年 8 月 12 日），此前有 2.56.1（2026 年 6 月）、2.55.1（2026 年 4 月）与 2.54.1（2026 年 2 月）等版本。 它的结构分两层。核心运行时只提供三个抽象：Task（无状态函数，提交后在集群执行）、Actor（有状态 worker 进程，适合参数服务器或推理实例这类场景）与 Object（可在集群内访问的不可变值，用于任务间传数据）；官方文档称掌握这三者即可把普通 Python 程序改造成分布式程序。其上是五个 AI 库：Data 提供可扩展数据集，用于大规模数据预处理与批推理；Train 负责分布式训练；Tune 面向超参搜索；RLlib 提供强化学习算法；Serve 用于部署可编程、可扩缩的模型服务。五者共享同一套调度与资源管理，因而训练、调参与上线可以在同一个集群里完成。 运行环境方面，官方称 Ray 可运行在任何机器、集群、云厂商与 Kubernetes 上，安装只需一条 pip 命令（另有 nightly 轮子），并配套 Ray Dashboard 用于监控应用与集群、Ray Distributed Debugger 用于调试分布式程序；在 Kubernetes 上可通过 KubeRay 项目部署与编排集群。官方同时提到围绕它的社区集成生态在持续增长，涵盖数据处理、训练框架与推理服务等方向。 使用前需要注意：Ray 属于全家桶式框架，只用到单个库时按需安装对应子包更轻；跨节点的对象传输与序列化往往是性能主要开销，调优前应先测量数据搬运；分布式训练的实际瓶颈通常在存储与网络，配置前把数据管线测通更省时间；服务侧的扩缩策略、冷启动与 GPU 资源碎片化需要按业务实测；该框架由 Anyscale 主导并提供托管方案，自建与托管在运维成本和供应商依赖上各有取舍，建议按团队规模分阶段选择。

产品类型

分布式计算与机器学习框架

支持平台

Python 库（pip install ray / Ray Core（Task、Actor、Obje / Ray Data（可扩展数据集） / Ray Train（分布式训练） / Ray Tune（超参调优） / Ray RLlib（强化学习） / Ray Serve（可编程服务） / KubeRay 与多云 / 本地集群

资费模式

Apache-2.0 许可免费开源；托管与商业支持由 Anyscale 提供，成本取决于自建集群或托管方案。