搜索「Deploy」的结果

io.github.bentoml/BentoML/bentoml-deploy-scriptgen

生成可独立提交进仓库的生产部署脚本包（deploy/deploy.py + 一份仅含覆盖项的 config.yml——Kubernetes manifest 由它渲染），无需 agent 参与即可完成构建、容器化、推送、部署与验证 BentoML 服务——可在终端或 CI/CD 中运行。当用户说“generate a deployment script”“deploy from CI/CD”“set up a production deployment pipeline”“deploy without the agent”“give me a script I can commit to deploy this”“automate my BentoML deploys”等时使用。与交互式技能互补：bentoml-containerize、bentoml-k8s-deploy、bentoml-ec2-deploy 是在有你在场的情况下完成一次部署，本技能则产出可无限重复的脚本。支持 Kubernetes 与 EC2 目标。

io.github.bentoml/BentoML/bentoml-ec2-deploy

用 Docker 将容器化的 BentoML 服务直接部署到一台或多台裸 AWS EC2 实例——不用 Kubernetes。接收已推送的容器镜像（由 bentoml-containerize 技能构建），或通过 SSH 使用用户既有实例，或经 AWS CLI 开通新实例（SSM AMI 查询、安全组、密钥对），以重启自恢复方式运行容器，并用真实推理请求验证。当用户说“deploy my BentoML service to EC2”“run my bento on an AWS VM”“deploy this bento image to an EC2 instance”“run my BentoML container on AWS without Kubernetes”“put my bento on a cloud VM”等时使用。Kubernetes 目标请改用 bentoml-k8s-deploy。

io.github.bentoml/BentoML/bentoml-k8s-deploy

使用纯 kubectl manifest（不用 Helm、operator 或 BentoCloud/Yatai）将容器化的 BentoML 服务部署到 vanilla Kubernetes 集群。接收已推送的容器镜像（来自 bentoml-containerize 技能），探测 bento 的服务拓扑，为部署编写一份 `config.yml`，并据此为每个 BentoML 服务渲染一个 Deployment + Service（外加可选 HPA/Ingress），按依赖顺序应用，并用真实推理请求验证 rollout。当用户说“deploy my BentoML service to Kubernetes”“deploy this bento image to my cluster”“run my bento on k8s”“create k8s manifests for my bento”“split my bento services into separate pods”“expose my BentoML service in Kubernetes”等时使用。也可诊断失败的部署——“my BentoML pods are crashing”“ImagePullBackOff”“pod stuck Pending”“readiness probe failing”“rollout stuck”“can't reach my service on Kubernetes”“inference 4xx/5xx”。

io.github.vercel-labs/agent-browser/protected-vercel-deployments

使用 agent-browser 访问并测试受 Vercel Authentication、SSO 或 Deployment Protection 保护的 Vercel 部署。当预览或生产 URL 重定向到 Vercel 登录页、返回保护性 401/403，或需要用短时效的 Trusted Sources OIDC 鉴权替代静态 bypass secret 或公开例外时使用。

io.github.mukul975/Anthropic-Cybersecurity-Skills/securing-helm-chart-deployments

保护 Helm chart 部署：校验 chart 签名与溯源、渲染并 lint 模板以发现错误配置、通过 values.yaml 强制 pod 安全上下文、把密钥移到外部存储而非 Helm values，以及限定 CI/CD 中 Helm 操作的 RBAC。适用于向 Kubernetes 部署 chart，或评审 chart 溯源、模板与 release RBAC。关键词：Helm、provenance 文件、helm verify、helm lint、values.yaml、无 Tiller、release RBAC、外部密钥。不要用于扫描渲染后的清单本身——那用 scanning-kubernetes-manifests-with-kubesec。

io.github.kortix-ai/suna/web-publishing-and-deployments

将网站或 Web 应用从沙箱发布到公网 URL，并部署到云厂商——获取可分享的真实链接、发布静态站点或 SPA、将已构建站点上线，或部署框架应用/容器。当用户说「publish this」「deploy it」「put it online」「give me a live URL」「host this」「share a preview link」，或希望让其（或你）刚构建的站点/应用可达于 Web 时使用。涵盖零账户即时路径（Cloudflare）与永久托管（Vercel，含任意 Dockerfile）。同时负责发布护栏：绝不在未经要求时发布、如何诚实地将站点下线、运行时依赖与数据持久性检查，以及强制的发布前安全审查。指向 kortix-marketplace 获取其他厂商及更深入的厂商专项技能。

io.github.dotnet/eShop/aspire-deployment

**工作流技能**——从 AppHost 模型将 Aspire 应用部署到 Docker Compose、Kubernetes、Azure 或 AWS。触发场景：“部署 Aspire 应用”“发布 Aspire artifacts”“部署到 Azure Container Apps”“生成 Kubernetes artifacts”“拆除 Aspire 部署”。会调用：aspire CLI、Aspire 文档、目标云/容器 CLI。单一操作：仅当不存在 Aspire AppHost 时才使用通用 Azure、Kubernetes、Docker 或 AWS 工具。

