---
title: "EKS 集群扩缩容：Cluster Autoscaler 与 Karpenter 的适用场景及 agent 工作负载变化"
canonical: "https://siyuanailab.com/curation/translations/f9ff4ead7c879111750a1ee52c6f7528-5f2bc734f1cf2290fbb0e0a0c6e52601fcec3448af33e25b59a85659b6b3264d/"
dateModified: "2026-11-19"
datePublished: "2026-11-19"
---

[返回日报条目](https://siyuanailab.com/curation/#entry/f9ff4ead7c879111750a1ee52c6f7528)

 

资料节译

 

# EKS 集群扩缩容：Cluster Autoscaler 与 Karpenter 的适用场景及 agent 工作负载变化

 

[阅读原文](https://dev.to/parths2019/cluster-autoscaler-vs-karpenter-on-amazon-eks-seven-claims-tested-and-what-agent-workloads-change-1mfh)

 

现有资料无法确认原文完整，本页只翻译已取得的材料。

 

现有原件无法确认图片是否齐全。

 

问五位平台工程师该用 Cluster Autoscaler 还是 Karpenter，你会得到同一个简短答案：“当然是 Karpenter。”他们给出的理由通常真假参半，有些只对了一半，还有些已经过时。

 

我运行的 EKS 集群最初使用节点组和 Cluster Autoscaler，现在正把它们迁移到 Karpenter，因此我不得不区分哪些说法站得住脚，哪些不成立。本文将逐一讨论我最常听到的七种说法，并给出判断，最后再看看工作负载变成 AI 智能体后会有哪些变化。

 

**Cluster Autoscaler 扩缩节点组。**在 AWS 上，这些节点组是 Auto Scaling 组。当 Pod 处于 Pending 状态时，它会挑选一个能够容纳它们的组，并提高该组的期望数量。它能做的一切，都受限于你预先定义的节点组。

 

**Karpenter 扩缩节点。**它会读取待调度 Pod 的需求（requests、亲和性、拓扑分布、卷），并直接向 EC2 请求符合条件的节点，中间不经过 Auto Scaling 组。NodePool 规定允许使用哪些节点以及它们可能如何被中断。EC2NodeClass 规定这些节点如何构建。

 

**EKS Auto Mode 就是由 AWS 代你运行的 Karpenter。**AWS 在集群外运行控制器，并使用相同的 NodePool API。第五种说法会用到这一点。

 

Karpenter 直接调用 EC2。Cluster Autoscaler 则提高 Auto Scaling 组的期望数量，并等待该组交付节点。省去这一步确实有帮助，大多数报告都称节点出现得更快。

 

但待调度的 Pod 要等的不只是启动调用：节点启动、附加组件启动和镜像拉取都要耗时，而这两种工具都无法控制这些环节。在承诺具体数字之前，先在自己的集群上做基准测试。

 

Karpenter 通过三种方式省钱：根据待调度的 Pod 选择节点规格、持续重新装箱，并通过分散到多种实例类型让 Spot 实例变得实用。如果你的 Pod 规格一致，节点组也已经调优得很好，可节省的空间就比较小。

 

它还会根据 Pod 的 requests 选择节点规格，因此无法修复 Pod 请求资源多于实际使用量的问题。requests 虚高，节点规格也会虚高。在 Auto Mode 中，你还要在 EC2 费用之外，为它管理的节点支付管理费。

 

AWS 宣称 Spot 价格最多可比按需价格低 90%；这是上限，不是预期值。按购买选项分组，对比使用前后的 Cost Explorer 数据，不要轻信任何人给出的百分比，包括我的。

 

它由 Kubernetes SIG Autoscaling 维护，自 2016 年以来一直是默认方案，至今仍运行在大多数从未迁移的生产集群中。它适用于不同云和不同类型的节点组。对于 Pod 相似、Spot 使用很少的小型稳定集群，它仍是可靠的选择。

 

