简短的回答是视情况而定，但更细微的回答是取决于您想对组件做什么。

作为基础知识，当KFP管道被编译时，它实际上是由Argo Workflow启动的一系列不同的YAML。所有这些都需要基于容器才能在库伯内特斯上运行，即使容器本身具有所有python。

Python容器操作的函数是快速开始使用Kubeflow管道的一种方法。它旨在模仿Airflow的python原生DSL。它将采用您的python函数并在定义的Python容器中运行它。你是对的，将所有工作封装在同一个Git文件夹中更容易。这种设置非常适合刚刚开始使用KFP的团队，并且不介意使用一些样板来快速启动。

当你的团队需要共享工作时，组件真的变得强大，或者你有一个企业ML平台，它正在创建如何在管道中运行特定作业的模板逻辑。组件可以单独版本化，并以相同的方式构建以在任何集群上使用（底层容器应该存储在docker hub或ECR中，如果你在AWS）。有输入/输出来规定使用该组件运行的方式。你可以想象优步的一个团队可能会使用KFP来提取某个区域中驱动程序数量的数据。组件的输入可以是地理坐标框，也可以是加载数据的时间。该组件将数据保存到S3，然后将其加载到您的模型中进行训练。如果没有该组件，将有相当多的样板需要跨多个管道和用户复制代码。

我是SageMaker和开源ML集成AWS的前PM，这是我在企业设置方面的经验分享。

但是没有解释为什么我应该使用一个或另一个，例如加载基于容器的，我需要生成一个docker镜像推送，并在管道中加载yaml，使用规范，但使用基于函数的，我只需要导入函数。

这里有一些误解。

引擎盖下只有一种组件——基于容器的组件（也有图组件，但这里无关紧要）。

然而，我们的大多数用户喜欢python，不喜欢构建容器。这就是为什么我开发了一个名为“轻量级python组件”的功能，它从python函数源代码生成ComponentSpec/组件. yaml。生成的组件基本上运行python3-u-c'

有一种误解，认为“基于函数的组件不同于组件. yaml文件”。

不，这是相同的格式。您应该将生成的组件保存到一个文件中以供共享：create_component_from_func（my_func，output_component_file='组件. yaml'）。代码稳定后，您应该将代码和组件.yaml上传到GitHub或其他地方，并使用load_component_from_url在管道中加载该组件.yaml。

检查KFP存储库中的组件. yaml文件。超过一半的组件.yaml文件是轻量级组件-它们是从python函数生成的。

组件. yaml用于共享组件。它们是声明式的、可移植的、可索引的、安全的、与语言无关的等。您应该始终发布组件.yaml文件。如果组件.yaml是从python函数生成的，那么最好将component.py放在旁边，以便在进行更改时可以轻松重新生成组件。

决定是否使用轻量级python组件功能创建组件非常简单：

你是在一个自包含的python函数中编码的吗（还不是一个CLI的程序）？你想避免构建、推送和维护容器吗？如果是，那么轻量级python组件特性（create_component_from_func）可以帮助你并为你生成组件. yaml。

否则，自己编写组件. yaml。