十月将至，一年一度由 DigitalOcean 主办的**线上开源盛会 Hacktoberfest** 又要开始了。今年的 Hacktoberfest 是由 DigitalOcean 与 Major League Hacking (MLH) 共同发起，并由 AMD、auther0 赞助，与 GitHub、GitLab、CNCF、Open Source Initiative (OSI)、DEV、Holopin 等社区合作主办。**我们诚邀关注开源、参与开源的你，加入这场年度节日！**


Hacktoberfest 最初只是 DigitalOcean 在 2014 年发起的一场小型黑客松，名称来自 “Hack” + “October” + “Festival”，意为十月的黑客编程节日。每年都有大量的开源项目维护者和贡献者齐聚 Hacktoberfest，为那些包括 DigitalOcean 在内的无数公司、以及开发者所依赖的开源项目贡献力量。自 11 年前创办以来，Hacktoberfest 已从区区 676 名贡献者的小活动，爆发式增长为覆盖全球的开源现象——**2024 年**共有近 **90,000** 名参与者，遍布 **184** 个国家。这是对开源满满的爱！

无论你是初次尝试的新手，还是久别重逢的老朋友，都能在这里找到属于自己的舞台。参与其中，你不仅能为数以百万计的人改善日常使用的工具，还能收获新技能、结识伙伴，真正融入开源的世界。同时，DigitalOcean 也会为参与其中的 Haker 们送上不同等级的奖励！

![wechat_2025-09-16_152629_745.png](https://blog.aidroplet.com/uploads/wechat_2025_09_16_152629_745_ba5cb7abc0.png)

## Hacktoberfest 的影响

近两年有大量的伙伴参加到 Hacktoberfest 活动中来。根据 **2023** 年的数据，有来自 184 个国家的 **98,855** 人注册，共提交 **118,469** 次贡献，**139,422** 个仓库选择参与。十年累计，已有超过 **240 万个** **PR** **/** **MR** ****被合并。每一位参与者都应为这一巨大成就感到自豪。更令我振奋的是，听到那些因 Hacktoberfest 贡献而受益的故事——我迫不及待想看到今年又为开源带来哪些新成果。

例如，2021 年，.NET Screenplay 模式库 Boa Constrictor 的维护者表示：

> “Hacktoberfest 2021 对我们大获成功！共完成 41 个 PR、151 次 commit，新增超 1 万行代码，贡献者达 11 人。”

去年，Reactive Resume 维护者 Amruth Pillai 也分享：

> “在此期间，项目活跃度激增，用户和贡献者提交了众多新功能、问题报告与修复，极大提升了项目的韧性与安全性。”

## 怎么参与Hacktoberfest？

DigitalOcean 鼓励所有人参与到开源的社区中来，不论你是否会代码，都能报名参加 Hacktoberfest。

以下是参与并完成 Hacktoberfest 所需了解的信息：

-   即日起至 10 月 10 日之间的任意时间注册，**在官网** **hacktoberfest.com/auth/** **通过你的** **Github** **或GitLab账号授权即可**。
-   注册 Hacktoberfest 后，你将解锁一枚数字徽章；在活动期间每成功被接受一个 Pull/merge 请求，徽章等级将随之提升，直至完成四个为止。
-   Pull/merge 请求可提交至任何参与 Hacktoberfest 的 GitHub （github.com/topics/hacktoberfest）或 GitLab（go.gitlab.com/ubCLKL） 托管项目（请查找带有“hacktoberfest”主题标签的项目）。
-   目标是在 10 月 1 日至 10 月 31 日期间提交四个高质量的拉取/合并请求，并需由项目维护者接受，才能计入你的总完成数。
-   如果你是第一次参与活动，可在 Hacktoberfest 官网，查看更多关于 Pull/merge 的要求：https://hacktoberfest.com/participation/

![wechat_2025-09-16_152544_395.png](https://blog.aidroplet.com/uploads/wechat_2025_09_16_152544_395_0e93e7c5ba.png)

图：在官网点击授权登录即可

  


如果你是**开源项目的维护者**，你希望你的项目参与到 Hacktoberfest 活动中来，那么你需要：

-   在你的代码仓库中添加 “hacktoberfest” 主题标签，以加入 Hacktoberfest 活动，并表明你欢迎贡献。
-   在 GitHub 或 GitLab 项目中，为你希望贡献者参与解决的问题打上 “hacktoberfest” 标签。
-   在仓库中添加 CONTRIBUTING.md 文件，明确贡献指南。
-   选择范围清晰、独立完整的问题，便于新人上手。
-   制定并采用行为准则（Code of Conduct），营造更具包容性和社区感的协作环境。
-   准备好审核拉取/合并请求：对有效贡献，请通过合并、给予整体批准评价，或添加 “hacktoberfest-accepted” 标签予以接受。
-   对垃圾请求，请打上 “spam” 标签；对其他无效贡献，请直接关闭或标记为 “invalid”。


让开源协作更顺畅、更友好！


注意！！**如果你不会代码，也能报名参加！**


Hacktoberfest 的核心目标是鼓励更多人参与开源，携手协作，共同参与到开源社区中来。开源项目能从社区贡献中获益良多，而参与方式远不止写代码——无论你是否具备技术背景，都可以运用自己的专业技能支持开源项目。你能以翻译、协作、视频制作、播客等各种形式参与到活动中来。


现在就加入 Digitalocean Hacktoberfest 活动：**在官网** **hacktoberfest.com/auth/** **通过你的** **Github** **或GitLab账号授权即可注册报名**


## Hacktoberfest 与 卓普云AI Droplet

卓普云AI Droplet 作为 DigitalOcean 中国区的独家战略合作伙伴，这次与 DigitalOcean 一起，为开源维护者和贡献者摇旗呐喊！

今年我们携手为中国区的更多开发者献上 **Global Hack Week 月度系列活动**，你可以在这里学习新技能、丰富作品集、参加趣味 Session、与全球开发者连线。**在 11 月** **中**，即 Hacktoberfest 圆满结束之时，我们还将**在上海举行一次线下的沙龙**，邀请重磅的技术专家与大家分享开源、AI相关的前沿技术与经验。请关注我们的公众号或扫码加入我们的QQ群（611945524），以便及时获取11月沙龙的详细信息。立即免费注册，和数千名开发者一起嗨！

![微信图片_20250916152704_1.jpg](https://blog.aidroplet.com/uploads/20250916152704_1_f89937c0e8.jpg)
想了解更多 Hacktoberfest 活动的信息，请访问 hacktoberfest.com。

  


## 为什么 DigitalOcean 要支持开源？

  


Hacktoberfest 的核心是庆祝开源——那些驱动当今无数热门网站与应用的项目。毫不夸张地说，如果没有开源，互联网将面目全非；而这些项目往往由开发者在业余时间、几乎零预算地维护更新。开源是当今技术的脊梁，而维护并贡献代码的开发者，则是开源的脊梁。

Hacktoberfest 希望吸引更多新手和回归者，在专属月份里回馈这些项目。参与者不仅能给每日被数百万人使用的工具带来实质改进，还能学习新技能、结识社区伙伴。

  


在 DigitalOcean，我们坚信开发者与开源社区的力量；工具越触手可及，开发者越能创造卓越软件。我们迫不及待想看到你在今年 Hacktoberfest 中留下自己的印记——立即访问下方链接报名，Happy Hacking！

  


🎉现在就加入 Digitalocean Hacktoberfest 活动：**在官网** **hacktoberfest.com/auth/** **通过你的** **Github** **或GitLab账号授权即可注册报名！**

**同时，加入我们的QQ群（611945524），以便及时获取11月沙龙的详细信息。**

  


![微信图片_20250916152704_1.jpg](https://blog.aidroplet.com/uploads/20250916152704_1_f89937c0e8.jpg)

large_opengraph.6e804091.png

medium_opengraph.6e804091.png

small_opengraph.6e804091.png

thumbnail_opengraph.6e804091.png

xsmall_opengraph.6e804091.png

opengraph.6e804091.png

DigitalOcean 联手 MLH、AMD、auther0、Github、Gitlab、CNCF等组织举办，一年一度有数万人参加的线上开源节日！

每年9万人参加的开源盛会来了！DigitalOcean Hacktoberfest 报名开启！

2025 年 2 月 18 日-2 月 20 日，全球区块链行业瞩目的年度盛会——Consensus大会在香港圆满落幕。作为全球Web3领域最具影响力的峰会之一，本届大会吸引了来自全球与 Web3 相关的头部企业、开发者及投资机构，围绕区块链技术创新、去中心化应用与行业合规等议题展开深度探讨。云计算服务商卓普云（AI Droplet）联合国际知名云平台DigitalOcean首次亮相Consensus大会，在展会现场通过前沿技术展示与行业解决方案分享，吸引了许多开发者与企业代表的驻足交流。

![Consensus1.png](https://blog.aidroplet.com/uploads/Consensus1_f8d01bf827.png)

Consensus 大会首度落地香港，彰显了亚洲市场在 Web3 全球化进程中的战略地位。香港特区政府代表在开幕致辞中强调，香港将通过政策支持与技术创新，打造开放、合规的数字资产交易环境。这一背景下，DigitalOcean 与其中国区独家战略合作伙伴卓普云的参展，不仅展示了 DigitalOcean 在云计算基础设施领域的合作成果，更传递出对 Web3 市场长期布局的信心。

在展会现场，DigitalOcean 云平台针对区块链技术场景的解决方案，吸引了众多开发者与企业客户驻足。在展区现场，卓普云的工程师重点介绍了 DigitalOcean 面向区块链场景的四大核心能力：

## 1. 节省成本

-   按需计费：DigitalOcean 的服务采用按需计费模式，企业可以根据实际需要选择计算资源，避免了冗余的硬件采购和维护成本。这对于区块链企业尤为重要，因为它们需要根据项目的波动性灵活调整资源。


-   高性价比：DigitalOcean 以较低的价格提供高效能的云计算资源（如 Droplets 和 GPU Droplets），相比其他云平台，它的成本效益较为突出，尤其适合中小型区块链公司进行快速实验和产品部署。而且 DigitalOcean 的流量费用远远低于大多数老牌云服务平台，迁移至 DigitalOcean 可以帮助区块链企业节省大量成本。


-   自动化和集成工具：DigitalOcean 提供一整套自动化工具，如 API、CLI、Kubernetes 集群等，可以帮助企业自动化资源配置和管理，进一步减少了人工成本。

## 2. 产品服务

-   Droplets：作为 DigitalOcean 的核心产品，Droplets 是虚拟私有服务器，适用于运行区块链节点、开发环境或轻量级的区块链应用。Droplets 支持快速部署，且支持不同操作系统和开发框架，非常适合区块链企业快速启动应用。

-   GPU 裸金属服务器和 GPU Droplets：对于需要进行大规模数据处理、机器学习训练或区块链挖矿的企业，DigitalOcean 提供了GPU裸金属服务器和 GPU Droplets。这些产品可以大幅提高图形处理能力，满足区块链企业在高负载和计算密集型任务中的需求。与此同时，GPU 裸金属服务器可以为区块链企业提供独享的物理计算资源，用于建设区块链基础设施或 DePin 等项目。

-   全球数据中心：DigitalOcean 在全球 16 个数据中心布局，为区块链企业提供全球范围内的低延迟和高可用性的基础设施。无论是针对用户的全球分布，还是针对不同市场的合规需求，DO 的数据中心都能提供支持。

## 3. 高可靠性和安全性

-   高可用性：DigitalOcean 通过全球负载均衡和高可用的网络架构，确保区块链企业的应用在全球范围内 24/7 运行稳定。

-   安全保障：DO 为区块链企业提供包括防火墙、加密存储、DDoS 防护等多种安全功能，保障数据和交易的安全性，符合行业对数据隐私和安全的严格要求。

## 4. 简化区块链部署

-   Kubernetes 集群支持：通过 DigitalOcean 的 Kubernetes 服务，企业可以轻松管理和扩展基于容器的区块链应用，简化了区块链节点的部署和管理工作。对于需要快速迭代和扩展的区块链企业而言，Kubernetes 提供了极大的灵活性和便利。

-   一键部署工具：DigitalOcean 提供了区块链相关的预配置镜像，企业可以通过一键部署快速启动区块链节点和应用，减少了初期的配置时间和技术门槛。

![Consensus2.png](https://blog.aidroplet.com/uploads/Consensus2_90e2e0ddcb.png)

在展会现场， 多家 Web3 企业与卓普云在大会现场商洽，达成进一步沟通以及合作的意向。随着全球 Web3 产业进入”价值落地”新周期，卓普云与 DigitalOcean 的参展，不仅为行业提供了可复用的技术范式，更以扎实的云服务能力为下一波去中心化应用爆发奠定基石。这场东方之珠的科技盛宴，或将成为 Web3 基础设施演进的重要注脚。

large_Consensus1.png

medium_Consensus1.png

small_Consensus1.png

thumbnail_Consensus1.png

xsmall_Consensus1.png

Consensus1.png

DO携卓普云亮相Consensus2025，展示低成本GPU+Droplets区块链方案。

卓普云携手DigitalOcean亮相香港Consensus大会：以技术赋能全球Web3生态

> 作者 | 霞光社 Yinting Hou
>
> 来源：https://new.qq.com/rain/a/20240425A08J4J00

>

正值全球经济转型周期，硅谷及世界各大厂商相继裁员，连创造第二增长曲线的云服务部门，也难逃降本增效的大刀。

4月初，亚马逊官方确认，其云计算服务部门（AWS）正对实体店技术团队以及销售和市场营销部门进行裁员，此举会减少数百名员工。

数据显示，AWS是亚马逊最赚钱的部门之一，2023年第四季度，该部门贡献了亚马逊54%的经营利润。然而，作为行业中最大的计算能力和数据存储租赁服务提供商，AWS的销售增长速度在去年降至历史最低点，这主要因为企业在利率上升的情况下削减了云支出。

经济形势多变，企业经营成本上升，节约云支出是不得不做出的决定，尤其对于中小企业而言，昂贵的云服务成本已经难以支撑。

在亚马逊AWS、微软Azure、谷歌云和阿里云等巨头之外，企业迫切需要寻找经济、适用的云服务平台。

成立于2012年的美国云主机供应商DigitalOcean，因其易用性和性价比，成为中小企业、初创公司和开发者的优先选择。

拥有数百万买家，非洲领先的电子商务平台Jiji，已经使用DigitalOcean的云服务长达10年。该公司联合创始人兼CEO Nick Zorin从一开始就选择了DigitalOcean，这个决定由三个因素驱动：用户友好性、功能性和（价格）负担能力。

Nick Zorin说道，“它的价格具有竞争力，而且易于使用。对我们来说，DigitalOcean很平易近人。我们一成立就使用了它，如今都运作良好。”

2021年3月登陆纳斯达克上市，云厂商DigitalOcean已成为美股“隐形王者”。根据今年2月发布的最新财报数据，DigitalOcean在2023年的收入同比增长了20%，净利润同比增加179.94%。

![2.webp](https://blog.aidroplet.com/uploads/2_4a364fd3af.webp)

图：DigitalOcean IPO

与其他开始面临增长瓶颈的大型云厂商不同，DigitalOcean深耕的中小企业赛道，仍然极具增长潜力。

霞光社获悉，DigitalOcean主要提供四大类别的主机服务器产品，全球布局已扩展到9个地区的15个数据中心，为超过185个国家/地区的62万名客户提供基础架构和软件解决方案。

## 01.美股云厂商“隐形王者”：从“简单”出发

“DigitalOcean成立初期，服务的对象，就是像我一样的开发者，可能业余想开始一个小项目，或者开始创建一家公司，团队只有2~10人或者50~100人，通常这样的开发者、初创公司或中小企业，是被排除在云服务市场之外的。”DigitalOcean VP Apurva Joshi在一次公开分享中表示。

2012年，DigitalOcean联合创始人兼前CEO Ben Uretsky认为，用户需要一种新的云服务方案。市场上的云服务商，提供的定价计划过于复杂，且平台并不总能满足用户的需求。

![3.webp](https://blog.aidroplet.com/uploads/3_6f17865e0a.webp)

图：DigitalOcean联合创始人兼前CEO Ben Uretsky

彼时，亚马逊AWS已经在市场上处于领先地位，DigitalOcean凭借差异化优势，脱颖而出。2012年，创始团队推出第一款产品Droplets（虚拟专用服务器），初始阶段就启动了约1万个云服务实例，并签约了近400个客户。

2013年，DigitalOcean成为首批提供基于SSD的虚拟专用服务器的云托管公司之一。当时，市场上提供实惠虚拟服务器的云托管平台如Linode、Rackspace，服务起价为20美元/月，而DigitalOcean类似产品的起价为5美元/月，还采用了性能更优的SSD存储。

根据第三方机构测评，Droplet启动时间仅为55秒，而其他大型云提供商普遍需要1-3分钟。即便是没有丰富后端经验的人，也可以根据文档，数分钟内完成虚拟机的启动。

定价低且透明，功能简单且好用，市场对DigitalOcean的产品反应明显，从原来每天增加2个客户，到每天签约超过2000个客户，DigitalOcean迎来了大幅增长。从2013年到2015年，公司每年都获得一轮融资。

随着规模扩大，DigitalOcean也在全球开设了数据中心。2013年12月，DigitalOcean在阿姆斯特丹开设了第一个欧洲数据中心。2014年到2016年，公司持续扩张，先后在新加坡、英国伦敦、加拿大多伦多、德国法兰克福和印度班加罗尔建立了数据中心。

**规模不断扩大，但DigitalOcean不忘关注用户体验，“简单”是不变的产品核心本质。** “我们不会为了每月增加数百万美元交易，而去满足企业的一切要求，如果鼓励员工这么做，就会产生‘复杂性’，偏离了我们的核心路线。我们的重点是中小企业，核心是提供简单的解决方案。”Apurva Joshi表示。

在坚持“简单”的路线上，他们也关注用户需求，不断创新，推出更多删繁就简的产品。2018年5月，该公司宣布推出基于Kubernetes的云容器平台。据悉，产品消除运行Kubernetes的许多底层复杂性。用户可以获得独立的Kubernetes集群，并且可以完全访问Kubernetes API。

就在2021年3月24日，DigitalOcean在纽约证券交易所上市，其首次公开募股价格为每股47美元。通过成功的商业模式，该公司实现了每年超过20%的营收增长。

进入资本市场的新一轮考验中，该公司也不断扩展云服务的边界。

![4-1.webp](https://blog.aidroplet.com/uploads/4_1_fb866fd379.webp)

图源：DigitalOcean社区

2022年5月，该公司发布了DigitalOcean Functions，基于开源技术，Functions允许开发人员构建和运行应用程序，而无需管理服务器。同年8月，DigitalOcean以3.5亿美元收购了云托管服务提供商Cloudways。

值得一提的是，去年7月，DigitalOcean以1.11亿美元收购了云计算和人工智能开发初创公司Paperspace，宣布提供GPU云服务，帮助初创企业、成长中的数字企业和独立软件供应商（ISVs）持续为其客户提供有竞争力的AI体验。据悉，每颗H100芯片的租用起价低至2.24美元每小时。

**根据最新财报，DigitalOcean公布的2023年第四季度的盈利、收入和业绩指引均超出预期。** 该季度，公司不计某些成本（例如股票补偿）的盈利为每股44美分，远远高于华尔街每股37美分的目标。报告称，公司年收入运行率增长了11%，季度末达到7.3亿美元。每个客户的平均收入也增加到92.63美元，比去年同期增长6%。

霞光社获悉，目前，DigitalOcean已经在中国开设业务，并通过中国区独家战略合作伙伴卓普云AI Droplet提供技术支持，为中国企业出海提供专业云服务及解决方案。

卓普云AI Droplet由Access Technology Venture组建，以帮助DigitalOcean更好地开拓中国市场。作为DigitalOcean最大的控股股东，Access Technology Venture是一家专注于新型科技企业的投资公司，在国内投过知乎、声网、阿里巴巴、拼多多、Pingcap。据悉，该公司十分看好DigitalOcean的未来，因此不断增加股份，并参与到该公司的经营中。

从100个客户增长到超过60万个客户，至今，DigitalOcean不变的愿景，就是专注于服务的对象，也即中小企业、初创公司和开发者，为他们提供简单且性能高的云服务平台，“**帮助他们简单、经济且高效地建立业务、开拓梦想。** ”

## 02.成功秘诀：关注开发者的“幸福感”

专注中小企业和开发者的需求，DigitalOcean不仅追求产品用户体验上的简单性，在营销上还重视为开发者的工作创造幸福感。

在一次公开分享中，DigitalOcean CMO Carly Brantz的观点令人记忆犹新。她指出，针对开发者的市场营销，不是在网站上发注册广告，而要为开发人员提供价值和快乐，“快乐的开发人员能为企业带来增长，而DigitalOcean就是让开发人员快乐。”

从用户出发，DigitalOcean遵循了PLG（Product Led Growth）这种商业策略，是以终端用户为导向的增长模型。PLG模型将用户体验置于核心，通过提供有价值的产品和服务来吸引用户，并通过用户的参与和分享来推动增长。

PLG模型通常会建立一个活跃的用户社区，用户可以在社区中分享经验、互相支持，从而增强用户黏性和忠诚度。DigitalOcean也不例外，2012年初，就在官网上建立了开发者社区，内部的作者（即开发者）编写发布了10个Linux教程，第一周就吸引了1500名访问者。

![5.webp](https://blog.aidroplet.com/uploads/5_10e36dc15e.webp)

图源：DigitalOcean社区

Carly Brantz分享道，她自2020年1月加入该公司，在疫情大流行期间，她见证了许多具有极大影响力的社区活动，这些活动获得了全球开发者的喜爱和认同。

在DigitalOcean的开发者社区上，超过8000篇教程、文档、科普（cloud education）免费提供给开发者。DigitalOcean还主办发起Hacktoberfest，一年一度的全球“编程马拉松”盛事，旨在支持开源项目，鼓励更多的人对开源社区做出贡献，到2023年10月，这个节日活动已经举办10年。

![6.webp](https://blog.aidroplet.com/uploads/6_f1d65d7a1b.webp)

图源：DigitalOcean社区

根据外媒报道，DigitalOcean在2022年第一季度就通过大量的内容，为官网带来了900万的独立访问用户。

开发者社区能够成功，也来自公司对开发者群体的敏锐洞察。“开发人员通常具有超强技术思维，他们希望能够自己解决问题，不想打电话给销售或客服来帮助他们解决问题。”

Carly Brantz指出，开发者并不需要营销人员跟他们沟通，他们更习惯自己去到社区里，获得资源、学习，建立对网站的信任，自主注册账号，“这些客户通常是业务爱好者、早期学习者及成熟的开发者，甚至是创业公司老板，我们要为他们提供价值，例如社区里的内容，让他们能够简单、清晰地运用，并开展他们的业务。”

事实上，开发者社区的内容一应俱全，即使是非技术人员，也可以根据社区里的教程，轻松设置Droplet并配置网络，新用户使用云服务的门槛大大被降低。

**开发者社区成为DigitalOcean低成本获客的重要渠道，这也是公司营销费用占营业收入比例长期维持在10％左右极低水平的原因。**

一般而言，开发者习惯了一个平台之后，转换成本是比较高的，所以DigitalOcean的用户黏性较强，忠诚度较高，潜在的终身价值（LTV）高。

云厂商的商业模式，一直被认为是B2B，为企业提供云服务。但DigitalOcean的创始人之一曾表示，公司在做的事情是B2D（developer，即开发者）。

始终重视开发者的诉求，让他们简单、高效地开展业务，是DigitalOcean的重要使命。

## 03.量身定制，中小企业“简单”出海方案

“DigitalOcean的云服务，简单、经济且灵活。对于个人开发者、高成长初创企业，以及寻求超大规模提供商替代方案的独立软件供应商（ISVs）和中小企业（SMEs），DigitalOcean是一个有吸引力的选择。它是为商业量身定制的云服务——**让成长中的公司轻松获得动力，并可持续扩展规模。** ”IDC研究副总裁Dave McCarthy指出。

中国企业出海正在成为国际重要趋势，从社交、游戏、电商到企业服务，各行各业已经在海外形成一定的竞争格局。

移动数据分析机构Data.ai在《2024年移动游戏市场报告》中指出，总部位于中国的（游戏）发行商占据了全球三分之一的收入，通过高质量的制作和本地化向日本和美国等市场扩张。

中国跨境电商平台也在辐射全球。Temu布局50个国家/地区并获得4.67亿用户，SHEIN在2023年的收入超过300亿美元。TikTok成为全球社交应用巨头，全球用户超过16亿人，其电商业务也在2023年大幅增长。

跟随着席卷全球的中国平台厂商，中小企业也在加入全球化浪潮。但从普通产品出海，到今天全球化布局扩张，中国企业在海外面临的考验今非昔比。在复杂的地缘政治和飙升的经济成本中，科技实力的较量已经成为必备课题，而成熟的云服务技术支撑，是实现数字全球化的关键一环。