它的局限确实存在，但具体而明确。AWS 自己的指南指出，混合实例策略中的实例应具有相同的 CPU、内存和 GPU 规格；此外，模拟调度时会使用列表中的第一种实例类型，因此它不太适合多样化的 Spot 实例。默认情况下，它的缩容操作只会移除节点：节点利用率低于 50% 并持续十分钟后才会缩容。如果这两点都不会给你带来问题，你可能不需要迁移。

 

与供应商无关的核心代码现在由 Kubernetes SIG Autoscaling 维护，AWS 专用代码则位于一个单独的 provider 中。还有其他 provider，包括 Azure 在 AKS 上的 Node Auto Provisioning。截至 2026 年年中，GKE 仍没有官方 provider。

 

所以，“Karpenter 无处不在”还不属实。如果你需要在多个云上使用同一个自动扩缩器，规划之前先确认每个云都有对应的 provider。

 

Auto Mode 无需你再运行控制器，但 NodePool 仍由你定义。需要权衡的是：

 

- 仅支持 Bottlerocket，不支持自定义 AMI，也不能通过 SSH 或 SSM 访问节点
 
- 在 EC2 价格之外还需支付管理费
 
- 托管节点组可以与 Auto Mode 节点在同一集群中并行运行，因此可以逐步采用

 

如果你需要控制 AMI、访问节点或采用不同的成本模式，自行管理 Karpenter 仍是合适的选择。如果不需要这些，Auto Mode 是新集群省事的默认方案。

 

Karpenter 通过 SQS 队列和 EventBridge 规则处理 Spot 中断，在实例被回收前对节点进行封锁和排空。这只是个起点，还不是全部工作：

 

- Spot 到 Spot 的整合至少需要 15 种候选实例类型，因此过窄的 NodePool 要求会在不知不觉中让它失效。
 
- 服务至少需要两个副本、拓扑分布和 PodDisruptionBudget。
 
- Pod 必须能在两分钟的预警时间内正常关闭。
 
- `karpenter.sh/do-not-disrupt: "true"` 注解可以阻止自愿中断，但不能阻止 Spot 实例被回收。
 
- 数据库和单实例工作负载应使用按需实例。

 

整合会迁移 Pod。在小规模环境中，这种操作不易察觉。规模较大时，不受约束的整合可能引发多轮重新调度，损害 Pod 启动延迟。Karpenter 提供了控制选项（`consolidateAfter`、中断预算和时间表），但默认值并未针对你的工作负载调优。生产环境应调高 `consolidateAfter`，并在高峰时段禁止中断。

 

公布的数据差异很大，而这种差异本身就说明了问题。这些数据都来自不同起点的自我报告，所以应把它们看作一个范围，而非预测。

 

-

 

## **Salesforce** 将 1,000 多个 EKS 集群从 Cluster Autoscaler 迁移到了 Karpenter。据报告，扩缩延迟从几分钟降至几秒，首个财年节省约 5% 的成本，次年预计再节省 5–10%。

 

## **Slack** 在其内部 EKS 平台上采用了 Karpenter，据报告节省了约 12% 的成本，同时改善了装箱效率并加快了节点配置速度。

 

## **Audi** 据 AWS 案例研究报告，采用 Karpenter 后，其汽车配置器后端的计算成本节省了 60% 以上。

 

## 据报道，**Anthropic** 工程师在 re:Invent 上表示，Karpenter 帮助他们将 AWS 账单降低了约 40%。同一报道还引用了一个团队的说法：Spot 容量耗尽时，Cluster Autoscaler 会卡住，因为它无法回退到按需实例。

 

## **速度：**供应商基准测试通常显示，Karpenter 从启动到节点就绪约需 45 至 90 秒，而 Cluster Autoscaler 需要 3 至 5 分钟；同一家供应商也指出，AMI 缓存、区域和实例类型都会影响结果。

 

**性能也可能变差。**一家供应商警告，在约有 500 个节点的集群上，不受约束的整合可能引发多轮重新调度，从而拖慢 Pod 启动。

 

