RSS feed of pacoxu's pacoxu

贴吧那点事blabla

2026-08-27T06:38:59.180580+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-09-30. Original URL: https://pacoxu.wordpress.com/2015/09/30/%e8%b4%b4%e5%90%a7%e9%82%a3%e7%82%b9%e4%ba%8bblabla/

辞职说明

理由：

1、出师未捷身先死（感觉自己做的不够好吧）：
最近瓦伦吧确实挺乱的，我做事比较随意，可是有希望瓦伦吧的东西够全，当时给自己的目标就是
（1）战报、前瞻一定要及时，不让球迷着急，感觉战报没人做是自己的失职。前瞻也是，不过自己时间确实很不充裕，所以还是有时候发的比较晚，另外个人文采限制，语文又那么差，经常出现一些错误，不过那对我来说已属不易。这是一个很基本的事情。
（2）新闻、视频，这个在我有时间的时候也尝试了很多方式手段，各种搜索引擎，各种国外的新闻媒体，路透社、marca、还有许多不知名的网站，都逛过，西语只是略通皮毛，英语还算可以，但是中文新闻实在太少，基本只有goal.com多一点，几大门户网站新闻很少的，而国外相对多，marca还算比较全的，但是翻译还是比较耗时间的。当然也做了一些，不过感觉效果不好，和我翻译水平也有关系。
（3）自己心中的瓦伦吧是瓦伦球迷的地盘，这个和自己想法差距比较大，感觉瓦伦输球这里可以宣泄，瓦伦赢球在这可以欢呼，瓦伦比赛这里可以呐喊。每每输球或者球队低迷，感觉瓦伦吧令人很压抑，难以释放，一直觉得开个粗口贴也行，或者其他手段，现在没想到，输球其实是正常的，被黑也是常事，希望这里能给自己一份心田随意的说出自己的情感。

2、壮志未酬，需洒热血——考研（没有时间了）：
大三了，感觉大一大二荒废了，最后决定考研，虽然决定了很久了，但是还没有真正投入到学习中去，仙子啊距离考研时间还有8个月，课程还是蛮紧的，所以并没有那么多时间。现在初步计划是先复习数学和英语，英语就是两点一个是背单词一个是做阅读，当然现在可以加上翻译一些东西吧。数学的话，两部，先把课本浏览一遍，做到对每个知识点的理解，600多页，每天20几页的速度看下去，期待在一个半月内完成这件事情。然后开始定向题目训练，练习估计时间会长一点点，2-3个月，中间可能会有期末考试和暑假实践，大四开学开始总复习查缺补漏模拟等。专业课复习也会陆续开始浏览，政治暂不准备。英语单词背的速度还不确定，另外中间还有六级考试，希望能考到550以上了。
时间上讲我已经快没了，当然我没打算放弃上网+看球，但是时间必须压缩。所以当吧主并不合适了。像今天上午我在上课，7点起床自习2个小时，然后两节课，吃完午饭，都大中午了。而且没有熬夜看球的条件，准备以后只看11点开始或者早上5点开始的比赛。而上网时间也要控制。也算是为了自己的前途，必须好好学习了，当然将来工作还有靠一些专业功底，这半年也得把自己的专业课补上来，还有一些大作业，这个学期还需要做一个搜索引擎、一个其他暂不知道什么系统、还有其他。作业也蛮多的，并不轻松。

3、悲剧ID之谢幕（id谢幕）：
我的ID 总是悲剧，寒假本来在我姐姐的支持下准备在网络改名换姓，xjj07，大学之前都没发现竟然暗藏玄机。杯具啦。本来寒假放假就像换的，推迟到现在。
vcflove是我感觉不错的一个ID ，vcf 有瓦伦西亚之意， love也表达自己对蝙蝠的爱意。更加完美的是在各个网站这个id基本都是空缺，甚至我还弄到了这个域名，也就是现在我的博客http://vcflove.com，欢迎造访（这个是解释，不算广告！）这样的话我的xjj07可以彻底下野，我就可以名正言顺的开始vcflove的马甲。

结束语：

其实任期还是听短暂的，放假回家开始一个月假期，开学一个月考完试，简简单单的2个多月的样子。

首先，康桥退出时的骚乱，误打误撞当了吧主，感觉挺对不起星爷的。

然后假期还行，有时间，但是也经常被老爸说，平时天天挂在网上，没咋干啥好事。
现在回到学校，期末考试压的人喘不过起来，终于结束了，又要开始筹划着考研的事情，人生开始慢慢的忙碌，天真玩乐的时候就要过去了。所以也就萌生退意，而瓦伦吧在我任下确实挺乱的，一方面球队最近的战绩相当差，另外也出过这样那样的乱子，我还曾经误删帖子，带头挖坟，做的置顶帖子也是有点古板，没有感觉。

一切安顿下来，康桥可以归位了，正好就事起卦，已知是天意，正好顺天而行了！
其他细节参考：
http://tieba.baidu.com/club/5071013/p/5317098

最后，谢谢大家在我在任时期的帮助和支持，我不会离开瓦伦吧，只是要花更多的时间去为了自己而努力学习。请大家见谅。

P.S.
希望大家继续支持东吴、小马以及康桥。共建瓦伦西亚球迷的地盘！

不妨将在下今年的一卦放在这了！

【卦】
俺希望能随着瓦伦的一场胜利离开。所以斗胆在这起卦，

卦源曰：“***离开，康桥上位”

**杰，点不少，发帖千余，精者屈指可数，故称水。（碧水康桥之水）
碧水康桥，言甚精，言而用意，吾甚服之，故称杰。（**杰之杰）

反卦也，上乾下坤，转而上坤下乾。否卦转泰卦。

否卦，卦象：
虎落陷坑不堪言，
进前容易退后难，
谋望不遂自己便，
疾病口舌事牵连。

泰卦，卦象：
小往大来，吉，亨。
九三：无平不陂，无往不复。艰贞，无咎。勿恤其孚，于食有福。

如果你知道否极泰来什么意思，相信您也就知道我的卦意了，此乃天意，康桥归，而寡人归隐。

—————
江湖不在有xjj07，我去也……

贴子链接http://tieba.baidu.com/p/745898002

【Amunt Valencia】瓦伦西亚2011/2012赛季导航帖

http://tieba.baidu.com/p/1203235669?see_lz=1&pn=1

之前域名vcflove.com 已经丢了

2026-08-27T06:38:59.185494+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-09-30. Original URL: https://pacoxu.wordpress.com/2015/09/30/%e4%b9%8b%e5%89%8d%e5%9f%9f%e5%90%8dvcflove-com-%e5%b7%b2%e7%bb%8f%e4%b8%a2%e4%ba%86/

做个广告：

蝙蝠——徐俊杰的博客：http://vcflove.com

V.C.F 是Valencia Club de Fútbol 西班牙语，瓦伦西亚俱乐部。混迹于西甲联赛，躲在西甲两强皇家马德里和巴塞罗那之后，号称白色幽灵，由于队徽是个蝙蝠，又称蝙蝠军团。

故鄙人草房叫做蝙蝠，还没来得及把蝙蝠请进来，显得有点简陋，希望各位领导多多前来参观考察。

如果记不清地址，查找方式，打开Google搜索，输入“徐俊杰瓦伦西亚”或者“徐俊杰 xjj07”
另外，输入“徐俊杰的博客”第4页，暂时倒数第二条就是我宅子的链接。
主要是叫徐俊杰这个名字的人有点多，校内就1140多个，全国不知道有多少了。

最后，欢迎各位访问我的博客，www.vcflove.com

http://tieba.baidu.com/p/725483096?pn=1

旅游Plan

2026-08-27T06:38:59.187161+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-10-04. Original URL: https://pacoxu.wordpress.com/2015/10/04/%e6%97%85%e6%b8%b8plan/

三年内

西安✅

苏州✅

杭州✅

海边-例如三亚、青岛✅、大连、宁波、厦门✅。

三到八年

台湾（花莲、阿里山、日月潭）

终极目标

西班牙瓦伦西亚

其他

云南（崇圣寺三塔✅、丽江）

香港✅

青海

祁连山✅
茶卡盐湖✅
扎木措

西藏

唐古拉山口
拉萨

瓦伦西亚

梅斯塔利亚

同事建议

甘肃✅, 郎木寺，敦煌，祁连山✅、青海湖✅、塔尔寺✅，bus to 九寨沟，成都四川✅，云南泸沽湖。

大堡礁、蓝山、Newcastle、新西兰

2025回顾

去过西安+苏杭

去过香港

去过成都

上面提到的，其他都没去

帕科阿尔卡塞尔（Paco Alcácer）

2026-08-27T06:38:59.188931+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-10-10. Original URL: https://pacoxu.wordpress.com/2015/10/10/%e5%b8%95%e7%a7%91-%e9%98%bf%e5%b0%94%e5%8d%a1%e5%a1%9e%e5%b0%94%ef%bc%88paco-alcacer%ef%bc%89/

（这个贴太长了，准备分开更新2016/17赛季三千万转会巴萨 18次出场4球3助攻，仅首发7次。、15-16赛季看不到头的赛季剧终！！、帕科国家队全记录、帕科瓦伦西亚友谊赛进球全记录、帕科vs莫拉塔、［瓦伦本土射手］帕科 vs 比利亚 vs 索尔达多 vs 内格雷多）

基本资料

姓名：帕科-阿尔卡塞尔(Paco Alcácer)

全名：弗朗西斯科-阿尔卡塞尔-加西亚，Francisco Alcácer García

香港译名：法蘭斯古·艾卡沙·加西亞柏高

国籍：西班牙

出生地：西班牙瓦伦西亚大区Torrent（音译可以叫托伦特，意译可以叫响水或者洪流。）

出生日期： 1993-08-30

位置：前锋，二前锋。

身高：1.76米

体重：74千克

目前俱乐部：巴塞罗那（2016年9月起）租借到多特蒙德（买断费用2000万欧）。

曾效力俱乐部：瓦伦西亚（2005-09青年队，），赫塔菲2012-13（租借）

青训俱乐部：瓦伦西亚

目前号码：待定（国家队&俱乐部），瓦伦时期26号、16号、9号

合同到期：2020年（续约前合同到期2016年）

违约金：8000万欧元（续约前违约金1800万欧元）

技术特点：

（赫塔菲教练）路易斯加西亚西甲21场3球1助攻，国王杯3场1球。

（埃梅里）4场比赛3次替补没有进球

（久基奇）9场3球1助攻

（临时教练）埃斯特维斯 1场1球国王杯瓦伦西亚 1：0 塔拉戈纳

（皮济时期）27场比赛 7场欧联杯4球1助攻，18场联赛6球1助攻

开始时候，一些人一度以为帕科的技术特点与另一位前瓦伦天才射手比利亚相似，但在一系列的赛事的表现中，帕科表现出的是出色的无球跑动能力和门前非常灵敏的嗅觉，是一个冷静的禁区杀手和镇定机会主义者，更像菲利普-因扎吉。

右脚射术精准，在禁区内用右脚打进的进球占了大半，而且这位少年也同样具有出色的盘带能力和突破技巧（暂时是一般）。在队中无论是4-2-3-1阵型和4-4-2都有非常好的适应能力。由于皮济的战术需要，帕科前场的活动范围不大，但是球员个人的积极性非常高，寻找空位前插的意识觅得多次破门良机，禁区抢点能力优秀。关于该球员不善于传球的诟病也更多的是对这位机会型杀手过多的苛责，他不善于传球，因为他的任务就是打进更多的球。

（努诺时期）53场比赛 44场联赛17球7助攻 4场国王杯3球 5场欧冠0球1助攻。

现在的抢点能力依旧，只是拿球能力还有必要提高，在密集防守的情况下，队友的传中很难找到帕科。没有出色的终结比赛的能力。需要太多后场的支援。需要进一步磨练提高。

（沃罗） 2场2助攻

沃罗2015年11月底，努诺下课后临时管理球队，执教1场国王杯和一场联赛对阵巴萨，帕科两场比赛分别助攻加亚和米纳进球。

（加里内维尔）5球2助攻

内格雷多还在恢复中，帕科在联赛中发挥还算稳定，国王杯则一般轮休。在对阵拉斯帕尔马的比赛中出场，结果受伤，已经错过了两场联赛和一场国王杯比赛。

（阿耶斯塔兰）4球

状态不好，错过2016欧洲杯。季前赛状态一般，转会巴塞罗那。

（恩里克）8球4助攻

半年左右适应期，17年开始国王杯、联赛开始有些起色。

2016/17赛季三千万转会巴萨 28次出场8球4助攻，仅首发11次。

（巴尔韦德）7球3助攻依然不被重用

2017-18赛季帕科－阿尔卡塞尔 7球3助攻 @巴塞罗那

（法夫尔）连续替补建功

租借多特蒙德迎来爆发，加油

俱乐部生涯

青年队生涯

近日，超体找到了看着帕科成长的几位足球老师，几人不约而同地表示：“这孩子身体里留着前锋的血液。”