中小企业离不开云服务。云管理平台Flexera发布的《2024年云状况》报告显示，一半的组织在公共云中拥有数据，预计未来12个月内还会增加7%，**中小型企业是云采用率最高的企业。**

对于中小企业出海来说，相对头部知名云厂商，选择功能精简、易于上手和低成本的云服务平台，显得更实际。

Blub Blub开发了一款针对儿童的言语治疗应用程序Speech Blubs，拥有超过10万名订阅者。员工数少于50人，后端工程师仅有3名，小团队运作的Blub Blub选择了DigitalOcean。

![7-1.webp](https://blog.aidroplet.com/uploads/7_1_2e8a0d3ea8.webp)

图源：Blub Blub

最初，Blub Blub依靠Heroku（PaaS平台）来托管其简单的WordPress网站和后端服务。随着Speech Blubs用户群的增长，开发团队感到Heroku的功能受到限制，想要寻找一种既具有成本效益又能够提供更完整的基础设施管理方法的解决方案，同时能够轻松部署更新。

为了寻找更好的替代方案，Blub Blub开始研究云提供商，包括超大规模提供商和其他提供商。他们发现DigitalOcean的定价结构比其他提供商更具成本效益，并对其“简单性”特点留下了深刻的印象。

“DigitalOcean应用平台的性价比是最好的，它比Heroku便宜得多，而且它还抽象了一层我们不需要处理的复杂性，因为我们的团队很小。”Blub Blub首席后端工程师Marko Širec分享道。

Blub Blub最初迁移到DigitalOcean的App Platform，与很多手动配置的云服务不同，DigitalOcean的App Platform简化了部署过程。“**在DigitalOcean上部署我们的应用程序只花了一天时间，而在AWS上却花了几天时间。** ”Marko Širec解释道，“DigitalOcean更简单、更直观。另外，警报和监控功能也非常棒。我们可以轻松地将它们连接到Slack，这对于像我们这样的小团队来说至关重要。”

除了托管网站，DigitalOcean还能托管Blub Blub的Redis数据库等，Blub Blub向 DigitalOcean的过渡对其业务产生了重大影响。凭借更少故障和更快的部署周期，Blub Blub 在响应市场需求方面变得更加敏捷，从而提高了Speech Blubs的客户满意度。

“DigitalOcean为我们节省的成本和时间，对于我们的发展至关重要。因为我们的团队很小，所以我们可以把时间花在构建产品和支持公司的其他部门上，而不是处理基础设施问题，这对公司整体影响很大。” Marko Širec补充道。

正是如此，中小企业由于人员精简，预算有限，DigitalOcean提供的服务恰好是他们所需。

DigitalOcean能够提供低成本服务的关键在于，其高度的自动化和产品设计的精简：通过精简冗余功能，大幅度的降低产品定价；同时降低复杂性，提高了支持效率。**这种高效率与低成本结合的策略，为DigitalOcean形成了显著的成本优势。**

以DigitalOcean云服务为例，只需要跟着文档操作，不需要是个老工程师，也能几分钟就部署好一台云主机。同时，DigitalOcean还提供了大量的“一键式应用程序”，企业可以快速实现业务，从而节省与手动设置和配置的时间。例如一键部署WordPress，快速搭建自己的网站；一键部署Jitis服务，加速社交泛娱乐应用的开发。

**DigitalOcean实惠的定价和透明的计费逻辑适合预算有限的中小企业。** EGLogics CEO兼CTO Ankit Aggarwal就评价道，“DigitalOcean计费很简单。我们可以轻松预测并弄清楚所支付的费用。在AWS中，这一点很难弄清楚，尤其是在多个区域部署后。但是采用DigitalOcean，作为公司的CEO和CTO，我可以轻松了解正在使用哪些服务，以及如何合理控制我的支出。”

根据卓普云科技的解决方案架构师Derek分析，用户在将其服务从一线云服务商如AWS和GCP迁移到DigitalOcean后，成本通常可以减少50%至70%。

“这种显著的成本节约主要得益于DigitalOcean独特的定价结构。云服务的总费用通常包括服务器成本和数据传输费用两大部分。DigitalOcean的定价策略包括为每台云服务器提供从500GiB到11TB不等的免费数据出站传输额度，而其服务器的定价普遍低于其他云服务厂商的定价10%以上。”

提供高性能、低成本服务的云厂商DigitalOcean，帮助企业在全球化发展过程中获得底层竞争力。高质、高效部署全球，DigitalOcean是出海企业云服务的最佳选择。

medium_2.webp

small_2.webp

thumbnail_2.webp

xsmall_2.webp

2.webp

DigitalOcean凭低价+简单杀出重围，中小企业降本70%出海！

“隐形王者”DigitalOcean入华，谁将成为云服务革命的受益者？

原文：[云数智观察](https://mp.weixin.qq.com/s/WBT9oMYwtZDTqR8Gef54yw)

你技术先进、功能丰富，我成本节约、应用便捷；你全球布局、贴身服务，我综合实力强、安全合规……难道服务“出海”企业的云服务商已经这么“卷”了吗？  
  
**不“出海”就出局**

“企业不出海，就会出局！”在新的经济形势、竞争环境下，中国企业“出海”有了更多新意。

在第一波“出海”大潮兴起时，追逐成本最低化的劳动密集型，以及资本密集型企业是“出海”的主力军，代表企业诸如纺织服装、电子装配。当前，又一波“出海”潮起，更多具有全球竞争力的中国品牌，如互联网、游戏、短视频、家电、汽车等企业，主动出击，以全球化的视野开拓全新的市场空间。他们当中的很多企业都是技术驱动型或者思维创新型，正引领着中国“出海”企业实现从量到质的升级。

随着数字经济的蓬勃发展，中国“出海”企业也经历着从“数字化出海”到“出海数字化”的转变。各行各业的出海者借助数字化、智能化技术，践行着业务的转型与创新。在这个过程中，云计算作为不可或缺的数字底座，也成了“出海”企业实现“全球化拓展、本地化运营”的重要基石。

中桥咨询的调研数据显示，在已经“出海”的中国企业中，大企业的占比为63%，中小企业为37%；而在计划“出海”的企业中，大企业为35%，中小企业高达65%。紧随大型国央企“出海”的步伐，越来越多的民营企业、中小企业成为“出海”的生力军。由于规模不同、“出海”需求不同、所处的上云阶段不同，民营企业与中小企业在借云出海方面，一方面潜力巨大，另一方面需求各异，尤其对于成本、灵活性、易用性等十分敏感。如何降低企业“出海”的技术门槛，以更加灵活的架构、更经济的方式，满足差异化的上云需求，对云服务商来说是一个新的考验。



2023年是“一带一路”倡议提出十周年。该倡议在客观上加速了中国企业走向全球化的步伐，并深度融入海外生态。有统计数据显示，2023年，我国有进出口记录的外贸经营主体首次超过60万家。与其在中国市场上“内卷”，不如将目光投向更广阔的全球市场。从国家和政府层面，为推动经济高质量发展，更需要持续推进高水平对外开放，鼓励多种类型的企业积极“出海”，释放跨境业务红利。面对“出海”主体更加广泛和多样，同时高质量“出海”成为刚需，作为“出海”企业的桥头堡，云服务商更要稳中求变，进中求胜。

**云服务商会如何“卷”？**

中国企业加速大规模“出海”，对海外的数字化、云化基础设施的需求更加迫切。这对云服务商来说是千载难逢的机会。与此相适应，国内的一些大型云服务商也加紧了“出海”步伐；而海外的云服务商，则凭借更广泛、深厚的海外站点布局，期待更多中国“出海”企业的到来。机遇意味着更加激烈的竞争。在服务同质化的趋势下，各云服务商如何才能凸显自身的差异化，在这波“出海”大潮中站稳脚跟呢？

IDC研究认为，中国企业“出海”上云时，将面临以下关键挑战：针对繁多的海外安全合规和隐私保护要求，“出海”企业的合规难度加大，合规成本更高；云网基础设施要适应企业业务全球化布局的需求，就必须具备覆盖广泛、接入灵活、统一调度的特质；业务本地化运营是“出海”企业的拦路虎，克服语言文化、风俗习惯、消费习惯的障碍甚至是冲突，更加贴近本地用户的实际需求，实现产品和服务的本地化是“硬道理”。

综合分析总结多家中国成功“出海”企业上云、用云的经验，他们在选择云服务商时通常会考虑以下几方面因素：首先，企业会明确自身的需求和目标，根据业务规模、数据类型、存储需求、数据处理和分析能力等，确定所需要的云服务的类型及规模；其次，考虑到业务的连续性，企业会格外注意云服务商是否具备高可用性、高容错能力的解决方案，提供可靠、稳定的服务，具有良好的信誉和口碑；再次，安全合规能力是云服务商必备的一项能力，云服务商要能提供全面的数据加密、访问控制、安全审计等措施，确保企业数据的安全，并且遵循国际安全标准和相关法律法规；最后，云服务商要具有过硬件的技术实力以及创新能力，能够与时俱进，通过持续的技术、功能和服务上的创新，满足快速变化的市场需求。另外特别值得一提的是，很多用户会纠结于上云的成本，有时甚至会“斤斤计较”。这就要求云服务商能够提供具有竞争力的定价模式和计费方式，在保证业务灵活、稳定、安全的同时，还能有效降低运营成本。



总之，企业在选择“出海”云服务商时，会在通盘考虑其业务需求的基础之上，对云服务商提供的服务的可靠性、安全合规性、成本效益、管理简便性等进地综合评估，以便选择出最适合自己的“出海”伙伴。

**“大而全”还是“小而美”？**

对于中国“出海”企业来说，在选择云服务商时，到底是“大而全”更好，还是“小而美”更优呢？

这里所说的“大、小”并不完全指云服务商的规模，而是说有一些云服务商可能因为市场宣传等方面的因素，不像亚马逊云科技、阿里云那样名声在外，但就是这些“小而美”的云服务商，其战略布局、技术能力、服务质量等与那些“大而全”的云服务商相比毫不逊色，甚至在上云简便性、成本经济性、服务创新性等方面更具特色。从这个角度说，这些“小而美”的云服务商不应该被中国“出海”企业错过。作为一家务实的云服务商，DigitalOcean就是典型的“小而美”的代表。

那么，DigitalOcean到底“美”在哪里呢？

第一，全球化布局，DigitalOcean云服务兼具高性能与稳定性。“出海”企业往往都有自己宏伟的全球化发展规划，但是跨越多个国家和地区的运营却是一个不能回避的现实难题，一旦云服务出现故障甚至宕机，将造成不可挽回的经济与声誉损失。近日就曝出，国内一家知名云服务商宕机近1个小时。

目前，DigitalOcean在全球9个地区拥有15个分布式数据中心，为全球客户提供了强大的全球基础设施和可靠的网络连接，SLA可用性保障达到99.99%。全球60万+客户选择DigitalOcean的云服务已经充分说明了问题。

由于业务跨越全球多个地方，“出海”企业更需要高并发处理能力与低延迟响应，尤其是程序化广告、社交应用、游戏等应用更是如此。因此，云服务的性能也是“出海”企业首要考虑的因素之一。DigitalOcean的云主机Droplet使用SSD存储有效解决了快速访问数据的问题。同时，云主机还采用了持续迭代的 Intel Xeon和AMD Epyc处理器，能够为企业的关键型业务提供更高性能的支持。

第二，对于“出海”企业来说，尽快融入海外当地市场，实现安全、合规的本地化运营是一道必须跨越的关卡。各个国家都相继出台了严格的关于企业合规、数据中心运营、数据保护等方面的法律法规以及相关标准。“出海”企业必须充分了解并遵守目标国家或地区的法律法规，加强自身的内部管理，提升合规意识，降低合规风险。DigitalOcean是一家全球运营的云服务商，服务着多个国家和地区的客户，熟悉当地的法律法规与运作习惯，可以引导并帮助中国“出海”企业更快地融入当地，少走弯路。

第三，DigitalOcean云服务对用户友好。很多企业专注于自身的业务，而对于云计算、大数据、人工智能等新技术并不擅长。一朵对用户友好的云，可以有效降低用户上云的门槛，加速企业的产品研发和上市速度，更好地拓展市场。DigitalOcean正是以云服务的易用性见长——易部署、易访问、易运营、易维护。举例来说，用户只需打开文档，跟着文档操作，即使不是一名有经验的工程师，也能在几分钟内部署好一台云主机。另外，DigitalOcean还提供了大量“一键式应用程序”，比如通过一键部署WordPress，可快速搭建自己的网站；一键部署Jitis服务，可加速社交泛娱乐应用的开发……总之，这些细节功能与巧思妙想，能够让企业快速开启业务，节省手动配置和操作的时间和精力。

“1分钟、4个步骤，即可开启用户业务的上云之旅”，这句话就位于DigitalOcean网站首页最显眼的地方，也让DigitalOcean的用户津津乐道。

第四，DigitalOcean云服务的成本更可控，让客户感觉轻松、放心。比如，DigitalOcean的流量计费模型很简单，入站传输免费，每台云主机都包含500GB～11TB的免费出站流量，账户下的所有主机的流量会组成一个共享流量池，用来抵扣账户下的入出站流量。DigitalOcean的很多客户一致认同，DigitalOcean的计费模式非常简单，他们可以轻松预测并弄清需支付的费用，即使业务部署在多个区域也会一目了然。这一特点对于中小企业用户来说颇具吸引力。Forrester的研究显示，DigitalOcean可预测的定价和领先的性价比有助于客户实现186%的投资回报率。

第五，扎根中国，服务全球。DigitalOcean已经进入中国市场，通过本地的合作伙伴，更深入地了解中国“出海”企业的需求、应用习惯等，能够提供全面、快捷、贴身的技术支持与服务。

第六，DigitalOcean想用户之所想，与时俱进。随着人工智能、万物互联的快速发展，互联网上必将承载更多应用，从IPv4向IPv6迭代成为大势所趋。相比有些云服务商通过向客户使用的公共IPv4地址收费，以促进用户快速转向IPv6的策略不同，DigitalOcean为开发者提供的IPv4与IPv6均不收取费用。而且DigitalOcean的虚拟私有服务器实例Droplets（云服务器）同时支持IPv4与IPv6。开发者可以在创建Droplet时或创建后，在Droplet上启用IPv6，还可以免费启用一个Reserve IP。



特别值得一提的是，DigitalOcean在2023年中，收购了同样以开发者体验著称的[GPU云平台](https://www.aidroplet.com/product/gpu/)Paperspace，并快速整合到现有云服务业务中。现在，“出海”企业可以通过DigitalOcean获取最新的GPU算力，包括H100、A100、A6000、A5000等。

为了保证业务的连续性，同时也为了给不同的业务提供最适合的云，很多企业都倾向于选择两朵以上的云，甚至是多朵云，“出海”企业也不例外。因此，企业应该习惯和更有策略地与多个云服务商打交道，有效实现多云的协同与互补。无论如何，DigitalOcean为中国“出海”企业提供了多一种上云选择。

DigitalOcean现已通过其合作伙伴[卓普云科技](https://www.aidroplet.com/)，为中国企业提供中文的技术支持和商务支持。

large_haiwaiyunfuwuqi-tuijian.jpg

medium_haiwaiyunfuwuqi-tuijian.jpg

small_haiwaiyunfuwuqi-tuijian.jpg

thumbnail_haiwaiyunfuwuqi-tuijian.jpg

xsmall_haiwaiyunfuwuqi-tuijian.jpg

haiwaiyunfuwuqi-tuijian.jpg

不出海就出局！DigitalOcean凭6大硬核优势成中小企业出海首选云

海外云服务“内卷”，让中国企业出海有了新选择

对**高性能计算** **(** **HPC** **)** 资源的需求，尤其是用于**尖端训练和推理工作负载**的需求，正持续呈指数级增长。我们深知，欧洲的开发者和企业需要简单、**本地化**地访问强大的 **GPU**，以保持他们的创新渠道快速发展。同时，也有不少中国及其他地区的企业希望在欧洲的数据中心使用 GPU 服务器。

DigitalOcean 近日宣布，**NVIDIA HGX H100** 现已作为 **[GPU Droplets服务器产品](https://www.aidroplet.com/product/gpu/)**——DigitalOcean 的按需实例——在**阿姆斯特丹数据中心上线**。通过将 NVIDIA HGX H100 GPU 集成到位于欧洲的数据中心，我们正在让开发者和数字原生企业能够更简单地获取尖端性能，同时享受你对 DigitalOcean 一贯的期望：**简单易用性**和**经济实惠**。

## 利用 NVIDIA HGX H100 和 DigitalOcean 加速训练工作负载

**NVIDIA HGX H100** 是一款功能强大的 GPU，以其**训练速度**而闻名。它涵盖了一系列用例，包括训练 **LLM** **（大型语言模型）** 、**推理**和**高性能计算**。

DigitalOcean 的客户正在将 NVIDIA HGX H100 置于复杂的用例测试中。**WindBorne Systems** 运营着世界上最大的气球星座，同时也在开发用于实时预测的最先进深度学习模型，他们依靠 DigitalOcean 上的 NVIDIA HGX H100 进行训练。结合 NVIDIA 的先进技术和 DigitalOcean 的资源，他们发现 DigitalOcean 的基础设施让他们能够**比其他云选项更快、更具成本效益地**在 H100 上训练模型。

“我们每个节点都有 **2 TB 的** **RAM**，我们利用它来训练更大的模型。DigitalOcean 能够为我们提供所需的所有资源，这些资源我们在其他地方往往找不到，这非常有帮助。”**Anuj Shetty, WindBorne Systems** **机器学习** **工程师表示。**

## 简单、强大的 GPU Droplets

与所有 DigitalOcean 产品一样，GPU Droplets 的设计宗旨之一就是**简化操作**。你只需点击几下即可启动它们，从而摆脱复杂的**基础** **设施管理**。

这些 GPU Droplets 还可以与我们新的**推理优化镜像 (Inference-Optimized Image)** 配合使用，这是一个预配置的镜像，可为你完成工作。该功能提供了一个即时**生产级环境**，内置了 **CUDA** 和 **FlashAttention** 等优化，让你可以快速地从 Droplet 启动过渡到实时推理。

**安全性和合规性**也是重中之重。所有 GPU Droplets 都符合 **HIPAA** 和 **SOC** **2** 标准，让你高枕无忧。你可以将这些强大的 Droplets 与我们托管的 **Kubernetes** 服务以及我们的 **DigitalOcean Gradient** **AI** **TM** **Platform** 结合使用，以构建和扩展全面的 **AI 驱动型应用程序**。

## 注册即可使用

你现在就可以开始使用 **NVIDIA HGX H100**，按需价格**低至 $2.99/** **GPU** **/小时**，或签订数月承诺合约后**低至 $1.99/GPU/小时**。

我们还在所有数据中心以**经济实惠的价格**提供全系列的 **NVIDIA GPU Droplet 选项**，包括 **NVIDIA HGX H200s**、**NVIDIA RTX 4000 Ada Generation** 和 **NVIDIA RTX 6000 Ada Generation**，以及 **NVIDIA L40S**。我们的 **AMD 产品**也在持续增长——我们最近在已有的 [**AMD Instinct™ MI300X GPU** ](https://blog.aidroplet.com/product-updates/mi300x-droplet-launch/)基础上，新增了 **[AMD Instinct™ MI325X GPU](https://blog.aidroplet.com/product-updates/mi325x-launch/)**。

需要更多信息？请咨询 DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com，了解更多关于这些 GPU 的信息，以及如何利用 DigitalOcean 从头到尾扩展你的 AI 工作负载。

large_images (2).png

medium_images (2).png

small_images (2).png

thumbnail_images (2).png

xsmall_images (2).png

images (2).png

DigitalOcean 在欧洲数据中心上线 NVIDIA HGX H100 GPU Droplets，为欧洲开发者提供按需的高性能计算资源，加速 AI 训练与推理。

NVIDIA HGX H100 GPU 服务器现已在 DigitalOcean 欧洲数据中心上线

你是否曾遭遇数据库“磁盘已满”的惊魂一刻？这种令人抓狂的突发状况不仅拖垮性能，还可能让应用直接宕机，逼得你半夜爬起来手动扩容。现在，开发者和 DBA 们终于可以松一口气——我们为全球托管数据库（Managed Databases）全线产品推出存储自动扩缩（Storage Autoscaling）。

这项新能力会在你的数据库存储告急时自动扩容，完全无需你动手，为快速成长的应用提供一张全天候、自动生效的安全网。

## 免费启用，让你的数据库更智能

核心思路是“防患于未然”。系统持续监控磁盘使用率，一旦达到你设定的阈值，便在后台静默完成扩容。整个过程无缝、自动，数据库持续在线，无需任何人工干预。[MySQL](https://www.aidroplet.com/product/mysql/)、[PostgreSQL](https://www.aidroplet.com/product/postgresql/)、[MongoDB](https://www.aidroplet.com/product/mongodb/)、[Kafka](https://www.aidroplet.com/product/kafka/)、[OpenSearch](https://www.aidroplet.com/product/opensearch/) 等所有托管数据库用户**均可免费启用**。

四大立竿见影的价值

1、性能与可靠性双提升

自动加盘，彻底杜绝“磁盘写满”导致的性能雪崩或停机。无论流量突增还是数据暴涨，应用都能保持响应，真正做到“数据涨、业务稳”。

2、运维负担归零

再也不用定时巡检磁盘、半夜被告警叫醒。平台代你完成存储扩容，开发团队得以把精力投入到功能迭代与创新，而非数据库杂务。

3、成本更优

按需小步快跑式扩容，用多少付多少，避免一次性预购大量闲置空间。既省去紧急升级高价套餐的“惊吓账单”，也让存储成本始终贴合真实需求。

4、容量永远“刚刚好”

告别“为了保险多买三倍磁盘”的 guessing game。系统实时匹配资源与业务量，自动在临界点精准扩容，让工作负载始终处于最优配置。

该功能的真实使用场景包括但不限于：

-   电商大促：黑五、闪购或病毒营销瞬间涌入海量订单，数据库自动扩容，与大促流量同步“飙车”。
-   日志/事件数据暴涨：故障排查、安全审计期间日志体积激增，自动扩容保你“有多少存多少”。
-   SaaS 多租户突增：单个 VIP 客户或新用户批量入驻导致存储飙升，运维侧毫无感知。
-   CI/CD 测试流水线：自动化测试生成的临时数据集再庞大，也不会因磁盘满而中断构建。

存储自动扩缩用极简方案解决常见痛点。现在，你可以确信托管数据库会默默消化一切数据增长，而你只需专注打造卓越应用。如需了解DigitalOcean 更多产品详情，可咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

large_images.jpeg

medium_images.jpeg

small_images.jpeg

thumbnail_images.jpeg

xsmall_images.jpeg

images.jpeg

我们为全球托管数据库推出存储自动扩缩功能。它能实时监控并在存储告急时自动扩容，彻底消除“磁盘已满”宕机风险，降低运维负担与成本，确保应用高性能与高可靠性。

DigitalOcean 托管数据库自动扩容正式上线

开发者构建 AI 的方式正在快速演变——[DigitalOcean Gradient™ AI Platform ](https://www.aidroplet.com/product/gpu/)也在同步进化。调试数据、从零重写智能体、手动把 AI 接入工作流……这些都会拖慢你的速度。Gradient AI Platform 正在升级，帮你更智能、更快、更安心地完成开发。

本月，我们发布四项更新，让 AI 开发更透明、更高效、更安全：

-   知识库活动日志：追踪与调试索引任务
-   智能体模板：极速启动项目
-   n8n 集成：自动化工作流
-   增强护栏：让 AI 更安全

## 用活动日志打造更强大的知识库

当你向知识库添加数据时，后台的具体进程往往并不透明：索引任务完成了吗？有没有文件索引失败？为什么数据迟迟没有显示在知识库中？过去要排查这些问题，只能靠猜测。活动日志为每次运行提供清晰的可见性，让你随时掌握哪些成功、哪些失败，以及失败原因。

-   **实时提示**：正在执行的任务会显示横幅提醒
-   **历史视图**：随时回顾过去的执行记录
-   **CSV** **下载**：可导出每个数据源的错误详情

有了这一更新，你可以快速定位并修复问题，不再需要反复试错，就能对知识库的状态充满信心。

![79358b59-a75d-4de3-9309-59fd43ff0a25.png](https://blog.aidroplet.com/uploads/79358b59_a75d_4de3_9309_59fd43ff0a25_a208d057d1.png)

