Skills Agentes

Gke Inference

Despliega y optimiza cargas de inferencia de IA/ML en GKE usando GPUs, TPUs y servidores de modelos; no usar para trabajos batch genéricos o colas HPC.

Oficial

Reemplaza a: gke-batch-hpc (para trabajos batch/HPC genéricos)

Estrellas
19.5k

en todo el repo

Actividad
50

0–100, la ruta de este skill

Actualizado
hace 2 meses

último commit aquí

Commits
2

últimos 90 días

Contexto
1.9k tok

72 tok en reposo

Paquete
1 archivo

7 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add google/skills --skill gke-inference --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Genera manifiestos de Kubernetes optimizados para servir modelos LLM en GKE usando GIQ
  • Selecciona combinaciones válidas de modelo/servidor/acelerador (GPU o TPU)
  • Configura ComputeClasses de GPU y autoscaling (HPA) para cargas de inferencia
  • Ofrece guía de selección de aceleradores y consejos de optimización (cuantización, batching, KV cache)

Úsalo cuando

  • Desplegar un modelo de IA (Llama, Gemma, Mistral, etc.) en GKE
  • Generar manifiestos de Kubernetes optimizados para inferencia
  • Seleccionar aceleradores GPU/TPU para servir modelos
  • Configurar autoscaling para inferencia de LLM

No lo uses cuando

  • Trabajos batch genéricos o colas de tareas HPC (usar gke-batch-hpc en su lugar)

Qué lo activa

Di cualquiera de estas frases y el agente debería cargar este skill.

  • Despliega Gemma 2 9B en GKE con vLLM sobre una GPU L4
  • Genera el manifiesto de inferencia para Llama 3 8B con TGI
  • Configura autoscaling HPA para mi servidor de LLM en GKE
  • ¿Qué acelerador uso para servir un modelo multimodal grande?

SKILL.md

En inglés

GKE AI/ML Inference

This reference covers deploying AI/ML inference workloads on GKE using Google's Inference Quickstart (GIQ) and best practices for LLM serving.

MCP Tools: apply_k8s_manifest, get_k8s_resource, get_k8s_logs, get_k8s_rollout_status, describe_k8s_resource, list_k8s_events. CLI-only: gcloud container ai profiles *

When to Use

  • Deploy an AI model (Llama, Gemma, Mistral, etc.) to GKE
  • Generate optimized Kubernetes manifests for inference
  • Select GPU/TPU accelerators for model serving
  • Configure autoscaling for LLM inference

Prerequisites

  • A golden path GKE Autopilot cluster (GPU workloads are supported via ComputeClasses and NAP)
  • gcloud CLI authenticated
  • Sufficient GPU/TPU quota in the target region

Workflow

1. Discovery: Find Models and Hardware

# List all supported models
gcloud container ai profiles models list --quiet

# Find valid accelerator/server combinations for a model
gcloud container ai profiles list --model=<MODEL_NAME> --quiet

# Example: what can run Gemma 2 9B?
gcloud container ai profiles list --model=gemma-2-9b-it --quiet

2. Generate Manifest

gcloud container ai profiles manifests create \
  --model=<MODEL_NAME> \
  --model-server=<SERVER> \
  --accelerator-type=<ACCELERATOR> \
  --target-ntpot-milliseconds=<NTPOT> --quiet > inference.yaml

Parameters:

  • --model: Model ID (e.g., gemma-2-9b-it, llama-3-8b)
  • --model-server: Inference server (vllm, tgi, triton, tensorrt-llm)
  • --accelerator-type: GPU/TPU type (nvidia-l4, nvidia-tesla-a100, nvidia-h100-80gb)
  • --target-ntpot-milliseconds: Target Normalized Time Per Output Token (optional, for latency optimization)

Example:

gcloud container ai profiles manifests create \
  --model=gemma-2-9b-it \
  --model-server=vllm \
  --accelerator-type=nvidia-l4 \
  --target-ntpot-milliseconds=50 --quiet > inference.yaml

3. Review and Deploy

# Review for placeholders (HF tokens, PVCs)
cat inference.yaml

# Deploy
kubectl apply -f inference.yaml

# Monitor
kubectl get pods -w
kubectl logs -f <POD_NAME>

Some models require Hugging Face tokens. Create a Kubernetes Secret and reference it in the manifest.

GPU ComputeClass for Inference

For Autopilot clusters, create a ComputeClass to target GPU nodes:

apiVersion: cloud.google.com/v1
kind: ComputeClass
metadata:
  name: l4-inference
spec:
  priorities:
  - machineFamily: g2
    gpu:
      type: nvidia-l4
      count: 1
    minCores: 4
    minMemoryGb: 16

