Argo Workflows 部署编排器

要解决的问题

在 Kubernetes 上交付机器学习训练、数据处理这类计算密集型作业时，常见的痛点是：作业怎么编排、依赖怎么串联、发布怎么避免全量风险、节点资源怎么调度到位。这些问题分别落在三个不同的工具面上，手工拼装既容易出错，也难以维护。

技能如何工作

这个技能把三件事串成一条可编排的部署流水线：

• 编排层：通过 Argo Workflows Engine API 定义和驱动工作流，把多个步骤组织成有向图，而不只是平铺的脚本。
• 发布层：借助 Argo CD ApplicationSet 控制器管理应用集合，并用 Argo Rollouts 的金丝雀与蓝绿策略做渐进式交付，让变更按比例、可回滚地推进。
• 客户端层：为不同语言的工程师提供入口，包括 Java、Golang、TypeScript（Juno）客户端，以及通过 Hera Python SDK 支持 Python 用户。

调度方面，支持亲和性 / 容忍度 / 节点选择器的显式配置。这意味着你可以把 GPU 节点、专属池或污点节点纳入调度范围，避免作业卡在无法落位的 Pod 上。

另一个特点是云无关：只要有 Kubernetes 集群就能运行，不绑定特定云厂商的托管能力。

适用边界与注意点

• 它解决的是编排与发布策略，不替代镜像构建、CI 触发器或注册表管理。
• Argo Rollouts 的金丝雀 / 蓝绿需要集群侧的相应控制器与资源就位，集群里没装的部分不会凭空出现。
• 调度规则（亲和性、容忍度、节点选择器）要和节点实际标签、污点保持一致；标签写错时，Pod 会一直 pending，而不是报错退出。
• 资料中提到的 Java、Golang、Juno、Hera 客户端分别对应不同语言栈，接入前需要确认你所用的客户端版本与 Argo 服务端版本兼容。