## 用 Agent 模板更快构建

为什么要从零开始？直接使用现成的 Agent 模板即可。Agent 模板是托管在 GitHub 上的代码项目，你可以克隆、定制并在几分钟内部署。

-   **llm-Auditor Agent**：结合 Tavily 进行事实核查，可选接入知识库，确保回答准确
-   **Product Documentation Agent**：将产品文档转化为对象存储，构建并索引知识库，部署带引用回答的 Agent，并针对高性能 RAG 支持进行优化
-   **SQL** **Agent**：将自然语言转换为安全的只读 SQL 查询
-   **Twilio** **API** **Agent**：通过 Twilio 发送营销短信，逻辑开箱即用

每个 Gradient AI Platform 模板都包含依赖项、配置和示例，让你专注于功能开发，而不是环境搭建。

👉 **在** **GitHub** **浏览 Agent 模板 →** **https://github.com/digitalocean/gradient-agent-templates**

## 用 n8n 集成实现自动化工作流

借助全新的 n8n 社区节点，你可以将 DigitalOcean 的无服务器推理（Serverless Inference）直接接入 n8n 工作流，无需写代码。

-   **多角色对话**：支持 system、user 和 assistant 角色，构建更复杂、具备上下文的交互
-   **多模型选择**：可自由选择最适合工作流的 Gradient AI Platform 模型
-   **可调参数**：灵活设置 temperature、max tokens 等参数，微调生成结果
-   **简便的凭证管理**：使用 Gradient AI 平台的模型访问密钥快速完成认证

对于已经使用 n8n 的开发者来说，这意味着可以通过简单的拖拽，将聊天机器人、内容生成或自动回复等 AI 功能直接嵌入工作流中。安装 DigitalOcean n8n 节点，连接无服务器推理环境，即可在几分钟内打造智能自动化流程。

![22beee45-8968-4c35-a022-8c28a098a3dc.png](https://blog.aidroplet.com/uploads/22beee45_8968_4c35_a022_8c28a098a3dc_ae950c34c6.png)

# 增强 Guardrails，给 AI 加把锁

智能体很强，也怕恶意输入和越狱攻击。升级版 Guardrails 帮你把风险挡在门外：

-   **更强越狱检测**：集成 Meta 最新 [Llama Guard 4](https://ai.meta.com/resources/models-and-libraries/llama-guard-4/)，提前拦截恶意 prompt

-   **输入自动防护**：实时屏蔽有害请求

-   **覆盖更广**：欺诈、非法活动、恶意软件、暴力、仇恨言论全识别

-   **低延迟** **、生产级**：实时运行，不影响响应速度

  

控制台一键开启，聊天机器人、内容生成、客服 AI 统统加锁。

![a9ce38f5-e705-4c36-a5c5-226309e39c24.png](https://blog.aidroplet.com/uploads/a9ce38f5_e705_4c36_a5c5_226309e39c24_47f0b4c7fe.png)
# 持续进化，只为开发者

从索引数据、构建智能体，到部署应用、自动化工作流，Gradient AI Platform 陪你一路升级。今天这些更新，只是让 AI 开发更简单、更快速、更安全的新起点。如需了解更多详情，可访问DigitalOcean英文官网文档中心，或咨询[DigialOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

large_images (1).png

medium_images (1).png

small_images (1).png

thumbnail_images (1).png

xsmall_images (1).png

images (1).png

DigitalOcean Gradient AI 推出多项新功能，加速开发、简化调试并强化安全防护。

更快、更智能地构建AI项目：Gradient AI 平台全新升级

在 DigitalOcean Kubernetes 集群中管理流量，一直以来主要依赖 **Ingress**。虽然能满足基本需求，但在灵活性、角色分离和高级路由方面仍存在局限。今天，我们很高兴迎来新的改变。

我们正式宣布，**Kubernetes** **Gateway** ******API** **托管服务**现已预装在所有 DigitalOcean Kubernetes（DOKS）集群中，无需额外费用，即开即用。

这一新一代流量管理方案，比 Ingress 更具表现力、更易扩展、也更加强大。更重要的是，它基于 **Cilium 的高性能** **eBPF** **实现**，在无需传统代理开销的情况下，提供卓越的性能和先进的路由能力。

### 主要优势

-   **零配置即可使用**：Gateway API 已通过 Cilium 预装在所有 DOKS 集群中
-   **高级流量管理**：支持基于请求头的路由、流量分流和金丝雀发布
-   **卓越性能**：Cilium 的 eBPF 在内核态运行，彻底消除代理开销
-   **原生** **负载均衡** **集成**：与 DigitalOcean 网络负载均衡器无缝结合
-   **多租户支持**：内置跨命名空间的资源共享，并通过 RBAC 实现安全管控
-   **面向未来的** **API**：由 Kubernetes 社区持续开发和标准化

### 为什么要超越 Ingress？—— Gateway API 的优势

Gateway API 由 Kubernetes 社区设计，旨在解决 Ingress API 的根本局限。它采用 **角色导向的资源模型**，将基础设施管理与应用路由清晰分离。

-   **集群运维人员** 管理 Gateway 资源，决定流量如何进入集群（例如配置 DigitalOcean 负载均衡器）。
-   **应用开发者** 管理 Route 资源（如 HTTPRoute），决定流量如何路由到各自的应用。

这种分工让职责更加明确，避免团队之间的相互干扰。

| **特性** | **Ingress**    | **Gateway** **API**    |
| ------- | -------------- | -------------------------- |
| 资源模型    | 单一整体式资源        | 分离的 Gateway + Route 资源     |
| 团队协作流程  | 所有团队编辑同一资源     | 明确的基础设施/应用分离               |
| 路由功能    | 基础路径/主机匹配      | 支持头部、方法、权重、重定向             |
| 路由协议支持  | 仅支持 HTTP/HTTPS | 支持 HTTP、HTTPS、TCP、UDP、gRPC |
| 扩展性     | 基于注解           | 原生 API 字段 + 自定义策略          |

### DigitalOcean 的差异化优势：Cilium + eBPF 带来的性能

我们的 Gateway API 实现不仅仅是架构更合理，更重要的是 **性能的飞跃**。 借助 Cilium，我们在 Linux 内核中直接利用 eBPF 处理流量，完全绕过 NGINX、HAProxy 等传统代理带来的开销。

这对应用意味着：

-   **更** **低延迟**：无需经过用户态代理转发
-   **更高吞吐**：零拷贝的数据包处理
-   **更少** **CPU** **占用**：内核级原生操作
-   **更小** **内存** **开销**：无需额外的代理 Pod 或 sidecar

你可以在不牺牲性能的前提下，获得高级的路由功能。

### 价格

DOKS 已默认包含 Gateway API 支持，无需额外付费。你只需支付：

-   由 Gateway 资源创建的 DigitalOcean 负载均衡器费用
-   标准 DOKS 集群使用费用

### 在 DOKS 上体验 Gateway API

你可以查阅我们的[产品文档与版本说明](https://docs.digitalocean.com/products/kubernetes/#9-september-2025%5Bwww.digitalocean.com%5D(%5Bwww.digitalocean.com%5D(https://www.digitalocean.com)))，快速上手 **Kubernetes 托管 Gateway API**。我们也将后续推出相关教程，请关注[DigitalOcean 中国区独家战略合作伙伴卓普云官网博客aidroplet.com](https://blog.aidroplet.com/?_gl=1*rzcpvv*_gcl_au*MTI5NjMzOTk3NS4xNzU0NDUwMzU2)。

large_images-3.png

medium_images-3.png

small_images-3.png

thumbnail_images-3.png

xsmall_images-3.png

images-3.png

DigitalOcean 在 DOKS 集群中预装 Kubernetes Gateway API，零配置即可使用，性能优于 Ingress。

DigitalOcean Kubernetes 现已支持 Gateway API 托管服务

过去几年里，AI 从一个科研话题，迅速成为产业和资本追逐的核心。无论是大模型的训练与推理，还是高性能计算、科学模拟，**GPU** **都是不可或缺的** **算力** **底座**。在所有 GPU 芯片中，NVIDIA 的 H100 已经成为最受关注的一款。

这块基于 Hopper 架构的旗舰 GPU，提供了前所未有的算力优势：在 Transformer 类模型的训练中性能大幅领先上一代 A100，并且通过 NVLink、InfiniBand 等互联技术，在大规模分布式训练中展现出惊人的效率。也正因如此，全球范围内对 H100 的需求出现了爆炸式增长，很多企业发现“GPU 资源短缺”成了 AI 项目推进的最大瓶颈。

解决短缺最直接的方式是上云。但问题是：**不同云平台的 H100** **GPU** **定价差异极大**。在预算有限的情况下，如何选择性价比最高的平台，就成了研发团队和企业必须要回答的问题。

本文将对比AWS、AZure、GCP、Lambda、DigitalOcean、Oracle、CoreWave，这几个目前主要云平台的 H100 GPU 定价与特点。

## 一、H100 GPU 定价总览

在正式展开对比之前，我们先用简洁的项目列表，逐一列出各大云平台的按需定价。为了统一比较，这里包含了 AWS、Azure、Google Cloud、Oracle Cloud、Lambda Labs、CoreWeave 和 DigitalOcean 的 H100 GPU 实例对比，所有价格都换算为 **单张 H100 80** **GB** **GPU 的每小时价格**。

| 云服务商         | 实例配置                       | 单卡价格（美元/小时） | 主要特点                           |
| ------------ | -------------------------- | ----------- | ------------------------------ |
| DigitalOcean | H100 80GB 按需实例GPU Droplet。 | $3.39       | 价格透明，面向开发者，界面简洁，多 GPU 有折扣。     |
| Lambda Labs  | 8 × H100 SXM 80GB          | $3.29       | 低价平台，只做GPU服务。                  |
| CoreWeave    | 8 × H100 HGX, InfiniBand   | $6.16       | 高性能互联，适合高性能计算（HPC）工作负载。        |
| Azure        | NC H100 v5 VM              | $6.98       | 支持单卡实例，灵活性较高。                  |
| AWS          | p5.48xlarge                | $7.57       | 必须以 8 卡整机起租，适合大规模训练任务。         |
| Oracle Cloud | BM.GPU.H100.8              | $10.00      | 性能可靠，但价格高昂。                    |
| Google Cloud | a3-highgpu-1g              | $11.06      | 按需价格最贵，适合已依赖 Google AI 工具链的用户。 |

从这个价格列表可以看出：传统大厂（AWS、Azure、Google、Oracle）的价格普遍在 $7–11/小时的区间，而新兴算力平台（Lambda、RunPod、DigitalOcean）的价格则在 $3 左右。**[DigitalOcean GPU Droplet ](https://www.aidroplet.com/product/gpu)的价格比大厂便宜一半以上，同时又比 RunPod、Lambda 更可靠、更易用**。

## 二、性能与成本：谁是 GPU 算力 的“平衡点”？

为了让对比更直观，我们将聚焦于 NVIDIA H100 GPU，这是当前 AI 训练的主流选择。

1.  **DigitalOcean vs 云计算巨头 (** **AWS** **,** **Azure** **,** **GCP** **, Oracle)**

在 H100 实例价格上，DigitalOcean 展现出压倒性的优势。

-   **价格优势显著：** [ DigitalOcean GPU Droplet](https://www.aidroplet.com/product/gpu) 的 单卡 H100 价格为 **$3.39/小时**。这比 AWS（$7.57）、Azure（$6.98）、Google Cloud（$11.06）和 Oracle Cloud（$10.00）的单卡价格低了 **51%到69%** 。对于需要大规模训练或长期运行任务的企业来说，这意味着巨大的成本节约。
-   **实例灵活性更高：** AWS 和 Oracle Cloud 的一些 H100 实例只能以 **8 卡整机**起租，这对于需要进行小规模测试、模型推理或轻量级训练的初创企业而言，是极大的资源浪费。相比之下，DigitalOcean **支持单卡起步**，同时提供多卡及**裸金属机型**，满足从实验到生产的完整需求。

**总结：** 除非你的业务已经深度锁定在某家大厂生态中，否则在通用 GPU 算力需求上，DigitalOcean 的性价比和灵活性远超云计算巨头。

2.  **DigitalOcean vs 新兴低价平台 (Lambda Labs, CoreWeave)**

一些新兴平台以极致低价吸引用户，但与 DigitalOcean 相比，它们在综合服务能力上有所欠缺。

-   **价格：** DigitalOcean 与 **Lambda Labs**（$3.29）等平台的单卡价格非常接近，差距微乎其微。CoreWeave 等平台则因其特定的网络互联技术，价格高于 DigitalOcean。
-   **品牌与生态：** DigitalOcean 不仅是 GPU 服务商，更是一个拥有近十年经验的**通用云服务商**。这意味着它可以提供更全面的云基础设施，如稳定的数据存储、托管数据库和 Kubernetes 集群等。而许多低价平台的核心业务仅限于 GPU 服务，其生态和可靠性相对欠缺。
-   **用户体验与支持：** DigitalOcean 以其**简洁的界面和易用性**著称，大幅简化了部署和运维流程。在中国，通过**卓普云**提供的本地化支持，更是弥补了这些低价平台普遍存在的服务短板。

**总结：** DigitalOcean 的 H100 服务，在价格上不输低价平台，但在品牌可靠性、生态支持和用户体验上更胜一筹，是追求性价比与稳定性的团队的理想选择。

## 三、为什么 DigitalOcean 是 AI 算力的最佳平衡点？

云平台选择的本质，是在**成本、灵活性和可靠性**之间寻找平衡。DigitalOcean 正好位于这个独特的位置。

-   **成本优势：** 相比大厂，DigitalOcean 平均可节省 **51%–69%** 的成本。
-   **灵活部署：** 提供从单卡、多卡到裸金属的多种实例选择，满足从试验到生产的完整路径。
-   **企业级可靠性：** 作为一家拥有自营数据中心的成熟云服务商，其提供的 GPU 资源具有更高的可预测性和稳定性。严格的 SLA 和 24/7 技术支持为业务保驾护航。
-   **卓越的用户体验：** 界面直观，配置简单，能大幅缩短 AI 项目从开发到部署的时间。
-   **全面的生态支持：** 除了高性能 GPU，DigitalOcean 还提供可独立扩展的块存储、对象存储和托管数据库等服务，满足 AI 场景所需的全方位基础设施。
-   **定制化的本地支持：** 通过与卓普云的合作，DigitalOcean 为中国出海企业提供了定制化的本地支持，包括中文工程师、人民币结算和境内开票，极大地简化了财务和运维流程。

此外，DigitalOcean 还提供 H200、MI325X、RTX 6000 等多种旗舰及高性价比 GPU 型号，以及按需、预留和裸金属等多种机型选择，让用户能够更灵活地选择最适合的算力。

如果你正在为出海部署 AI 系统而苦恼，不妨试试配置一台 DigitalOcean 的 GPU Droplet 服务器。如需获取 DigitalOcean 中国区 GPU 免费试用资格或出海部署建议，可联系[卓普云（aidroplet.com）](https://www.aidroplet.com/product/gpu)技术顾问获取专属资源支持。

large_images-2.png

medium_images-2.png

small_images-2.png

thumbnail_images-2.png

xsmall_images-2.png

images-2.png

本文深度对比了AWS、Azure等主流云服务与DigitalOcean的H100 GPU服务器。文章指出，DigitalOcean凭借高性价比、灵活部署和本土化支持，成为中国出海企业AI算力需求的理想平衡点。

H100 云算力哪家强？AWS、Azure、DigitalOcean等8大平台对比

GPU计算已彻底改变了各个行业，推动了自动驾驶、机器人和分子生物学等领域的深度学习应用进步。这些机器提供的高速并行处理能力，能加速训练和推断深度学习模型所需的**矩阵乘法**计算。这些模型由多层相互连接的节点（**神经网络**）组成，需要处理和转换海量数据。

在AI研发中，更快、更便宜地训练神经网络和执行推断是首要任务。对于**GPU** **计算**而言，这意味着需要更好地理解如何优化GPU性能。

### **核心要点**

-   **GPU** **优化**对于更快的深度学习训练和高效的资源利用至关重要。
-   **批量大小**、**混合精度**和**数据管道**直接影响性能。
-   **CUDA**、**cuDNN**和优化的框架有助于最大限度地发挥GPU潜力。
-   像**NVIDIA Nsight Systems**和**PyTorch** **Profiler**这样的**分析工具**可以帮助识别性能瓶颈。
-   **内存** **管理技术**（如**梯度检查点**和**模型** **剪枝**）能减轻GPU的负担。
-   **使用多** **GPU** **和** **分布式** **训练进行扩展**可以提高大型模型的效率。

熟悉以下内容将有助于理解本文所介绍的主题：

-   机器学习（ML）和深度学习基础知识（矩阵乘法、神经网络、Python、PyTorch）
-   数据类型（INT、FP等）
-   最新的NVIDIA GPU架构：Blackwell（已宣布，但尚未上市）、Hopper（2022）、Ampere（2020）
-   CUDA和GPU内存层次结构

### **GPU** **优化简介**

本文旨在为读者提供改进其计算体验所需的见解。建议那些热衷于优化GPU性能的人士，学习最新**GPU架构**的特性，了解GPU编程语言的现状，并熟悉**NVIDIA Nsight**和**SMI**等性能监控工具。通过反复试验、基准测试和迭代GPU优化，对于更好地利用硬件至关重要。

### **利用NVIDIA** **GPU** **的硬件特性**

了解GPU架构的复杂性可以提升您对**大规模** **并行** **处理器编程**的直觉。NVIDIA在 successive GPU iterations中引入了许多专用硬件特性，以加速其并行处理能力。

#### **Tensor** **Cores**

默认情况下，许多深度学习库（如PyTorch）使用单精度（FP32）进行训练。然而，单精度并非总是达到最佳精度的必要条件。较低的精度需要较少的内存，从而提高数据访问速度（**内存带宽**）。

**Tensor** **Cores**支持**混合精度计算**，即仅在必要时使用FP32，并使用在不影响精度的情况下最低精度的数据类型。目前，Tensor Cores有五代，第四代在Hopper架构中，第五代在Blackwell架构中。

| Tensor Core    | 引入的数据类型                           |
| -------------- | --------------------------------- |
| Volta（第一代）     | FP16, FP32                        |
| Ampere（第三代）    | 稀疏性, INT8, INT4, FP64, BF16, TF32 |
| Hopper（第四代）    | FP8                               |
| Blackwell（第五代） | FP4                               |

#### **Transformer Engine**

**Transformer Engine**是一个库，支持Hopper GPU上的8位浮点（FP8）精度。Hopper GPU中引入FP8精度在不影响精度的情况下提高了性能。第二代Transformer Engine将出现在Blackwell架构中，支持FP4精度。

#### **Tensor** **Memory** **Accelerator**

**Tensor** **Memory** **Accelerator**（TMA）支持GPU全局内存和共享内存之间的异步内存传输。在TMA之前，需要多个线程和warp协同工作来复制数据。相比之下，有了TMA，线程块中的单个线程就可以发出TMA指令，从而异步处理复制操作。

### **GPU** **是可编程的**

思考一下：硬件设计会影响CUDA语言吗？还是CUDA语言推动了硬件设计？两者都对。硬件和软件之间的这种关系在2022年GTC演讲《**How CUDA Programming Works**》中得到了很好的阐述，Stephen Jones在其中解释道，CUDA语言的演变是为了让硬件的物理特性更具可编程性。

#### **CUDA**

**CUDA**（Compute Unified Device Architecture）是一个为配置GPU而设计的并行计算平台。CUDA支持C、C++、Fortran和Python等编程语言。

#### **CUDA** **库**

CUDA之上构建了许多库，以扩展其功能。其中一些著名的包括：

-   **cuBLAS**：一个GPU加速的基础线性代数（BLAS）库，能够加速低精度和混合精度的矩阵乘法。
-   **cuDNN**（CUDA Deep Neural Network）：一个提供DNN应用中常见操作实现的库，如卷积、注意力、矩阵乘法、池化、张量转换函数等。
-   **CUTLASS**（CUDA Templates for Linear Algebra Subroutines）：一个支持混合精度计算的库，为各种数据类型提供优化的操作，包括浮点（FP16到FP64）、整数（4/8位）和二进制（1位）。它利用NVIDIA的Tensor Cores进行高吞吐量的矩阵乘法。
-   **CuTe**（CUDA Templates）：一个仅包含头文件的C++库，提供**Layout**和**Tensor**模板。这些抽象封装了关于数据的基本信息，如类型、形状、内存位置和组织方式，同时还能实现复杂的索引操作。

#### **Triton**

**Triton**是一种基于Python的并行编程语言和编译器。Triton的创建者Phil Tillet在**此视频**中解释道，该语言旨在解决CUDA和现有特定领域语言（DSLs）在GPU编程方面的局限性。

虽然CUDA非常有效，但对于没有专业GPU编程经验的研究人员和从业者来说，它通常过于复杂。这种复杂性不仅阻碍了GPU专家和ML研究人员之间的沟通，也阻碍了在计算密集型领域中加速开发所需的快速迭代。

此外，现有的DSL具有限制性。它们缺乏对自定义数据结构的支持以及对并行化策略和资源分配的控制。

Triton通过允许其用户在SRAM中定义和操作张量，并使用类似torch的运算符进行修改，同时仍然提供实现自定义并行化和资源管理策略的灵活性，从而达到了平衡。Triton通过让没有丰富的CUDA经验的人也能够编写高效的GPU代码，从而帮助**民主化**了GPU编程。

### **利用** **内存** **层次结构**

GPU拥有多种内存类型，其大小和速度各不相同。内存大小和速度之间的反比关系是**GPU内存层次结构**的基础。将变量策略性地分配到不同的CUDA内存类型，可以使开发人员更好地控制其程序的性能。指定的内存类型会影响变量的作用域（仅限于单个线程、在线程块内共享等）和访问速度。存储在高速内存（如寄存器或共享内存）中的变量可以比存储在全局内存等较慢内存类型中的变量更快地检索。

![flashattention.png](https://blog.aidroplet.com/uploads/flashattention_afeb629a4e.png)

**FlashAttention**就是利用内存层次结构的一个硬件感知算法示例。

### **GPU** **性能到底意味着什么？**

GPU计算中的性能评估取决于预期的用例。尽管如此，用于评估整体效率的关键指标包括**延迟**和**吞吐量**。

**延迟**是指请求和响应之间的时间延迟。在我们最喜欢的并行处理器（GPU）的上下文中，请求是GPU收到处理命令时，响应是处理完成并返回结果时。

**吞吐量**是GPU每秒处理的单元数。此指标反映了GPU处理多个任务的并行能力。GPU架构师和开发人员努力**最小化延迟并最大化吞吐量**。

在对GPU进行基准测试时，通常会关注这些指标。例如，《**Benchmarking and Dissecting the Nvidia Hopper GPU Architecture**》研究报告，针对Hopper GPU的不同内存单元、Tensor Cores以及Hopper引入的新CUDA编程特性（DPX、异步数据移动和分布式共享内存）进行了延迟和吞吐量测试。

![stephjonesflops.png](https://blog.aidroplet.com/uploads/stephjonesflops_6fc9a6fada.png)

正如Stephen Jones在2022年GTC演讲《How CUDA Programming Works》中所说：每秒浮点运算次数（FLOPS）通常被引用为性能衡量标准，但它很少是限制性因素。GPU通常具有充足的浮点计算能力，因此，**内存** **带宽**等其他方面被证明是更重要的瓶颈。

* * *

### **性能监控工具**

GPU性能监控使开发人员和系统管理员能够识别瓶颈（是受内存限制、延迟限制还是计算限制？）、有效分配GPU资源、防止过热、管理功耗，并就硬件升级做出明智决策。NVIDIA提供了两个强大的GPU监控工具：**Nsight**和**SMI**。

#### **NVIDIA Nsight**

**NVIDIA Nsight Systems**是一个系统级性能分析工具，可以可视化应用程序的算法并识别可优化的区域。有关NVIDIA Nsight Compute的更多信息，请参阅**内核分析指南**。

#### **NVIDIA System Management Interface**

NVIDIA**System Management Interface**（nvidia-smi）是基于NVIDIA **Management Library**构建的命令行工具，用于管理和监控GPU设备。更多信息可以在**nvidia-smi文档**中找到。

![smioutput.png](https://blog.aidroplet.com/uploads/smioutput_0ccaa2f98c.png)

### **常见问题解答（FAQs）**

#### **1. 为什么** **GPU** **优化对** **深度学习** **很重要？**

深度学习模型通常需要数十亿个参数和海量数据集。如果不进行优化，训练可能需要数天甚至数周，导致成本高昂和实验速度变慢。**优化GPU使用**有助于缩短训练时间、提高准确性并更好地利用可用资源。这对于希望更快创新的研究人员、初创公司和企业尤其有用。

#### **2. 有哪些常见的** **GPU** **性能优化技术？**

深度学习的关键优化技术包括：**调整批量大小**以最大化GPU利用率（同时平衡内存限制）；使用FP16进行**混合精度训练**以加速计算和减少内存使用；以及构建高效的**数据管道**，预先处理和加载数据。此外，**缓存和预取策略**有助于确保GPU始终有数据可供处理。总之，这些方法能使GPU完全投入计算，而不是在数据加载等较慢任务中闲置，最终提高速度和效率。

