Amazon SageMaker AI Spaces 插件：在 EKS 集群上运行 JupyterLab 和 Code Editor，提升 AI 工作流效率

一句话看懂

AWS 推出 SageMaker AI Spaces 插件，让数据科学家直接在现有 EKS 集群上运行 JupyterLab 和 Code Editor，无需额外搭建 JupyterHub，5 分钟即可启动开发环境。

详细发生了什么

AWS 官方博客介绍了 SageMaker AI Spaces 插件，它允许在 Amazon EKS 集群上直接运行托管的 JupyterLab 和 Code Editor 环境。传统上，数据科学家需要离开运行管道的集群，转向独立的 JupyterHub 或本地笔记本，这会导致无法使用 GPU 节点、共享存储和 IAM 角色。该插件解决了这一问题，让开发环境与训练工作负载共享同一集群。

部署架构分三层：网络层使用 Route 53 解析通配符域名到 ALB，配合 ACM 提供 TLS；集群路由层由 AWS Load Balancer Controller 管理 ALB，Traefik 按主机名路由，认证中间件用 KMS 加密 JWT；计算和存储层使用 EBS CSI 驱动提供持久卷，EFS 或 FSx 处理共享存储，EKS Pod Identity 授予 Pod 细粒度 IAM 角色。

安装步骤包括：创建 EKS 集群（需禁用 Auto Mode，使用经典 EC2 节点，Kubernetes 1.30+），安装 Pod Identity Agent、EBS CSI Driver、Cert Manager 和 External DNS 插件，配置子网标签，创建 IAM 角色，最后通过 Helm 安装 AWS Load Balancer Controller 和 Spaces 插件。完成后，数据科学家可通过预签名 URL 在浏览器访问，或通过 SSH-over-SSM 从 VS Code 连接。

中文圈视角

对国内用户而言，AWS 服务需自行解决网络访问问题，且成本较高。但该方案的核心价值——将交互式 IDE 与训练集群整合——对国内云厂商有借鉴意义。阿里云、腾讯云等已有类似服务（如阿里云 DSW、腾讯云 TI Studio），但多作为独立产品，与 Kubernetes 集群的集成深度不如 AWS。

国内团队若已用 EKS 或自建 Kubernetes，可参考此架构，用开源工具（如 JupyterHub、code-server）配合 OIDC 实现类似效果，但需自行处理 GPU 调度和存储。对于追求效率的团队，该方案能减少环境搭建时间（从 3-5 天缩短到 5 分钟），并提升 GPU 利用率（最高 30%），值得关注。

几条值得记住的细节

插件版本需 0.1.4 或更高，早期版本仅支持 SageMaker HyperPod。
创建集群时需禁用 EKS Auto Mode，使用经典 EC2 节点，Kubernetes 1.30+。
子网标签必须在安装插件前完成，否则 ALB 可能被放置在私有子网，导致无法访问。
SSM advanced-instances 层每个 Space Pod 每小时约 $0.00695。
支持通过 Amazon Cognito 实现 OIDC 登录，便于团队统一身份管理。

一句话总结

如果你用 AWS EKS 跑 AI 工作流，这个插件能省下搭建 JupyterHub 的时间和成本，值得一试。