“帕科是个与众不同的孩子，他的进球会让你很难忘记。在我手下我带过很多娃娃，但帕科不像其中的任何一个。我看了他对阵贝蒂斯的两个进球，我可以告诉你，帕科前途无量。我们为西班牙的青年提供好的成长环境，作为其中的一员，帕科让我感到骄傲。”Ginés Meléndez ，西班牙U系主教练如是说：“帕科是个富有热情并全身心投入的孩子，他是个孩子的时候我就认识他，他被西班牙寄予厚望并在最近的到了爆发。任何一个看过他的比赛与进球的人都会同意这个孩子前途是光明的。”

CD MONTE-SIÓN（1993–2003 ）

Ximo，从帕科五岁便开始看着他踢球的人：“帕科5岁就开始踢球了，当时他是最小的一个，从他第一天来的时候我们就感到很惊讶，因为我们知道帕科是颗宝石。我还记得当时我们打进了8，9个球。”一年之后帕科回到了家乡加入了Alevín A Torrent CF，现在这支队伍仍然存在，Jordi，球队的技术人员跟我们说：“帕科当时是这群孩子里面最棒的，但他一点也不高傲，他对队友给予他的帮助支持相当感谢，这就是9号该做的事情。那年他一个人打进了40球。当时这个小联赛里的其他人都因为他的名气认识了他。他儿时的朋友多明戈，阿莱克斯，chichi现在还跟他保持着紧密的联系。那时他跟我说他有点想离开了，他想进更多的球。那一年我们紧随瓦伦和比利亚雷亚尔的梯队之后，现在回想起来真是让人不敢相信。尤其是我们打败马德里的比赛帕科相当惊艳，之后马德里就来要人了。”

TORRENT CF（2003–2005）
VALENCIA（2005–2009）

之后Alfredo Perez作为帕科在瓦伦梯队的第一任教练接过了这位希望之星：“帕科啊，我记得很清楚，当时帕科来了以后选了9号球衣，分居两侧的是贝尔纳特和洛玻，然后帕科就上演了帽子戏法，别提那时候我多兴奋了。他一直都是那个级别联赛的顶级射手，打败马德里的进球让我们赢得了一切。帕科有着锋线球员与生俱来的门前嗅觉，进球犹如探囊取物。之后在12月我跟队里要了一份帕科的数据统计，准备让他升入一队。当时作为老师我还跟他有过一段我永远不会忘记的对话，帕科望着我，对我说：“Alfredo老师，我唯一想做的就是要成为一名出色的职业足球运动员。”帕科在Paterna度过了一段相当美好亮丽的时间，那天他如往常般一样穿着训练服，提着球鞋来到球场，只是这次他不来我这了，他去了一队的训练基地。那是多么美好的一天。”

帕科在进球中不断成长，Vicente Mir陪伴了帕科16-18岁的成长时间，在谈到帕科时，Vicente Mir 这样说：“帕科来到的时候已经做好了成为职业运动员的准备，不论是精神上的还是能力上。态度积极，技巧娴熟，在1对1时你可以看出他的杀手本性。在场上敢想敢做，有很强的爆发力，但在更衣室却截然不同，他显得很腼腆，内向。我一直都督促他要更加努力，他有着不错的天资，加上后天的勤奋，才造就了现在的帕科。他变了许多，更加富有侵略性了，更加懂得跑位了，在不断地提高过程中唯一没变的就是：这个孩子一直进球的状态。”

2009–2012 Valencia B 64 (42)
帕科于1993年8月30日在巴伦西亚大区的小镇Torrent出生，这里的人绝大多数是巴伦西亚俱乐部的忠实拥趸，帕科的父亲就是一位坚定的巴伦西亚支持者。在帕科还小的时候，受父亲的影响参与足球训练，加入了家乡球队。年少的帕科在家乡球队的表现很快得到了巴伦西亚俱乐部的关注，很多人当时就断言此人以后必成大器。在帕科11岁的时候曾经收到过来自皇家马德里的邀请，但最终出于对故乡球队的爱而选择留了下来，并且很快就在巴伦西亚青训梯队崭露头角，得到了俱乐部和球迷的一致青睐。

成年队生涯

号码：9

2010– Valencia 64 (18)

11-12赛季索尔达多的阴影

由于欧青赛的出色发挥，帕科于2011-12赛季前跟随一队进行训练，并参加一系列的热身赛。在巴伦西亚一年一度的热身赛柑橘杯邀请赛与罗马的比赛中，帕科打入了效力巴伦西亚的第一粒进球，帮助球队战胜对手。比赛结束之后，来到现场观赛的父亲却因为心脏病发作而去世了，这对帕科来说无疑是晴天霹雳。之后球队为了避免伊斯科式的悲剧发生，于2011年11月宣布与球员成功续约至2016年，违约金从原来的9M提升至30M。

2011-12赛季在球队糟糕的财政和球队成绩的双重压力，以及当时队内头号射手索尔达多的优异发挥之下，时任主教练埃梅里始终没有给予帕科太多的出场机会，他更多的是代表巴伦西亚2队征战在西丙的比赛。为了能够让帕科进一步得到磨练，球队在2012-13赛季球队把这位潜力新星租借至赫塔菲，在新的俱乐部中帕科有更多的磨练机会，巴伦西亚在这笔租借合同里面为了保证帕科的发展，甚至规定了赫塔菲必须给予其最低的出场数量。在租借赫塔菲的岁月中，帕科难有首发机会，在21次出场中仅贡献了3粒进球，虽然对于攻击力羸弱的赫塔菲来说实属难得，但对于顶级前锋的目标，似乎相距甚远。

12-13赛季租借赫塔菲

2012–2013 → Getafe (loan) 21 (3)

帕科在瓦伦西亚和西班牙青年队的精彩表现让这位小将的名气如火箭般蹿升，他也因此被租借到西甲球队赫塔菲锻炼。但是，马德里的这段租借生涯并不成功，瓦伦西亚，赫塔菲和帕科三方都未能得到预期的结果。

期间，2013年1月7日，帕科·阿尔卡塞尔在作客巴利亚多利德的比赛中，射入自己职业生涯的第一个西甲入球。

13-14赛季激情皮济KO保守久基奇

虽然帕科在12-13赛季经历了低谷，但顶级联赛的历练还是让他受益匪浅。13-14赛季巴伦西亚队内的头号射手索尔达多转会热刺，回归梅斯塔利亚的帕科终于等来了机会。

2013年10月3日，在巴伦西亚欧联杯小组赛客场面对库班的比赛中，帕科攻入其代表巴伦西亚的首粒正式比赛入球。在冬歇期前巴伦西亚解雇了久基齐，阿根廷人皮济接手巴伦西亚教鞭，冬歇期转会操作中，球队阵容发生了巨大变革，上半赛季近一半的主力队员被转出或租借。新帅皮济善于使用442阵型，这让帕科有了更多的出场机会，终于迎来了联赛生涯的爆发。

2014年1月25日对阵西班牙人的比赛第7分钟，帕科大禁区中央接球后右脚低射将球打入球网，打入其个人代表巴伦西亚的首例西甲联赛进球。并开始占据皮济阵容的主力位置。

2月1日在巴伦西亚做客诺坎普的比赛中，第59分钟，巴伦西亚边路球员费古利右路强行下底传中，帕科前点抢在防守队员之前扫射破网打进一球，表现出了个人出色的门前嗅觉，帮助巴伦西亚3：2，力克主队巴塞罗那，终结了巴塞罗那在诺坎普连续22场的不败纪录。

在下一轮的比赛中，帕科首发出场又为巴伦西亚打进两粒进球，最后球队以5-0的成绩血洗皇家贝蒂斯。连续三个西甲比赛周都有进球，面对巴伦西亚本赛季糟糕的成绩，帕科的飞速成长给了瓦伦球迷难有的欣慰。之后的比赛中，帕科依然表现出出色的门前嗅觉和进球手段，用一个又一个进球回馈着球迷和球队。

在2014年4月9日举行的欧联杯四分之一决赛第二回合巴伦西亚对阵巴塞尔的比赛中，巴伦西亚要想扳回首回合0-3的劣势几乎成了不可能的任务，但从比赛一开始巴伦西亚就表现出超乎寻常的求胜欲望，在第38分钟若奥-佩雷拉在反击中沿中路推进，将球传给了帕科，帕科停球后跟上怒射破门！第42分钟巴尔加斯头球建功，2-0。第79分钟，佩雷拉又一次沿中路推进后，一脚长传找到了巴尔加斯，巴尔加斯停球后巧妙的将球停给飞速插上的帕科，帕科直接起左脚大力轰门，3-0，总比分3-3成功将比赛进入加时。

在加时赛第113分钟皮亚蒂左路推进，沿底线传球至近门柱，帕科摆脱防守后将球打入近角，4-0！巴伦西亚完成成功反超，兴奋的帕科脱衣庆祝而吃到了黄牌！最后这场史诗般的逆转在最后时刻由贝尔纳特再入一球，梅斯塔利亚彻底沸腾了！

帕科用自己的表现帮助巴伦西亚战胜瑞士劲旅巴塞尔，昂首晋级欧联杯半决赛。在这场比赛中，帕科用其超凡的发挥为球队取得了三个进球，其个人也完成了职业生涯以来的首个帽子戏法。赛后评分中，帕科得到了10分的满分。这位天生的杀手用自己的进球表明自己已经开始逐步迈向成功！当面对采访时，帕科动情的说：“只要我活着，我就一定不会忘记这个帽子戏法。这是我第一次在球迷面前上演帽子戏法。我非常开心，谢谢我的队友们，因为没有他们，我不可能进球的。”

14-15赛季 Lim时代的新援的冲击

2014-15赛季，赛季初连续4轮进球，五轮联赛4球3助攻。瓦伦西亚赛季初一路高歌猛进在西甲保持前四。凭借联赛中持续高光表现，帕科入选了西班牙国家队，博斯克开始多次让帕科替补出场，迭戈科斯塔迟迟不能融入西班牙国家队的体系，帕科则如鱼得水，多次进球。

2015年初受伤状态不好，有三个月球荒。

西甲最后一轮，关键进球。15-5-24，临危救主，关键反超球帮助你伦重返欧冠附加赛。

15-16赛季 ‘内奸’努诺下课 ‘扫地僧’沃罗救火 ‘菜鸟’内维尔继任 ‘光头强’阿耶斯塔兰

落选欧洲杯国家队大名单

友谊赛状态一般，在对阵埃因霍温的比赛有一球入账。

欧冠资格赛顺利赢下摩纳哥，唯一的进球机会，罗德里格和帕科同时包抄到空门，罗德里格打进了截至10月中旬的唯一一个进球。内格雷多在资格赛次回合打入精彩吊射，并在联赛中一球入账，对阵里昂快发任意球成就了费古利的逆天爆射。

帕科则大部分时间替补，赛季唯一进球，替补出场，1：0绝杀希洪竞技。之后内格雷多跟努诺不合，罗德里格重伤，帕科成为了奴诺唯一倚重的锋线，稳定的出场时间让帕科重新找到状态。

好在国家队状态飘红，对阵卢森堡打入两球。西甲第9轮开始对阵马竞和莱万特，帕科连续两场主罚点球并罚入。之后客场挑战排名前三的塞尔塔，帕科梅开二度并给帕雷霍送上助攻。帕科入选了新一期的西班牙国家队大名单。

西甲第12轮，接安德烈戈麦斯横传推射空门首开纪录，不过被拉斯帕尔马斯的瓦伦旧将比埃拉扳平比分。之后客战塞维利亚，瓦伦西亚0射门，努诺引咎辞职，沃罗临时接管球队，国王杯中帕科替补出场助攻加亚进球反超了比分，之后西甲第14轮，巴塞罗那优势明显并取得领先，比赛行将结束的时候，巴卡里后场长传，帕科在皮克和马斯切拉诺的围抢中卸下皮球，做给后插上的米纳，米纳将球打进逼平了领头羊巴萨。

内维尔接任后，帕科在对阵赫塔菲的比赛中传射。不过内维尔的球队联赛11轮不胜。帕科则在出场的主场比赛中多次力保球队不输球，16轮2：2战平赫塔菲传射，国王杯对阵格拉纳达也替补打入一球，18轮2：2战平皇马绝杀扳平，20轮2：2巴列卡诺的比赛中替补扳平比分。之后的国王杯比赛中主场1：1战平拉帕，绝杀对手。受伤一个月后，瓦伦国王杯将面对巴塞罗那，先客后主，帕科可能会在比赛中复出。此时媒体对帕科的要求也提高的赛季20球。

国王杯比赛首回合瓦伦西亚在诺坎普遭遇史上最大比分7:0惨败,这也是各条战线瓦伦西亚21世纪最大比分失利,上次国王杯比赛同样比分输给皇家社会是1928年,上次球队正式比赛输7球是希丁克时期联盟杯客场输给德国球队卡尔斯特鲁,而联赛这样的比分也是19世纪40年代的事情了.2连败\联赛8轮不胜\大败,内维尔已经到了下课边缘.