#### **3.** **CUDA** **和cuDNN在** **GPU** **优化中扮演什么角色？**

**CUDA**是NVIDIA的**并行计算** **平台**，允许像TensorFlow和PyTorch这样的深度学习框架利用GPU。**cuDNN**是一个专门用于深度学习操作（如卷积、池化和归一化）的GPU加速库。通过使用CUDA和cuDNN，模型运行速度比在CPU或未经优化的GPU代码上运行快得多。

#### **4. 如何识别** **深度学习** **工作流** **中的性能瓶颈？**

瓶颈可能发生在多个层面——数据加载、内存使用或计算。像**NVIDIA Nsight Systems**、**NVIDIA Nsight Compute**、**TensorBoard**或**PyTorch** **Profiler**这样的工具可以帮助可视化训练工作负载。它们可以突出显示GPU是否利用不足（由于数据管道缓慢）或者内存是否因低效操作而浪费。

#### **5. 有哪些** **GPU** **内存** **优化技术？**

管理有限GPU内存的成熟技术包括**梯度检查点**，它通过重新计算中间值而不是存储它们来节省内存；以及**模型** **剪枝**或**量化**，它们在对准确性影响最小的情况下缩小模型大小。此外，从FP32切换到FP16等更高效的数据类型可以减少总内存占用。总之，这些策略使得将更大的模型适配到受限的GPU资源中成为可能，同时最大限度地减少内存不足错误的风险。

#### **6. 多** **GPU** **和** **分布式** **训练如何提高性能？**

在训练超大数据集或模型时，单个GPU可能不足以胜任。**多GPU训练**将数据分割到多个GPU上，允许并行计算。**分布式** **训练**更进一步，将工作负载扩展到具有GPU的多台服务器上。这种方法可以加快训练速度，处理更大的模型，并缩短获得结果的时间。

#### **7. 不拥有昂贵硬件可以优化** **GPU** **性能吗？**

是的！像**[DigitalOcean Gradient™ AI GPU Droplets](https://www.aidroplet.com/product/gpu)**这样的云提供商提供了对高性能GPU（如NVIDIA A100或H100）的灵活访问。这意味着您只需为您使用的GPU时间付费，这对于不愿投资昂贵本地GPU的初创公司、研究人员或个人来说具有成本效益。这是一种可扩展的解决方案，使每个人都能进行优化。

### **结论**

本文并非对GPU优化的所有内容都进行了总结，而只是对该主题的一个介绍。

为深度学习优化GPU性能不仅仅是为了更快的训练——更是为了**充分利用可用硬件，以提高效率、可扩展性和成本效益**。从微调批量大小和内存使用，到利用混合精度和高效的数据管道，这些技术可以显著影响模型的训练和部署的顺畅度和有效性。

对于开发人员和研究人员来说，正确的基础设施在实现这些优化方面起着至关重要的作用。**[DigitalOcean Gradient™ AI GPU Droplets](https://www.aidroplet.com/product/gpu)**提供了专为AI和机器学习工作负载设计的按需、高性能GPU。无论您是在进行小型项目实验还是运行大规模训练，GPU Droplets都为您提供了应用性能优化技术的灵活性，而无需受基础设施限制的束缚。

通过将GPU优化的最佳实践与DigitalOcean云平台的简单性和可扩展性相结合，您可以**加速**您的深度学习项目，**降低**成本，并更多地**专注于创新**。如需了解DigitalOcean上 H200、H100、MI325X、MI300X和A100等GPU的最新价格与优惠政策，可直接联系DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com。

large_images.png

medium_images.png

small_images.png

thumbnail_images.png

xsmall_images.png

images.png

详解GPU优化核心技术，涵盖架构特性、内存管理、多卡训练与工具使用，助你高效加速深度学习模型训练与推理。

深度学习中的 GPU 性能怎么优化？

Gpt-oss-120b 和 gpt-oss-20b 是 OpenAI 发布的两个开源推理模型。现在 DigitalOcean 的用户在 Gradient AI 平台创建 GPU Droplet 服务器时，可以直接[调用 gpt-oss-20b 与 gpt-oss-120b](https://blog.aidroplet.com/product-updates/openai-gpt-oss-launches-on-gradient/)。在本教程中，我们将演示如何在 DigitalOcean 的 Gradient™ AI 平台上使用 gpt-oss-120B 构建一个客户支持 AI Agent。

**核心要点**

*   本教程展示了如何在 DigitalOcean 的 Gradient AI 平台上，使用 GPT-OSS 构建 AI 客户支持 AI Agent。
*   该过程包括准备相关数据、创建用于支撑 AI Agent回答的知识库，并通过 DigitalOcean API 或无代码用户界面（UI）部署 AI Agent。
*   最终生成的 AI Agent 能够提供准确且相关的客户支持，从而提升客户体验。


假设，我们将为一家虚构的、成立于 2027 年的生物技术公司 Mitofoundria 构建这个客户支持 AI Agent。Mitofoundria 是一家预防医学公司，生产个性化营养补充剂，帮助个体预防可能因遗传或环境因素而面临风险的健康问题。

这家虚构初创公司的网站迫切需要一个客户支持 AI Agent。

### 在 DigitalOcean 上使用知识库

不出所料，我们的客户支持的 AI Agent 需要基于真实信息来生成回答。知识库（Knowledge Bases）正是我们存储这些上下文信息的地方。请参考我们的[知识库文档](https://docs.digitalocean.com/products/gradient-ai-platform/how-to/create-manage-agent-knowledge-bases/)了解支持的文件格式。

<https://docs.digitalocean.com/products/gradient-ai-platform/how-to/create-manage-agent-knowledge-bases>

### 数据方面的准备

请仔细考虑如何为你的客户支持 AI Agent 准备数据。以下是 Mitofoundria 所需数据的示例表格，你可以参考类似的格式或所需收集的内容等：

| 数据来源                                               | 需收集内容                                               | 重要预处理步骤                                                                            |
| -------------------------------------------------- | --------------------------------------------------- | ---------------------------------------------------------------------------------- |
| 工单日志（Ticket Logs）                                  | 完整对话记录、标签（如“账单”、“物流”、“产品效果”、“副作用”、“基因数据问题”）、客户报告的症状 | 删除个人身份信息（PII），匿名化姓名和邮箱，屏蔽订单号，以及任何与基因或健康相关的个人信息                                     |
| 常见问题页面（FAQ pages）                                  | 现有的问答对或长篇文本，涵盖产品使用方法、科学依据、常见副作用、订阅管理等               | 确保每个问答对长度适中；若从长文本生成问答对，应将长文章拆分为简短片段（<150 个 token），每段独立成文并提供清晰回答；特别注意涉及健康声明和免责声明的内容 |
| 在线聊天记录（Live chat transcripts）                      | 聚焦于产品咨询、补充剂定制、个人健康问题的客服与客户对话                        | 隐去所有具体用户健康数据或基因标记；按主题分类（如“产品有效性”、“剂量问题”、“数据隐私”）                                    |
| 产品文档（Product Documentation）                        | 补充剂的规格、成分、推荐剂量、禁忌症、科学白皮书等                           | 按产品提取关键信息，包括每种补充剂所针对的特定基因标记或环境因素；创建结构化数据格式以便查询                                     |
| 科学文献与研究论文（Scientific Literature & Research Papers） | 公开可用的科学论文、临床研究、学术文章，涉及补充剂成分及其对人体生物学和遗传学的影响          | 总结关键发现和结论；创建简洁、易于代理理解的摘要，用通俗语言解释复杂的科学概念；并与内部产品文档交叉引用                               |

由于 Mitofoundria 是一家我们虚构出来的公司，上述数据将通过大语言模型（LLM）合成生成。我们使用了 Gemini 模型。以下是我们的提示词：

> **你的任务是为以下五个类别生成逼真的数据，确保每个条目都符合指定要求和预处理步骤。**
>
> **1. 工单日志：**
>
> 生成 10 条完整的客户支持对话记录。每条记录应包含完整对话、相关标签（如“账单”、“物流”、“产品效果”、“副作用”、“基因数据问题”）以及客户报告的症状。
>
> **预处理要求：** 删除所有个人身份信息（PII），匿名化姓名和电子邮件，屏蔽订单号及任何基因或健康相关个人信息。
>
> **2. 常见问题页面：**
>
> 创建 20 个问答对或长篇文本，内容涵盖产品使用方法、科学依据、常见副作用、订阅管理等。
>
> **预处理要求：** 确保每个问答对长度合理；若从长文本生成，请将其拆分为“简短片段”（少于 150 个 token），每段独立且回答明确。
>
> **3. 在线聊天记录：**
>
> 生成 10 段不同的客服与客户对话，聚焦于产品咨询、补充剂定制、个人健康担忧等。
>
> **预处理要求：** 隐去任何具体的用户健康数据或基因标记；按主题分类（如“产品有效性”、“剂量问题”、“数据隐私”）。
>
> **4. 产品文档：**
>
> 为三种不同的虚构 Mitofoundria 补充剂生成关键信息，包括成分、推荐剂量、禁忌症，并说明每种补充剂所针对的基因标记或环境因素。
>
> **预处理要求：** 以结构化、易于查询的格式呈现信息。
>
> **5. 科学文献与研究论文：**
>
> 为五篇不同的公开科学论文或临床研究创建简明摘要，内容涉及补充剂成分及其对人体生物学和遗传学的影响。
>
> **预处理要求：** 总结关键发现和结论；创建“代理友好型”摘要，用简单语言解释复杂科学概念；并与之前生成的内部产品文档进行交叉引用。

### 实现客户支持 AI Agent 的两种方式

有两种方式可以实现我们的客户支持 AI Agent：

1.  **使用 DigitalOcean** **API**
2.  **使用控制面板（Control Panel）**

API 允许你以编程方式实现 AI Agent，而控制面板则提供无代码操作界面。

### 使用 DigitalOcean API 创建 AI Agent

首先创建一个**个人访问令牌（Personal Access Token）**。获取令牌后，将其粘贴到以下 curl 命令中，并根据你的客户支持 AI Agent 需求配置其他参数。注意：如果你还没有知识库，可能需要先创建一个。

    curl -X POST \
        -H "Content-Type: application/json"  \
        -H "Authorization: Bearer $DIGITALOCEAN_TOKEN" \
        "https://api.digitalocean.com/v2/gen-ai/agents" \
        -d '{
          "name": "Mitofoundria Customer Support Agent",
          "model_uuid": "95ea6652-75ed-11ef-bf8f-4e013e2ddde4",
          "instruction": "你是 Mitofoundria 的友好且专业的客户支持代理，这是一家预防医学公司。你的目标是帮助客户解答有关个性化补充剂、订阅管理以及科学基础的问题。请使用提供的知识库准确、简洁地回答问题，保持专业且富有同理心的语气。",
          "description": "Mitofoundria 的客户支持代理，该公司专注于个性化预防性营养补充剂。",
          "project_id": "YOUR_PROJECT_ID",
          "tags": [
            "mitofoundria",
            "customer-support",
            "preventative-medicine"
          ],
          "region": "tor1",
          "knowledge_base_uuid": [
            "YOUR_KNOWLEDGE_BASE_UUID"
          ]
        }'

***

### 使用 UI 部署 GPT-OSS

**步骤 0：登录 DigitalOcean 账户**

还没有 DigitalOcean 账户？别担心，点击[这里注册](https://cloud.digitalocean.com/registrations/new)即可！

**步骤 1：创建项目**

登录后，创建一个新项目。

![createNewProject.png](https://blog.aidroplet.com/uploads/create_New_Project_8f9b1230ab.png)

**步骤 2：进入代理平台**

通过点击[此链接](https://cloud.digitalocean.com/gradient)或点击 DigitalOcean 控制面板中下方圈出的图标进入代理平台。

![createAnAgent.png](https://blog.aidroplet.com/uploads/create_An_Agent_064e4cbd43.png)

**步骤 3：选择知识库**

选择一个已有知识库；如果没有，可以创建一个新的。

创建知识库时需要提供数据源。你可以添加多个数据源，支持的格式包括：

*   文件上传
*   URL（用于网页抓取）
*   Spaces 存储桶或 Amazon S3 存储桶中的数据

上传文件时，单个文件不得超过 2GB，每次上传不超过 100 个文件。你还需选择一个嵌入模型（embedding model）。请注意，知识库需要一定时间进行索引——通常需要约五分钟或更长时间，系统会在此期间处理、嵌入并存储你的数据。

**步骤 4：指定工作区（Workspace）**

工作区将相关的代理归入同一空间，便于管理、团队共享和结构化性能评估。所有代理必须属于某个工作区。创建代理时可指定其所属工作区，之后也可自由移动。

![workspace.png](https://blog.aidroplet.com/uploads/workspace_11f78409f6.png)

**步骤 5：在 Playground 中测试代理**

代理部署完成后，使用 Playground 进行测试。提出问题并评估其回答，确保其按预期运行。

![playground.png](https://blog.aidroplet.com/uploads/playground_1b471586b1.png)

![playground2.png](https://blog.aidroplet.com/uploads/playground2_015b488e3c.png)
**步骤 6：使用** **测试用例** **评估代理性能**

在 Gradient 平台上，你可以创建“评估测试用例”。通过创建包含一组提示词的数据集，并在代理上运行评估，即可测试其表现。运行完成后，你可以查看结果，包括各项指标得分以及代理对每个提示的回答详情。

**步骤 7：管理代理端点（Endpoint）**

代理创建后会自动生成[端点（Endpoint）](https://docs.digitalocean.com/products/gradient-ai-platform/how-to/use-agents/)，即你可以集成到应用中的 URL。你可以通过该端点发送文本请求，并接收 JSON 格式的响应。此外，还可以通过端点自定义请求设置，例如最大生成 token 数、检索信息的处理方式等。

### 结论

在本教程中，借助 DigitalOcean 的 Gradient AI 平台，你不仅仅是在构建一个聊天机器人——而是在打造一个真正理解客户的**客户支持 AI Agent**。通过将回答建立在你自己的数据基础上，你可以获得更准确、更相关的结果。无论你选择使用 API 还是无代码 UI，最终都能实现：**更快、更智能的客户支持，并随业务增长而灵活扩展**。

如果你希望了解如何选择适合搭建 AI Agent 的 GPU Droplet服务器，欢迎咨询[ DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。目前DigitalOcean可提供包括H200、H100、AMD MI325X、AMD MI300X、RTX 6000 Ada、 RTX 4000 Ada、L40S、A100等型号的GPU服务器按需实例或裸金属服务器。

### 常见问题解答（FAQ）

**Q：为什么知识库对** **AI** **Agent 很重要？**

A：知识库存储了 AI Agent 用于支撑其回答的上下文和信息，确保回答的准确性和相关性。

**Q：为准备客户支持** **AI** **Agent，推荐使用哪些类型的数据？**

A：推荐的数据类型包括工单日志、常见问题页面、在线聊天记录、产品文档以及科学文献/研究论文。

**Q：虚构公司 Mitofoundria 的数据是如何生成的？**

A：数据是通过大语言模型（LLM，具体为 Gemini）根据详细提示词合成生成的，提示词明确了所需类别和预处理步骤。

**Q：在 DigitalOcean 上实现客户支持** **AI** **Agent 的两种方式是什么？**

A：可以通过 DigitalOcean API 实现程序化控制，或通过控制面板（无代码界面）进行操作。

**Q：使用 DigitalOcean** **API** **创建代理时，个人** **访问令牌** **的作用是什么？**

A：个人访问令牌用于在调用 API 创建或管理代理时进行身份验证。

**Q：通过** **UI** **部署代理时，项目（Project）的作用是什么？**

A：项目用于组织和管理资源，所有代理都必须归属于某个项目。

**Q：如何在 DigitalOcean 平台上创建知识库？**

A：通过添加数据源（文件上传、URL 或 Spaces/S3 桶数据）并选择嵌入模型来创建知识库。

**Q：Gradient 平台上的“工作区”（Workspaces）是什么？**

A：工作区将相关代理归入同一空间，便于管理、团队协作和结构化性能评估。

**Q：如何测试已部署的代理？**

A：可以使用 Playground 提出问题并评估其回答。

**Q：如何更正式地评估代理的性能？**

A：在 Gradient 平台上，可以创建包含提示词数据集的“评估测试用例”，运行评估后查看指标得分和每个提示的回答分析。


medium_WX20250721-151435@2x.jpg

small_WX20250721-151435@2x.jpg

thumbnail_WX20250721-151435@2x.jpg

xsmall_WX20250721-151435@2x.jpg

WX20250721-151435@2x.jpg

利用 GPT-OSS 与知识库，在 DigitalOcean Gradient 平台构建具备行业理解力的客户支持AI Agent，实现精准、可扩展的智能服务。

从零搭建AI客服！基于GPT-OSS和知识库的客户支持系统实战

**“我们应该选择哪家云服务商？”** 这是一个在技术团队内部被反复提及、又常常没有标准答案的问题。

对于一家寻求全球化发展的中国企业，这个问题的答案远比听起来要复杂。它不只是计算资源的采购，更是业务未来走向、成本控制乃至团队效率的战略性决策。面对 **DigitalOcean、AWS** 和 **Linode** 这三大主流海外云服务商，许多技术负责人陷入了“烦恼”：AWS 功能齐全且强大，但过于复杂且价格不菲；DigitalOcean 和 Linode 简单易用且定价实惠，但它们之间也有很多区别。那么中国企业出海应该怎么选择海外云服务？

本文将深度剖析这三家云服务商的核心优势与劣势，从定位、成本、易用性、GPU性能，以及最重要的本地化支持等多个维度进行对比。我们的目标不止于此，更在于帮助你找到一个能够真正加速业务发展、降低运营成本、且在海外市场能安心使用的云伙伴。

## **一、三大云服务商的核心定位与生态差异**

每家云服务商都有其独特的DNA，这决定了它们的客户群体和发展路径。理解这一点，是做出正确选择的第一步。

### **DigitalOcean：开发者友好与极简主义的代表**

DigitalOcean （简称：DO）的诞生源于一个简单的想法：为开发者提供一个**简单、可靠、高性价比**的云平台。它的设计哲学是“去繁就简”，这在它的产品命名上可见一斑：虚拟主机叫 **[Droplets](https://www.aidroplet.com/product/cloudcpu)**，对象存储叫[ **Spaces**](https://www.aidroplet.com/product/spaces) **，GPU云服务产品叫 [GPU Droplet](https://www.aidroplet.com/product/gpu)**。

这是一种截然不同的思路。AWS 仿佛一个**功能齐全但复杂无比的巨型乐高王国**，需要你仔细研读说明书，才能从几百块积木中找到你需要的，并正确组装。而 DigitalOcean 更像是一个**为特定任务精心设计的工具箱**。它只提供你最常用的工具——服务器、存储、数据库、Kubernetes集群——并且把它们做得简单、好用、开箱即用。

对于初创企业和中小团队来说，时间就是生命。他们需要的是一个能快速部署、快速迭代的平台，而不是一个需要投入大量人力去学习和管理的复杂系统。这正是 DigitalOcean 的核心竞争力：它让你把精力集中在业务创新上，而不是被云基础设施的复杂性所困扰。

### **AWS** **：全能巨头与企业级标准的象征**

如果说 DigitalOcean 是一个工具箱，那么 **AWS** **就是一个庞大而完整的** **云生态** **系统**。它拥有最广泛、最深入的服务集合，从计算、存储到人工智能、物联网，几乎无所不包。无论你是一家需要大规模数据分析的金融公司，还是一家需要构建复杂全球网络的跨国企业，AWS 都能提供相应的解决方案。

这种**广度和深度是** **AWS** **无可比拟的优势。它为企业级**应用提供了从身份验证（IAM）到虚拟网络（VPC）、再到无服务器计算（Lambda）的全面支持。因此，AWS 的主要客户通常是预算充足、对系统复杂性和可扩展性有极高要求的大型企业和传统行业巨头。

然而，这种强大背后是陡峭的学习曲线和高昂的运维成本。对于小团队而言，深入学习 AWS 的各项服务，并进行精细化管理，无疑是一个沉重的负担。

### **Linode：性能至上与极客社区的拥护者**

Linode 在被 Akamai 收购之前，在技术极客和系统管理员群体中享有盛誉。它的核心卖点一直是**高性能的** **虚拟主机**和对 Linux 生态的深度支持。它的用户画像往往是那些对底层基础设施有深入了解，喜欢自己动手配置一切的资深技术人员。

Linode 的定位属于 DigitalOcean 的跟随者，Linode 也是专注于提供基础的 IaaS 服务，但在用户体验和产品生态上有所区别。虽然近年来 Linode 也推出了对象存储、数据库等新服务，但其**生态系统的丰富度仍不及 DigitalOcean**，并且在开发者社区的影响力上， DigitalOcean 凭借其简洁的文档和丰富的社区内容，也逐渐占据了上风。

## **二、深度对比：从价格到价值的全面考量**

云服务的选择，价格固然重要，但更深层的价值考量——易用性、性能以及本地化支持——才是决定成败的关键。

### **2.1 谁是真正的“性价比之王”？**

许多人误以为价格是云服务商的唯一比较点，但实际上，总拥有成本（TCO）远比账单上的数字更复杂。首先我们对比的是一些基础的服务，然后我们会对比 GPU 相关服务。

| 功能/服务        | DigitalOcean                        | AWS (EC2)                          | Linode                                          |
| ------------ | ----------------------------------- | ---------------------------------- | ----------------------------------------------- |
| 基础服务器（共享CPU） | 2GB RAM, 1 vCPU, 50GB SSD           | 2GB RAM, 1 vCPU, 50GB SSD          | 2GB RAM, 1 vCPU, 50GB SSD                       |
| 按需实例月费       | $12                                 | $16+（稳定使用量，最便宜机型，且不包含区域内传输流量）      | $12                                             |
| 每月流量         | 实例自带 2TB，如超额，跨区域出站流量统一计费，0.01美元/GB。 | 如果附加1TB区域内流量+1TB出站流量，需额外支付30.72每月。 | 2TB，如超额，按不同数据中心，跨区域出站流量费用为0.005 至 0.015美元/GB不等。 |
| 备份费用（可选）     | 每周备份，收取实例月费的20%。约2.4美元/月。           | 按用量计费，较为复杂                         | 实例月费的25%。约2.5美元/月。                              |
| 托管数据库（可选）    | $15/月，MySQL、PostgreSQL、MongoDB统一价格。 | 按用量计费，计费规则复杂                       | 最便宜的是16美元/月，仅支持MySQL、PowstgreSQL。               |
| 对象存储         | Spaces对象存储，$5/月，含250GB存储，1TB出站流量。   | S3 Standard，$15+/月，按用量计费，流量费昂贵     | Object Storage，$5/月，含250GB存储，1TB出站流量。           |
| 本地化服务        | 卓普云（人民币支付、技术支持）                     | 光环新网/西云数据（复杂，面向大型企业）               | 暂无深度本地化支持                                       |

根据三大云平台官网文档（2025年8月官网信息），我们统计了部分主要服务的价格，包括 VPS、数据库、对象存储等。对比三个云平台的 VPS 时，我们选择了固定的配置，包括 1 vCPU、2GB RAM、50GB 存储。由于 AWS 的计费规则比较复杂，我们需要先讲一讲它。

#### **AWS** **的成本鸿沟**

AWS 的定价模式是出了名的复杂。它的账单可能由数百个细分项组成，如实例类型、数据传输、API调用次数、存储I/O等。这就像是你在一家大型超市购物，每件商品都按克计费，最终的账单令人头疼。对于预算有限的**企业**来说，这不仅难以控制成本，更可能出现无法预知的“账单爆炸”。

特别是**数据出站流量费**。DigitalOcean 和 Linode 通常提供慷慨的流量配额，而 AWS 的出站流量费则相对高昂。这对于需要频繁进行数据传输的业务来说，是一个巨大的成本黑洞。

在配置 DigitalOcean Droplet 的时候，如果选择共享CPU的基础服务器（1 vCPU + 2GB RAM），那么 VPS 套餐默认会带有 2TB 的出站流量，这是免费的。但是当你在 AWS 选择相同配置的服务器的时候，如果配置出2TB 的出站流量，会在账单中多出至少30美元的费用，而且这还是在选择较为便宜的美国区域的定价。如果你的出站流量是跨不同区域，那么流量费用是不同的，这只能在最后的账单中才能体现出来，你在配置的时候是无法预估的，这就是为什么说使用 AWS 很难评估预算。

![Unknown.png](https://blog.aidroplet.com/uploads/Unknown_de626342f1.png)

另一方面，DigitalOcean Droplet 在启用的时候，你可以直接配置上一个对象存储，每月仅 5 美元，包含了 250GB 存储和 1TB 的出站流量。如果出站流量超额，同样是按照 0.01 美元/GB 来计费（不分区域）。但是在 AWS，如果你选择 250GB 的 S3 Standard 对象存储，并且在仅配置了 1TB 出站流量（美国弗吉尼亚区域）的情况下，要 15 美元/月。