Accelerator Selection Guide

Accelerator Best For Memory Relative Cost
NVIDIA T4 Budget inference, 16 GB Lowest
: : lightweight legacy : : :
: : models : : :
NVIDIA L4 (G2) Small-medium model 24 GB Low
: : inference, video, : : :
: : graphics : : :
NVIDIA RTX PRO 6000 Multimodal AI, 96 GB Medium
: (G4) : high-fidelity 3D, : : :
: : fine-tuning : : :
Cloud TPU v5e Cost-effective Varies Medium
: : transformer inference : : :
Cloud TPU v5p High-performance Varies High
: : training : : :
Cloud TPU v6e High-efficiency next-gen 32 GB/chip Medium-High
: (Trillium) : training & serving : : :
Cloud TPU v7x Ultra-scale inference & 192 GB/chip High
: (Ironwood) : agentic workflows : : :
NVIDIA A100 Large model inference, 40/80 GB High
: : enterprise ML : : :
NVIDIA H100 / H200 Frontier model training, 80/141 GB Highest
: : high throughput : : :
NVIDIA B200 (A4) Blackwell-scale 192 GB Highest
: : training, FP4 precision : : :
NVIDIA GB200 (A4X) Rack-scale AI (Grace Massive Highest
: : Blackwell Superchip) : : :

Autoscaling LLM Inference

GPU-based autoscaling

Use custom metrics for GPU utilization:

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: llm-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: llm-server
  minReplicas: 1
  maxReplicas: 10
  metrics:
  - type: Pods
    pods:
      metric:
        name: gpu_duty_cycle
      target:
        type: AverageValue
        averageValue: "80"

Best practices for inference autoscaling

  1. Use DCGM metrics: Golden path enables DCGM monitoring for GPU utilization metrics
  2. Set appropriate minReplicas: At least 1 for always-on serving; 0 for batch/on-demand
  3. Tune scale-down delay: LLM model loading is slow; use longer stabilization windows
  4. Consider queue depth: Scale on pending requests rather than pure GPU utilization for latency-sensitive workloads

Optimization Tips

  • Quantization: Use quantized models (GPTQ, AWQ) to reduce GPU memory and increase throughput
  • Batching: Configure model server batch size for throughput vs latency trade-off
  • Tensor parallelism: Split large models across multiple GPUs within a node
  • KV cache optimization: Tune --gpu-memory-utilization in vLLM for KV cache allocation

Troubleshooting

Issue Cause Fix
Invalid Unsupported tuple Re-run `gcloud container ai
: model/accelerator : : profiles list :
: combination : : --model=` :
GPU quota exceeded Regional quota limit Request quota increase or
: : : try a different region :
OOM on GPU Model too large for Use larger GPU, enable
: : accelerator : quantization, or use tensor :
: : : parallelism :
Slow cold start Large model loading from Use local SSD for model
: : registry : caching; pre-pull images :

Reproducido de google/skills bajo licencia Apache-2.0. Leer esta página en markdown.

Archivos

1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

Antes de instalar

Requiere un clúster GKE Autopilot golden path (con soporte GPU vía ComputeClasses y NAP), la CLI gcloud autenticada y cuota suficiente de GPU/TPU en la región objetivo.

Necesita en el PATH:gcloudkubectl

Detalles

Creador
google
Licencia
Apache-2.0
Recursos incluidos
Solo SKILL.md
Repositorio
google/skills
Código fuente
Ver SKILL.md

Etiquetas

Más de google/skills

Este repo incluye 131 skills. Si instalas uno, normalmente ya tienes los demás. Ver el pack skills entero y su comando de instalación

Configura políticas de alerta de buenas prácticas para agentes de IA usando métricas OpenTelemetry (OTel), generando la salida como archivos de configuración Terraform (.tf).

Costo de contexto al activarse
4.2k tok
Tamaño del paquete
28 archivos
Última actualización
hace 19 días
Oficialdevops infraestructura

Descubre requisitos de forma interactiva y diseña arquitecturas de solución multiproducto, planos de solución y recomendaciones de despliegue para cargas de trabajo complejas en Google Cloud.

Costo de contexto al activarse
3.4k tok
Tamaño del paquete
5 archivos
Última actualización
hace 3 días
Oficialdevops infraestructura

Gestiona la provisión de clústeres GKE, credenciales, elección entre Autopilot y Standard, y despliegue de workloads en Google Kubernetes Engine.

Costo de contexto al activarse
914 tok
Tamaño del paquete
6 archivos
Última actualización
el mes pasado
Oficialdevops infraestructura

Planifica, ejecuta y valida actualizaciones y mantenimiento de clusters de Google Kubernetes Engine (GKE), tanto Standard como Autopilot, con planes, checklists y runbooks con comandos gcloud.

Costo de contexto al activarse
5k tok
Tamaño del paquete
4 archivos
Última actualización
hace 4 días
Oficialdevops infraestructura

Ajuste fino de modelos en Agent Platform: para afinar modelos abiertos o Gemini. No usar para entrenar fuera de Agent Platform, desplegar a endpoints o gestionar endpoints de serving.

Costo de contexto al activarse
6.4k tok
Tamaño del paquete
12 archivos
Última actualización
hace 4 días
Oficialaprendizaje

Gestiona y orquesta prompts en Agent Platform: crear, listar, recuperar, versionar o eliminar prompts gestionados; no sirve para entrenamiento ni despliegue de modelos.

Costo de contexto al activarse
2.2k tok
Tamaño del paquete
2 archivos
Última actualización
hace 4 días
Oficialaprendizaje