之后的国王杯比赛中瓦伦西亚1：1战平巴塞罗那，而之后的联赛前，球队功勋球员和俱乐部高层公开表示支持新老板Lim，以及表示了梅斯塔利亚应该团结起来面对困难。球迷和球队空前的团结的情况下，瓦伦西亚顺利拿下了西班牙人坎塞洛和费古利发挥出色，新援切里索夫送上绝杀。之后的欧联杯比赛，米纳大爆发，贡献3个助攻2个进球，半场5：0创造欧联杯历史，同时6：0也确保瓦伦晋级欧联杯16强。之后的客场瓦伦西亚顺利的拿下了本赛季已经三次战胜的格拉纳的，帕科在下班半时开始阶段送上助攻，帕雷霍抽射破门，而帕科接到的是状态复苏但是射门还需加强的安德烈戈麦斯，而这次助攻也有一定程度源于对方中卫瓦伦旧将里卡多科斯塔的摔倒。而在比赛补时阶段，帕科单刀吊射，虽然被门将托出，但是门将受到里卡多科斯塔干扰没能封挡米纳的补射。瓦伦西亚迎来久违的三连胜。

内维尔战绩很差，阿耶斯塔兰接手球队，帕科的球荒已经持续了十几轮联赛，虽然偶尔送上助攻，但是作为射手，没有进球总是尴尬的，主场对阵埃瓦尔，帕科终于发威上演帽子戏法，而本场比赛罗德里格和坎塞洛在右路的精彩表现更令人印象深刻。

由于赛季末个月球荒，帕科失去了第一次大赛的机会，没能入选2016欧洲杯大名单。

助攻帕科排行

费古利 7

罗德里格4

帕雷霍 3
巴内加\巴尔加斯\卡塔比亚\加亚\巴卡利\戈麦斯\砍赛罗 2
贝尔纳特\巴拉甘\佩雷拉\皮亚蒂\穆斯塔菲1

帕科助攻排行

费古利 3
戈麦斯\帕雷霍\米纳 2
内阁 \希尔\卡塔比亚\皮亚蒂\罗德里格 \加亚 1

16-17赛季转会巴塞罗那第四/五前锋 7球4助攻不断的调整自己适应新的团队。

8月30日转会巴塞罗那

2016/17赛季三千万转会巴萨 18次出场4球3助攻，仅首发7次。

17-18赛季登贝莱、德乌洛费乌加盟，冬季库蒂尼奥加盟，上场时间不断被压缩。

国家队生涯

号码：9

青年国家队

U17欧青赛

2010年，帕科代表西班牙U17踏上了欧青赛的征程。以5场6球的成绩带领西班牙U17杀进决赛。最后虽然惜败英格兰屈居亚军，但帕科以自己优异的表现赢得金靴奖。凭借欧青赛的优异表现，帕科得到欧陆各大豪门的关注，皇马、巴萨、国际米兰、阿森纳等豪门都为他抛来了橄榄枝，但他最终还是选择留守巴伦西亚。

欧青赛（2011/2012两度夺冠）

2011年，在罗马尼亚举办的U19欧青赛中，年仅17岁的帕科依然得到征召，虽然跳级的帕科并非球队主力，但是替补出场4次的他以160分钟的出场时间就攻入3球。其中的两粒进球都是在决赛对阵捷克的比赛中球队1-2落后的情况下打进的扳平、致胜球，没有争议的成为球队夺冠的头号功臣。随着比利亚以40M的身价加盟巴塞罗那以后，瓦伦球迷都对表现优异的帕科寄予厚望，期盼他能够成为下一位比利亚，在梅斯塔利亚上演王者归来。

在爱沙尼亚举行的2012年19岁以下欧洲国家杯。虽然同样只是担任后备角色，但仍取得2个入球。

世青赛（2013年土耳其世青赛U20）

2013年6月21日帕科在美国 1：4 西班牙的比赛中替补出场，是FIFA举办比赛的首秀。之后，帕科在2013年6月27日第三场小组赛对阵法国时首开纪录，帮助球队2：1取胜获得小组第一。之后淘汰赛第一轮2：1淘汰墨西哥，然而之后0：1加时赛负于乌拉圭止步八强。帕科出场4次，主要是替补出场，打入一球。

FIFA赛事：4次出场，3胜1负。

成年国家队

2014– Spain 10 (6)

2014年9月9日 2016年欧洲杯预选赛帕科攻入国家队首球西班牙5比1战胜马其顿帕科超越法布雷加斯成为第二年轻的西班牙进球球员。上半场伤停补时第2分钟西班牙再入一球，阿尔卡塞尔头球摆渡，布斯克茨22米处右脚劲射，皮球打在后卫腿上发生变线偏转入网，3-1！

2015年10月10日2:45分，欧洲杯预选赛C组第9轮，西班牙对阵卢森堡的比赛帕科替补出场，梅开二度。在2016年欧洲杯预选赛中，帕科累计打入5球，是队内射手王。

数据统计

俱乐部

俱乐部	赛季	西甲		国王杯		洲际比赛		总计
俱乐部	赛季	出场	进球	出场	进球	出场	进球	出场	进球
瓦伦西亚	2010–11	0	0	1	0	0	0	1	0
瓦伦西亚	2011–12	3	0	0	0	0	0	3	0
赫塔菲	2012–13	21	3(1)	3	1	–		24	4(1)
瓦伦西亚	2013–14[欧联]	23	6(2)	3	1	11	7(1)	37	14(3)
	2014–15	32	11(5)	4	3(1)	—		36	14(6)
	2015–16[欧冠]	21	12(5)	3	2(1)	7	0(1)	31	14(7)
	总计	79	29(12)	11	6(1)	18	7(2)	108	42(16)
巴塞罗那	2016－2017［欧冠］	13	3(2)	3	1	2	0(1)	18	4(3)
生涯总计		113	35(15)	17	8(1)	20	7(3)	132	50(20)

欧冠小组赛3次出场1次助攻，资格赛2次出场，欧联杯11次出场7球1助攻。

榜样比利亚

total: 2015: 504场244球58助攻 – 64被换上 183换下 62黄 2次两黄变一红 5红 40点球每155’进一球一共三万七千多分钟。37.794′

2012-13 赫塔菲西甲3球1助攻国王杯1球累计4球1助攻。

国王杯邦费雷迪纳 0：4 赫塔菲 2012年11月2日 62分钟替补出场，68分钟，中卫解围长传，帕科反越位带球进入禁区推射破门，打入第四球。

http://www.dailymotion.com/video/xurw2o_copa-del-rey-sd-ponferradina-0-getafe-cf-4_sport

西甲赫塔菲2：4皇家贝蒂斯 2012-11-05 68分钟帕科垫传中路卡斯特罗推射空门，1：1！（助攻）

西甲巴列卡诺 3-1 赫塔菲 2013年1月8日西甲首球应该是0:3落后时候进的头球。

西甲赫塔菲 2-2 格拉纳达 2013年1月15日队友倒钩妙传帕科破门，帕科上半场42分钟接科伦加传球大禁区中央打入右下角。

西甲 2013年4月13日巴拉多利德 2-1 赫塔菲第45分钟，博尔哈传入禁区，帕科9码处头球破门，球从右下角飞进球门。

2013-14 西甲西甲6球2助攻国王杯1球欧联杯7球1助攻总计14球3助攻

欧联杯瓦伦西亚2：0库班 2013年10月4日在73分钟时，瓦伦西亚收获大礼，贝雷诺夫在处理瓦伦西亚的长传时弃门而出，并不幸滑倒在地，原本并没有任何机会的帕科迎上笑纳，1:0！

欧联杯瓦伦西亚5：1圣加仑 2013年10月25日第12分钟时，瓦伦西亚取得领先！圣加仑前场被抢断后，皮亚蒂策动快速反击，他在中路长驱直入后大力远射，尽管洛帕将球击出，但球落到禁区中央的帕科脚下，后者不等球停下直接轰门，球击中立柱后弹进球门，1:0！

西甲7轮赫塔菲0：1瓦伦西亚第40分钟，阿尔卡塞尔回传，帕蓬30码处射入左上角。（助攻）

欧联杯瓦伦西亚1:1 库班 70分钟，巴内加中场漂亮送出身后球，帕科摆脱整条防线后，面对出击的贝雷诺夫，他假动作盘过了守门员，最终在底线附近小角度打门，迪尔伯特回追解围不力，目送皮球入网，1:0！

国王杯瓦伦西亚1-0塔拉戈纳第37分钟，由帕科在禁区中央接贝尔纳特左侧传中将球踢进。

—-2013|2014—-

西甲21轮瓦伦西亚2：2西班牙人第7分钟，巴内加挑传，阿尔卡塞尔10码处凌空扫射破门。

西甲22轮巴塞罗那2:3瓦伦西亚第59分钟，瓦伦西亚再次领先！费古利右路强行下底传中，阿尔卡塞尔前点抢在防守之前扫射破网，2-3！

西甲23轮瓦伦5比0贝蒂斯巴尔加斯禁区内得到球后顺势攻门，尽管没有踢上力量，但是正好落在帕科脚下，后者反应灵敏，轻松将球送进球网，2:0！费古力在中圈得球后脚后跟回给帕雷霍，帕雷霍跟上漂亮斜传给前方的帕科，帕科顺势传给已经高速插上的费古力，阿尔及利亚球星得球之后，在禁区线晃倒迪达克之后将球打入左上角，3:0！(助攻)和半场结束前的情形神似，两分钟之后，瓦伦西亚再次破门，而进球的依然是帕科。他的破门得感谢巴拉甘右路的精彩传中。

西甲25轮瓦伦西亚2-1格拉纳达，在63分钟，费古力在对手禁区右侧的半高球传中，帕科跟上抢在洛贝托得球之前将皮球踢入远角，1:1！

西甲27轮瓦伦西亚1:1 毕尔巴鄂竞技第21分钟，若纳斯帮助瓦伦西亚获得了一个角球，而正是这个角球，帮助他们取得了领先。费古力在右路得球后摆脱对方防线，将球传进小禁区，帕科和卡塔维亚已经在门前等候，而最终是前者碰到了来球后将球轻松送入网窝，1:0!

欧联杯卢多戈雷茨0：3瓦伦西亚 33分钟，帕科挑传，卡塔比亚迎球抽射破门，2:0。（助攻）

欧联杯瓦伦西亚1-0卢多戈雷茨（拉兹格勒），第59分钟，阿尔卡塞尔接卡塔比亚左路传中近距离头球攻门得手。

欧联杯瓦伦西亚5：0巴塞尔第38分钟，佩雷拉左路传中，阿尔卡塞尔胸部停下球距离球门12米处左脚抽射破门，1-0。第70分钟，巴尔加斯禁区左侧把球敲给阿尔卡塞尔，后者门前12米处左脚劲射破门，3-0。第114分钟，皮亚蒂左路传中，阿尔卡塞尔包抄到位推射破门，4-0。（帽子戏法）

2014-15 西甲11球5助攻国王杯3球1助攻国家队4球1助攻总18球6助攻，造点球1.