在托管数据库方面，支持的数据库类型按照从多到少排序依次是：AWS>DigitalOcean>Linode。AWS 托管数据库的价格比较复杂，建议通过官网文档查询。

#### DigitalOcean vs. Linode

乍一看，DigitalOcean 和 Linode 的基础云服务器价格非常接近，甚至在某些配置上，Linode 略有优势。例如，在相同配置（2GB RAM，1 vCPU，50GB SSD）下，两者的月费都在 12 美元左右。

但仔细观察你会发现，许多云服务商的备份、负载均衡等服务会成为隐形开销。DigitalOcean 的备份费用通常为实例月费的 20%，而 Linode 则为 25%。别小看这 5%的差距，当你的云服务器数量达到一定规模时，这将是一笔可观的开支。

另一方面，Linode 在对外宣传的时候，都会说自己的出站流量费用是 0.005 美元/GB，但 Linode 并没有告诉你的是，如果你选择个别节点，比如印尼，那么它的价格会更高，最高时 0.015 美元/GB。尽管 Linode 在很多层面上都追赶对标 DigitalOcean ，但 Linode 的出站流量费并没有像 DigitalOcean 那样采用了统一的定价计费。

在托管数据库方面，DigitalOcean 支持包括 MongoDB、Kafka、MySQL、PostgreSQL、Valkey、OpenSearch。而 Linode 仅支持 MySQL 和 PostgreSQL，而且价格比 DigitalOcean 贵。

### **2.2 易用性与开发者体验：效率的隐形成本**

技术决策者应该考虑的不仅仅是价格，还有团队的**时间成本和效率**。一个难以上手的平台会极大地拖慢开发进度，这笔隐性开销远超你的想象。

#### **DigitalOcean：为开发者量身打造的“工具箱”**

在易用性方面，DigitalOcean 遥遥领先。它的后台界面设计简洁，功能分区清晰，即使是刚接触云服务的新手也能迅速上手。不止一位 DigitalOcean 的企业的技术合伙人表达过：“我们选择 DigitalOcean 是因为，我的团队只需要10分钟就能创建一个服务器，而不用花半天时间去研究各种复杂概念”。而且，在创建 Droplet 的配置过程中，用户还可以同时为其添加自动备份、托管数据库和块存储，而不需要额外去创建并将他们关联起来，这是 AWS 和 Linode 都无法做到的。

![image-8-2048x1005.png](https://blog.aidroplet.com/uploads/image_8_2048x1005_e7afd8b0c8.png)

图：创建Droplet时，可添加托管数据库

其 **Marketplace** 上的“一键部署”功能更是效率利器。无论是 WordPress 博客、Docker 环境还是 开源大语言模型（LLM），只需点击几下，一个完整的应用环境便能自动配置完成。这让**敏捷开发**和产品快速迭代成为可能。

![image-7.png](https://blog.aidroplet.com/uploads/image_7_90153122f0.png)

图：创建GPU Droplet 时，可一键部署大模型

#### **AWS** **与Linode：复杂与简洁的权衡**

AWS 的复杂性是其最大的劣势。它强大的功能需要付出学习成本，你可能需要专门的云运维团队来管理复杂的 IAM 策略、VPC 网络和各种服务。对于许多技术人员来说，这更像是在**管理一个复杂的** **操作系统**，而不是一个开箱即用的工具。

Linode 的易用性介于两者之间。它的界面比 AWS 简单，但缺乏 DigitalOcean 那种“小白友好”的设计。对于需要快速启动新项目的团队来说，它在用户体验上仍稍逊一筹。

### **2.3** **GPU** **服务器：性能、选择与性价比的平衡点**

大语言模型与AIGC的兴起，让 GPU 云服务器成为了很多云平台开始发力的方向。甚至你还会看到有些初创的云平台直接以 GPU 服务器租赁为主要或唯一的业务。

目前三家云厂商，可提供的GPU型号分别如下（数据基于2025年8月AWS、DigitalOcean、Linode 三个云平台官网文档）：

-   DigitalOcean 可提供：H200（单卡/8卡）、H100（单卡/8卡）、AMD MI325X（单卡/8卡）、AMD MI300X、RTX 6000 Ada、 RTX 4000 Ada、 A100、L40S、V100、A6000、A5000、A4000等 17 款 GPU，包含了主流的旗舰款 GPU 到高性价比的 GPU，而且旗舰款 GPU 可提供单卡或 8 卡或裸金属机型。
-   AWS 可提供：H200（8卡）、B200（8卡）、H100（8卡）、A100、V100、L4、T4、T4g、A10G、L40S，以及一些不太适合用于AI场景的高性能机型，比如搭载了 AMD Radeon Pro V520 的 EC2。而且旗舰款GPU（如H200、H100）仅提供8卡机型，不利于用户更灵活地控制成本。
-   Linode 可提供：RTX 6000、RTX 4000 Ada。

**DigitalOcean** 的 [GPU Droplet ](https://www.aidroplet.com/product/gpu)的 GPU 型号最为全面，提供了多达 17 种 GPU，涵盖了从最新的 **H200** 和 **AMD MI325X**等旗舰型号，到 **RTX** 和 **A 系列** 等高性价比型号。它还提供了单卡、8 卡甚至裸金属机型，这使得用户在配置和成本控制上拥有极大的灵活性，无论是进行大规模 AI 训练还是小规模的开发测试，都能找到合适的方案。

**AWS** 作为市场领导者，其旗舰 GPU 机型主要面向企业级和大规模 AI 训练场景，提供了 **H200** 和 **B200** 等顶尖的 8 卡配置。然而，这种策略限制了中小规模用户的选择，因为其旗舰 GPU 仅提供 8 卡方案，对于需要单卡或少量卡来控制成本的用户来说并不友好。AWS 也提供了一些如 **L4**、**T4** 等用于推理的 GPU，但其整体产品线不如 DigitalOcean 灵活。

**Linode** 的 GPU 选项相对有限，仅提供了几款 **RTX** 型号。这可能适合预算有限、且需求简单的个人开发者或小型项目，但对于需要多样化 GPU 选择或大规模计算任务的用户来说，其可用性不足。

总的来说，DigitalOcean 在 GPU 产品的多样性和灵活性上表现突出，能够满足更广泛的用户群体，从个人开发者到企业用户；而 AWS 则更聚焦于高端企业市场，主要服务于大规模计算集群；Linode 则是提供最基础的 GPU 服务。更重要的是，DigitalOcean 的 GPU 服务器比 AWS 和 Linode 更加实惠，详细定价可通过[ DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)获取。

## **三、本地化支持：中国企业的“出海”与“上云”新标准**

对于任何一家**中国企业出海**来说，技术问题只是挑战的一部分。更关键的是，如何应对合规、支付、以及文化和语言差异带来的运营难题。这正是 DigitalOcean 在中国市场独一无二的竞争优势所在。

### **DigitalOcean的本地化杀手锏：独家战略合作伙伴**

DigitalOcean 与其在中国的独家战略合作伙伴 **[卓普云（aidroplet.com](https://www.aidroplet.com/)）** 建立的深度合作关系，是其区别于其他海外云服务商的核心优势。这套本地化解决方案，为中国企业提供了“一站式”服务，解决了困扰许多出海企业的痛点。

想象一下，你可以在不离开中国、不办理任何海外业务的情况下，通过**卓普云**直接使用 DigitalOcean 的全球云基础设施。这包括：

-   **ICP** **备案支持：** 这是在中国大陆部署网站的硬性要求。卓普云为企业提供专业的ICP备案咨询与支持，确保你的业务合法合规。
-   **人民币支付与发票：** 简化了跨境支付的繁琐流程，支持人民币直接结算，并提供中国企业所需的增值税发票。
-   **本地技术支持：** DigitalOcean 的海外客服可能存在时差和语言障碍。而卓普云则提供7x24小时的**中文技术支持**，无论是紧急故障排查还是日常咨询，都能得到快速响应。

这种深度本地化服务，让中国企业能够**安心使用**海外云服务，将精力完全放在业务拓展上。

### **AWS** **：本土化但复杂，适用于大型企业**

AWS 在中国大陆有独立的运营实体，由光环新网和西云数据运营，提供符合中国法律法规的云服务。然而，其服务和价格体系相对复杂，更倾向于服务**大型企业**。对于中小企业而言，其本土化服务在易用性、价格透明度以及响应速度上，可能不如DigitalOcean通过**卓普云**提供的技术支持服务。

同时，网络上有不少人都评价 AWS 的付费技术支持服务（如商业、企业级支持）价格高昂，这对于预算有限的中小企业来说是不合适的。AWS 免费支持的响应时间相对较长，通常难以满足紧急故障排查的需求。这与 DigitalOcean 通过卓普云提供的**中文本地化技术支持**形成了鲜明对比，后者更贴近中国企业对“有事能找到人”的朴素需求。

### **Linode：被收购后的不确定性与中国市场支持的短板**

尽管 Linode 在2022年被全球领先的 CDN 巨头 Akamai 收购，但这一举措对于中国企业来说，却带来了一系列新的不确定性。Akamai 的核心业务是 CDN 和网络安全，而其在中国的 CDN 业务已转让给了本地合作伙伴，这在一定程度上被市场解读为一种**“轻资产”策略**，甚至有人担忧其对中国市场可能不再像过去那样具有战略雄心。

这种战略上的调整，自然会引发一个重要疑问：**Akamai 会否将同样的模式复制到Linode的** **云服务** **上？**

与 DigitalOcean 通过卓普云这家独家战略合作伙伴**深度捆绑、共同运营**的模式不同，Linode 在中国市场**缺乏类似的本地化团队和销售渠道**。这意味着，当中国用户在面临支付、合规（如 ICP 备案）、或技术问题时，通常需要通过全球统一的英文支持系统来解决，这对于许多中国技术团队而言，是一个显著的语言和效率障碍。

这种服务上的脱节，再加上母公司在华业务模式的变动，都让 Linode 无法像 DigitalOcean 那样，给中国企业提供一个**长期、稳定、可信赖**的本地化支持承诺。对于需要一个可靠伙伴以应对出海挑战的企业来说，这一点尤为关键。

## **不仅仅是云，更是商业成功的** **加速器**

对于正在探索全球化道路的**中国企业**来说，DigitalOcean 联合卓普云提供的 **“高性价比 + 简单易用 + 深度本地化支持”的综合解决方案。它不仅仅是一个云平台，** 更是一个能够让你专注于业务创新，而无需担忧复杂运维、高昂成本和本地化合规问题的理想合作伙伴。

最终的抉择，应基于你的核心需求。如果你想以最快的速度、最低的成本、最少的人力，打造一个面向全球的业务，那么 DigitalOcean 无疑是你的最佳选择。

深度对比DigitalOcean、AWS和Linode三大云服务，为中国企业出海提供决策指南。

DigitalOcean、AWS和Linode对比，该选谁？不止于价格

所有 DigitalOcean 客户现在都可以通过 Okta OpenID Connect（OIDC）使用单点登录（SSO）功能了。这项功能的推出能帮助组织简化用户访问、减少 IT 运维开销，并为团队提供一种更快捷、安全的登录和开始工作的方式。单点登录的实现，是 DigitalOcean 在加强安全、简化用户管理和提高团队生产力方面迈出的重要一步。

## 为什么单点登录很重要

  


对于不断发展的团队来说，管理多个平台上的用户账户很快就会成为一个难题。密码重置、手动入职和离职流程都会增加额外的工作量，这不仅会影响 IT 团队，也会让开发者感到生产力下降。

单点登录通过允许用户使用其现有的企业凭证，通过 Okta 等可信的身份提供商登录来解决这个问题。这意味着：

-   不再需要管理多个用户名和密码。
-   集中化的访问管理，可随团队规模扩展。
-   不再因账户被锁定而浪费时间。
-   在整个工具链中实现更强大、一致的安全性。

  


## 单点登录能为您的企业带来什么好处

  


随着组织的发展，管理多个工具和平台上的用户访问可能会变得复杂、耗时且成本高昂。单点登录通过允许员工使用一套凭证安全地访问所有应用程序来解决这个问题。

通过集中认证，SSO 不仅能加强安全性，还能简化新员工入职流程、减轻 IT 负担，并为团队提供无缝的登录体验，帮助他们专注于开发和创新。以下是单点登录能为您的公司带来的好处：

-   **简化的用户访问**：集中化身份管理，并使用企业凭证提供无缝访问，无需单独的密码。
-   **更高的便捷性**：减少用户阻力，让访问变得直接和直观。
-   **团队可扩展性**：随着团队的发展，轻松管理访问权限，确保所有用户遵循一致的策略。
-   **减轻 IT 负担**：自动化入职和离职流程，让 IT 人员以更少的手动工作获得更大的控制权。
-   **增强的安全性**：通过 Okta OIDC 强制执行强认证（如 MFA、自适应访问），以保护敏感数据。
-   **更快、更安全的登录**：提供一致的登录体验，让团队能够快速访问项目并开始工作。

  


## DigitalOcean 上的 SSO 如何运作

  


对于管理员而言，通过 Okta 在 DigitalOcean 上设置单点登录（SSO）非常快捷，并且使用了标准的 OIDC 协议。

-   **在 Okta 中配置**：在 Okta 管理控制台中，将 DigitalOcean 创建为一个 OIDC Web 应用程序。使用[SSO 设置指南](https://docs.digitalocean.com/platform/teams/how-to/configure-sso/)来映射用户组和角色。
-   **在 DigitalOcean 中启用**：在 DigitalOcean 控制面板中，添加您的身份提供商（IdP）凭证（客户端 ID、客户端密钥和域名）。启用后，您将获得一个组织独有的登录 URL。
-   **在 Okta 中连接**：将生成的 URL 粘贴到 Okta 中您的 DigitalOcean 应用程序设置中，以最终完成连接。

设置完成后，管理员可以选择强制执行仅 SSO 登录。新团队成员将在首次登录时自动在 DigitalOcean 中创建账户，从而省去了手动管理用户的麻烦。

对于用户来说，整个体验是无缝且安全的。他们只需通过 Okta 控制面板登录并点击 DigitalOcean 的图标，或使用直接登录 URL 即可。

DigitalOcean 现已通过 Okta OpenID Connect (OIDC) 向所有客户提供单点登录（SSO）服务。这项功能旨在帮助企业简化用户访问、减轻 IT 负担，并提供更快捷、安全的登录方式。

DigitalOcean 现已支持 Okta SSO 单点登录

过去三年，AI的应用场景从科研实验室迅速走向产业落地。大语言模型（LLM）、图像生成、推荐算法、语音识别等技术几乎在所有行业都有探索。对中国企业而言，“出海”已经不再只是一个战略选项，而是业务生存与增长的必然选择。

  


然而，出海过程中的一大技术难题是——算力成本。训练与推理都需要GPU，但顶级GPU（如H100、MI300X）的租用价格高昂，动辄数十美元/小时，并非所有企业都能承受。尤其是对于希望快速试错、迭代产品的中型企业，过度投入不仅会拖慢节奏，还可能让预算失衡。

  


这就引出了一个关键问题：**在海外云** **GPU** **租用场景中，哪些中端GPU能在性能与价格之间找到最佳平衡？**

  


目前，在海外云GPU市场中，被用户对比最多的就是[DigitalOcean的GPU Droplet服务器](https://www.aidroplet.com/product/gpu)。因为其GPU型号丰富，且价格普遍低于其他云平台。

  


本文将聚焦 **RTX 4000** **Ada** **、A4000 和 A5000** 三款NVIDIA中端GPU，并结合 **DigitalOcean GPU** **云服务器** 的实际租用方案，为中国企业技术决策者提供一份深入评测和选型指南。如需了解“[高性能AI推理与工作站GPU](https://blog.aidroplet.com/tutorialsdo-h200-h100-mi300x-mi325x)”与“[AI 训练最佳GPU选型](https://blog.aidroplet.com/tutorialsdo-l40s-rtx4000-rtx6000)”可阅读我们前两篇相关文章。

  


## 结论先行：谁是中端性价比之王？

  


在技术文章中，很多人喜欢把结论放到最后。但对于 CTO 和技术负责人而言，最关心的往往是：**到底选哪一款？**

所以我们先把结论摆出来：

-   如果你的业务以**大模型** **推理**为主，对能效比敏感，**RTX 4000** **Ada** 会是最优选择。
-   如果你的企业正在进行中等规模的训练任务，同时又要兼顾推理，**A4000** 的均衡性价比很适合。
-   如果你的团队已经走到规模化部署阶段，需要更大显存和更稳健的算力池，**A5000** 是一个保险的选择。

换句话说，**RTX 4000** **Ada** **是性价比最佳的入门选项**，A4000 则是探索期企业的“平衡点”，A5000 适合已经跑通商业模式、需要稳定扩张的团队。当然，如果你追求更高的性能，可以考虑 DigitalOcean 的其他 GPU ，比如 RTX 6000 Ada、H100、H200、MI300X或 MI325X等。

  


  


## 产品定位与应用场景

  


### DigitalOcean GPU产品线定位

  


相比AWS、GCP、Azure等传统巨头，DigitalOcean的定位更轻量化，强调“中小企业友好”，提供透明定价和简单易用的控制台。对于正在出海的中国AI企业，这意味着**更低的学习成本与更可预测的开支**。

  


在DigitalOcean GPU产品线中，RTX 4000 Ada、A4000 和 A5000处于“中端核心区间”：

  


-   既不像H100那样高不可攀

-   也不像T4那样性能不足

    -     


这三款显卡，正好覆盖了“推理优化—中型训练—企业级稳定算力”三类典型需求。

  


### 三款GPU典型应用场景

  


**RTX 4000** **Ada**：更适合推理型任务，例如部署 LLM 推理服务、语音识别、实时对话机器人。它的优势在于高能效和较低成本。

**A4000**：定位中间层，既能跑一些中等规模的训练任务，也能承担推理或图像生成任务，适合科研和产品迭代期。

**A5000**：显存更大，训练空间更宽裕，尤其适合已经有稳定业务量的团队去支撑规模化服务。

### AI企业出海GPU选择的考量维度

  


很多CTO在算力选型时会先画一张“风险矩阵”。横轴是**预算**，纵轴是**未来扩展性**。GPU放在哪个位置，直接影响了企业未来半年到一年的技术路径。

-   成本能否承受？——算力账单会不会压垮现金流？
-   是否可扩展？——GPU能不能支撑接下来几轮迭代？
-   稳定性如何？——平台能否保证出海部署的服务质量？

  


## 参数对比与架构分析

  


### 三款GPU核心参数对比

  


| GPU型号        | 架构           | CUDA核心数 | 显存容量 | 显存类型  | 显存带宽     | FP32算力      | 功耗 (TDP) |
| ------------ | ------------ | ------- | ---- | ----- | -------- | ----------- | -------- |
| RTX 4000 Ada | Ada Lovelace | 6,144   | 20GB | GDDR6 | 360 GB/s | 26.7 TFLOPS | 160W     |
| A4000        | Ampere       | 6,144   | 16GB | GDDR6 | 448 GB/s | 19.2 TFLOPS | 140W     |
| A5000        | Ampere       | 8,192   | 24GB | GDDR6 | 768 GB/s | 27.8 TFLOPS | 230W     |

  


（数据来源：NVIDIA官网）

由于三款GPU发布的时间不同，它们采用了两种不同的架构与工艺。

-   **Ada Lovelace (RTX 4000 Ada)** ：更先进的工艺，能效比大幅提升。在推理任务中，单位功耗下的算力表现更优。

-   **Ampere (A4000/A5000)** ：显存更大、更宽，适合训练复杂模型。尤其是A5000，其24GB显存几乎是4000 Ada的“推理专用”定位所无法替代的。

    -     


可以这样理解：

-   如果你是要部署一个7B或13B参数规模的LLM推理服务，RTX 4000 Ada足够了。
-   如果你需要做模型训练实验，A4000是一个中庸之选。
-   如果你要跑20B级别以上的模型或者需要更大batch size，A5000更靠谱。

  


* * *

  


## 性能分析与实测参考

  


### 推理任务表现

在推理场景下，功耗与能效比往往比单纯算力更重要。第三方测试显示（来源：MLPerf社区），**RTX 4000** **Ada** **在Llama-2 7B的推理上，表现接近 A5000，但功耗却只有后者的70%左右**。

对一个准备在海外跑多实例服务的企业来说，这意味着什么？意味着你可以在同样的电力预算下，部署更多节点，从而获得更大的吞吐量。

### 训练任务表现

如果场景转向训练，差异就很明显了：

-   **A4000**：16GB显存，跑中等规模CV任务或小型Transformer时够用。
-   **A5000**：24GB显存，能支撑更大的batch size和更复杂的模型，训练效率比A4000高出20%左右（来源：NVIDIA开发者论坛）。
-   **RTX 4000** **Ada**：带宽受限，在训练场景下表现一般，更适合推理集群。

### 混合负载

如果企业既要训练又要推理，那A4000是折中的方案。而A5000则更适合已经形成稳定负载的团队。RTX 4000 Ada的最佳角色，则是作为推理集群的“前端算力单元”。

  


  


## 六、预算与性价比分析

  


## 海外云GPU租用价格走势

算力选择的核心，不只是跑得快，还要看“算得过”。很多企业在出海时最大的担忧是：GPU账单会不会失控？

根据2025年8月DigitalOcean官网定价：

-   **RTX 4000** **Ada** **：$0.76/小时**
-   **A4000：$0.76/小时**
-   **A5000：$1.38/小时**

  


相比AWS、GCP的同类GPU租用价格（通常比 DigitalOcean 高出30–50%），DigitalOcean在中端GPU上的确具有明显的性价比优势（来源：DigitalOcean官网，AWS EC2定价页面）。而相比Linode来讲，DigitalOcean又能提供更多GPU型号可供选择，因为Linode在同类型GPU中仅能提供RTX 4000 Ada。

  


在 DigitalOcean 的 GPU 云服务中，几款中端 GPU 型号的租用配置如下：

-   **RTX 4000** **Ada**

    -   按需价格：$0.76/小时
    -   vCPUs：8 核
    -   CPU 内存：32GB
    -   存储：500GB（自动扩展）

-   **NVIDIA A4000**

    -   按需价格：$0.76/小时
    -   vCPUs：8 核
    -   CPU 内存：45GB
    -   存储：50GB–2TB 可选

-   **NVIDIA A5000**

    -   按需价格：$1.38/小时
    -   vCPUs：8 核
    -   CPU 内存：45GB
    -   存储：50GB–2TB 可选

  


AWS、GCP、Azure虽然生态丰富，但价格偏高、架构复杂。对于希望快速上线、节省成本的中国AI企业，DigitalOcean GPU对比之下显得更灵活轻量。

DigitalOcean GPU的差异化优势：

-   **简单易用**：控制面板友好，学习成本低。
-   **透明定价**：避免AWS、GCP复杂的“隐藏费用”。
-   **全球网络**：覆盖欧美及东南亚，适合中国企业出海业务落地。

  


对于中国企业来说，最大的难题往往不是GPU本身，而是如何解决跨境支付、合规与本地化支持。[卓普云作为DigitalOcean中国区独家战略合作伙伴](https://www.aidroplet.com/product/gpu)，为出海企业提供中文技术支持和合规咨询，减少了技术团队在非核心问题上的消耗。而且，DigitalOcean 不仅支持信用卡，还支持支付宝、Paypal等支付方式，方便中国出海企业使用。

 


## 选型建议

回顾全文，我们可以给出一个简单但清晰的决策建议：

-   如果你是初创企业，业务重心在推理，选择 **RTX 4000** **Ada**。
-   如果你需要平衡训练与推理，选择 **A4000**。
-   如果你已经有稳定客户和规模化部署需求，选择 **A5000**。

对AI企业出海而言，GPU不仅是一个技术选择，更是一种商业决策。它关系到企业的试错节奏、现金流安全，以及未来半年到一年的技术迭代路径。

而在海外云GPU租用市场中，**DigitalOcean提供了一个兼具透明、简洁与性价比的选项**，这对于中国企业出海来说，意义非凡。

small_images-1.jpeg

thumbnail_images-1.jpeg

xsmall_images-1.jpeg

images-1.jpeg

DigitalOcean 上 RTX 4000 Ada、A4000 与 A5000 的性能与价格差异，结合海外云GPU租用场景，为中国AI企业出海提供性价比最佳的GPU选型指南。

DigitalOcean GPU 选型指南（三）：中端AI GPU性价比之王 RTX 4000 Ada、A4000、A5000

随着人工智能技术的飞速发展，无论是**AI** **推理**、大规模生成式AI应用，还是复杂的三维渲染、专业视频处理与虚拟桌面场景，都对GPU的性能提出了前所未有的要求。过去，大家热衷于追逐H100或H200等专为极致训练设计的超级卡皇，但对于绝大多数企业和开发者而言，更具性价比、能效比和显存容量的平衡型GPU才是理想之选。

