1. Windows 上折腾 K8s为什么我最后选了 WSL2 kind如果你在 Windows 上想学 Kubernetes大概率经历过这样的纠结装 Docker Desktop 自带一个 K8s但版本老、开关藏得深用云厂商的托管集群钱包又扛不住直接开虚拟机跑 kubeadm光初始化就能卡你一下午。我试过几种组合之后稳定下来的方案是 WSL2 kind也就是把单节点集群跑在 Docker 容器里Windows 只负责开个终端。这套组合的好处很直接。WSL2 本质是一个轻量 Linux 虚拟机内核和 Windows 共享启动快、内存占用可控kind 用容器模拟 K8s 节点一条命令就能拉起一个 control-plane删掉也干净不会在你系统里留一堆 systemd 服务。对做实验、跑 CI、验证 YAML 来说它比 minikube 更省资源比 k3s 更贴近标准 K8s 行为。但真正让我头疼的不是集群本身而是周边那堆 AI 工具。Claude Code、Cursor、各种 CLI Agent每个都要配 API Key、Base URL、模型名配置文件散落在~/.config、项目根目录、环境变量里。换一次 Key 要改五六个地方密钥还容易跟着 dotfiles 一起被提交上去。所以这篇除了把 WSL2 kind 的完整路径走一遍还会把 TaoToken 的统一 Key 接进这套环境让集群实验和 AI 编码工具共用一套凭证。适合谁看Windows 10/11 开发者想在本机跑一个能随时删掉重建的 K8s 实验环境同时希望 AI 工具的密钥管理别再那么乱。全程命令可复制遇到报错我在第 5 节列了排查表。2. 前置准备WSL2 发行版与 TaoToken 统一 Key2.1 安装 WSL2 与发行版Windows 11 自带 WSL 命令管理员 PowerShell 里先看能装哪些发行版wsl --list --online输出会列出 AlmaLinux、Debian、Fedora、Ubuntu、openSUSE 等。我选 Fedora Linux 42因为它的 dnf 源里 Docker 包更新比较及时。安装命令wsl --install FedoraLinux-42 wsl --list装完确认默认发行版是 FedoraLinux-42。如果你已经装过 WSL 但版本是 1用wsl --set-version FedoraLinux-42 2升到 2。2.2 网络模式改成 mirrored这一步很关键。WSL2 默认 NAT 模式下Linux 侧访问 Windows 本机服务要走网关 IPDocker 拉镜像也容易超时。在 Windows 用户目录建.wslconfig[wsl2] networkingModemirrored改完wsl --shutdown重启。mirrored 模式下 WSL 和 Windows 共享网络栈ip addr看到的地址和ipconfig基本一致本机代理也能直接被 Linux 侧使用。如果 Docker 拉镜像仍然失败把 MTU 调小试试在.wslconfig里加[experimental]段并设hostAddressLoopbacktrue或者直接在 WSL 里ip link set dev eth0 mtu 1450。2.3 系统初始化进入 WSL 后先设 root 密码并更新sudo passwd root su - dnf upgrade -y ip addrip addr的输出应该和 Windows 侧ipconfig的网段对得上说明 mirrored 生效了。2.4 TaoToken 统一 Key 的定位TaoToken 在这里扮演的角色是「一个 Key 管所有 AI 工具」。你不需要在每个工具里填不同的供应商地址而是把 Base URL 统一指向https://taotoken.net/apiKey 从控制台生成一次之后 Claude Code、Cursor、各种 OpenAI 兼容客户端都复用同一个。先去控制台创建 Keyhttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewrite生成后复制保存下面配置里用sk-xxxx占位。想先确认模型能不能通可以用模型对话页面发一条测试消息https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewrite3. 可复制配置Docker、kind、kubectl 与 AI 工具骨架3.1 安装 Docker EngineFedora 上用官方仓库装别用系统自带的 podman-docker 替代sudo dnf -y install dnf-plugins-core sudo dnf-3 config-manager --add-repo https://download.docker.com/linux/fedora/docker-ce.repo sudo dnf install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin sudo systemctl enable --now docker sudo docker run hello-world看到Hello from Docker!就说明容器运行时正常。把当前用户加进 docker 组省得每条命令都 sudosudo usermod -aG docker $USER newgrp docker3.2 安装 kind、kubectl、helm三个二进制都放/usr/local/bin# kind [ $(uname -m) x86_64 ] curl -Lo ./kind https://kind.sigs.k8s.io/dl/v0.29.0/kind-linux-amd64 chmod x ./kind sudo mv ./kind /usr/local/bin/kind # kubectl curl -LO https://dl.k8s.io/release/$(curl -L -s https://dl.k8s.io/release/stable.txt)/bin/linux/amd64/kubectl sudo install -o root -g root -m 0755 kubectl /usr/local/bin/kubectl # helm curl -LO https://get.helm.sh/helm-v3.18.2-linux-amd64.tar.gz tar -xzf helm-v3.18.2-linux-amd64.tar.gz chmod x linux-amd64/helm sudo mv linux-amd64/helm /usr/local/bin/验证版本kind version、kubectl version --client、helm version。3.3 创建 kind 集群kind create cluster -n demo kind get clusters docker ps -adocker ps里会出现一个demo-control-plane容器镜像kindest/node:v1.33.1端口映射127.0.0.1:36249-6443/tcp。这个端口每次重建都会变所以别写死在脚本里用kubectl config current-context确认上下文即可。3.4 TaoToken 接入 AI 工具的配置骨架Claude Code 的配置放在~/.claude/settings.json核心是把 Base URL 和 Key 指过去{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-xxxx } }如果你用的是支持 OpenAI 兼容协议的 CLI 工具配置通常长这样放在~/.config/tool/config.toml[provider] name taotoken base_url https://taotoken.net/api api_key sk-xxxx model claude-sonnet-4-20250514 [options] timeout 120 max_retries 3注意base_url结尾不要带/v1具体路径由客户端自己拼。