西甲2轮瓦伦西亚3-0马拉加 31分钟何塞-盖亚左路带球长途奔袭，禁区前视野一片开阔，他左脚的斜线传中正好绕过了塞尔吉奥-桑切斯的防守到达中路跟上的帕科脚下，后者在威灵顿的贴身下还是将球送入了球门近角——尽管门将卡梅尼碰到了皮球，但还是没法阻止球门入网。1:0！（捅射破门），首开纪录；56分钟费古力右侧高速突破后准确将球送到禁区弧顶的帕科，后者非常舒服地将球做给跟上的皮亚蒂。皮亚蒂不等球停下左脚直接低射，皮球刁钻飞入球门左下角，3:0！（助攻）

西甲3轮瓦伦西亚3-1西班牙人第73分钟，费古利直传，西班牙新国脚帕科晃过门将小禁区右侧打入空门。

西甲4轮赫塔菲0-3瓦伦西亚第7分钟，萨米尔轻易地将球拱手让给瓦伦西亚，使得球队早早陷入挣扎：客队在得到皮球之后高速反击，帕雷霍带球推进后传至右侧插上的洛德里戈，而后者准确的直传找到了帕科。这位最近进球感觉颇为良好的新晋国脚面对来球尝试直接倒地铲射。尽管角度很小，但帕科的射门准确地躲开了阿莱克西斯和瓜伊塔的防守，皮球贴着远侧立柱进网，1:0！第20分钟，戈麦斯高速突入禁区后和帕科打出流畅的撞墙配合，电光火石之间，戈麦斯轻松推入近角，2:0。（助攻）

西甲5轮瓦伦西亚3-0科尔多瓦，第22分钟，主队期待的进球终于到来了。费古力右侧准确将球送到禁区腹地，帕科潇洒地背对球门甩头攻门，球刁钻地飞入球门远角，1:0。

西甲6轮皇家社会1：1瓦伦西亚 16分钟，在一次右路进攻中，洛德里戈得球向中间推进，他巧妙挑传插上的帕科，后者没有选择直接头球攻门，而是将球回点给了跟上的加列斯-希尔，这让主队的防守球员们措手不及，希尔不等球落地直接左脚射门，皮球应声窜入左下角，1:0！（助攻）

西甲7轮瓦伦西亚3：1马德里竞技第七分钟，阿尔维斯随后开出任意球，找到安德雷-戈麦斯，戈麦斯讲球蹭给身后的帕科，而帕科随即送出漂亮的脚后跟妙传送给插上的戈麦斯，他在米兰达和戈丁的看防下冲入禁区，并晃开米兰达，面对莫亚推入球门近角，2:0！（助攻）

国王杯巴列卡诺1：2瓦伦西亚门将送礼，帕科打空门扳平。

国王杯瓦伦西亚4：4巴列卡诺第8分钟，蝙蝠军团先声夺人，帕科首开记录,罗德里格射门球速很慢，帕科跟上进球。第65分钟帕科将比分追成3-4。http://www.dongqiudi.com/article/57989

西甲16轮瓦伦西亚1比0埃尔瓦第31分钟，皮亚蒂单刀突入禁区左侧，但出击的门将伊鲁雷塔未能成功解围，皮球打在皮亚蒂腿上正好弹向空门，帕科轻松破门。

国王杯瓦伦西亚2：1西班牙人第86分钟，帕科制造点球，内格雷多罚进。帕科在禁区内本有机会拿到球，但是被守门员绊倒，裁判把黄牌给了帕科身后的22号，给错牌了。（造点-国王杯统计算作了助攻）

西甲19轮瓦伦西亚3：2阿尔梅里亚第28分钟，安德列-戈麦斯直传，帕科禁区左侧传中，罗德里戈近距离打入空门。（助攻）

—-2014|2015—-

西甲27轮瓦伦西亚2：0拉科鲁尼亚第72分钟，费古利禁区右侧下底回传，刚刚替补出场仅1分钟的帕科距离推射入网。

西甲28轮埃尔切0:4 瓦伦西亚第57分钟，费古利直传，安德列-戈麦斯禁区右侧传中，帕科门前右脚射门再入一球。

西甲30轮毕尔巴鄂竞技1：1瓦伦西亚第61分钟，罗德里戈禁区左侧传球，阿尔卡塞尔巧妙漏过，德-保罗12码处推射右下角。（贡献）

西甲31轮瓦伦西亚3：0莱万特第16分钟，帕雷霍右路传中，帕科小禁区边缘强力头球破门，首开纪录。

西甲35轮瓦伦西亚3：1艾瓦尔第71分钟，帕雷霍30码处任意球射门击中左侧立柱弹回，帕科小禁区内推射空门入网。

西甲36轮皇马2：2瓦伦西亚第19分钟首开纪录，加亚左路传中，帕科小禁区边缘凌空捅射。

西甲38轮阿尔梅里亚2：3瓦伦西亚 80分钟绝杀费古利直传，帕科禁区右侧单刀推射入网。

2015-16 联赛13球6助攻，欧冠1助攻，国王杯2球1助攻，国家队2球，累计15球8助攻。

西甲3轮希洪竞技 0：1 瓦伦西亚绝杀 90分钟巴卡里传中，小禁区内头球顶入空门。

西甲8轮瓦伦西亚3：0马拉加。最后时刻达尼洛突入禁区被放倒，帕雷霍第一点球手拒绝了帕科罚点球的要求，将皮球打进锁定胜局，之后帕科也参与到了进球庆祝中，并没有很不快。

欧冠小组赛第3轮瓦伦西亚2：1根克。第15分钟，砍赛罗传中，帕科垫了一下，费古利跟上打门，打在对方后卫身上，但还是进了。(助攻)

西甲9轮马德里竞技2：1瓦伦西亚。第72分钟，禁区内戈丁从身后撞翻了穆斯塔菲，裁判吹罚点球。点球交给帕科主罚，他将球打进了球门左下角。马竞2-1瓦伦。（点球）

西甲10轮瓦伦西亚3：0莱万特第64分钟，鲁文-马丁内斯禁区内扑倒菲古利，帕科点球破门，1比0。第72分钟，帕科禁区前弹射，越位位置上的菲古利在门线前将球捅入网窝，主裁仍判定进球有效，2比0。（助攻）

西甲11轮塞尔塔1：5瓦伦西亚第13分钟，巴伦西亚发动反击，帕科在和帕雷霍做了一个撞墙配合后禁区内左脚低射首开纪录！塞尔塔0-1瓦伦。(进球)下半场开场不到30秒，容尼半场回传门将的传球被帕科抢断，帕科禁区内单刀面对阿尔瓦雷斯左脚推射远角帮助巴伦西亚再下一城，1-3！(进球) 第64分钟，巴伦西亚在塞尔塔禁区前沿连续传递过后由帕科送出一脚直塞，帕雷霍在禁区内右脚轻轻推射把球打进球门右下角，1-4！(助攻)

西甲12轮瓦伦西亚1：1拉斯帕尔马斯第8分钟安德烈戈麦斯突破下底禁区内底线横传门前，帕科推射空门得手首开纪录。

国王杯第一回合巴拉卡尔多1：3瓦伦西亚 46分钟替补米尔出场给加亚送上助攻，反超比分，2：1。(助攻)

西甲14轮瓦伦西亚1：1巴塞罗那第86分钟，巴伦西亚后场起球，帕科胸部停球后做球，米纳跟上直接劲射破门，巴伦西亚1-1巴萨！（助攻）

西甲16轮瓦伦西亚2：2赫塔菲第15分钟，坎塞洛右路传中，帕科禁区内左脚迎球直接抽射扳平比分。第35分钟，帕科面对门将选择分球，米纳打空门得手。（助攻）

—-2015|2016—-

西甲18轮瓦伦西亚2:2皇家马德里 83分钟,德保罗左路45度起球，罗德里戈头球摆渡，帕科头球接力将球顶进，巴伦西亚2-2皇马！

国王杯16进8 次回合格拉纳达0：3瓦伦西亚 63分钟，扎希波后场铲断，达尼洛长传发动进攻，刚刚替补出场的帕科反越位成功，单刀冷静推射右下角得分，2：0。

西甲第20轮瓦伦西亚2：2巴列卡诺 65分钟帕科替补内格雷多出场，88分钟，巴卡利接帕科头球传后点，帕科包抄头球破门2：2。还有一球反越位打进被判无效。

国王杯8进4首回合瓦伦西亚1：1拉斯帕尔马斯第61分钟，帕科-阿尔卡塞尔接帕雷霍分球，禁区外一脚低射扳平比分，1-1。

西甲第25轮格拉纳达1：2瓦伦西亚 55分钟安德烈戈麦斯直塞，帕科横向做球，帕雷霍跟上怒射破门
（助攻 1：0）。补时阶段，瓦伦西亚后场长传，格拉纳达后卫头球没能改变球的前进方向，帕科反越位得球后形成单刀，吊射远角，被门将扑出，但是门将受到后卫干扰，后面跟上的米纳刚好拿到落点，推射空门得手。2：0.

西甲34轮瓦伦西亚4:0埃瓦尔，第10分钟达尼-加西亚禁区内侵犯帕雷霍被吹点球，阿尔卡塞尔射门被扑后补射破门，1比0。28分钟坎塞洛禁区右侧横敲，阿尔卡塞尔包抄破门，2比0。40分钟罗德里格斯边路传中，阿尔卡塞尔头球破门上演帽子戏法，3比0。帕科开场40分钟完成帽子戏法，结束了三个月的联赛进球荒，帕科也是继2002年的艾马尔之后第一位在上半场完成帽子戏法的瓦伦西亚球员。

西甲35轮赫塔费2:2瓦伦西亚帕科84分钟接内格雷多横传球推射破门。

2016-17 联赛3球2助攻，欧冠1助攻，国王杯1球，国家队0球，累计4球3助攻。

欧冠小组赛巴塞罗那4:0门兴，最后阶段助攻图兰帽子戏法.

—-2016|2017—-

西甲18轮巴萨5:0拉斯帕耳马斯 80分钟助攻阿莱斯比达尔得分。

国王杯1/16决赛次回合巴塞罗那7:0大力神。第73分钟，图兰禁区前分球右路，拉菲尼亚起球传中，球被防守球员挡了一下后由帕科门前头球破门，5-0！第86分钟，图兰完成梅开二度。阿莱士-比达尔右路传中，帕科近距离的头球攻门被门将神勇挡出，阿尔达-图兰后点补射得手，6-0！

西甲21轮巴塞罗那3:0毕巴。第18分钟，阿莱士-比达尔将球长传到左路，内马尔带球突入禁区后回传门前，帕科左脚打门，球直入网窝，巴萨1-0！

西甲25轮巴萨6:1希洪竞技梅西前场反抢成功突入禁区横敲，帕科推射破门。

西甲29轮格拉纳达 1:4 巴萨 64分钟接苏亚雷斯挑传反越位单刀推射破门。终场前。90分钟，接苏牙挑传后，横扫后门柱内马尔推射破门。

2016/17赛季三千万转会巴萨 28次出场8球4助攻，仅首发11次。

2017-18赛季帕科－阿尔卡塞尔 7球3助攻 @巴塞罗那

总计

梅开二度西甲2次国王杯1次德甲1次

帽子戏法欧联杯1次西甲1次德甲1次

国家队

青年队

Spain
年份	国家队级别	出场（进球数）
2009	U16	3 (0)
2009-10	U17	11 (14)
2011	U18	3 (5)
2011-12	U19	16 (7)
2013	U20	7 (3)
2013	U21	1 (0)
Total		41（29）

成年国家队

Spain
Year	Apps	Goals
2014	5	3
2015	6	3
Total	11	6

国家队比赛

友谊赛客场 0：1 法国 66分钟替补科斯塔出场
欧预赛主场 5：1 马其顿 57分钟被伊斯科替补换下
欧预赛客场 1：2 斯洛伐克 71分钟替补席尔瓦出场
欧预赛客场 4：0 卢森堡首发打满全场
欧预赛主场 3：0 白俄罗斯首发打满全场
友谊赛主场 2：1 哥斯达黎加首发打满全场
欧预赛主场 2：0 斯洛伐克 75分钟替补科斯塔出场
欧预赛客场 1：0 马其顿 61分钟替补科斯塔出场
欧预赛主场 4：0 卢森堡 33分钟替补莫拉塔出场
欧预赛客场 1：0 乌克兰首发85分钟被布斯克斯替换下场
友谊赛主场2：0英格兰首发73分钟被佩德罗换下

首发5次，替补6次，9胜2负。个人打入6球。1次助攻。累计532分钟。平均90分钟一球。

成年国家队进球

	日期	球场	对手	即时比分	最终比分	比赛性质
1	14年9月9日	瓦伦西亚市政球场/西班牙	马其顿	2−0	5−1	16欧预赛
2	14年10月9日	Štadión pod Dubňom, Žilina, Slovakia	斯洛伐克	1−1	1−2	16欧预赛
3	14年10月12日	Josy Barthel, Luxembourg, Luxembourg	卢森堡	2−0	4−0	16欧预赛
4	15年6月11日	Reino de León, León, Spain	哥斯达黎加	1−1	2−1	友谊赛
5 6	15年10月9日	Las Gaunas球场/西班牙	卢森堡	2−0 3−0	4−0	16欧预赛

进球

胡安弗兰小禁区右上角凌空垫传，帕科近距离射入空门
阿尔巴左路传中，帕科10码处右脚停球后抽射破门（左脚）
席尔瓦禁区右侧横敲，帕科12码处劲射
小法直塞，帕科12码处单刀推射入网
小法直塞禁区前沿；
阿尔巴横传小禁区