在上一篇文章中，我们从AI训练需求的视角，对比了[DigitalOcean 平台上H100、H200与AMD MI300X/MI325X的服务器配置、GPU性能与价格](https://blog.aidroplet.com/tutorialsdo-h200-h100-mi300x-mi325x) 。

本文将深入探讨三款在 [DigitalOcean 云平台上备受关注的高性能 GPU](https://www.aidroplet.com/product/gpu)：**DigitalOcean L40s**、NVIDIA **RTX 6000** **Ada**与上一代旗舰**A6000**。我们将全面剖析它们的性能、定位与成本效益，尤其是在**GPU** **云服务**领域的表现。值得一提的是，这三款GPU均可在**DigitalOcean**上按小时租用，这无疑为我们提供了巨大的灵活性，无需一次性投入数万美元购买昂贵硬件。

## 定位与应用场景概述

要做出明智的硬件选择，首先需要明确每款GPU的核心定位与最适合的应用场景。

-   **NVIDIA L40s：** 作为为数据中心优化而生的GPU，**L40s**主攻AI推理、大规模生成式AI模型的快速响应与多路视频处理。其架构专为提升推理吞吐量而设计，是追求极致性价比与效率的AI工作负载首选。
-   **NVIDIA RTX 6000 Ada：** 这是一款真正的全能型工作站旗舰卡，它在AI推理与专业渲染之间实现了完美的平衡。无论是训练AI模型、进行复杂的3D渲染，还是运行CAD/CAE软件，**RTX 6000 Ada**都能提供顶级的性能与驱动优化支持。
-   **NVIDIA A6000：** 作为上一代Ampere架构的旗舰，**A6000**凭借其高达48GB的巨大显存容量，在今天依然具备强大价值。它特别适合处理超大场景加载、高分辨率渲染以及对显存有严苛要求的兼容性工作。

## 核心参数深度对比

为了更直观地展示这三款GPU的差异，我们整理了以下对比。这里的价格来自 **DigitalOcean** 云平台，该平台的价格相对其它一线云平台更加便宜，且无隐形费用。而且，在你的出站流量超出免费额度之后，DigitalOcean 的所有区域的出站流量费用均为0.01美元/GB，比绝大多数云平台的价格都要便宜。这对于 AI 推理业务来讲，可以节省大量成本。所以它提供了一个极具参考价值的**GPU** **云服务**成本视角。

-   **NVIDIA L40s**

    -   **架构:** Ada Lovelace
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 18,176
    -   **Tensor** **Core (代):** 第4代（568）
    -   **单精度 / FP32 性能:** 91.6 TFLOPS
    -   **Tensor** **性能 (FP8):** 1,466 TFLOPS
    -   **功耗 (最大** **TDP** **):** 350 W
    -   **DigitalOcean 价格 ($/小时):** $1.57

-   **NVIDIA RTX 6000 Ada**

    -   **架构:** Ada Lovelace
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 18,176
    -   **Tensor** **Core (代):** 第4代（568）
    -   **单精度 / FP32 性能:** 91.1 TFLOPS
    -   **Tensor** **性能 (FP8):** 1,457 TFLOPS
    -   **功耗 (最大** **TDP** **):** 300 W
    -   **DigitalOcean 价格 ($/小时):** $1.57

-   **NVIDIA A6000**

    -   **架构:** Ampere
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 10,752
    -   **Tensor** **Core (代):** 第3代（336）
    -   **单精度 / FP32 性能:** 38.7 TFLOPS
    -   **Tensor** **性能 (** **FP16** **):** 309.7 TFLOPS
    -   **功耗 (最大** **TDP** **):** 300 W
    -   **DigitalOcean 价格 ($/小时):** $1.89

## 应用场景性能分析

单纯的参数对比并不能完全反映实际性能。现在我们将结合DigitalOcean的定价，分析它们在不同场景下的真实表现。

**AI** **推理与** **生成式AI**

-   **L40s**：L40s的优势在AI推理场景下被放大。借助第四代Tensor Core，其FP8吞吐量高达1466 TFLOPS。需要说明的是，Ampere架构的A6000并不支持原生FP8，只能使用FP16进行推理运算，因此在相同任务下效率明显偏低。即便如此，L40s在FP8推理任务上的算力仍接近A6000的5倍。考虑到DigitalOcean上L40s的价格仅为1.57美元/小时，它在高吞吐量推理业务上的成本效益几乎无人能敌。
-   **RTX 6000** **Ada**：性能与L40s非常接近，但其专为工作站场景优化的驱动和功能，使其在兼顾AI与专业图形工作流时更具优势。
-   **A6000**：尽管拥有48GB显存，但由于架构较旧，其仅支持FP16推理，Tensor性能为309.7 TFLOPS，在效率和能效比上都不及新的Ada Lovelace架构。

**3D渲染与实时可视化**

-   **RTX 6000** **Ada**：在大多数专业渲染应用（如Blender、V-Ray、OctaneRender等）中，RTX 6000 Ada凭借Ada Lovelace架构和专为工作站优化的驱动支持，往往能展现出最佳的渲染性能。
-   **L40s**：L40s的渲染性能与RTX 6000 Ada十分接近，在大规模云渲染任务中甚至更具性价比。但在部分特定的专业渲染软件中，由于驱动适配的差异，可能略逊于RTX 6000 Ada。
-   **A6000**：48GB显存让A6000仍能轻松处理超大、超复杂的三维场景，这在高精度建模或影视后期制作中有价值。然而在纯粹的渲染速度上，它已明显落后于新一代Ada架构GPU。

**视频处理与虚拟桌面（** **VDI** **）**

-   **L40s**：凭借新一代NVENC/NVDEC硬件编码器以及强大的Tensor Core，L40s在多路视频处理、AI驱动的视频生成和超分辨率任务中具备明显优势。对云端视频推理服务来说，它是高性能且高性价比的选择。
-   **RTX 6000** **Ada**：在VDI场景中，其稳定的性能和全面的驱动优化为多用户并发提供了更好的一致性和流畅性，尤其适合需要高质量图形渲染与远程交互并重的企业级应用。
-   **A6000**：依然适合需要加载大量纹理和数据的VDI应用，凭借大显存能维持一定优势。但在能效比与综合性能方面，已经不及新一代的Ada系列产品。

## 选型建议

在DigitalOcean的GPU云服务平台上，这三款GPU各具特色，为不同需求的用户提供了灵活的选择。

-   **AI** **推理核心开发者**：在DigitalOcean目前提供的GPU选项中，L40s凭借强大的FP8算力与合理的定价，成为大规模推理任务的高性价比首选。
-   **专业渲染与图形设计者**：RTX 6000 Ada在兼顾AI计算与图形工作流方面展现出最佳平衡，其顶级的渲染性能与成熟的驱动生态，使其特别适合对图形精度和稳定性有严格要求的用户。
-   **显存** **敏感型工作者**：虽然在架构与效率上落后于新一代产品，但A6000凭借48GB显存，在需要加载超大模型或复杂场景时依然有其应用价值，尤其适合预算有限但显存需求突出的任务。

如果您正在寻找一种灵活、可扩展且无需硬件维护的方式来驱动您的AI或图形工作流，强烈建议您在**DigitalOcean**上探索这三款GPU Droplets。按小时计费的模式让您能够以极低的门槛启动项目，并根据需求轻松扩容。现在就访问**DigitalOcean**，开始您的GPU云之旅吧！如果需要更进一步关于部署、配置等建议，可咨询[DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

DigitalOcean上适合AI推理与工作站的GPU服务器，以及价格

DigitalOcean GPU 选型指南（二）：AI 推理最佳之选，L40s、RTX 6000 Ada与A6000全解析

过去几年间，以大型语言模型（LLM）和生成式 AI 为代表的新浪潮席卷全球，对算力基础设施提出了前所未有的严苛挑战。从 GPT-4 到 Llama 3，参数量级的飞跃不仅意味着计算复杂度的几何级数增长，更直接推动了对高性能 GPU 的需求井喷。然而，对于大多数创新型企业和科研团队而言，自建 GPU 服务器集群不仅面临高昂的初始投资、漫长的采购周期，还要承担复杂的运维和折旧成本。

正因如此，像 DigitalOcean 这类按需、按小时付费的 GPU 云服务，正成为解决算力瓶颈的关键。它为开发者提供了一个无需承担重资产风险、灵活且高性能的计算平台。

目前，[DigitalOcean提供了超过18种GPU型号的Droplet云服务器](https://www.aidroplet.com/product/gpu)。有适合大语言模型训练、高性能AI推理的GPU，也有中端 GPU 性价比之王，也有一些更加便宜的GPU型号。我们将分为几篇文章，给大家介绍这些GPU的规格、价格以及适合的业务场景和预算。

本文将聚焦于 DigitalOcean 平台提供的顶级 AI 训练 GPU——NVIDIA H100、H200 以及 AMD MI300X/MI325X，深入对比它们的性能、价格与适用场景，帮助你做出最明智的选型决策。

> 注：文章中的数据基于2025年8月DigitalOcean官网信息，最终价格与优惠信息请最终咨询[Digitalocean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

### AI 训练旗舰 GPU 概览

#### NVIDIA H100

NVIDIA H100 是当前 AI 训练市场的现役旗舰，基于 Hopper 架构打造。它不仅仅是性能上的简单提升，更是为大模型时代量身定制的 GPU。 **核心优势**：H100 引入了**第四代** **Tensor** **Core** 和 **Transformer Engine**。其中，Transformer Engine 能利用 FP8 精度动态加速训练，在保证模型精度不降低的前提下，显著提升训练速度。在当前的大模型训练竞赛中，显存并非唯一的性能指标，但它往往决定了你能否在一台机器上完成端到端的训练流程。H100 的 80GB HBM3 显存使其足以胜任绝大多数中大型 LLM 的训练与微调任务。

#### NVIDIA H200

H200 可视为 H100 的全面升级版，其核心目标是进一步提升显存容量与带宽。 **核心优势**：H200 最核心的亮点在于其搭载了 **141** **GB** **的 HBM3e 显存**，并提供了高达 4.8 TB/s 的显存带宽。相比 H100，H200 在带宽与显存容量上的提升，使其在处理 1T 级别参数模型时的吞吐量提升可达 15% 至 20% [NVIDIA, 2024]。对于需要处理超大上下文窗口、或者进行大规模参数预训练任务的团队来说，H200 毫无疑问是性能的巅峰之选。

#### AMD Instinct MI300X

作为 AMD 在 AI 领域的重磅产品，MI300X 的策略是通过强大的显存容量来抢占市场。 **核心优势**：MI300X 最大的卖点是其高达 **192** **GB** **的 HBM3 显存**，这在单卡上几乎是前所未有的容量。对于预算有限但追求显存极限的项目，AMD MI300X（8x）在性价比上几乎无可匹敌。其庞大的显存容量使其特别适用于需要处理超大数据集、单卡部署大规模模型推理，或进行显存密集型训练任务的场景。

#### AMD Instinct MI325X

MI325X 是 MI300X 的新一代产品，是当前显存容量的巅峰代表。 **核心优势**：MI325X 将单卡显存容量推至了惊人的 **256GB HBM3e**，这打破了当前所有硬件的显存上限。对于寻求极致显存、进行突破性前沿科研，或者尝试训练超大规模、参数量极高的模型而言，MI325X 提供了几乎无限的可能。

### 核心参数与价格深度对比

为了让大家更直观地理解 DigitalOcean 提供的顶级 GPU Droplet 配置间的差异，我们基于官方数据，对每款产品的核心参数进行了详细梳理。以下列表重点展示了硬件配置，而价格信息可能随市场变动，请以 DigitalOcean 官网实时数据为准，或者直接咨询[DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

#### NVIDIA H100 单卡机型配置

-   **核心架构**：Hopper

-   **GPU** **显存**：80 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $3.39/小时
    -   **8卡集群**：按需 $23.92/小时

-   **典型适用场景**：中大型 LLM 训练与微调，尤其适合需要稳定、成熟生态的项目。8卡集群方案是进行超大规模 LLM 预训练和高性能计算 (HPC) 的理想选择。

#### NVIDIA H200 单卡机型配置

-   **核心架构**：Hopper

-   **GPU** **显存**：141 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：24 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $3.44/小时
    -   **8卡集群**：按需 $27.52/小时

-   **典型适用场景**：对显存和带宽要求极高的中大型 LLM 训练，突破性 LLM 预训练，以及前沿科研项目。H200 在显存和带宽上的显著提升，使其在处理大规模模型时能大幅缩短训练时间，从而在**AI 训练成本**上带来潜在优势。

#### AMD Instinct MI300X 单卡机型配置

-   **核心架构**：CDNA 3™

-   **GPU** **显存**：192 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $1.99/小时
    -   **8卡集群**：按需 $15.92/小时

-   **典型适用场景**：超大模型单卡推理与训练，显存密集型大规模计算任务。AMD MI300X 的最大优势在于其极具竞争力的价格和巨大的显存容量，对于预算有限但追求显存极限的项目，其**性价比**几乎无可匹敌。

#### AMD Instinct MI325X 单卡机型配置

-   **核心架构**：CDNA 3™

-   **GPU** **显存**：256 GB

-   **Droplet** **内存**：164 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **8卡集群**：需联系[卓普云](https://www.aidroplet.com/)获取具体报价

-   **典型适用场景**：需要打破显存上限、进行前沿研究和超大规模模型训练的客户。MI325X 将单卡显存容量推至了惊人的 256GB，是当前显存容量的巅峰代表。

#### 价格与性能分析

-   **H100 vs H200**：H200 的价格略高于 H100，但其显存和带宽的提升能带来更显著的性能优势，特别是在处理大型模型时，可显著缩短训练周期，降低总体训练成本。
-   **NVIDIA vs** **AMD**：AMD MI300X 在价格上展现出强大的竞争力，尤其是在显存密集型任务上，其高显存容量与低成本的结合，使其成为追求高性价比的理想选择。
-   **单卡 vs 8卡集群**：对于绝大多数需要进行大规模训练的场景，**多卡集群**是更高效的选择。从价格上看，DigitalOcean 的 8 卡集群方案提供了更高的性价比，例如 H100x8 的单卡小时成本低于 H100 单卡，这是因为多卡集群在硬件和网络连接上经过了优化，能够提供更高的整体吞吐量。

### 如何根据项目需求进行精准选型？

在为 AI 训练项目选择 GPU 云服务时，单纯看型号和显存往往不足以做出最佳决策。在做GPU选型中遇到难题，也可以咨询[DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)的技术专家。

### 1. 明确模型规模与任务类型

-   **小于 70B 参数的模型**：多用于企业内部定制化微调、行业垂直领域应用，显存需求相对较低，H100 单卡或双卡即可胜任，且生态工具链成熟。
-   **70B–200B 参数的模型**：进入大模型预训练或全量微调阶段，显存与带宽成为瓶颈，H200 或 MI300X 的高显存配置可减少梯度累积轮数，提高吞吐效率。
-   **200B+ 参数的模型**：需使用多卡甚至多节点集群，显存利用率和 NVLink/Infinity Fabric 带宽将直接影响训练时间，推荐 H200×8 或 MI325X×8。

> 在当前的大模型训练竞赛中，显存并非唯一的性能指标，但它往往决定了你能否在一台机器上完成端到端的训练流程。

### 2. 预算与时间窗口的权衡

-   **高预算 & 紧迫时间表**：选择 H200 (8×) 或 H100 (8×)，单轮训练可显著缩短迭代时间，减少项目整体周期。
-   **预算有限但需高** **显存**：MI300X (8×) 以较低的每小时成本提供 1.5TB 显存，尤其适合长周期训练任务，在总成本控制上优势明显。
-   **探索性研发或概念验证（** **PoC** **）** ：可先在单卡 H100/H200 上完成小规模训练验证，待算法与数据集确定后再迁移至多卡集群。

### 3. 决策矩阵示例

-   **极致性能优先**：H200 (8×) → 适合时间敏感的超大规模训练
-   **显存** **容量优先**：MI325X (8×) → 满足 2TB 显存极限需求
-   **性价比优先**：MI300X (8×) → 长周期训练或显存密集型任务
-   **生态与稳定性优先**：H100 系列 → 工具链与社区支持成熟

### 你的 AI 训练旗舰GPU，就在 DigitalOcean

总而言之，DigitalOcean 提供了从 NVIDIA 的 H100、H200，到 AMD 的 MI300X、MI325X 的全方位顶级 GPU 选项，满足了从追求极致性能到追求高性价比的不同需求。无论你的项目规模如何，总能在这里找到最适合你的 AI 训练解决方案。

现在，是时候根据你的项目需求，在 DigitalOcean 平台上选择最适合你的 GPU Droplet，开启你的 AI 训练之旅了。**如果希望抢定GPU资源，或者在选型中遇到困难，可联系[DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。**

large_images-8-2.png

medium_images-8-2.png

small_images-8-2.png

thumbnail_images-8-2.png

xsmall_images-8-2.png

images-8-2.png

解析DigitalOcean上的H100、H200与MI300X/MI325X GPU服务器

DigitalOcean GPU 选型指南（一）：AI 训练巅峰之选 H100、H200与MI300X/MI325X深度对比

在前不久，阿里通义千问发布了一系列 Qwen 模型。其中，**Qwen3-Coder** 是一个**智能体** **（agentic）** 的**专家混合（Mixture of Experts, MoE）** 模型，拥有 4050 亿总参数和 350 亿激活参数。它专为高性能编程辅助和多轮工具使用而设计。从 Kimi-K2 到 Qwen3-Coder，这两款模型在不到两周的时间内相继发布，这表明各团队正在积极地将专门的开源智能体编程模型推向开发者。Qwen3-Coder 的独特之处在于其较低的总参数量（例如，比 Kimi K2 的 1 万亿参数少）和令人印象深刻的基准测试表现。

Qwen3于今年五月发布，在其技术报告的结论中提到：“我们将致力于改进模型架构和训练方法，以实现有效的压缩、扩展至极长上下文等目的。此外，我们计划增加用于强化学习的计算资源，特别关注从环境反馈中学习的基于智能体的强化学习系统。”

七月发布的更新版Qwen3模型涉及预训练和强化学习（RL）阶段，它使用了修改版的**群组** **相对策略优化（Group Relative Policy** **Optimization** **, GRPO）** ，称为**群组序列策略优化（Group Sequence Policy Optimization, GSPO）** ，以及一个可扩展的系统，能够并行运行 2 万个独立环境。

**Qwen3 的部分特点：**

-   4050 亿参数的专家混合模型，其中 350 亿为激活参数
-   160 个专家，每个 token 激活 8 个
-   25.6 万 token 的上下文长度，使用 YaRN 可扩展到 100 万
-   在长程任务上 SWE-bench 验证得分很高（在 500 轮中得分为 69.6%，而 Claude-Sonnet-4 在 500 轮中为 70.4%）
-   使用群组序列策略优化进行训练
-   较小的 30B A3B Instruct 变体可在单个 H100 GPU 上运行
-   通义千问 Code CLI 作为 Gemini CLI 的分支开源

接下来，我们快速了解一下 Qwen3-Coder 内部结构，然后动手部署，让Qwen3 Coder跑起来。

## **模型概述**

-   **专家混合（MoE）** ：MoE 架构可以在增加模型规模和质量的同时降低计算成本。它采用稀疏的前馈神经网络（FFN）层（称为“专家”），并辅以一个门控机制，将 token 路由到 top-k 个专家，从而只激活每个 token 的一部分参数。
-   **4050 亿总参数，350 亿激活参数**：由于 Qwen3-Coder 采用 MoE 架构，因此存在总参数和激活参数。“总参数”包含模型内的所有参数总和，包括所有专家网络、路由器或门控网络以及共享组件，无论在推理过程中哪些专家被调用。这与“激活参数”不同，后者是指用于特定输入的参数子集，通常包括被激活的专家和共享组件。
-   **专家数量 = 160，激活专家数量 = 8**：这非常有趣，因为（点击链接）……
-   **上下文长度 = 25.6 万 token（原生），使用** **YaRN** **达到 100 万**：**YaRN（Yet another RoPE extensioN method）** 是一种计算高效的方法，用于扩展基于 Transformer 的语言模型的上下文窗口。它在 Qwen3-Coder 中的使用将其上下文长度扩展到了 100 万。
-   **GSPO（** **群组** **序列策略优化）** ：在通义千问的最新论文中，他们介绍了 GSPO，结果表明其训练效率和性能优于 GRPO（群组相对策略优化）。GSPO 稳定了 MoE 强化学习的训练，并有可能简化强化学习基础设施的设计。
-   在基准测试中，Qwen3-Coder 的表现令人印象深刻，其在 SWE-bench 验证上的得分为 67.0%，在 500 轮后增加到 69.6%。500 轮的结果模拟了更真实的编程工作流——模型可以读取反馈（如测试失败），修改代码，重新运行测试，并重复此过程直到解决方案生效。

## **部署运行**

接下来，我们采用一个较小变体 **Qwen3-Coder-30B-A3B-Instruct** ，来进行部署。从这个变体的名称，我们可以了解到，它的总参数为 300 亿，激活参数为 30 亿。instruct 表示它是基础模型的指令微调版本。它具体特性是这样的：

-   **参数数量**：305 亿总参数，33 亿激活参数
-   **层数**：48
-   **注意力头数（GQA）** ：Q 为 32，KV 为 4
-   **专家和激活专家数量**：128 个专家，8 个激活专家
-   **上下文长度**：262,144 个原生上下文（不使用 YaRN）

正如我们所见，这个特定模型的规格略有不同，但可以在单个 H100 GPU 上运行。

**第 1 步：设置 GPU Droplet**

首先设置一个 [DigitalOcean GPU Droplet](https://www.aidroplet.com/product/gpu)，选择 **AI** **/** **ML** 并选择 **NVIDIA H100** 选项。这里我们采用的是DigitalOcean 云平台的 GPU 服务器。目前在市场上，DigitalOcean 相对于其它大型云平台来讲，不仅 GPU 型号更加丰富，而且价格也相对更实惠。而且，DigitalOcean 云平台的产品更加简单易用。

运行 **Qwen3-Coder-30B-A3B-Instruct** 需要 80 GB 显存，所以你也可以选择 DigitalOcean 上的 A100 GPU。

另外，Qwen3 系列的旗舰版本Qwen3-235B-A22B，需要多卡并行才能完整运行，例如2-3张H100或1-2张H200显卡，如果你需要运行期间版本，那么也可以使用 DigitalOcean 上的H200 GPU，这些GPU都支持按需实例或裸金属服务器，详情可咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。


![ai-ml.png](https://blog.aidroplet.com/uploads/ai_ml_6eb6f48f10.png)

**第 2 步：Web 控制台**

GPU Droplet 加载完成后，你将能够打开 Web 控制台。

![web console.png](https://blog.aidroplet.com/uploads/web_console_fdef1a0303.png)

**第 3 步：安装依赖**

```
apt install python3-pip
pip3 install transformers>=4.51.0
```

**第 4 步：运行模型**

```
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-Coder-30B-A3B-Instruct"# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
prompt = "Write a quick sort algorithm."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=65536
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

content = tokenizer.decode(output_ids, skip_special_tokens=True)

print("content:", content)
```

**通义千问 Code：开源** **CLI**

**通义千问 Code** 是一个用于处理 Qwen3-Coder 模型智能体编程任务的开源命令行界面。它是 Gemini CLI 的一个分支，经过修改以与通义千问的能力无缝协作。

我们提供了安装 CLI、配置和使用 Qwen3-Coder 模型运行它的步骤。

**第 1 步：安装 Node.js（20 或更高版本）**

开始之前，请确保你的设备上安装了 Node.js 20+。

在你的终端中运行：

```
node -v
```

**第 2 步：安装通义千问 Code** **CLI**

Node.js 准备好后，全局安装通义千问 Code：

```
npm install -g qwen-code
```

这使得 `qwen-code` 命令可以在你系统的任何位置使用。

**第 3 步：获取** **API** **密钥**

从 openAI 获取一个 API 密钥。

```
export OPENAI_API_KEY="your_api_key_here"export OPENAI_BASE_URL="https://dashscope-intl.aliyuncs.com/compatible-mode/v1 "export OPENAI_MODEL="qwen3-coder-plus"
```

**第 4 步：Vibe Code**

在终端中输入 `qwen`，你就可以开始编程了。


![qwencode cli.png](https://blog.aidroplet.com/uploads/qwencode_cli_1c56029ebe.png)
对于使用 Qwen3-Coder 的其他方式，请查看通义千问 Coder 的博客文章。

