# Airunway Aks Setup

> Instala AI Runway sobre AKS, de un clúster desnudo a un modelo funcionando: verificación del clúster, instalación del controlador, evaluación de GPU, configuración del proveedor y primer despliegue.

Fuente: https://skillsagentes.com/skills/microsoft/azure-skills/airunway-aks-setup
Markdown: https://skillsagentes.com/skills/microsoft/azure-skills/airunway-aks-setup.md

Repositorio: https://github.com/microsoft/azure-skills
Autor: microsoft
Licencia: MIT
Actualizado: hace 2 meses
Coste de contexto: 108 tok instalada, 1k tok al activarse, 6.2k tok con todos los archivos del bundle
Bundle: 11 archivos, 24 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent claude-code
# Cursor
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent cursor
# Codex
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent codex
# Gemini CLI
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent gemini
# Windsurf
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent windsurf
# Cline
npx -y skills add microsoft/azure-skills --skill airunway-aks-setup --agent cline
```

## Qué hace

- Lleva un clúster de Kubernetes desnudo hasta tener un modelo de IA en marcha con AI Runway.
- Recorre en orden la verificación del clúster, la instalación del controlador, la evaluación de GPU, la configuración del proveedor y el primer despliegue.
- Acepta `skip-to-step N` para retomar desde una fase concreta.
- Avisa del coste: los node pools de GPU son caros — una A100-80GB puede costar entre 3 y 5 dólares la hora — y pide confirmar que el usuario lo entiende antes de aprovisionar.

## Cuándo usarla

- Se quiere instalar o configurar AI Runway sobre AKS, hacer inferencia con GPU, o levantar un LLM o vLLM en AKS.

## Qué la activa

- "instala AI Runway en mi AKS"
- "levanta un LLM en AKS con GPU"
- "configura KAITO sobre AKS"

## Antes de instalar

- Asume que el clúster AKS ya existe; si no, traspasa a `azure-kubernetes` para crearlo con node pool de GPU y volver después.

## Archivos

- SKILL.md — 4 KB
- references/gpu-profiles.md — 3 KB
- references/model-sizing.md — 2 KB
- references/powershell-notes.md — 3 KB
- references/steps/step-1-verify.md — 2 KB
- references/steps/step-2-controller.md — 1 KB
- references/steps/step-3-gpu.md — 834 B
- references/steps/step-4-provider.md — 2 KB
- references/steps/step-5-deploy.md — 4 KB
- references/steps/step-6-summary.md — 2 KB
- references/troubleshooting.md — 2 KB

## SKILL.md

Reproducido tal cual desde microsoft/azure-skills bajo MIT. Esta sección es el documento original y está en inglés.

# AI Runway AKS Setup

This skill walks users from a bare Kubernetes cluster to a running AI model deployment. Follow each step in sequence unless the user provides `skip-to-step N` to resume from a specific phase.

> **Cost awareness:** GPU node pools incur significant compute charges (A100-80GB can cost $3–5+/hr). Confirm the user understands cost implications before provisioning GPU resources.

## Prerequisites

This skill assumes an AKS cluster already exists. If the user does not have a cluster, hand off to the `azure-kubernetes` skill first to provision one (with a GPU node pool unless CPU-only inference is acceptable), then return here.

## Quick Reference

| Property | Value |
|----------|-------|
| Best for | End-to-end AI Runway onboarding on AKS |
| CLI tools | `kubectl`, `make`, `curl` |
| MCP tools | None |
| Related skills | `azure-kubernetes` (cluster setup), `azure-diagnostics` (troubleshooting) |

## When to Use This Skill

Use this skill when the user wants to:
- Set up AI Runway on an existing AKS cluster from scratch
- Install the AI Runway controller and CRDs
- Assess GPU hardware compatibility for model deployment
- Choose and install an inference provider (KAITO, Dynamo, KubeRay)
- Deploy their first AI model to AKS via AI Runway
- Resume a partially-complete AI Runway setup from a specific step