6个全部用脚，1个左脚，5个右脚。4个贴地球，另外两个也不高。

助攻

马其顿，上半场伤停补时第2分钟西班牙再入一球，阿尔卡塞尔头球摆渡，布斯克茨22米处右脚劲射，皮球打在后卫腿上发生变线偏转入网，3-1！

荣誉&记录

西班牙

U19

U17欧青赛：2010届亚军&金靴
U19欧青赛冠军：2011届, 2012届

俱乐部

西班牙少年联赛第七组冠军 2009/10

西班牙地区联赛第六组冠军 2010/11

欧联杯银靴：2013-14赛季7球。

瓦伦西亚当地年度最佳运动员：2014年。

记录

最远距离进球：2014-8-18，柑橘杯对阵AC米兰，45米吊射破门。（友谊赛）

里程碑

西班牙

进球

2014年8月29日帕科首次入选西班牙国家队

2014年9月9日 2016年欧洲杯预选赛帕科攻入国家队首球西班牙5比1战胜马其顿

首次梅开二度：10月10日2:45分，欧洲杯预选赛C组第9轮，西班牙对阵卢森堡的比赛

俱乐部

首秀

一线队首秀：2010年7月25日友谊赛

正赛首秀：2010年11月11日国王杯瓦伦西亚vs洛格罗尼奥

西甲首秀：2012年1月15日西甲第19轮瓦伦西亚vs皇家社会

欧冠资格赛首秀： 15-08-20 主场3：1摩纳哥

欧冠正赛-小组赛首秀： 2015-09-8 主场2：3泽尼特半场替补出场

欧冠首次首发：2015-10-20 主场根克 2：1 首发出场82分钟被达尼洛换下。

出场里程碑

瓦伦西亚100场: 2015年12月瓦伦西亚2:2赫塔菲传射。

西甲 100场： 2016-17赛季第一轮瓦伦西亚2:4拉斯帕尔马斯

进球

一线队首球：友谊赛瓦伦西亚vs阿尔科亚诺

国王杯首球：2012年11月2日（在赫塔菲租借期间）

瓦伦国王杯首球：2013年12月20日瓦伦西亚1-0塔拉戈纳

西甲首球：2013年1月8日巴列卡诺 3-1 赫塔菲

瓦伦西亚正赛首球/欧战首球：2013年10月4日，瓦伦2：0库班

首次梅开二度：2014年2月8日瓦伦5比0贝蒂斯（西甲）

首次客场梅开二度：2015年11月7日塞尔塔1：5瓦伦西亚（西甲）

欧联杯帽子戏法：2014年4月11日瓦伦5-0巴塞尔（欧联杯淘汰赛）

西甲帽子戏法：2016年4月瓦伦西亚4:0埃瓦尔

国王杯梅开二度： 2014-12-17

西甲连续四轮进球： 2014-15赛季西甲第2轮-第5轮打入4球。2015-16赛季西甲9-12轮连续打入5球。

西甲连续六轮参与进球： 2014-15赛季西甲第2轮-第7轮 4球4助攻

西甲主场连续6轮参与进球：2015-16赛季 10轮莱万特传射，12轮拉帕进球，14轮巴萨助攻，16轮赫塔菲传射，18轮皇马进球，20轮巴列卡诺进球。6轮主场比赛贡献5球3助攻。

欧冠首球：

巴萨国王杯首球：12月21日巴萨7:0大力神

巴萨联赛首球：2月4日巴萨3:0毕巴

瓦伦第10次助攻：欧冠小组赛第3轮瓦伦西亚2：1根克垫传费古利

第一粒点球：10月26日西甲9轮客场1：2不敌马德里竞技。

瓦伦西甲第20球：2015年11月1日西甲第10轮 3：0莱万特点球。（第二粒点球）

瓦伦西亚西甲射手榜前50: 瓦伦西甲第25球:2016年1月4日西甲第18轮 2:2皇家马德里进入,实际第48.

历史地位

瓦伦西亚

历史射手榜

第一位 | 238球- 埃德蒙多苏亚雷斯联赛186球，欧战52球，共238球。
第二位 | 158球- 瓦尔多联赛115 国王杯13球欧战30球 158球。第二射手。7个赛季
第三位 | 146球- 肯佩斯联赛116球国王杯17球欧战13球，总共146球。也就六个赛季吧。西甲进球队内第二。
第四位 | 143球- 费尔南多戈麦斯 108联赛 23国王杯 3欧战 9其他。143球。第四。
第五位 | 129球- 比利亚联赛 107球国王杯4球欧战17球其他1球。总计129球。六个赛季。
102- 巴德内斯西甲97场90球，其他12球。
97- Guillermo Gorostiza 总97球西甲72，国王杯25球
93- Silvestre Igoa 西甲81球
91- Vicente Seguí 西甲83球？总91球。
88- Luboslav Penev 88球，西甲67球
87- Epi Fernández 87球。
81- 索尔达多101场联赛59球。国王杯6球。欧战17球。总计81球。三个赛季。
64- 安古洛西甲312场42球，国王杯35场8球，欧战83场14球，累计64球。
64- 小虫洛佩斯 64球西甲47球国王杯9球（一个赛季）欧战8球
61- Héctor Nú?ez 西甲61球
58- Roberto Fernández Bonillo 西甲58球
56- Predrag Mijatovi? 西甲56球
58- 门迭塔西甲 44球，国王杯6球，欧战7球。1993-2001赛季。
55- 何塞. 克拉利蒙特. 西甲55球
51- 若纳斯西甲36球，国王杯14场5球，欧战30场10球，共计51球。四个赛季。
50- 维森特联赛36球，总计50球。
50- 米斯塔联赛40球，总计50球。五个赛季。
50- Vicente Guillot 西甲50球
46- 马塔西甲129场33球，国王杯15场5球，欧战30场8球，总计46球。四个赛季。
42- 帕科西甲联赛 29球，欧联杯7球，国王杯6球。累计39球。

42- Rubén ?scar Valdez 西甲42球
41- 巴拉哈41球 11个赛季

38- Faas Wilkes 西甲38球
38- Enrique Saura 西甲37球
37- 埃洛伊奥尼拉西甲37球
34- 艾马尔西甲27球欧战7球。累计34球。
33- 莫伦特斯西甲66场19球，国王杯9场3球，欧战22场11球，总计97场33球。三个赛季。
33- 维森特·阿森西西甲33球
30- Javier Subirats 西甲30球
30- J 桑切斯莫雷诺，联赛30球。8个赛季。
29- 席尔瓦 29球。
29- 华金联赛18球，国王杯24场6球，欧战36场5球，累计29球。五个赛季。
29- 伊利耶西甲84场29球
27- 阿杜里兹58场联赛17球。 8场国王杯3球。 17场欧战 7球总计83场 27球。两个赛季。
26- Daniel Solsona 西甲26球
26- Francisco García Gómez 西甲26球
24- 巴勃罗 111场联赛16球，11场国王杯1球，33场欧战7球，累计24球。
23- Salif Keita 西甲23球
23- 弗洛雷斯西甲23球
22- 维尔马尔·卡夫雷拉西甲22球
22- Johnny Rep 西甲22球
20- 卡鲁西甲84场20球
20- José Gálvez Estévez 西甲20球

皮亚蒂、帕雷霍、费古利见下表。

葡萄牙在瓦伦的最佳射手里卡多科斯塔 10球。

瓦伦西亚近期射手榜（大约2000年之后，不含如今在队内的）

129- 比利亚联赛 107球国王杯4球欧战17球其他1球。总计129球。六个赛季。
81- 索尔达多101场联赛59球。国王杯6球。欧战17球。总计81球。三个赛季。
64- 安古洛西甲312场42球，国王杯35场8球，欧战83场14球，累计64球。
58- 门迭塔西甲 44球，国王杯6球，欧战7球。1993-2001赛季。
51- 若纳斯西甲36球，国王杯14场5球，欧战30场10球，共计51球。四个赛季。
50- 维森特联赛36球，总计50球。
50- 米斯塔联赛40球，总计50球。五个赛季。
46- 马塔西甲129场33球，国王杯15场5球，欧战30场8球，总计46球。四个赛季。

42- 帕科西甲联赛 29球，欧联杯7球，国王杯6球。累计39球。

41- 巴拉哈41球 11个赛季

34- 艾马尔西甲27球欧战7球。累计34球。
33- 莫伦特斯西甲66场19球，国王杯9场3球，欧战22场11球，总计97场33球。三个赛季。
30- J 桑切斯莫雷诺，联赛30球。8个赛季。
29- 席尔瓦 29球。
29- 华金联赛18球，国王杯24场6球，欧战36场5球，累计29球。五个赛季。
27- 阿杜里兹58场联赛17球。 8场国王杯3球。 17场欧战 7球总计83场 27球。两个赛季。
24- 巴勃罗 111场联赛16球，11场国王杯1球，33场欧战7球，累计24球。
18- 蒂诺科斯塔三个赛季18球。西甲10球。
17- 日基奇 17球。三个赛季。。
14- 迪瓦约 14球。
11- 奥雷里奥仅仅联赛，杯赛没找到统计。
11- 马切纳11球.
10- 巴内加 10球
10- 阿尔贝尔达10球
9- 巴尔德斯

瓦伦西亚当前队内射手榜（2016赛季截止——也先不用更新了）

42– 帕科西甲联赛 29球，欧联杯7球，国王杯6球。累计39球。0+0+0+14+14+14
28- 费古利西甲20球，欧冠5球，欧冠资格赛1球，欧联杯3球。国王杯1球。累计30球。1+6+6+7+6+4.
25- 帕雷霍联赛21球，国王杯2球，欧战2球。累计25球。0+2+5+11+7
22- 皮亚蒂西甲89场15球，国王杯15场4球，欧战22场3球，累计126场21球。6+1+7+7+1
16- 内格雷多累计 16球。6+10.
7- 罗德里格累计 7球。 4+2.

6- 安德烈戈麦斯累计 6球。4+2.
6- 穆斯塔非累计 6球。 4+2.
5- 富埃格累计 5球。 2+3+0.

3- 米纳3球。巴萨+赫塔菲，国王杯1球

瓦伦西亚欧冠

射手榜

出场次数

卡尼萨雷斯58
阿尔贝尔达57
安古洛 52
佩莱格里诺 45
卡博尼 42
巴拉哈桑切斯 36
基利冈萨雷斯维森特35
安格亚马卡鲁30
阿亚拉 29
门迭塔28
久基奇 27
米格尔 24
艾马尔 22
马切纳 21
索尔达多 20

—————–
费古利19次
帕雷霍12次
皮亚蒂10次
帕科 3次

瓦伦西亚欧冠射手榜(当前)

费古利 5球,资格赛1球.
戈麦斯 1球.
坎塞罗 1球(有些地方算乌龙)
内格雷多资格赛1球,塞维1球+曼城5球
罗德里格资格赛1球,本菲卡时期欧冠2球.
帕雷霍资格赛1球
帕科 0球
阿布努埃尔摩纳哥1球
巴卡里埃因霍温资格赛1球

瓦伦西亚欧冠相关

欧冠客场最大比分胜利客场5:0战胜格拉兹青年队
欧冠客场最大比分失利客场0:7不敌卡尔斯鲁厄(非小组赛和淘汰赛),其他的0:3皇马,0:3切尔西.
欧战出场纪录:阿尔贝尔达 101次(57次欧冠,22场联盟杯,8场欧联杯,5场资格赛,1场欧联资格赛,托托杯5场,超级杯1场)
欧冠出场最多:卡尼萨雷斯 58次.
如今最高:费古利19次
欧战进球纪录:比利亚 17球(瓦伦欧冠6球-巴萨8球,欧联杯6球,联盟杯3球,欧联杯资格赛1球,欧冠资格赛2球,托托杯1球)
欧冠进球最多:索尔达多15球

瓦伦西亚西班牙国脚射手榜

36 – 比利亚（36/59）
7 – 席尔瓦、巴拉哈、西尔维斯特雷·伊格亚
6- 帕科（6/6）、索尔达多（6/7 另一个在热刺）、门迭塔（6/8 另外2个在拉齐奥）

西班牙

西班牙国家队第二年轻的进球球员，276天（2014年9月9日/1993年8月30日）。

成就达成：替补首秀、首发、首球、梅开二度。

西班牙射手榜

59球 -比利亚 97场
44球 -劳尔 102场
33球 -托雷斯 110场
29球 -耶罗 89场
27球 -莫伦特斯47场
26球 -布特拉格诺69场
23球 -迪斯蒂法诺31场
23球 -席尔瓦 94场
22球 -萨利纳斯56场
21球 -米歇尔66场
6球 -帕科

西甲射手榜

289球梅西
251球萨拉
235球 C罗
234球胡戈桑切斯
228球劳尔
227球迪斯蒂法诺
223球罗德里格斯
219球奎尼
210球帕西澳
195球埃德蒙多
11名比利亚 185球
15名埃托奥 172球
20名 147球鲁伊兹

阿杜里兹117球 218场。
内格雷多 110球 244+场
索尔达多 102球 209+场

帕科32球

进球对手&球场

球场

西班牙球场

梅斯塔利亚球场

莱万特 瓦伦西亚市政球场 14年9月9日国家队西班牙5：1马其顿

埃尔切 马丁内斯巴雷罗球场 2015年3月21日埃尔切0-4瓦伦西亚

皇马伯纳乌球场第一球 2015-5-10，抢点破门，皇马2：2瓦伦
马竞卡尔德隆球场第一球 2015-10-26 帕科点球马竞2：1瓦伦西亚
赫塔菲 阿方索·佩雷斯球场 2013年1月15日赫塔菲 2-2 格拉纳达