## 最后思考

我们很高兴看到社区成员们玩转这些开源的智能体编程模型，如 Qwen3-Coder、Kimi K2、Devstral，并将它们整合到自己的工作流中。Qwen3-Coder 最令我们印象深刻的是其上下文窗口。它原生支持 25.6 万 token，并可扩展到 100 万，我们很期待看到该模型在实际软件工程用例中与其它开源模型相比有多有效。凭借其令人印象深刻的上下文窗口、可通过 Qwen3-Coder-30B-A3B-Instruct 访问的较小变体，以及通义千问 Code CLI 的推出，该模型有望为开发者提供强大的智能体编程辅助。

另外，你在DigitalOcean上，还可以通过“1-click model” 一键部署其他开源模型。如果你需要进一步了解DigitalOcean 上的 GPU或AI相关产品，可以咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

large_images-12.png

medium_images-12.png

small_images-12.png

thumbnail_images-12.png

xsmall_images-12.png

images-12.png

5分钟学会在H100 GPU Droplet上运行最新的开源AI编程模型。

从零开始：用Qwen3-Coder在H100上构建你的智能编程工作流

OpenAI 的首批开源 GPT 模型（200 亿和 1200 亿参数）现已登陆 Gradient AI 平台。此次发布让开发者在构建 AI 应用时拥有更高的灵活度和更多选择，无论是快速原型还是大规模生产级智能体，都能轻松上手。

**新特性**

开源 GPT 模型：可直接在 Gradient AI 平台调用 gpt-oss-20b 与 gpt-oss-120b。 

代码 + UI 双支持：既可通过 Serverless Inference API 调用，也可在创建智能体时于控制台直接选择，或在模型沙盒中实时体验。 

一体化体验：统一计费、可观测性与可追溯性，无需再整合多家供应商、账单或监控工具。

**两种方法进行部署**

通过代码方式：通过 Serverless Inference API 直接调用。
```
   import os
    import sys
    from gradient import Gradient

    model_access_key = os.environ.get("GRADIENT_MODEL_ACCESS_KEY")

    if not model_access_key:
        sys.stderr.write("错误：未设置环境变量 GRADIENT_MODEL_ACCESS_KEY。\n")
        sys.exit(1)

    inference_client = Gradient(model_access_key=model_access_key)

    inference_response = inference_client.chat.completions.create(
        messages=[
            {
                "role": "user",
                "content": "为一款环保水瓶写一段产品描述。",
            }
        ],
        model="openai-gpt-oss-20b",
    )

    print(inference_response.choices[0].message.content)
```

通过用户界面的方式：进入「创建智能体」页面，在模型下拉框中选择 gpt-oss-20b 或 120b 即可。


![wechat_2025-08-22_111136_269.png](https://blog.aidroplet.com/uploads/wechat_2025_08_22_111136_269_9f45cfa345.png)

基于DigitalOcean Gradient AI平台与gpt-oss，可构建的场景包括：

*   基于自有知识库训练的客户支持智能体 

*   成本优化的内容生成工具 

*   兼顾性能与价格的 AI 应用

    

本次发布让 Gradient AI 平台朝着「最简单、最灵活的生产级 AI 应用构建方式」又迈进了一步。在 Gradient AI 平台上，我们提供了包括 H200、H100、MI325X、MI300X、L40s 等一系列 GPU 按需实例与裸金属服务器，如需了解详情，可咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com)。


large_images-13.png

medium_images-13.png

small_images-13.png

thumbnail_images-13.png

xsmall_images-13.png

images-13.png

Gradient AI 平台上线 OpenAI 开源 gpt-oss-20b/120b，支持快速部署

DigitalOcean Gradient AI平台现已支持OpenAI gpt-oss 

微调大型语言模型不再需要烧钱或对高端企业级基础设施的苛刻要求。像 [DigitalOcean GPU Droplet](https://www.aidroplet.com/product/gpu/) 这样经济实惠的云解决方案，配备了强大的 H100 或 RTX 6000 显卡，让开发者和小型团队能够完全掌控并自信地部署 AI 模型。无论你是构建更智能的聊天机器人、领域专用助手，还是仅仅探索生成式 AI 的能力，工具都比以往任何时候都更容易获取。真正的挑战是：寻找经济实惠、可靠的 GPU 资源，而且没有复杂的计费或设置。

这就是 DigitalOcean GPU Droplet 最能发挥价值的地方之一。

在本文中，我们将深入探讨为什么微调 LLM 很重要，GPU Droplet 如何使其更简单、更经济实惠，并分享一些明智的策略，即使在预算有限的情况下也能减少 GPU 使用量、降低成本并获得强大的性能。

## 关键点

-   微调 LLM 可以实现领域特定定制，提高客户支持、摘要或代码生成等任务的性能。
-   由于大型模型对内存、计算和存储的高要求，完全微调通常成本高昂。
-   DigitalOcean 的 GPU Droplet 提供了一种经济实惠的替代方案，让开发者可以按需访问 NVIDIA 和 AMD GPU，而无需长期绑定。
-   参数高效微调（PEFT）技术，如 LoRA 和 QLoRA，显著降低了 GPU 需求，同时保持了准确性。
-   量化（例如 INT8、INT4）有助于缩小模型大小并提高速度，从而允许 LLM 在有限的硬件上运行。
-   像 LLaMA 3、Mistral、TinyLlama 和 Phi-2 这样的开源模型针对微调进行了优化，更适合预算有限的设置。
-   Weights & Biases 或 TensorBoard 等跟踪工具有助于保持实验的组织性和效率。
-   像梯度检查点、安排非高峰期训练和销毁空闲 Droplet 这样的最佳实践有助于节省成本。

## 为什么需要微调 LLM？

Llama、Mistral 或 GPT 等强大的模型是在海量数据集上训练的。它们功能强大，也是通用模型，因为它们可以回答各种问题、执行任务，并且能够合理地完成许多任务。然而，如果提供特定的用例，这些模型可能无法始终给出最准确的答案。

这就是微调发挥作用的地方。

微调是根据你自己的数据集继续训练现有模型的过程。微调有助于调整模型，使其学习对你的应用程序重要的上下文、术语和风格。

例如，通用 LLM 可能难以对你公司软件的技术问题提供准确的答复。但在根据你的产品文档或支持聊天进行微调后，它在回答这些查询方面会变得更好，几乎就像一位内部专家。

## 为什么完全微调传统上成本高昂

LLM 的完全微调涉及在训练过程中更新所有参数，而现代 LLM 拥有数十亿个参数。这个过程需要大量的计算资源，特别是具有大内存（VRAM）、快速互连和足够带宽以快速移动大量数据的高端 GPU。

例如，微调一个 7B+ 参数的模型，如 LLaMA 或 Mistral，根据数据集大小和批处理配置，可能轻易需要多个 A100 或 H100 GPU 运行数小时甚至数天。除了硬件，还需要分布式设置、可靠的存储和强大的编排工具来管理训练和检查点。所有这些都转化为高昂的运营和基础设施费用，对于许多独立开发者、研究人员或小型团队来说，这是遥不可及的。

更不用说，训练可能需要数小时甚至数天，这意味着更长的运行时间和更高的能源消耗。

## 为什么选择 GPU Droplet？

现在我们都知道，微调大型语言模型或任何深度学习模型通常会带来沉重的基础设施费用。传统的云 GPU 定价可能令人望而却步，特别是当你只是在实验、频繁迭代或在预算有限的情况下运行时。

GPU Droplet 提供了一种简单、对开发者友好的方式来运行 GPU 密集型工作负载，包括微调 LLM。主要优势包括：

-   **经济实惠的定价**
-   **强大的** **GPU**
-   **开发者简便性**
-   **随用随扩展**

| GPU 类型                     | 每小时价格（按需）   | GPU 内存   | Droplet 内存 | vCPU |
| -------------------------- | ----------- | -------- | ---------- | ---- |
| NVIDIA RTX 4000 Ada        | $0.76       | 20 GB    | 32 GiB     | 8    |
| NVIDIA RTX 6000 Ada / L40S | $1.57       | 48 GB    | 64 GiB     | 8    |
| AMD MI300X (单)             | $1.99       | 192 GB   | 240 GiB    | 20   |
| NVIDIA H100 (单)            | $3.39–$6.74 | 80 GB    | 240 GiB    | 20   |
| NVIDIA H100x8              | $2.99 每 GPU | 640 GB   | 1,920 GiB  | 160  |
| AMD MI300Xx8               | $1.99 每 GPU | 1,536 GB | 1,920 GiB  | 160  |

### 预留定价 — 长期使用的更深折扣

如果你计划进行更长的训练周期或在生产环境中托管模型，预留定价可为你节省大量成本。签订 1 年期合约，你可以用比按需价格更低的价格获得强大的 GPU：

| GPU 类型        | 预留价格（/GPU/小时） |
| ------------- | ------------- |
| NVIDIA H100x8 | $1.99         |
| AMD MI325Xx8  | $1.69         |
| AMD MI300Xx8  | $1.49         |

这种预留设置非常适合需要持续访问大规模计算但又希望控制预算的团队或个人。

## 在 DigitalOcean GPU Droplet 上使用 DCGM 启用 GPU 指标

在训练或微调 AI 模型时，监控 GPU 使用情况始终是一个好习惯。借助 DigitalOcean 的 AI/ML 就绪型 GPU Droplet，可以使用 NVIDIA DCGM（数据中心 GPU 管理器）和 DCGM Exporter 轻松启用和监控 GPU 健康状况、内存和温度指标。

以下是快速入门的概述：

### 使用 AI/ML 就绪型 Droplet

使用 AI/ML 就绪型镜像启动 GPU Droplet，该镜像已包含 NVIDIA 驱动程序和工具。对于自定义镜像，你需要手动安装驱动程序和 DCGM。

### 安装 DCGM

使用简单的命令安装 DCGM：

Bash

```
sudo apt-get install -y datacenter-gpu-manager
sudo systemctl restart systemd-journald
```

对于 8-GPU Droplet，你还需要安装：

-   NSCQ 库（特定于你的驱动程序版本）
-   NVIDIA Fabric Manager（通常预装在 AI/ML 镜像中）

### 启用并启动 DCGM 服务

以独立模式运行 DCGM，使其自动启动：

Bash

```
sudo systemctl --now enable nvidia-dcgm
```

检查其是否正在运行：

Bash

```
sudo service nvidia-dcgm status
```

### 在 Docker 中运行 DCGM Exporter

要在 HTTP 端点公开 GPU 指标（对 Prometheus 或自定义仪表板很有用），请在 Docker 容器中使用 DCGM Exporter：

Bash

```
sudo apt-get install -y docker.io
nvidia-ctk runtime configure --runtime=docker
systemctl restart docker
```

然后运行导出器：

Bash

```
docker run -d --rm --gpus all --net host --cap-add SYS_ADMIN \
nvcr.io/nvidia/k8s/dcgm-exporter:<version>-ubuntu22.04 \
-r localhost:5555 -f /etc/dcgm-exporter/dcp-metrics-included.csv
```

### 验证指标

检查指标端点是否正常工作：

Bash

```
curl localhost:9400/metrics
```

你将看到实时 GPU 统计信息，例如时钟速度、内存温度和利用率。

## GPU Droplet 与裸金属 GPU：何时使用哪个

DigitalOcean 还提供裸金属 GPU 的访问权限，它们是专用的单租户服务器，专为高性能需求而设计。如果需要训练大型模型、运行复杂管道，或者工作负载需要完全的硬件控制、一致的性能以及更长的时间，在这种情况下，裸金属是最佳选择。GPU Droplet 适用于快速启动、灵活的工作负载，如微调模型、运行推理或处理适度的数据集。这些虚拟机提供轻松部署、按小时计费，以及足够的电源来完成大多数 AI/ML 任务，而无需硬件管理开销。GPU Droplet 在性能和简单性之间提供了恰当的平衡。

## 经济高效地微调 LLM 的策略

1、使用参数高效微调 (PEFT)

有一些策略绝对可以帮助高效地微调任何大型语言模型。其中之一就是参数高效微调（PEFT）。PEFT 允许微调模型，而无需更新所有参数，这不仅节省了计算成本，还节省了内存。PEFT 技术，如 LoRA（Low-Rank Adaptation）或 QLoRA（Quantized Low-Rank Adaptation），不是重新训练整个模型，而是仅修改一小部分参数，同时保持其余参数冻结。

这种方法大大降低了 GPU 需求并加快了训练速度，使其成为预算有限的理想选择。你无需依赖高成本、高内存实例，而是可以使用 DigitalOcean 上的 NVIDIA RTX 4000 Ada 或 MI300X 等较小的 GPU 实现具有竞争力的性能。

Python

```
from peft import LoraConfig, get_peft_model

lora_config = LoraConfig(
    r=8,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM"
)

model = get_peft_model(base_model, lora_config)
```

2、使用开源模型

像 LLaMA 3、Mistral、Phi-3 和 TinyLlama 这样的开源模型旨在提供强大的性能，同时足够轻量级，可以在更小、更经济实惠的硬件上运行。这些模型不仅可以免费使用和修改，而且其中许多模型都针对高效微调和快速推理进行了优化，因此它们是注重预算的开发者的理想选择。

Python

```
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "mistralai/Mistral-7B-v0.1"
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")
```

3、使用量化进行优化

使用量化模型（例如 INT4、INT8）也可以显著减少内存占用，而不会对精度造成重大损失。量化是一种通过降低模型使用的数字精度来使机器学习模型更小、更快的方法。假设你的模型有一个像 7.892345678 这样的数字，以 32 位存储（占用大量内存）。量化不是保留所有这些数字，而是将其四舍五入到更简单的数字，例如 8，并仅使用 8 位存储。这种微小的变化在模型中的数百万（或数十亿）个参数中节省了大量空间。

最流行的经济高效的微调方法之一是 **QLoRA**（Quantized Low-Rank Adapter），它将 4 位量化与 LoRA 适配器结合起来以实现高效训练。它使用 bitsandbytes 库加载量化模型并以最小的内存占用执行微调。你使用 bitsandbytes 以 4 位精度加载模型，然后只训练少量添加的 LoRA 参数。这使得训练和推理都快速且经济实惠。

尝试使用 QLoRA + bitsandbytes 进行量化感知训练。

Bash

```
pip install transformers datasets accelerate peft bitsandbytes
```

**加载** **量化模型**

Python

```
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

model_name = "meta-llama/Llama-2-7b-chat-hf"# 设置 4 位量化
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype="float16"
)

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto"
)

tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token
```

**为 PEFT 添加** **LoRA**

Python

```
from peft import get_peft_model, LoraConfig, TaskType

peft_config = LoraConfig(
    r=8,
    lora_alpha=16,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type=TaskType.CAUSAL_LM
)

model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
```

## 额外提示

现在，让我们讨论一些可以帮助更高效地微调模型的额外提示：

-   **使用 Weights & Biases (WandB) 或 TensorBoard 等工具远程跟踪进度** 像 WandB 或 TensorBoard 这样的工具让你可以从浏览器实时监控训练指标，如损失和准确性。这样，你无需保持 Droplet 打开来检查日志，从而节省时间和金钱。
-   **使用 `gradient_checkpointing=True` 节省 VRAM** 梯度检查点通过牺牲一些计算来减少内存使用。它存储更少的中间激活并在反向传播期间重新计算它们，帮助你在较小的 GPU 上训练更大的模型。
-   **在非高峰时段进行训练（如果可能）**  这可能是一个技巧，但在非高峰时段（例如深夜或周末），GPU 的可用性和性能有时会更好。尽量避免高峰时段，有时这个技巧也能帮助你。
-   **完成后务必销毁你的 GPU Droplet** ，不要只是停止实例；销毁它。这确保你不会为闲置资源付费。忘记这样做是人们意外增加巨额账单最常见的方式之一。
-   **定期保存检查点，特别是对于长时间作业** 如果你的训练过程被中断（由于网络问题、超时等），保存的检查点让你可以从中断的地方恢复，而不是从头开始。这既节省了时间又节省了 GPU 小时数。

## 小结

微调 LLM 不再需要花费巨资。借助 DigitalOcean GPU Droplet 并使用一些技巧和窍门，开发者和初创公司可以经济高效地轻松定制强大的开源模型。通过结合 LoRA、量化和使用轻量级开源模型等智能技术，即使在预算紧张的情况下，你也可以获得令人印象深刻的性能。因此，如果你一直因成本而推迟微调，现在是时候开始使用 DigitalOcean 经济实惠的 GPU 选项并将你的想法变为现实了。如果你还需要更多技术指导，了解更多 DigitalOcean GPU 机型配置与优惠价格，可直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)。

large_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

medium_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

small_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

thumbnail_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

xlarge_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

xsmall_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

LoRA+QLoRA+量化，RTX4000 0.76美元/时即可微调7B模型，附完整省钱脚本

预算有限如何微调大语言模型？基于 DigitalOcean GPU Droplet 的实践与优化策略

DigitalOcean 继三月更新之后，又推出一系列全新的托管 Kubernetes 功能，让你从产品中获取更高价值——包括全新支持的 Droplet 类型、可将节点自动缩容至零的能力等。下面一起快速了解这些功能及其如何为你的 Kubernetes 环境与业务带来益处。

## DigitalOcean Kubernetes 现已支持新型号 GPU Droplet

你现在可以在 DigitalOcean Kubernetes 托管服务（简称：DOKS）上运行 GPU 加速工作负载，支持最新 NVIDIA 与 AMD GPU Droplet 类型。这些实例专为 AI/ML 训练与推理、图像/视频处理等计算密集型场景设计。通过原生 GPU 节点支持，你既能享受容器的灵活性，又能获得高性能 GPU 的算力，并完全融入 DOKS 体验。新增 GPU Droplet 型号如下：

| GPU Droplet 型号                     | 说明                                                                                                |
| ---------------------------------- | ------------------------------------------------------------------------------------------------- |
| NVIDIA RTX 4000 Ada Generation GPU | 高性价比的单卡 GPU，适用于内容创作、3D 建模、渲染、视频及推理工作流，兼具性能与能效。                                                    |
| NVIDIA RTX 6000 Ada Generation GPU | 基于 Ada Lovelace 架构，配备第三代 RT Core、第四代 Tensor Core、48 GB 显存，适用于渲染、虚拟工作站、AI、图形与高性能计算。                |
| NVIDIA L40s GPU                    | 可支持 8 卡的 L40S Tensor Core GPU，单卡 48 GB 显存，集成第四代 Tensor Core、第三代 RT Core 与 DLSS 3.0，适用于图形、渲染与视频串流。 |
| AMD MI300X GPU                     | 面向高级 AI 推理与 HPC 工作负载的高性能 GPU，整合强大计算核心与高带宽内存，加速机器学习、数据分析与科学仿真，具备卓越效率与可扩展性。                         |

## 节点池支持缩容至归零

该功能允许节点池在无活跃工作负载时自动缩容至零节点。当节点池空闲，即停止计算计费，非常适合开发/测试环境、按业务时段波动的应用，或使用 GPU/CPU 优化型节点池的间歇性任务。主要特性包括：

1.  节点池最小节点数可设为 0

    1.  通过 UI、CLI 或 API 一键设置 min-nodes=0

    1.  与现有自动扩缩容配置无缝集成

    1.  可精确控制哪些节点池允许缩容至零，实现更高自定义

        

1.  自动扩缩容

    1.  自动检测待调度 Pod，按需动态扩容，保障可用性

    1.  当相关节点池被需要时，Cluster Autoscaler 即时拉起节点，实现基础设施的弹性伸缩

        

1.  成本优化

    1.  空闲节点池零计费，节省开支

    1.  对开发、测试及资源需求波动的场景尤为有利

    1.  实现真正的按使用付费，让 Kubernetes 成本与用量精准对齐

        

现在即可启用真正的按需基础设施，仅在计算资源被实际使用时付费。

## DigitalOcean Kubernetes 已登陆专为 AI 优化的亚特兰大数据中心（ATL1）

DigitalOcean 最新的为 AI 优化过的数据中心 ATL1（位于美国佐治亚州亚特兰大-道格拉斯维尔）已全面上线，你可在美东南地区部署全托管 Kubernetes 集群。作为 DigitalOcean 最新且规模最大的数据中心，ATL1 专为高密度 GPU 基础设施打造，面向 AI/ML 工作负载优化。对于延迟敏感型应用、AI/ML 推理任务及区域化部署，可获得更快响应、更低数据传输延迟与更优性能。

## DigitalOcean Kubernetes Routing Agent 正式发布（GA）

DigitalOcean 宣布 DOKS Routing Agent 全面可用（GA）。这是一款全托管方案，可简化 Kubernetes 集群中的静态路由配置。通过 Kubernetes 自定义资源，你可以轻松定义自定义路由、在多个网关间使用 ECMP 等价多路径路由，并在不中断连接的情况下覆盖默认路由。你还可通过标签选择器将路由精准下发到指定节点，适用于 VPN 集成、自定义出口路径及自管 VPC 网关等场景。如需深入了解，请查阅 DigitalOcean [三月发布的博客文章](https://mp.weixin.qq.com/s/7aBtGYj-xN_twp3W1QLg4A)。

DigitalOcean 诚挚推出以上新功能，助你以更快、更高效的方式构建、部署并扩展应用，同时在 Kubernetes 上不断拓展可能性。如果你需要了解更多产品与功能服务的信息，或需要技术支持，欢迎直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)。

medium_wechat_2025-07-29_142545_697.jpg

small_wechat_2025-07-29_142545_697.jpg

thumbnail_wechat_2025-07-29_142545_697.jpg

xsmall_wechat_2025-07-29_142545_697.jpg

wechat_2025-07-29_142545_697.jpg

Kubernetes托管服务支持RTX4000/6000/L40S/MI300X，节点可缩容至零，托管路由Agent GA上线

助力高效构建与应用部署，DigitalOcean Kubernetes 四项新功能上线

medium_WX20250509-105128@2x-2.jpg

small_WX20250509-105128@2x-2.jpg

thumbnail_WX20250509-105128@2x-2.jpg

xsmall_WX20250509-105128@2x-2.jpg

WX20250509-105128@2x-2.jpg

如何合规部署零踩坑？法案解析+6项自查清单，助出海企业规避敏感数据红线

数据获取受限制？中国出海企业该如何应对、规避美国EO14117法案？

使用过DigitalOcean GPU Droplet 服务器的用户应该对我们的一键模型部署功能不陌生。DigitalOcean 的**一键模型部署 (1-Click Models)**  功能是 DO 为开发者和企业提供的一种便捷方式，用于快速部署和运行预训练的生成式 AI 模型，尤其是大型语言模型 (LLM)。这项功能是 DigitalOcean 与 Hugging Face 合作的成果，旨在简化 AI 模型的部署流程，让用户无需复杂的配置即可开始构建 AI 应用。

**一键模型部署 (1-Click Models)**  功能支持多种开源大语言模型，包括LLama、DeepSeek等。现在，该功能又迎来了一位新成员——百度开源的多模态模型 ERNIE 4.5 21B。

## ERNIE 4.5 21B 是什么？

ERNIE（Enhanced Representation through kNowledge IntEgration）4.5-21B-A3B-Base 标志着大语言模型的重大飞跃。该模型源自百度长期深耕的研究成果，因其独特的知识增强架构而备受瞩目，可在复杂自然语言处理任务中展现稳健表现，涵盖高阶文本生成、细腻对话 AI 以及全面摘要。其将真实世界知识融入理解过程的能力使其脱颖而出，成为解决复杂 AI 场景的理想选择。在 DigitalOcean 上部署 ERNIE 4.5-21B，即可在无需繁琐基础设施配置的情况下，快速原型化并扩展超越表层文本处理的 AI 应用。

## ERNIE 4.5 21B 实战：用 Python 实现中英快速互译

ERNIE 4.5-21B 以先进的多模态能力（支持文本、图像、音频、视频）和卓越的计算效率广受好评，既能显著降低 AI 基础设施部署成本，又能维持高性能表现。

我们特意对其翻译能力进行实测：借助 ERNIE 4.5 一键式 GPU Droplet，仅需片刻即可将英文文档逐行精准翻译为中文。这一高效逐行翻译方案还可扩展至 Markdown、DOC 等多种文件格式。

# 为何选择 DigitalOcean 一键式模型？

-   即时部署：一键启动，无需手动安装。
-   性能优化：GPU Droplet 提供强劲、高性价比的 AI 算力。
-   无缝扩展：随业务增长轻松扩缩容。
-   开发者友好：通过 DigitalOcean 云控制台即可直观部署。
-   热门模型云集：DeepSeek、Meta、Mistral、Google 等应有尽有。

## 如何在 DigitalOcean 上部署 ERNIE 4.5-21B-A3B Base

只需几步即可通过一键式模型启动 ERNIE 4.5：

1、登录 DigitalOcean 云控制台，进入“一键式模型”页面。

![image-13.png](https://blog.aidroplet.com/uploads/image_13_52b480b1bd.png)

2、在可用模型中选择 ERNIE。

![image-12-2.png](https://blog.aidroplet.com/uploads/image_12_2_b928464d81.png)