## MCP Tools

This skill uses no MCP tools. All cluster operations are performed directly via `kubectl` and `make`.

## Rules

1. Execute steps in sequence — load the reference for each step as you reach it
2. Report cluster state at each step: ✓ healthy, ✗ missing/failed
3. Ask for user confirmation before any install or deployment action
4. If a step is already complete, report status and skip to the next step
5. If the user provides `skip-to-step N`, start at step N; assume prior steps are complete

## Steps

| # | Step | Reference |
|---|------|-----------|
| 1 | **Cluster Verification** — context check, node inventory, GPU detection | [step-1-verify.md](references/steps/step-1-verify.md) |
| 2 | **Controller Installation** — CRD + controller deployment | [step-2-controller.md](references/steps/step-2-controller.md) |
| 3 | **GPU Assessment** — detect GPU models, flag dtype/attention constraints | [step-3-gpu.md](references/steps/step-3-gpu.md) |
| 4 | **Provider Setup** — recommend and install inference provider | [step-4-provider.md](references/steps/step-4-provider.md) |
| 5 | **First Deployment** — pick a model, deploy, verify Ready | [step-5-deploy.md](references/steps/step-5-deploy.md) |
| 6 | **Summary** — recap, smoke test, next steps | [step-6-summary.md](references/steps/step-6-summary.md) |

## Error Handling

| Error / Symptom | Likely Cause | Remediation |
|-----------------|--------------|-------------|
| No kubeconfig context | Not connected to a cluster | Run `az aks get-credentials` or equivalent |
| Controller in CrashLoopBackOff | Config or RBAC issue | `kubectl logs -n airunway-system -l control-plane=controller-manager --previous` |
| Provider not ready | Image pull or RBAC issue | `kubectl logs <pod-name> -n <namespace>` for the provider pod |
| ModelDeployment stuck in Pending | GPU scheduling failure or provider not ready | `kubectl describe modeldeployment <name> -n <namespace>` events |
| `bfloat16` errors at inference | T4 or V100 lacks bfloat16 support | Add `--dtype float16` to serving args |

For full error handling and rollback procedures, see [troubleshooting.md](references/troubleshooting.md).

## Dónde encaja

- Categoría: [DevOps e infraestructura](https://skillsagentes.com/categorias/devops-infraestructura.md) — Despliegues, contenedores, IaC y flujos de gestión de incidentes.
- Creador: [microsoft](https://skillsagentes.com/creators/microsoft.md) — 43 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Otras skills del mismo repositorio

- [Microsoft Foundry](https://skillsagentes.com/skills/microsoft/azure-skills/microsoft-foundry.md): Despliega, evalúa, ajusta y gestiona agentes de Foundry de punta a punta con azd: agentes hospedados, evaluación por lotes y continua, optimizador de prompts y fine-tuning (SFT/DPO/RFT).
- [Azure Prepare](https://skillsagentes.com/skills/microsoft/azure-skills/azure-prepare.md): Prepara proyectos Azure basados en azd para desplegar: genera azure.yaml, la infraestructura (Bicep o Terraform) y los Dockerfiles del flujo del Azure Developer CLI.
- [Azure Diagnostics](https://skillsagentes.com/skills/microsoft/azure-skills/azure-diagnostics.md): Depura incidencias de producción en Azure con AppLens, Azure Monitor, resource health y triaje seguro. Cubre App Service, Container Apps, Functions, AKS, VMs y mensajería.
- [Azure Validate](https://skillsagentes.com/skills/microsoft/azure-skills/azure-validate.md): Validación previa al despliegue en Azure. Comprueba en profundidad la configuración, la infraestructura (Bicep o Terraform), los roles RBAC, los permisos de identidad administrada y los prerrequisitos.
- [Deploy Model](https://skillsagentes.com/skills/microsoft/azure-skills/deploy-model.md): Skill unificado de despliegue de modelos de Azure OpenAI con enrutado por intención: despliegues rápidos con preset, despliegues personalizados y descubrimiento de capacidad entre regiones y proyectos.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)