巴列卡诺 巴列卡斯球场 2013年1月8日巴列卡诺 3-1 赫塔菲

巴萨诺坎普球场第一球 2014-2-2 帕科进球巴萨2：3 瓦伦西亚

希洪莫利农球场 2015年09月13日希洪竞技 0 : 1 瓦伦西亚
何塞·索利亚球场 2013年4月13日巴拉多利德 2-1 赫塔菲
地中海运动场 2015年5月24日西甲最后一轮阿尔梅里亚2-3瓦伦西亚

伊巴市政球场 2014年12月21日西甲瓦伦西亚1比0埃尔瓦帕科进球
莱昂球场 2015年6月12日西班牙2–1哥斯达黎加
巴莱多斯球场 2015年11月7日西甲塞尔塔1：5瓦伦西亚
Las Gaunas球场 2015年10月9日西班牙4：0卢森堡

洛斯卡曼斯球场 2016年1月14日国王杯格拉纳达0：3瓦伦西亚

俱乐部

巴列卡诺6场5球 Rayo 6 5
巴塞尔 2场3球 FCB 2 3
库班克拉斯诺达尔 2场2球 Kuban 2 2
皇家贝蒂斯 2场2球 Betis 2 2
西班牙人 6场2球 Espany 6 2
艾瓦尔 2场2球 Eibar 4 5
格拉纳达 4球 GCF 5 2
PFK Lu 2 1
FCSG 2 1
巴塞罗那 Barça 3 1
巴拉多利德 Vallad 4 1
皇家马德里 RMCF 5 2
毕尔巴鄂竞技 Bilbao 4 1
拉科鲁尼亚 Depor 4 1
科尔多瓦 C CF 1 1
马拉加 Málaga 5 1
埃尔切 Elche 3 1
阿尔梅里亚 UDA 4 1
莱万特 3球
塞尔塔 2球
赫塔菲 Getafe 3 1
SDP 2 1
Gimnàs 2 1
希洪竞技2球
马德里竞技1球

大力神 1球

拉斯帕尔马斯 2球

未进球对手

塞维利亚
皇家社会
比利亚雷亚尔
之前的:
萨拉戈萨
马洛卡
奥萨苏纳

国家队

马其顿 x 1
斯洛伐克 x 1
卢森堡 x 3
哥斯达黎加 x1

友谊赛进球纪录：

12-13赛季

友谊赛首球：瓦伦西亚vs阿尔科亚诺

梅开二度：2012年8月6日瓦伦西亚vs印尼明星队

2011年8月21日柑橘杯 vs罗马

13年

瓦伦4-2巴拉多利德梅开二度快速反击中巴拉甘右路高速插上直塞帕科，帕科拿球抽射破门；上半时快要结束阶段，帕邦右路得球，横敲禁区，准确找到了帕科，帕科一脚推射破门，上半场将比分锁定在了3-1

2014友谊赛

2014-05-29旺角大球场西甲挑战赛三角赛

标准流浪1比3瓦伦西亚补时阶段，瓦伦西亚另一后备入替的阿尔卡塞尔在禁区外再射入一球“世界波”。

瓦伦西亚1比0比利亚雷亚尔 33分钟，瓦伦西亚有一次单刀机会，比利亚雷亚尔后备入替的加拉斯，拉跌瓦伦西亚的阿尔卡塞尔，领红兼输点球。阿尔卡塞尔亲自操刀射入点球。

利马联盟 2:2 瓦伦西亚帕科接戈麦斯助攻进球。

酋长杯：摩纳哥2-2瓦伦，抢点破门
柑橘杯：对米兰半场吊门1球。
2015年友谊赛

对埃因霍温1球。

2016年友谊赛

对阵阿尔阿赫利打入一球。

帕科国家队全记录

2026-08-27T06:38:59.200647+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-11-09. Original URL: https://pacoxu.wordpress.com/2015/11/09/%e5%b8%95%e7%a7%91%e5%9b%bd%e5%ae%b6%e9%98%9f%e5%85%a8%e8%ae%b0%e5%bd%95/

2014年

9月

2014年8月29日帕科首次入选西班牙国家队

友谊赛客场 0：1 法国 66分钟替补科斯塔出场

2014年9月9日 2016年欧洲杯预选赛帕科攻入国家队首球胡安弗兰小禁区右上角凌空垫传，帕科近距离射入空门。西班牙5比1战胜马其顿帕科超越法布雷加斯成为第二年轻的西班牙进球球员。上半场伤停补时第2分钟西班牙再入一球，阿尔卡塞尔头球摆渡，布斯克茨22米处右脚劲射，皮球打在后卫腿上发生变线偏转入网，3-1！主场 5：1 马其顿 57分钟被伊斯科替补换下。

10月

14年10月9日欧预赛客场 1：2 斯洛伐克 71分钟替补席尔瓦出场阿尔巴左路传中，帕科10码处右脚停球后抽射破门（左脚）

14年10月12日欧预赛客场 4：0 卢森堡首发打满全场席尔瓦禁区右侧横敲，帕科12码处劲射

11月

欧预赛主场 3：0 白俄罗斯首发打满全场

2015年

3月（落选）

6月

15年6月11日友谊赛主场 2：1 哥斯达黎加首发打满全场小法直塞，帕科12码处单刀推射入网

9月

欧预赛主场 2：0 斯洛伐克 75分钟替补科斯塔出场

欧预赛客场 1：0 马其顿 61分钟替补科斯塔出场

10月

2015年10月10日2:45分，欧洲杯预选赛C组第9轮，西班牙对阵卢森堡的比赛帕科33分钟替补莫拉塔出场，梅开二度。在2016年欧洲杯预选赛中，帕科累计打入5球，是队内射手王。主场 4：0 卢森堡。小法直塞禁区前沿；阿尔巴横传小禁区

欧预赛客场 1：0 乌克兰首发85分钟被布斯克斯替换下场

首次梅开二度：10月10日2:45分，欧洲杯预选赛C组第9轮，西班牙对阵卢森堡的比赛

11月

11月13日西班牙友谊赛对阵英格兰首发出场 74分钟被佩德罗换下。

皮克外围射门被卡里克挡出，伊涅斯塔战术角球传中，但帕科头球攻门高出。伊涅斯塔传球，帕科突入禁区右侧12码处低射远角稍稍偏出。帕科传球，迭戈-科斯塔禁区左侧射门被封堵，巴特拉小角度射门偏出近角。

11月18日比利时vs西班牙的友谊赛因为布鲁塞尔的安全问题被取消，跟巴黎爆恐时间相关，德国vs荷兰的比赛同样因为汉诺威的安全问题被取消。

2016年

3月

3月25日北京时间凌晨3时45分，一场国际足球热身赛，意大利坐镇乌迪内斯主场1-1战平西班牙，因西涅先拔头筹，35岁的毕尔巴鄂竞技队射手阿杜里斯攻入国家队处子球追平，贝纳德斯基、若日尼奥上演国家队首秀。意大利连续三场友谊赛不胜，西班牙结束此前7连胜。第86分钟帕科身披9号替补莫拉塔出场。

———————————————————————————————————————-

6个全部用脚，1个左脚，5个右脚。4个贴地球，另外两个也不高。

奴诺下课内给雷多德宝罗

2026-08-27T06:38:59.202577+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-11-30. Original URL: https://pacoxu.wordpress.com/2015/11/30/%e5%a5%b4%e8%af%ba%e4%b8%8b%e8%af%be-%e5%86%85%e7%bb%99%e9%9b%b7%e5%a4%9a-%e5%be%b7%e5%ae%9d%e7%bd%97/

［瓦伦本土射手］帕科 vs 比利亚 vs 索尔达多 vs 内格雷多

2026-08-27T06:38:59.203773+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2015-12-31. Original URL: https://pacoxu.wordpress.com/2015/12/31/%e5%b8%95%e7%a7%91-vs-%e6%af%94%e5%88%a9%e4%ba%9a-vs-%e7%b4%a2%e5%b0%94%e8%be%be%e5%a4%9a/

这里主要列瓦伦西亚效力的，西班牙优秀前锋。

比利亚 1981/12/03，远走美职联之后，停留在西甲185球。国家队98场59球。
帕科 1993/08/30，在23周岁前，西甲33球，国家队6球。
索尔达多 1985/05/27，索尔达多15/16赛季被本泽马超越，西甲108球射手榜现役第6。
内格雷多 1985/08/20，排在西甲现役射手榜第5，111球。
阿杜里斯在瓦伦期间，埃梅里崇尚4231，单箭头被索尔达多霸占，阿杜里斯虽然在索尔达多受伤期间把握住很多机会，并因抢眼头球入选国家队，然而阿杜里斯真正的巅峰还是回到毕尔巴鄂竞技之后，焕发第二春。截止2015/16赛季结束，西甲139球，现役第三，仅次于梅罗。
莫伦特斯退役了，这里没详细列举，生涯末期效力瓦伦3个赛季，西甲打入19球，一共33球。生涯西甲124球，算上杯赛和法甲英超的经历，打入208球，国家队47场27球。
米斯塔效力5个赛季144场西甲打入40球。整个生涯西甲打入六十几球，入选国家队，出战过中国队，不过没取得过国家队进球。

注：这里列了内格雷多，只是因为内格雷多现在效力瓦伦，而不是他在瓦伦历史有几分重要。

17、18岁-帕科>索尔达多>>内格雷多～比利亚

98-00 希洪竞技青年队
02-04 皇马B队西乙B 23球
02-04 巴列卡诺 17岁青年队 18岁B队西丙 14球
10-12 17岁国王杯首秀、18岁联赛3次出场欧青赛U19冠军两次。

19岁- 帕科>索尔达多>比利亚 >>内格雷多

00-01 希洪B队西乙B 13球第五希洪一队西乙出场1次
04-05 皇马B队西乙B 21球升级一线队国王杯2次出场。欧青赛U19冠军
04-05 巴列卡诺一线队西乙B 1球同时B队西丙 14球。
12-13 租借赫塔菲西甲3球1助攻，国王杯1球，24次出场。

20岁-帕科 >= 索尔达多>>比利亚 >>内格雷多

01-02 希洪西乙 18球国王杯2球二队1球
05-06 皇马西甲2球累计17次打入4球欧冠国王杯联赛都有进球，同时皇马B队西乙 19球铜靴。
05-06 皇马B队西乙4球
13-14 瓦伦西甲6球2助攻国王杯1球欧联杯7球1助攻总计14球3助攻

21岁- 帕科 >= 索尔达多》比利亚~内格雷多

02-03 希洪西乙 20球国王杯1球银靴
06-07 租借奥萨苏纳西甲11球国王杯1球联盟杯1球入选国家队出场2次
06-07 皇马B队西乙18球铜靴
14-15 瓦伦西甲11球5助攻射手榜19位国王杯3球1助攻 国家队4球1助攻总18球6助攻

22岁- 比利亚>帕科>内格雷多>>索尔达多

03-04 萨拉戈萨西甲 17球国王杯4球射手榜第7，国王杯冠军。
07-08 皇马西甲累计8场0球落选国家队。西甲冠军。
07-08 阿尔梅里亚西甲13球射手榜第14位
15-16 瓦伦西甲13球6助攻（射手榜16位），欧冠1助攻，国王杯2球1助攻，国家队2球。落选欧洲杯大名单。

23岁- 内格雷多 > 比利亚 >= 索尔达多 >帕科

04-05 萨拉戈萨西甲15球联盟杯3球入选国家队,首秀。
08-09 赫塔菲西甲13球射手榜第12位，赫塔菲17名勉强保级。
08-09 阿尔梅里亚西甲19球射手榜第6位
16-17 巴塞罗那西甲6球3助攻，欧冠1助攻，国王杯1球，友谊赛1球1助攻。

24岁- 比利亚>>索尔达多>内格雷多？帕科？

05-06 瓦伦西亚西甲25球银靴 本土最佳射手 国王杯2球托托杯1球国家队12场5球。西班牙最佳球员。
09-10 赫塔菲西甲16球射手榜第6位赫塔菲排名第6 国王杯4球
09-10 塞维利亚西甲11球国王杯2球欧战1球国王杯冠军 国家队首秀 2球
17-18

25岁-俱乐部三人相当索尔达多略强国家队比利亚>内格雷多>索尔达多？帕科？

06-07 瓦伦西亚西甲15球射手榜第6位 本土最佳射手助攻王 欧冠5球国家队7球
10-11 瓦伦西亚 西甲18球射手榜第5位国王杯1球欧冠6球
10-11 塞维利亚西甲20球射手榜第3位 本土最佳射手 国王杯5球国家队1球
18-19