Key 建议用环境变量注入别硬编码进 dotfilesexport TAOTOKEN_API_KEYsk-xxxx然后在配置里引用${TAOTOKEN_API_KEY}。这样 dotfiles 提交到 Git 也不会泄露。3.5 部署 Traefik 并开 Dashboardkind 集群里的 Service 默认是 ClusterIPLoadBalancer 没有云厂商支持不会分配外部 IP。所以 Traefik 用 NodePort再靠kubectl port-forward暴露到 Windows 浏览器。helm repo add traefik https://traefik.github.io/charts helm repo update写一个values.yamlservice: enabled: true type: NodePort logs: access: enabled: true安装helm install traefik traefik/traefik -f values.yaml再建traefik-dashboard.yamlapiVersion: traefik.io/v1alpha1 kind: IngressRoute metadata: name: traefik-dashboard spec: entryPoints: - web routes: - match: PathPrefix(/dashboard) || PathPrefix(/api) kind: Rule services: - name: apiinternal kind: TraefikService应用kubectl apply -f traefik-dashboard.yaml。4. 验证请求从 Pod 到 Dashboard 的完整链路4.1 确认集群与 Service 状态kubectl get nodes kubectl get svckubectl get nodes应该显示demo-control-plane状态Ready。kubectl get svc会看到traefik是 NodePort 类型端口类似80:30151/TCP。4.2 端口转发到 Windowskubectl port-forward --address 0.0.0.0 svc/traefik 80:80这条命令会一直占用终端别关。然后在 Windows 浏览器打开http://127.0.0.1/dashboard/能看到 Traefik 的 Dashboard 页面说明 IngressRoute 生效了。4.3 跑一个测试 Pod 验证调度kubectl run nginx-test --imagenginx:alpine --port80 kubectl get pods -w等状态变成Running后用kubectl describe pod nginx-test看事件确认没有ImagePullBackOff。再删掉kubectl delete pod nginx-test4.4 验证 TaoToken Key 是否生效在 WSL 里用 curl 直接打一次 API确认 Key 和网络都通curl -s https://taotoken.net/api/v1/models \ -H Authorization: Bearer $TAOTOKEN_API_KEY | head -c 500返回 JSON 里能看到模型列表就说明 Key 有效。如果返回 401检查 Key 有没有多余空格返回超时检查.wslconfig的 mirrored 是否生效。4.5 用 AI 工具生成一段 K8s YAML 做闭环配置好 Claude Code 后在项目目录里让它生成一个 Deploymentclaude 写一个 nginx Deployment3 副本带 resource limits把生成的 YAML 存成nginx-deploy.yamlkubectl apply -f nginx-deploy.yaml再kubectl get pods看三个副本是否都 Running。这一步把「AI 工具配置」和「K8s 实验环境」串起来了也是统一 Key 的价值所在。5. 本篇常见错排查报错/现象原因处理wsl --install卡在下载网络到微软源不稳定换wsl --install -d Ubuntu-24.04试或手动下载发行版包Docker 拉镜像超时NAT 模式或 MTU 问题确认.wslconfig里networkingModemirrored必要时ip link set dev eth0 mtu 1450kind create cluster报端口占用6443 被其他进程占docker ps看有没有旧集群kind delete cluster -n demo后重建kubectl get nodes显示 NotReadycontainerd 没起来docker logs demo-control-plane看日志通常是 cgroup 或镜像问题Traefik Dashboard 404IngressRoute 没应用或 entryPoint 不对kubectl get ingressroute确认存在检查entryPoints是否为webport-forward后浏览器打不开转发绑到了 127.0.0.1 而非 0.0.0.0加--address 0.0.0.0Windows 侧用127.0.0.1访问TaoToken 返回 401Key 错误或带了多余字符重新从控制台复制检查环境变量有没有引号AI 工具报 model not found模型名写错用/v1/models接口列出可用模型填准确名称排查顺序建议从下往上先确认 WSL 网络通再确认 Docker 能拉镜像再确认 kind 集群 Ready最后才是 Traefik 和 AI 工具。这样每层都有明确的验证点不会一上来就怀疑最上层。6. 把 Key 和集群都收进一套工作流走到这里你手上应该有一个能随时kind delete cluster重建的 K8s 实验环境以及一套不再散落各处的 AI 工具凭证。我自己的习惯是把 WSL 里的~/.claude/settings.json和~/.config下的工具配置都软链到一个私有 Git 仓库Key 用环境变量占位这样换机器时 clone 下来就能用。如果你后面要长期跑编码 Agent或者想让多个工具共享同一套模型配额可以看下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewrite需要管理多个 Key 或查看用量控制台在https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewrite接入细节和参数说明看文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteAPI Key 生成入口https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewrite最后留一个实用技巧kind 集群重建后kubectl的 context 会自动更新但port-forward的端口映射会变。写个Makefile把kind create cluster、helm install traefik、kubectl port-forward串成make up下次实验环境崩了一条命令就能回到可用状态。