生态集成
HAMi 并不会取代你现有的 Kubernetes 调度器，而是在它基础上做扩展。HAMi 负责的是 GPU 的虚拟化、共享和运行时隔离，并把自己接进更大的 Kubernetes 调度生态里，这样你就能把 GPU 共享 和 批调度、作业排队、混部 这些能力组合起来用。
这一页讲的是 HAMi 怎样和默认调度器，还有四个生态伙伴协同工作，分别是 Volcano、Kueue、Koordinator，以及 NVIDIA 的 KAI Scheduler。
HAMi 的集成方式
HAMi 对外暴露三个角色，伙伴可以按需组合使用：
- hami-scheduler 作为
kube-scheduler的扩展器（extender）注册进来，负责 vGPU 的分配决策，比如显存切分、算力限额、binpack 或 spread 策略。 - hami-device-plugin 负责向
kubelet注册 vGPU 资源，并在 Pod 创建时完成设备挂载。 - HAMi-core（
libvgpu.so） 在容器里拦截 CUDA、DCU 之类的调用，在运行时强制实现硬隔离和资源限额。
一个伙伴到底走哪条路，取决于它自己负责哪一层：要么走调度器扩展这条路，要么直接复用节点上的 HAMi-core 来做隔离。
集成伙伴
原生（默认）
开箱即用的时候，kube-scheduler 会把 GPU 的过滤和打分交给 hami-scheduler，共享和隔离则由 hami-device-plugin 和 HAMi-core 完成。这套组合覆盖的是单任务、彼此独立的调度场景，正好适合在线推理，不需要再装额外的调度器。
Volcano：成团与批调度
Volcano 带来了成团调度（一个作业里的所有 Pod 要么一起起来，要么都不起），还有多级队列优先级和公平份额，这些正是 AI 训练 需要的批处理能力。HAMi 通过 volcano-vgpu-device-plugin 接入 Volcano，Volcano 负责调度 HAMi 管理的 vGPU，而 GPU 隔离仍然由 HAMi-core 来做。
- 安装：使用 Volcano vGPU
- 指南与示例：Volcano vGPU（NVIDIA GPU）
Kueue：作业排队与公平份额
Kueue 架在默认调度器之上，通过 ResourceFlavor 和 ClusterQueue 来管理作业的准入、公平份额和配额。HAMi 暴露出来的 vGPU 资源会变成可以调度的 flavor，Kueue 可以排队后再放行。这样你不用换掉 kube-scheduler，就能在 GPU 共享之上叠一层组间公平和配额约束。
- 指南：在 HAMi 上使用 Kueue
- 上游集成文档：在 Kueue 中运行 HAMi 工作负载
Koordinator：设备调度与混部
Koordinator 擅长细粒度的设备调度和 CPU/GPU 混部。你只要在节点上部署好 HAMi-core，再按规范配好标签和资源请求，Koordinator 就会用 HAMi 的 GPU 隔离能力，让多个 Pod 共享同一张 GPU，而更上层的调度和混部决策还是交给 Koordinator。
- 上游集成文档：在 Koordinator 中与 HAMi 共享 GPU
KAI Scheduler，NVIDIA 的 AI 批调度器
KAI Scheduler 是 NVIDIA 开源的、Kubernetes 原生的 AI 工作负载调度器。它脱胎于 Run:ai，以 Apache 2.0 协议开源，目前是 CNCF Sandbox 项目。它提供了 PodGroup 成团调度、层级公平队列、GPU 分片共享（Fractional GPU）、拓扑感知放置和弹性工作负载，这些都是 AI 训练需要、而默认调度器又没有的能力。
不过这里有个坑。KAI 的 GPU 分片共享是「协作式」的：调度器只保证所有请求加起来不超过单卡总量，并不会从物理上拦住某个 Pod 多吃显存。一个只请求 2 GiB 的容器，照样能通过 nvidia-smi 看到并使用整张 GPU 的显存。到了多租户的生产环境，这正是会咬你一口的地方。
HAMi-core 补上的就是这一块。调度交给 KAI Scheduler，隔离交给 HAMi-core。 这次集成用的是 HAMi-core 本身，不是整套 HAMi 平台，所以 KAI 仍然保留自己的调度器。你在 KAI Scheduler 里打开 hamicore 插件，它会注入 CUDA_DEVICE_MEMORY_LIMIT，然后再部署 kai-resource-isolator。这个组件属于 HAMi 项目，它用 DaemonSet 把 HAMi-core 发到每个节点上，再通过 MutatingWebhook 注入库文件和 ld.so.preload。容器跑起来以后，libvgpu.so 会按这个上限强制执行，于是 nvidia-smi 里只会看到你分到的那一片。
怎么选
| 工作负载特征 | 推荐伙伴 | 在 HAMi 之上补充的能力 |
|---|---|---|
| 在线推理、独立任务 | 原生（kube-scheduler + HAMi） | 不需要额外组件 |
| 分布式训练、要么全起要么不起 | Volcano | 成团调度、批处理队列、多级优先级 |
| 多团队共享集群、需要配额 | Kueue | 作业排队、公平份额、组配额 |
| CPU/GPU 混部、细粒度设备调度 | Koordinator | 混部、设备感知调度 |
| NVIDIA 技术栈、成团调度的训练或批处理、需要硬隔离 | KAI Scheduler | NVIDIA 原生的成团调度、公平队列、GPU 分片，外加 HAMi-core 硬隔离 |
HAMi 自带的两级
nvidia.com/priority是一种运行时抢占机制，作用范围是单张 GPU。如果你要对一整列作业做调度级的多级优先，那就把 HAMi 和上面任意一个伙伴组合起来用。细节可以看 FAQ。