3、目前 ERNIE 仅支持 NVIDIA H100，系统将自动使用该 GPU 配置。

![image-11-2.png](https://blog.aidroplet.com/uploads/image_11_2_615b8c915a.png)

点击“部署”，数分钟内即可运行！

## 与数千名开发者一起，用一键式模型把精力投入创新

DigitalOcean 的一键式模型让你以前所未有的速度集成前沿 AI（如 ERNIE 4.5-21B-A3B-Base）。无论你正在探索科研新边界、构建智能聊天机器人，还是开发高级内容生成工具，仅需一键，即可突破 AI 开发极限。

如果你想进一步了解DigitalOcean GradientAI平台，或平台中的 GPU Droplet服务器，可直接咨询[DigitalOcean中国区独家战略合作伙伴卓普云（AIDroplet.com）](https://www.aidroplet.com/)。

large_images-28-2.png

medium_images-28-2.png

small_images-28-2.png

thumbnail_images-28-2.png

xsmall_images-28-2.png

images-28-2.png

一键部署ERNIE-4.5-21B-A3B上线H100 GPU服务器

DigitalOcean 一键模型部署，新增支持百度开源大模型ERNIE 4.5 21B

DigitalOcean 始终致力于为开发者和数字原生企业提供最强大、最易用的工具，以推动 AI 创新。继上个月推出 AMD Instinct™ MI300X GPU Droplets 云服务器后，我们激动地宣布下一代 AI 加速器——AMD Instinct™ MI325X 现已上线 DigitalOcean 云平台！

## AMD Instinct™ MI325X GPU 为何具有颠覆性？

基于先进的 AMD CDNA™ 3 架构，AMD Instinct™ MI325X 专为 AI 工作负载打造，可在大模型训练、微调、推理及高性能计算（HPC）中提供卓越性能。这些 GPU 现已作为 [GradientAI GPU Droplets](https://www.aidroplet.com/product/gpu/) 提供，即开即用的强大虚拟机，部署简单。

MI325X 的核心优势，助你加速复杂计算、让推理任务更快运行，并带来更高的灵活性与可控性：

-   内存容量与带宽：配备 256 GB HBM3E 显存和 6.0 TB/s 带宽，MI325X 可将超大模型完整载入显存，显著减少跨 GPU 拆分模型的需求，加速复杂运算。与前代相比，内存容量提升 1.8 倍，带宽提升 1.3 倍。
-   AI 推理性能加速：MI325X 的峰值理论 FP16 与 FP8 计算性能比竞品高出 1.3 倍，让你的 AI 模型运行更快、更高效，尤其适合推理场景。
-   ROCm™ 软件平台：全面支持 AMD ROCm™ 开放软件平台，帮助开发者构建和部署强大的 HPC 与 AI 系统。开放生态赋予你所需的灵活性与控制力。

## DigitalOcean MI325X GPU Droplets 服务器的优势

将 AMD Instinct™ MI325X GPU 融入 DigitalOcean 生态，你将继续享受一贯的简洁、经济、可扩展：

-   简化部署：直观的平台让 AI 基础设施的开通和管理易如反掌，让你专注于应用开发，而非繁琐配置。
-   高性价比：合约价仅 1.69 美元/GPU/小时起，并提供单卡及八卡灵活配置，按需优化成本。
-   无缝集成：MI325X GPU Droplets 可直接融入现有 DigitalOcean 项目，并可与我们的 Kubernetes 服务联动。
-   企业级可靠：享有企业级 SLA、符合 HIPAA 和 SOC 2 合规认证，建立在 DigitalOcean 可信云基础设施之上，安心无忧。

![image-10-2048x1189.png](https://blog.aidroplet.com/uploads/image_10_2048x1189_71c5caae75.png)

DigitalOcean MI325X GPU Droplet 服务器预留实例仅需1.99美元/GPU/小时。

与此同时，DigitalOcean 提供包括AMD MI325X、MI300X，以及 NVIDIA H100、RTX 6000 Ada、RTX 4000 Ada、L40S 等多种型号的 GPU Droplet 服务器。我们致力于普及 AI，赋能数字原生企业无界限地构建、扩展与创新。对于有长期租用GPU 需求的企业，还可享受优惠，详情可直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/product/gpu/)。

256 GB HBM3E、6 TB/s带宽，合约价1.69美元/时，单卡/8卡任选

DigitalOcean 云平台上线 AMD MI325X GPU Droplet 服务器

如果一切都在变得智能化，那为什么旅行不能变得更智能呢？正是带着这种想法，我开始了 [Nomado](https://nomado.live/) （下图为产品页面）的开发。旅行不仅仅是预订机票和去美丽的地方，你还需要查找签证信息、制定行程、研究文化、寻找住宿地点，以及做更多的事情。Nomado 解决了所有这些问题，而这些功能中的每一个都得到了 DigitalOcean 的 [GradientAI](https://blog.aidroplet.com/product-updates/gradientai/) 平台的支持。在这篇文章中，我们将看到如何构建 AI 驱动的应用程序来自动化无聊的部分。在深入了解“如何”之前，让我们先了解 GradientAI 平台及其功能。

![1-1-1024x498.png](https://blog.aidroplet.com/uploads/1_1_1024x498_9b57042c9f.png)

### 关键要点
读完本教程，你将能：

- 理解 GradientAI 平台是什么，以及如何使用它构建 AI 驱动的应用程序，包括其核心功能，如 Serverless 推理（serverless inference）、代理路由（agent routing）和知识库
- 学会如何用 GradientAI 平台构建一个旅行应用，实现个性化行程规划、航班信息提供、住宿推荐等功能
- 掌握如何用 GradientAI 平台构建一个智能聊天机器人，能通过专业代理路由处理住宿和常见旅行问题
### GradientAI 平台是什么？
[DigitalOcean GradientAI 平台](https://blog.aidroplet.com/product-updates/gradientai/)是一个完整的工具包，用于构建和运行 GPU 驱动的 AI 代理，无需管理繁琐的基础设施。无论你使用预训练模型还是自己训练的模型，都可以通过函数调用、代理路由，甚至检索增强生成（RAG）管道将它们连接起来，在需要时获取准确的信息。GradientAI 内建代理路由、知识库、护栏机制、 Serverless 推理等功能，让你更轻松地上线真正有用的 AI 代理。

你可以用 GradientAI 很轻松地构建聊天机器人，或者通过 API 构建完整的 AI 应用程序。

### 如何在 Nomado 中使用 GradientAI
在 Nomado 中，我们在三个核心功能中使用了 GradientAI 平台：

- **行程生成**：在签证研究完成后，Nomado 会根据目的地、出行天数和月份，为你生成个性化行程。
![2-3-1024x897.png](https://blog.aidroplet.com/uploads/2_3_1024x897_43c96cca79.png)

- **航班信息获取**：签证搞定、行程定好，接下来你就需要订机票了。此时我们通过 GradientAI 平台获取航班信息。
![3-2-1024x855.png](https://blog.aidroplet.com/uploads/3_2_1024x855_34042df16d.png)
- **聊天界面**：签证和航班安排妥当，行程准备就绪。最后一步是找住宿，并了解当地文化、实用小贴士和预期情况。这个阶段，聊天界面会为你提供支持，它可以回答所有关于住宿和旅行的问题。

![4-1024x557.png](https://blog.aidroplet.com/uploads/4_1024x557_64ee2608e5.png)

### 使用 Serverless 推理生成旅行行程
为了生成行程，我们使用了通过 GradientAI 平台的 Serverless 推理，并且这是如何设置的：
```
const SECURE_AGENT_KEY = process.env.SECURE_AGENT_KEY
const AGENT_BASE_URL = "https://inference.do-ai.run/v1" // 推理端点
const client = hasRequiredEnvVars
  ? new OpenAI({
    apiKey: SECURE_AGENT_KEY,
    baseURL: AGENT_BASE_URL,
  })
  : null
```

Serverless 推理允许你按需运行 AI 模型，无需考虑服务器管理。只需发送请求，模型会在云端运行，并立即返回结果。

当你在 Nomado 规划旅行时，系统的后台工作流程如下：
![image-5-1024x608.png](https://blog.aidroplet.com/uploads/image_5_1024x608_d9bbc1a0b2.png)

#### 步骤 1：你的输入（浏览器端）
你输入：

- 目的地：例如巴黎
- 持续时间：例如 3 天
- 月份：例如 6 月

#### 步骤 2：Next.js 服务器操作以生成行程
服务器接收用户输入，生成如下提示词（prompt）：
```
const prompt = `Your task is to generate a comprehensive travel plan for a ${duration}-day trip to ${destination} in ${visitMonth}. Make sure to bold the headings.
Please provide: 1. A ${duration}-day itinerary with day-by-day activities
2. A detailed packing list tailored to this destination in ${visitMonth}
(considering the local weather and conditions) 3. Local customs and cultural tips 4. Must-try local foods 5. Transportation recommendations
Format your response in markdown with clear sections.`
```
接着通过 Serverless 推理端点调用 GradientAI API。

#### 步骤 3：DigitalOcean GradientAI 处理
请求到达 Serverless 推理服务：

- 加载 llama-3.1-8b-instruct 模型
- 使用上述提示运行模型
- 生成完整的旅行计划
- 发送结果回来

你可以在[ GitHub 示例代码](https://github.com/Haimantika/all-things-travel/blob/main/frontend/app/actions/generate-travel-plan.ts) 中查看完整代码。

### 使用 GradientAI 中的函数路由获取实时航班信息
接下来是获取航班信息，为此我们使用了 GradientAI 平台中的函数路由功能。该函数构建用于从 Tripadvisor API 获取实时航班数据，并允许代理在用户询问航班相关信息时调用此函数。这创建了一个上下文感知系统，提供实时、可操作的航班数据。

函数路由是 DigitalOcean 的 GradientAI 平台的一项功能，允许 AI 代理在需要实时数据或特定计算时调用外部函数。AI 不再编造航班信息，而是调用部署的函数，该函数从 API 获取实际的航班数据。

以下是其工作原理：

- **函数调用**：AI 代理收到用户查询并自动调用部署的函数（我们的 flight-func/flight）
- **实时数据获取**：该函数使用用户参数调用 Tripadvisor API
- **数据处理**：返回并格式化实际的航班数据
- **用户响应**：代理提供准确、可预订的航班信息

#### 步骤 1：浏览器输入航班搜索
用户在浏览器中输入：

- 出发城市：“纽约”
- 到达城市：“伦敦”
- 出发日期：“2024-06-15”
- 行程类型：“往返”或“单程”
- 返回日期：“2024-06-22”（往返）

#### 步骤 2：Next.js 服务器操作进行航班搜索
服务器操作接收用户输入并创建一个详细的提示：
```
const prompt = `You are a travel agent and your task is to show users flights
along with flight numbers based on the source and destination they input.
Please provide flight information in the following format: Outbound Flights(${fromCity} to ${toCity} on ${departureDate}): Airline FlightNumber: Departing[Airport] at[Time], arriving[Airport] at [Time](Flight Duration:[Duration], non-stop/with layover) ${tripType==="round-trip"?`Return Flights(${toCity} to ${fromCity} on ${returnDate}): Airline FlightNumber: Departing[Airport] at[Time], arriving[Airport] at
[Time](Flight Duration:[Duration], non-stop/with layover)`:""}
For each flight, include: - The type of flight(Boeing 737, Airbus A320, etc.) - Airline name and flight number - Airport codes - Exact departure and arrival times - Flight duration - Layover information if applicable - Direct booking links from Skyscanner, Kayak, or Expedia Format your response in markdown with clear sections. Do NOT include any extra notes, disclaimers, or introductory text. Only output the flight details as described.`
```
#### 步骤 3：DigitalOcean GradientAI 代理函数路由
DigitalOcean 的 GenAI 代理：

- 接收提示和用户参数
- 检测到需要实际的航班数据（航空公司、航班号、时间等）
- 调用函数路由：
    - 调用部署的函数（flight-func/flight）在 flight-info 文件夹中
    - 该函数执行代码调用 Tripadvisor API 并使用用户的航班搜索参数
    - 返回实时的航班数据（航空公司、航班号、时间等）
- GenAI 代理接收这些数据并将其格式化为用户友好的响应
- 将完整的航班信息返回给你的服务器操作
#### 步骤 4：响应返回到浏览器进行航班搜索
响应流程：

- 代理发送从 Tripadvisor API 返回的航班信息
- 服务器接收并处理响应：
```
const response = await client.chat.completions.create({
  model: "Llama 3.3 Instruct",
  messages: [{
    role: "system", content: "You are an expert travel agent who specializes in finding specific flight information and providing direct booking links. Your responses should be practical and focused on helping travelers find and book their flights easily. Use real-time flight data and provide accurate information.",
  }, { role: "user", content: prompt }, t], emperature: 0.7, max_tokens: 2000,
})
const content = response.choices[0]?.message?.content || "No response from AI"
return content
```
- 浏览器显示航班选项，用户可以看到真实、可预订的航班。

### 使用 GradientAI 平台构建聊天界面
Nomado 还有一个聊天机器人，你可以使用它来讨论住宿选项以及访问地点的小贴士和技巧。在后端，我们使用代理路由在两个代理之间进行路由，并将网络爬虫 Nomad stays 作为住宿代理的知识库。

代理路由是指从代理指令中引用其他代理的能力。不同的代理可能针对特定任务进行训练或优化，或者具有不同的领域专业知识来处理不同类型的请求。通常包括两种类型的代理：

- **父代理**（在此情况下为住宿代理）处理一般对话并将特定请求路由到专门的子代理
- **子代理**（本地信息代理）针对特定领域或任务进行优化

#### 步骤 1：浏览器输入聊天
用户在浏览器中输入：

- 住宿查询：“在巴黎为我找住宿”或
- 一般旅行查询：“我应该为日本带什么？”
#### 步骤 2：父住宿代理和代理路由
父住宿代理：

- 通过聊天机器人界面接收用户查询
- 分析查询的意图和内容
- 根据查询类型确定适当的路由：
   - 住宿查询 → 使用 Nomad stays 知识库直接处理
   - 旅行/本地信息查询 → 路由到使用 OpenAI 4o 模型的本地信息子代理
- 对于住宿查询：使用从 Nomad stays 抓取的数据生成响应
- 对于其他查询：委托给专门的子代理

#### 步骤 3：响应处理
响应流程根据查询类型而变化：

对于住宿查询：

- 父代理直接处理查询
- 在 Nomad stays 知识库中搜索
- 生成住宿推荐

对于旅行/本地信息查询：

- 父代理路由到本地信息子代理
- 子代理使用 OpenAI 4o 模型处理
- 生成旅行小贴士、文化信息或本地建议
- 将响应发送回父代理

#### 步骤 4：响应返回到浏览器进行聊天

- 用户接收具体、数据驱动的推荐
- 通过父代理保持对话上下文

### 结束语
Nomado 是如何使用 GradientAI 平台将现实世界任务与 AI 功能连接起来的一个例子，而无需管理繁重的基础设施。如果你计划构建类似的东西，以下是一些可能会帮助你的事项：

- 使用 Serverless 推理来生成文本或摘要等任务。
- 使用函数路由插入实时 API，以确保你的 AI 保持最新数据并具有上下文感知能力。
- 使用代理路由和知识库保持答案一致，特别是在你有特定领域的内容或多用例的情况下。

希望这能为你提供构建自己的 AI 驱动工作流程的起点。如果你想了解 Nomado 的内部工作原理，请随时查看开源代码并将其应用于你自己的想法：https://github.com/Haimantika/all-things-travel

如果你还需要进一步了解DigitalOcean的GPU Droplet 云服务器以及GradientAI平台中的详细功能，欢迎咨询 [DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/contact)。

large_1-1-1024x498.png

medium_1-1-1024x498.png

small_1-1-1024x498.png

thumbnail_1-1-1024x498.png

xsmall_1-1-1024x498.png

1-1-1024x498.png

在这篇文章中，我们将看到如何构建 AI 驱动的应用程序来自动化无聊的部分。在深入了解“如何”之前，让我们先了解 GradientAI 平台及其功能。

用AI一键生成行程+订机票+找住宿（附代码）

DigitalOcean 始终专注于提供简单、强大的基础设施，帮助数字原生企业构建和扩展其应用程序。在过去的一年里，我们将这一承诺延伸到人工智能领域，投资于计算、工具和工作流程，使开发者能够更轻松地从头开始构建人工智能应用。

DigitalOcean 相信，要真正释放人工智能的价值，开发者需要的不仅仅是基础设施，他们需要一个贯穿整个开发生命周期的集成体验。因此，我们将 GPU 基础设施（如 GPU Droplet 服务器）、智能代理开发和预构建的人工智能应用程序整合到一个统一的平台中。今天，我们迈出了这一步，推出了 DigitalOcean GradientAI™，我们统一的人工智能云平台。它为你提供了训练、微调、部署和扩展人工智能工作负载所需的一切——不仅仅是孤立的组件，而是一个无缝的、全栈的平台，专为现代人工智能开发而构建。

### 为什么选择 DigitalOcean GradientAI？
随着我们人工智能产品组合的不断发展，我们意识到需要一个独立的品牌标识，以反映我们正在构建的规模和雄心。DigitalOcean GradientAI 这个名字既体现了机器学习的技术根源，也体现了我们平台背后的理念。在模型训练中，梯度引导着每一步的学习——调整权重、减少误差，朝着更好的结果前进。同样，DigitalOcean GradientAI 旨在引导开发者从创意到生产，在每个阶段都提供合适的工具、抽象和基础设施。

无论你是尝试基础模型、构建智能代理，还是大规模部署生产工作负载，DigitalOcean GradientAI 都是你端到端的人工智能云平台。

### GradientAI 有哪些能力？
![2-2.png](https://blog.aidroplet.com/uploads/2_2_67ed73af70.png)
通过 DigitalOcean GradientAI，我们将人工智能产品统一到一个平台下，使其更易于发现、采用和扩展：

- **DigitalOcean GradientAI 基础设施**：包括 GPU Droplets、裸机 GPU、向量数据库和 DO 优化软件等构建模块，帮助提升模型性能和基础设施扩展能力。
- **DigitalOcean GradientAI 平台**：通过无服务器模型集成、函数调用、RAG、外部数据和内置评估工具，构建和监控智能代理。
- **DigitalOcean GradientAI 应用程序**：针对特定用例的预构建代理，如 SRE 自动化和 Cloudways 支持。

如果你已经在使用我们的人工智能工具进行构建，你无需做出任何改变。你现有的所有项目和 API 都将继续按预期工作。我们正在改变的是如何将它们整合在一起，通过更清晰的组织、统一的文档和反映我们人工智能平台全部潜力的产品体验。

### GradientAI 的未来规划
展望未来，我们将继续在整个 DigitalOcean GradientAI 产品组合——基础设施、平台和应用程序——进行投资，帮助你更智能地构建、更快地扩展，并通过人工智能交付真正的价值。

GradientAI 基础设施正在扩展，以支持更高级的工作负载和灵活的部署选项。我们正在增加下一代 GPU 产品，为你提供更大的选择、性能和可负担性，无论是训练还是推理——本周开始提供 AMD Instinct™ MI325X，下个月提供 NVIDIA H200。

DigitalOcean GradientAI 平台正在发展成为最直观、最强大的代理开发环境之一。随着对模型上下文协议（MCP）、多模态功能、代理记忆、洞察和更深入的框架集成的支持即将到来，我们将使从原型到生产的过渡比以往任何时候都更加容易。

通过 DigitalOcean GradientAI 应用程序，我们正在扩展预构建代理库，以覆盖更多实际场景，从客户支持到内部运营，让你无需从零开始就能更快地采用人工智能。

DigitalOcean GradientAI 旨在满足你的需求，帮助你快速从原型走向生产。我们对未来充满期待——迫不及待地想看到你将构建的成果。如需进一步了解 GPU 实例类型、GradientAI 具体功能详情，还是需要技术支持，都可以直接[联系 DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/contact)。

medium_1.jpg

small_1.jpg

thumbnail_1.jpg

xsmall_1.jpg

1.jpg

DigitalOcean GradientAI™ 是统一的人工智能云平台。它为你提供了训练、微调、部署和扩展人工智能工作负载所需的一切——不仅仅是孤立的组件，而是一个无缝的、全栈的平台，专为现代人工智能开发而构建。

DigitalOcean GradientAI：从基础设施到应用，打造全栈式AI开发解决方案

DigitalOcean 的 Kafka 托管服务现已正式支持 Kafka Schema Registry，为开发者提供了一种强大的方式，用于管理其事件驱动应用程序中的模式，并进行验证。Kafka Schema Registry（也称为 Karapace）是一种集中式服务，用于管理和验证 Kafka 消息的模式。它能够确保发送到 Kafka 主题和从 Kafka 主题消费的数据符合定义的结构，从而避免数据兼容性问题。

### 为什么使用 Schema Registry？
对于开发者来说，Kafka Schema Registry 提供了强大的模式治理和标准化的 HTTP 访问 Kafka 服务的功能，从而提高了数据完整性、开发者的工作效率以及系统的互操作性。这有助于赋能 DevOps 团队构建可靠且不断发展的事件驱动应用程序，通过集中化的模式管理和验证来确保数据完整性。Schema Registry 以更安全的方式简化了 Kafka 在多样化系统中的集成。

最终，这个工具为 Kafka 主题带来了结构化。它允许你定义、版本化和验证消息模式，以便生产者和消费者能够保持同步，即使数据在不断演变。它有助于防止破坏性变更，使调试变得更加容易，并确保 Kafka 管道在大规模部署时的可靠性。请注意，Kafka Schema Registry 仅适用于拥有专用 CPU 环境的 Kafka 客户。如需了解更多关于我们的 CPU 优化 Droplets 的信息，请访问DigitalOcean 英文官网的产品文档。

Kafka Schema Registry 的功能特点：

- **模式注册与验证**：有助于提高数据一致性，并减少因数据格式不匹配而导致的运行时错误，从而使应用程序更加稳定。
- **模式演变与兼容性控制**：允许生产者和消费者应用程序独立演变，而不会相互破坏，从而促进敏捷开发并降低部署风险。
- **集中化模式存储**：提供清晰、有组织且易于访问的模式存储库，方便开发者理解数据结构并减少重复工作。
- **Kafka 的 REST 代理**：降低了从多样化平台和应用程序（例如，Web 前端、脚本语言、遗留系统）与 Kafka 交互的门槛，这些平台和应用程序可能无法轻松使用原生 Kafka 客户端。

### 常见开发者使用场景
以下是一些具体的使用场景及其独特优势：

- **微服务通信**：通过确保生产者和消费者微服务对消息格式有共同的理解，防止运行时错误。
- **数据契约和版本管理**：允许数据结构安全演变，使生产者应用程序可以在不干扰下游消费者（可能仍依赖旧版本）的情况下更新模式。
- **ETL 和分析管道**：通过在数据进入管道之前验证其是否符合预期结构，确保数据质量并防止作业失败。
- **API网关**：为外部客户端提供一致且可靠的数据，同时消除猜测，确保每个请求都有可预测的、结构化的负载。
- **机器学习工作流**：确保训练和推理数据的结构完整性，这对于模型的可复现性和有效的调试至关重要。
- 
你可以在 DigitalOcean 后台配置 Kafka 集群时，通过 DigitalOcean 云控制台或 API 启用 Schema Registry。你将获得一个专用的 Schema Registry 端点，它与 Kafka 生产者和消费者客户端无缝配合。

large_images-21-1-1024x589.png

medium_images-21-1-1024x589.png

small_images-21-1-1024x589.png

thumbnail_images-21-1-1024x589.png

xsmall_images-21-1-1024x589.png

images-21-1-1024x589.png

DigitalOcean 的 Kafka 托管服务现已正式支持 Kafka Schema Registry，为开发者提供了一种强大的方式，用于管理其事件驱动应用程序中的模式，并进行验证

NVIDIA HGX H100 GPU 服务器现已在 DigitalOcean 欧洲数据中心上线

产品更新

NVIDIA HGX H100 GPU 服务器现已在 DigitalOcean 欧洲数据中心上线

DigitalOcean 托管数据库自动扩容正式上线

更快、更智能地构建AI项目：Gradient AI 平台全新升级

DigitalOcean Kubernetes 现已支持 Gateway API 托管服务

教程

H100 云算力哪家强？AWS、Azure、DigitalOcean等8大平台对比

深度学习中的 GPU 性能怎么优化？

从零搭建AI客服！基于GPT-OSS和知识库的客户支持系统实战

DigitalOcean、AWS和Linode对比，该选谁？不止于价格

新闻

每年9万人参加的开源盛会来了！DigitalOcean Hacktoberfest 报名开启！

卓普云携手DigitalOcean亮相香港Consensus大会：以技术赋能全球Web3生态

“隐形王者”DigitalOcean入华，谁将成为云服务革命的受益者？

海外云服务“内卷”，让中国企业出海有了新选择