26岁- 俱乐部三人相当索刀>=比利亚>=内格国家队比利亚>>索刀/内格？帕科？

07-08 瓦伦西亚西甲18球射手榜第5位国王杯1球冠军欧冠3球国家队6球欧洲杯冠军 欧洲杯金靴最佳阵容
11-12 瓦伦西亚西甲17球射手榜第6位 本土最佳射手 国王杯3球欧冠7球国家队3球
11-12 塞维利亚西甲14球射手榜第11位 欧洲杯冠军 国家队3球
19-20

27岁-俱乐部三人相当国家队比利亚>>索刀/内格？帕科？

08-09 瓦伦西亚西甲28球铜靴 本土最佳射手 国王杯2球联盟杯1球国家队13球联合会杯铜靴最佳阵容
12-13 瓦伦西亚西甲24球射手榜第5位国王杯2球欧冠4球国家队3球
12-13 塞维利亚西甲25球射手榜第4位 本土最佳射手 国王杯6球国家队3球
20-21

28岁-比利亚>>内格雷多>索尔达多？帕科？

09-10 瓦伦西亚西甲21球射手榜第4位 本土最佳射手 欧联杯7球国家队11球 世界杯冠军 世界杯银靴最佳阵容
13-14 热刺英超6球欧战5球国家队1球
13-14 曼城英超9球国内杯赛9球欧冠5球英超冠军联赛杯金靴冠军
21-22

29岁-比利亚>>内格雷多>索尔达多？帕科？

10-11 巴塞罗那 西甲18球冠军射手榜第5位国王杯1球欧冠4球冠军国家队5球
14-15 热刺英超1球1助攻国内杯赛2球3助攻欧战2球1助攻落选国家队
14-15 瓦伦西亚西甲5球国王杯1球
22-23

30岁-比利亚>索尔达多>内格雷多？？帕科？

11-12 巴塞罗那西甲5球国王杯1球冠军欧冠3球国家队4球 欧洲杯冠军 俱乐部被巴萨锋线压缩
15-16 比利亚雷亚尔西甲5球10助攻（助攻榜第七）国王杯1球欧联杯2球3助攻退居助攻手，辅助巴坎布，抢到欧冠资格。
15-16 瓦伦西亚西甲5球2助攻国王杯5球欧冠资格赛1球欧联杯1球闹翻努诺，累及内维尔。
23-24

31岁-比利亚？索尔达多/内格雷多？？帕科？

12-13 巴塞罗那西甲10球冠军国王杯5球欧冠1球国家队5球
16-17 比利亚雷亚尔季前赛受伤半年，复出西甲4球3助攻。
16-17 米德尔斯堡联赛9球4助攻，足总杯1球1助攻进入降级区。
24-25

32岁-比利亚？索尔达多/内格雷多？帕科？

13-14 马竞西甲13球冠军国王杯2球欧冠亚军国家队3球
17-18
17-18
25-26

33岁-比利亚？索尔达多/内格雷多？帕科？

14-15 纽约城美职18球5助攻澳超墨尔本城2球
18-19
18-19
26-27

34岁-比利亚？索尔达多/内格雷多？帕科？

15-16 纽约城美职23球4助攻美职联季后赛八强，常规赛东区第二。
19-20
19-20
27-28

35岁-比利亚？索尔达多/内格雷多？帕科？

16-17 纽约城美职8球2助攻。
20-21
20-21
28-29

排名	国籍	球员	年份	进球数	出场次数	进球率
历史10		埃德蒙多苏亚雷斯	1939–1950	195	231	0.84
历史12		比利亚	2003–2014	185	352	0.53
现役3		阿杜里斯	2002–	139	366	0.37
现役4	法国	本泽马	2002–	119	237	0.5+
现役5		内格雷多	2007–	112	260	0.43
现役6		索尔达多	2005–	109	24x	0.45

注：历史第30名为132球。

bye to first job @EMC

2026-08-27T06:38:59.207188+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-04-18. Original URL: https://pacoxu.wordpress.com/2016/04/18/bye-to-first-job/

@xPlore Team

bye friends

bye to my first job

2012-02-27 Work as an intern
2013-07-08 Work as software engineer
2015-07-01 Work as SE
2016-04-15 Last day at EMC

Thanks for all your help in my job, my career and my life.

Life is about exploring the moments that matter. Moments that no one can take away from you, that will stay with you forever.
Maybe it’s time to leave and discover what you always wanted to achieve, find the places you always dreamt of, but only vaguely imagined experiencing.
Perhaps you need to challenge yourself; realize who you are and embrace who you are becoming.
Perhaps you just have to get lost to find yourself.
There is something out there that will define you!

全切换

2026-08-27T06:38:59.209194+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-04-24. Original URL: https://pacoxu.wordpress.com/2016/04/24/%e5%85%a8%e5%88%87%e6%8d%a2/

Java －> Python

Windows -> Mac & Linux(Ubuntu, Centos, Suse?)

很多东西都使用过，但都不熟悉，很多还需要更深入学习，大部分仅仅是概念上的切换，甚至只是界面和配置方法的切换，有些则需要更多时间研究学习。

开发者，通常使用的不过是开发语言，框架，开发IDE，构建方式，代码管理工具和提交流程，自动化构建和测试平台，运行平台，界面运行浏览器。

之前更多的是Java开发，用Ant/Maven/Gradle进行构件，Eclipse或者Idea开发，Perforce和Git进行版本控制，TeamCity进行自动化测试构件，REST开发，Schema定义以及UI debug倒是没有太大区别，不过界面JQuery或者GWT可能都太基础，Servlet和Spring也很常见，除了java自身的基础类库，第三方类库则集中在apache common的各种类库，搜索的话就是lucene和elasticsearch，而文档管理方面各种分词库，tika内容提取等等文本处理相关，jaxb、log4j、json相关的项目常用类库，当然还有很多，例如xml处理等等。日常效率和bug工具，Jira/Version1/Workflowy/wiki page/trello等等。

现在的话，主要开发语言是Python，正在开始逐渐熟悉Flask，Gevent等。IDE推荐的主要是Eclipse＋python plugin，另外PyCharm也在用起来，Git管理代码git flow跟之前perforce的流程也继续相似。Jenkins取代了Teamcity用法也很相似，很多也几乎一样的。Angular JS之前跟Hao学了一些，没开发过什么，只能说知皮毛而已。REST API基于Flask实现。Teambition跟Trello类似，还在继续Wikiflowy管理TODO，没有wiki就开始写blog算了，Version1和Jira似乎跟着Git的tag和提交方式也基本被覆盖其中了。Docker跟其他的连接则需要更多的相关领域的知识学习了，下面学习的重点可能是Docker周边、Linux周边的各种。先写到这里，去看书了。

帕科vs莫拉塔

2026-08-27T06:38:59.210556+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-05-21. Original URL: https://pacoxu.wordpress.com/2016/05/21/%e5%b8%95%e7%a7%91vs%e8%8e%ab%e6%8b%89%e5%a1%94-%e4%bb%a5%e5%8f%8a%e8%90%a8%e4%b9%8c%e5%b0%94%e7%ad%89/

未来西班牙锋线搭档

莫拉塔 23 October 1992 (age 24)
帕科 30 August 1993 (age 23)

17、18岁-首秀时间接近，西班牙青年队表现差不多

10-12 17岁国王杯首秀、18岁联赛3次出场欧青赛U19冠军两次。
09-11 18岁联赛国王杯首秀，西甲亚军，国王杯冠军。同年皇马二队，西乙B赛季15球，铜靴。欧青赛U19冠军和金靴。之前U17世界杯季军。

19岁- 莫拉塔西乙刷经验，帕科西甲混经验

12-13 租借赫塔菲西甲3球1助攻，国王杯1球，24次出场。
11-12 一队西甲出场1次西甲冠军，西班牙超级杯冠军，皇马二队西乙B冠军升级，18球

20岁-帕科欧联杯发威，莫拉塔一队开始露头

13-14 瓦伦西甲6球2助攻国王杯1球欧联杯7球1助攻总计14球3助攻
12-13 皇马西甲2球，欧冠首秀，共出场15次，西甲第三，国王杯冠军。二队西乙12球球队排名第八。西班牙U21欧青赛冠军和金靴

21岁- 帕科稳定发挥进国家队，莫拉塔一线队替补赛季

14-15 瓦伦西甲11球5助攻射手榜19位国王杯3球1助攻 国家队4球1助攻总18球6助攻
13-14 皇马西甲8球欧冠首球，西甲亚军，国王杯冠军，欧冠冠军。

22岁- 莫拉塔在尤文新生闪亮欧冠，帕科欧冠0表现联赛没突破（内维尔菜鸟教练）

15-16 瓦伦西甲13球6助攻（射手榜16位），欧冠1助攻，国王杯2球1助攻，国家队2球。落选欧洲杯大名单（欧预赛5球队内最佳射手，决赛圈未参加）。
14-15 尤文意甲8球，意杯2球，欧冠5球，欧冠亚军，意甲冠军，意大利杯冠军。欧冠最佳阵容。国家队首秀至今8场1球。

23岁－莫拉塔欧冠大场面先生、欧洲杯3球止步16强，帕科待续

16-17 巴塞罗那 7进球3助攻。西甲6球2助攻。欧冠1助攻，国王杯1进球。
15-16 尤文意甲7球，意杯2球，欧冠2球（欧冠表现出色）。意甲冠军。欧洲杯前友谊赛2球，欧洲杯小组赛3球，欧洲杯16强出局。（国家队近5场5球，友谊赛2球韩国，欧洲杯小组赛3球对土耳其梅开二度，对克罗地亚打入一球。）

24岁－莫拉塔

17-18 巴塞罗那
16-17 皇马欧洲超级杯冠军、世俱杯冠军。西甲15球4助攻，欧冠3球1助攻，国王杯2球。国家队2球。

冠军被碾压，瓦伦西亚何时醒醒？22岁小将能否继续闪光，对战二队帕科梅开二度、和友谊赛战德国低级别球队帕科首开纪录并制造乌龙。

15-16赛季看不到头的赛季剧终！！

2026-08-27T06:38:59.212248+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-05-26. Original URL: https://pacoxu.wordpress.com/2016/05/26/15-16%e8%b5%9b%e5%ad%a3-%e7%9c%8b%e4%b8%8d%e5%88%b0%e5%a4%b4%e7%9a%84%e8%b5%9b%e5%ad%a3-%e5%89%a7%e7%bb%88%ef%bc%81%ef%bc%81/

15-16赛季 ‘内奸’努诺下课 ‘扫地僧’沃罗救火 ‘菜鸟’内维尔继任 ‘光头强’阿耶斯塔兰

落选欧洲杯国家队大名单

友谊赛状态一般，在对阵埃因霍温的比赛有一球入账。

国家队

由于赛季末个月球荒，帕科失去了第一次大赛的机会，没能入选2016欧洲杯大名单。

2015-16 联赛13球6助攻，欧冠1助攻，国王杯2球1助攻，国家队2球，累计15球8助攻。

西甲3轮希洪竞技 0：1 瓦伦西亚绝杀 90分钟巴卡里传中，小禁区内头球顶入空门。

欧冠小组赛第3轮瓦伦西亚2：1根克。第15分钟，砍赛罗传中，帕科垫了一下，费古利跟上打门，打在对方后卫身上，但还是进了。(助攻)

西甲12轮瓦伦西亚1：1拉斯帕尔马斯第8分钟安德烈戈麦斯突破下底禁区内底线横传门前，帕科推射空门得手首开纪录。

国王杯第一回合巴拉卡尔多1：3瓦伦西亚 46分钟替补米尔出场给加亚送上助攻，反超比分，2：1。(助攻)

西甲14轮瓦伦西亚1：1巴塞罗那第86分钟，巴伦西亚后场起球，帕科胸部停球后做球，米纳跟上直接劲射破门，巴伦西亚1-1巴萨！（助攻）

—-2015|2016—-

西甲18轮瓦伦西亚2:2皇家马德里 83分钟,德保罗左路45度起球，罗德里戈头球摆渡，帕科头球接力将球顶进，巴伦西亚2-2皇马！

国王杯8进4首回合瓦伦西亚1：1拉斯帕尔马斯第61分钟，帕科-阿尔卡塞尔接帕雷霍分球，禁区外一脚低射扳平比分，1-1。

西甲35轮赫塔费2:2瓦伦西亚帕科84分钟接内格雷多横传球推射破门。

瓦伦西亚近期射手榜（大约2000年之后，不含如今在队内的）

42– 帕科西甲联赛 29球，欧联杯7球，国王杯6球。累计39球。

41- 巴拉哈41球 11个赛季

埃梅里前传：西班牙两级跳，“西甲”三连冠，欧联三连冠

2026-08-27T06:38:59.214638+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-07-05. Original URL: https://pacoxu.wordpress.com/2016/07/05/%e5%9f%83%e6%a2%85%e9%87%8c%e5%89%8d%e4%bc%a0%ef%bc%9a%e8%a5%bf%e7%8f%ad%e7%89%99%e4%b8%a4%e7%ba%a7%e8%b7%b3%ef%bc%8c%e8%a5%bf%e7%94%b2%e4%b8%89%e8%bf%9e%e5%86%a0%ef%bc%8c%e6%ac%a7/