io.github.NousResearch/hermes-agent/cloudflare-temporary-deploy

通过 wrangler --temporary 免账号直接上线部署一个 Worker。

io.github.affaan-m/ECC/deployment-patterns

Web 应用的部署工作流、CI/CD 流水线模式、Docker 容器化、健康检查、回滚策略与生产就绪检查清单。在搭建 CI/CD、容器化应用或发布前做生产就绪检查时使用。

io.github.PostHog/posthog/gating-production-deploys

在新增或编辑会向镜像仓库推送容器镜像（经 build-push-action 推 ECR/ghcr/Docker Hub）或触发生产部署（向 PostHog/charts 发起 `commit_state_update` repository_dispatch）的 GitHub Actions 工作流时使用。这类工作流从单一权威部署仓库运行，并由 CD_DEPLOY_ENABLED 变量把关。不适用于发布 GitHub Release、npm、crate 或 Homebrew 的工作流——那些留在公开仓库。

io.github.omnigent-ai/omnigent/docker

在任意 Docker 主机上以 Docker compose 栈（server + Postgres）运行 Omnigent 服务器——笔记本、VPS、手动操作的 EC2，或作为任何容器平台部署的底层。当用户要构建镜像、拉起 compose 栈、调试已有主机上的栈，或为新平台扩展该栈时调用。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.NVIDIA/skills/vss-deploy-detection-tracking-3d

以 MV3DT 模式（`MODE=mv3dt`）部署并运行 RTVI-CV-3D 微服务：逐相机 DeepStream 感知，加上标定相机的 BEV 融合。支持内置样例数据集、自定义视频文件与 RTSP 流；缺少标定时会串联调用 `vss-generate-video-calibration`。完整仓库蓝图请用 `vss-deploy-profile`，单相机 2D 检测请用 `vss-deploy-detection-tracking-2d`。

io.github.pollinations/pollinations/tinybird-deploy

使用 Tinybird Forward CLI 部署 Tinybird 的 pipe 与 datasource，为 enter.pollinations.ai 提供可观测性。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.jeremylongshore/claude-code-plugins-plus-skills/kubernetes-deployment-creator

创建 Deployment 相关操作，属于 DevOps Advanced 的自动激活 skill。在部署应用或服务时使用。触发词：kubernetes deployment creator、kubernetes creator、deploy kubernetes。

io.github.jeremylongshore/claude-code-plugins-plus-skills/portaljs-deploy

把 PortalJS 门户部署到 PortalJS Arc——由 Datopian 基于 Cloudflare 管理的静态托管。构建静态导出并上传，返回可访问的 <slug>.arc.portaljs.com 地址。一条命令，一个目标。

io.github.Vincentqyw/image-matching-webui/deploy-hf

发布新的 imcui 版本并部署到 HuggingFace Spaces（测试环境 → 生产环境）。当用户要求发布、部署或推送新版本时调用。

io.github.jeremylongshore/claude-code-plugins-plus-skills/coreweave-deploy-integration

用 Helm chart 与 Kustomize 在 CoreWeave 上部署推理服务。用于部署多模型推理、大规模管理 GPU 部署，或模板化 CoreWeave manifest。触发语如 “deploy coreweave”、“coreweave helm”、“coreweave kustomize”、“coreweave deployment patterns”。

io.github.jeremylongshore/claude-code-plugins-plus-skills/figma-deploy-integration

将 Figma 驱动的应用部署到 Vercel、Cloud Run 与 Fly.io。用于把 webhook 接收端、design token API 或连接 Figma 的 Web 应用部署到生产平台。触发语如 “deploy figma”、“figma Vercel”、“figma production deploy”、“figma Cloud Run”。

io.github.microsoft/skills/deploy-model

统一的 Azure OpenAI 模型部署 skill，按意图智能路由。支持快捷预设部署、完全自定义部署（版本/SKU/容量/RAI 策略），以及跨地域与项目的容量查询。适用：deploy model、deploy gpt、创建部署、模型部署、部署 openai 模型、初始化模型、预置模型、查容量、查模型可用性、该在哪个地域部署、容量分析。不适用：列出现有部署（请用 foundry_models_deployments_list MCP 工具）、删除部署、创建 agent（用 agent/create）、创建项目（用 project/create）。

io.github.NVIDIA/Model-Optimizer/deployment

用 vLLM、SGLang 或 TRT-LLM，把量化或未量化的 LLM checkpoint 作为 OpenAI 兼容 API 端点提供服务。当用户说「部署模型」「服务模型」「启动 vLLM 服务器」「launch SGLang」「TRT-LLM 部署」「AutoDeploy」「压测吞吐」「serve checkpoint」，或需要从 HuggingFace/ModelOpt 量化 checkpoint 起一个推理端点时使用。不要用于模型量化（用 ptq）或精度评估（用 evaluation）。