AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
统一扩展 Python 与 AI 应用的分布式计算框架,含核心运行时和 ML 库。
Ray 是一个 AI 计算引擎,由核心分布式运行时和一组 AI 库组成,用于加速机器学习负载。它提供 Data、Train、Tune、RLlib、Serve 等库,覆盖数据处理、分布式训练、超参调优、强化学习和模型服务。核心抽象包括无状态任务、有状态 Actor 和跨集群对象,支持从笔记本到集群的同一份代码扩展。
推荐指数
Python 分布式 AI 计算的事实标准之一,生态完整、文档齐全,适合需要扩展 ML 工作负载的团队。
近 7 天
+59
新增 Star
总 Star 排名
#126
雷达追踪的 3,958 个 AI 仓库中
创建于
2016
2016年10月26日
核心亮点
1统一运行时
核心分布式运行时提供任务、Actor、对象三种抽象,可运行任意 Python 工作负载。
2AI 库齐全
内置 Data、Train、Tune、RLlib、Serve,覆盖数据处理到模型服务全流程。
3无缝扩展
同一份代码可从笔记本扩展到集群,无需重写应用。
4环境兼容
支持任意机器、集群、云厂商和 Kubernetes,并有社区集成生态。
5可观测性
提供 Ray Dashboard 监控集群,以及分布式调试器排查问题。
适用场景
分布式模型训练
例如:用 Ray Train 把 PyTorch 训练脚本从单机扩展到多机多卡。
超参数调优
例如:用 Ray Tune 并行搜索上百组超参数,缩短调优时间。
模型在线服务
例如:用 Ray Serve 部署 LLM 推理服务,按请求量弹性扩缩容。
强化学习训练
例如:用 RLlib 在集群上并行训练强化学习策略。
它是怎么工作的
第 1 步
启动集群
在本地或云上启动 Ray 集群,获得统一的计算资源池。
第 2 步
定义任务与 Actor
用 @ray.remote 装饰函数或类,把计算拆成可并行执行的任务或有状态 Actor。
第 3 步
调度执行
核心运行时负责任务调度、对象存储和跨节点数据传输。
第 4 步
调用 AI 库
在运行时之上使用 Data、Train、Tune、RLlib、Serve 等库完成具体 ML 流程。
第 5 步
监控调试
通过 Dashboard 和分布式调试器观察集群状态并排查问题。
快速上手
- 1
安装 Ray
用 pip 安装 Ray 核心包。
pip install ray - 2
运行示例
参考官方文档的 Ray Core 入门示例,定义远程任务并在本地执行。
- 3
扩展到集群
按安装页面指引连接或启动集群,同一份代码即可分布式运行。
适合谁
- 需要把 Python 计算扩展到多机的开发者
- 做分布式训练或超参调优的 ML 工程师
- 需要部署模型服务或 LLM 推理的团队
- 研究强化学习的团队
不太适合
- 只做单机小规模脚本、无扩展需求的用户
- 不想引入分布式系统复杂度的初学者
成熟度
- 活跃度创建于 2016 年,最近一次推送在 2026 年 11 月,持续活跃开发。
- 文档README 链接完整官方文档、架构白皮书和多篇论文,覆盖各库。
- 社区44k+ star、8k+ fork,有论坛、Slack、StackOverflow 等多渠道支持。
- 上手难度pip 安装简单,但分布式概念和集群运维需要一定学习成本。
同类项目怎么选
- Dask更偏数据并行和 DataFrame 计算,AI 训练与服务库不如 Ray 完整。
- Apache Spark以批处理 SQL 和 DataFrame 为主,对 Python 原生 ML 工作负载和在线服务的支持较弱。
- Horovod专注分布式深度学习训练,不提供数据处理、调优和服务等统一运行时。
使用前注意
- · 采用 Apache-2.0 许可,商用需保留版权与许可声明。
- · 集群部署和运维需要额外基础设施知识,云上使用可能产生成本。
- · 开放 issue 数量较多(3800+),遇到问题需自行排查或依赖社区响应。
- · README 中推广了 Anyscale 托管服务,自建与托管需按需选择。