我的看法是：集群原本已经调优得相当不错的团队，节省了个位数到低双位数百分比的成本；空闲容量很多或未使用 Spot 的团队，节省幅度则大得多。几乎所有团队的扩容速度都有提升，稳定性则取决于中断配置得有多谨慎。你自己迁移前后的数据，比这些数据都更有参考价值。

 

对于普通 Web 服务，自动扩缩器慢或笨拙只是个麻烦。对智能体平台来说，这会变成产品问题。

 

**突发流量时有人在等待。**一个请求可能同时触发许多工具调用和沙箱 Pod，因此节点配置时间会直接影响用户的等待时间。

 

**Pod 规格差异极大。**小型工具服务器、代码沙箱和 GPU 推理 Pod 各不相同。在 Cluster Autoscaler 下，这会变成不断增加的节点组列表；在 Karpenter 下，则可以用少数几个带有相应要求的 NodePool 来处理。

 

**GPU 容量是采购问题。**EKS 文档列出，Auto Mode 和 Karpenter 支持按需实例、Spot 实例、按需容量预留和面向 ML 的容量块，并优先使用预留容量。对于加速型节点，问题往往在于你持有哪些类型的容量，而非扩容有多快。

 

**空闲时间成本高，中断也一样。**智能体会话大部分时间都在等待模型响应，因此整合很有吸引力。但 Pod 被驱逐可能意味着会话丢失。把长时间运行的会话 Pod 放进单独的 NodePool，采用保守的中断策略；用 `do-not-disrupt` 标记不得迁移的运行任务；让脆弱的智能体使用按需实例；并将会话状态存储在 Pod 之外。

 

**不可信代码需要运行在自己的节点上。**如果智能体运行生成的代码，该 Pod 就不应与平台服务共用节点。专用 NodePool 配合污点、较短的节点生命周期和 CPU 限额，能提供隔离边界，也便于清理：

 

```
apiVersion: karpenter.sh/v1
kind: NodePool
metadata:
  name: agent-sandbox
spec:
  template:
    metadata:
      labels:
        workload: agent-sandbox
    spec:
      nodeClassRef:
        group: karpenter.k8s.aws
        kind: EC2NodeClass
        name: default
      taints:
        - key: workload
          value: agent-sandbox
          effect: NoSchedule
      expireAfter: 24h
      requirements:
        - key: karpenter.sh/capacity-type
          operator: In
          values: ["spot", "on-demand"]
  limits:
    cpu: "100"
  disruption:
    consolidationPolicy: WhenEmpty
    consolidateAfter: 2m
```

 

沙箱 Pod 随后带有匹配的容忍和节点选择器。`WhenEmpty` 只有在没有 Pod 留存时才会移除节点，因此运行中的沙箱不会被重新装箱。在 Auto Mode 上，`nodeClassRef` 则指向其 `NodeClass`。

 

仅有污点和独立资源池，并不能单独保证不可信代码的安全。它们可以防止错误影响平台节点，但你仍需要更强的隔离措施，例如沙箱运行时。

 

-

 

## **小型稳定集群，Pod 规格一致且很少使用 Spot：**继续使用 Cluster Autoscaler，并把精力放在 Pod requests 上。

 

## **Pod 类型多样、Spot 使用量可观或需求有突发性：**迁移到 Karpenter。如果可以接受 Bottlerocket 且不需要访问节点，就从 Auto Mode 开始；需要控制 AMI 或节点时，则自行管理。

 

**智能体平台：**使用 Karpenter，为沙箱、会话 Pod 和 GPU 工作分别设置 NodePool，并将中断配置视为设计的一部分。

 

如果要迁移，两种工具可以并行运行。将 Karpenter 添加到现有节点组旁边，在排空任何节点之前移除 Cluster Autoscaler，因为同一集群中的两个自动扩缩器会互相争抢；为 Karpenter 和核心附加组件保留一个小型托管节点组；通过 PodDisruptionBudget 逐步缩小旧节点组；并为每个 NodePool 设置 CPU 限额。

 

2026 年，Karpenter 是新建 AWS 集群更好的默认选择，但“更好的默认选择”不等于“必须使用”。

 

AI 翻译；具体表述请与原文对照。