平凡的职业生涯

埃梅里出生在一个有足球传统的家庭，爷爷安东尼奥是名门将，19世纪18-27年效力于巴斯克地区的皇家联邦，夺得了2次西班牙杯冠军（也就是前国王杯，埃梅里自传里写的是3次，不过资料显示这段时间该队只获得了2次，秉着低调淡定的态度，就当2次吧）。他的父亲胡安继承父业，同样为皇家联邦效力过，不过也同样在Alaves、希洪竞技、格拉纳达、维尔瓦等球队。

不过埃梅里并不喜欢做门将，他更喜欢用自己的左脚去触球。1990年埃梅里在皇家社会开始了自己职业生涯，后来经过几次伤病和多次转会，进球不多。记得在fm上看到过他的数据。

03年转会到洛尔卡体育，这次看似平淡的转会，却在无形间造就了一段传奇。2004年夏天，球队很差的表现导致教练下课，伤病中的埃梅里结果教鞭。在圣诞埃梅里开始自己的教练生涯。首场比赛3:0战胜Ecija，在接下来的比赛中虽然0:4被Arenas血洗，不过接着一个三连胜，让刚刚上任的埃梅里找到了点状态，在赛季最后七场取得了六胜一负的骄人战绩。凭借优异的表现，带领洛尔卡体育在第一个赛季就升入西乙。处子赛季的国王杯比较悲剧，他上任后，在八分之一决赛中碰上了马德里竞技，结果主场1:3，客场0:2最终被1:5的总比分淘汰出局。

初出茅庐－洛尔卡体育升入西乙

第一年的成功给了少帅很大的自信，在西乙洛尔卡体育表现出一副初生牛犊不怕虎的气势。可惜运气不佳，落后第三名莱万特只有5分，当时的西班牙乙级联赛还没有3-6名升级附加赛，第三直接升级。未能升级的洛卡Lorca体育，19胜12平11负的战绩让西乙的小哥们刮目相看。洛尔卡体育是西班牙穆尔西亚大区的一支球队，徐根宝去年加入了的洛尔卡俱乐部应该是同一个小城的球队。洛尔卡体育已经在12年解散了。

步步为营，带领阿尔梅里亚，杀入顶级联赛

正是在洛尔卡的成功，埃梅里被西乙里实力更加扎实的阿尔梅里亚看上，埃梅里也深知带领洛尔卡升级的难度，西乙第五名的成绩是几乎达到了这支小俱乐部的极限。这个夏天，埃梅里入主阿尔梅里亚，开局三连败并没有击垮倔强的巴斯克人，之后阿尔梅里亚逐渐找回状态，知道下半程开始，连续的12场不败，带领阿尔梅里亚提前多轮就获得了升级资格。

另外值得说道的是，埃梅里确实是个知恩图报的善人，上半程主场4:0战胜了老东家洛尔卡体育，但是在确定升级后，对阵深陷降级区的洛尔卡队，埃梅里三分相送，可是还是没能把自己亲手带到乙级的洛尔卡留在乙级，最终洛尔卡倒数第三降级。

不得不说这赛季的结果得益于主场的优秀表现。

西甲初体验

2007赛季，终于来到西班牙最高级别联赛的埃梅里的兴奋性彻底被调动起来，自信的呼吸着西甲赛程美妙的空气。上半程还算稳定，不过被皇马、巴萨、瓦伦西亚欺负了一次。埃梅里可谓卧薪尝胆，低调学习，准备发威。下半程埃梅里彻底爆发，4连胜，西班牙人、拉科鲁尼亚、瓦伦西亚、皇家马德里纷纷被他挑落马下，之后巴萨在阿尔梅里亚主场也只是带走一分。升班马让人着实惊了身冷汗。联赛第九的排名让阿尔梅里亚非常满意，不过这样的成绩并不能让挑剔而完美主义的埃梅里满意。

瓦伦西亚这个赛季经历了动荡，弗洛雷斯赛季初跟俱乐部高层的矛盾在赛季初期爆发而下课。之后科曼入主梅斯塔利亚，他与俱乐部内部的老球员们产生很多矛盾，安古洛、卡尼萨雷斯、阿尔贝尔达被处理，这也导致队长阿尔贝尔达错过了08年欧洲杯。瓦伦一度十几轮不胜，堪比本赛季内维尔的菜鸟表现。不过科曼发掘了马塔，他走后，俱乐部领队沃罗连胜带领球队提前2轮保级，科曼唯一的成就也许就是瓦伦近十年唯一一个冠军西班牙国王杯。赛季后，瓦伦重新选帅，年轻的升班马教练惊艳的赛季让瓦伦高层眼前一亮。

梅斯塔利亚

2008赛季，埃梅里成为了梅斯塔利亚的主人，瓦伦西亚的生涯还是有很多资料可以查到的。作为瓦伦球迷，之前还偶尔在埃梅里吧记录一些东西，不过更多的还是记在瓦伦西亚吧。

第一个赛季比利亚、马塔是前两位射手，巴（帕）勃罗赫尔南德斯从赫塔费回归球队，前场小四只表现很好。亚席塔帕。当然华金、维森特还在，巴勃罗还没太多机会。瓦伦的欧联杯止步32强，淘汰赛客场净胜球劣势被基辅迪纳摩淘汰，这也是埃梅里的第一次欧战经历。

西甲三连冠

之前在瓦伦开的专贴： http://tieba.baidu.com/p/1747567828?pid=22282825378&cid=0#22282825378
在瓦伦西亚这段时间不用太多介绍了，说一些更感性的认识和细节吧。
【告别赛】埃梅里的瓦伦西亚告别赛对手正是他亮相西甲时代表的球队：1995-96赛季，他为皇家社会出战5次，打进1球，当时的对手是阿尔巴塞特。

【非官方】据不完全统计埃梅里是瓦伦西亚历史上在教练席为瓦伦西亚运动量最大的主教练。

【盈利】埃梅里帮瓦伦还债，具体数字不好统计

【青训贡献】将阿尔巴培养成西班牙国脚，在任期间，索尔达多、阿杜里兹、巴勃罗进入过西班牙国家队。贝尔纳特、帕科还在上位路上。

【青训悲剧】伊斯科出走。

埃梅里的优缺点：
1、我是埃梅里粉，但我很客观。
2、埃梅里离开瓦伦，最关键的因素不是带队成绩差。
3、埃梅里弱点一：输强队，妥妥的。这件事情，0：n常有的，溃败之王了。
4、埃梅里弱点二：适应能力不强，通常第一个赛季打酱油，第二个赛季发挥更好。
5、埃梅里弱点三：球队状态出的早，前期英雄，后期很耸。
6、埃梅里弱点四：临场指挥，过分激动，球员定不住，赛前布置还行，临场指挥一般。
7、埃梅里弱点五：欢迎补充。
8、埃梅里优势一：能赢得比赛，拿分率比较高。
9、埃梅里优势二：赛季初表现生猛，准备工作做得好，各种假期回来，状态调的比较快。
10、埃梅里优势三：战术单调，有致命武器，前期的四小天鹅，后期左路神组合。
11、埃梅里优势四：任劳任怨，博客一直在更新，还出了本书，不是学院里出来的，但感觉很低调，很勤奋。
12、埃梅里优势五：和气生财，4年这么久，也很少和球员矛盾，米格尔、里卡多、帕雷霍、多明戈斯算是有些矛盾，但也没影响到球队。
13、埃梅里优势六：形象不好，抹点发胶，个子不高，穿个高跟皮鞋。没名气，就在场边跳舞，拨人眼球，也算是无所不用其极。
14、埃梅里优势七：无需补充，就这么多，他知足了。

失败的俄罗斯之旅

俄超莫斯科斯巴达的失败之旅，壮志未酬，瓦伦优秀球员不断流失，埃梅里离开西班牙，远赴俄超追逐梦想。只是他的足球理念并没有得到足够的耐心，半个赛季左右就下课了。当时追过一段时间俄超，也只能找到一些集锦而已，看俄罗斯大个子们打细腻配合实在别扭。

不过俄罗斯的经历也许也让埃梅里更强硬，足球风格华丽激情的同时更加多了几分硬气和厚度。

欧联三连冠

2015-16赛季超级杯遗憾落败联赛开局惨淡欧冠小组出局欧联杯三连冠国王杯遗憾亚军

欧洲超级杯面对巴塞罗那，巴内加3分钟闪电破门，万万没想到的是巴萨连入4球，52分钟4:1领先塞维利亚，就在都觉得塞维利亚没有取胜机会的时候，塞维利亚的加梅罗、雷耶斯、科诺普里安卡帮助球队在90分钟扳平了比赛，硬生生将比赛拖入加时赛。然而加时赛体力出现问题的塞维利亚被佩德罗抓住一次机会。

联赛开局不利，最终排名第七。不过联赛主场2:1战胜巴萨，3:2皇马。

欧冠凭借上赛季欧联杯冠军直接晋级，结果分到四大联赛球队组成的死亡之组，面对曼城、尤文、门兴。小组赛第一轮3球大胜门兴，然而之后小组赛四连败出局，最后一轮1:0力克尤文图斯拿到了欧联杯淘汰赛资格。

欧联杯从淘汰赛开始，淘汰了挪超莫尔德、瑞超巴塞尔、同联赛的毕尔巴鄂竞技、乌超顿涅斯克矿工，决赛更是战胜了克洛普带领的利物浦。

国王杯，塞维利亚一路淘汰了UD Logroñés、皇家贝蒂斯、米兰德斯、维戈塞尔塔，决赛面对巴萨罗那，常规90分钟战成0:0平，加时赛阿尔巴进球，内马尔加时赛补时锁定胜局，最终拿到亚军。

入主大巴黎，巴黎圣日耳曼

埃梅里的儿子之前在瓦伦梯队，这次才刚刚从瓦伦青训前往法国。位置门将，算是祖业。印象里拿过一个什么冠军还是亚军。

上任后国际冠军杯全胜，法超杯4:1战胜里昂拿到第一个冠军。

西班牙新主帅：洛佩特吉

2026-08-27T06:38:59.218303+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-07-22. Original URL: https://pacoxu.wordpress.com/2016/07/22/%e8%a5%bf%e7%8f%ad%e7%89%99%e6%96%b0%e4%b8%bb%e5%b8%85%ef%bc%9a/

西班牙足协宣布任命尤仑-洛佩特吉（Julen Lopetegui ）为国家队新任主帅。先后执教西班牙青年队、波尔图。在2012年带领西班牙U19拿下欧青赛冠军，当时帕科替补前锋，在小组赛和半决赛各入一球，而当时的头号射手是皇马的赫塞，德乌洛费乌也是当时的主力。决赛西班牙阵容（433）：1-阿里萨巴拉加/4-拉马略、12-乔尼、5-奥塞德、3-格里马尔多/16-奥利弗、8-苏索（71’18-苏亚雷斯）、6-坎帕纳/9-阿尔卡塞尔、10-赫塞-罗德里格斯（91’11-贝纳特）、17-德乌罗费乌（84’7-胡安米）。

2013年带领西班牙U21夺得欧青赛U21冠军。当时锋线是莫拉塔和罗德里格，中场有伊斯科、科克、蒂亚戈、伊利亚拉门迪，门将是德赫亚，后防线拥有蒙托亚、巴尔特拉、利物浦后卫莫雷诺，伊尼戈。

之后执教波尔图，成绩还可以。

2016/17赛季三千万转会巴萨 28次出场8球4助攻，仅首发11次。

2026-08-27T06:38:59.219598+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-07-22. Original URL: https://pacoxu.wordpress.com/2016/07/22/201617%e8%b5%9b%e5%ad%a3/

赛季集锦

国家队

入选2016年9月西班牙国家集训队，身披9号球衣。1场比赛，替补未出场。

落选2016年10月西班牙国家队集训。2场欧预赛错过。

落选2016年11月西班牙国家队集训。1场欧预赛错过。

落选2017年3月西班牙国家队集训。1场欧预赛错过。1场友谊赛。

落选2017年6月西班牙国家队集训。

俱乐部

季前赛 1球1助攻

队内训练赛5:0二队，帕科梅开二度。
友谊赛4:2明特斯布鲁日，帕科首开纪录并制造乌龙球。罗德里格传射，小将阿里代Aridal进球，索莱尔、米尔中门框。
友谊赛伯恩茅斯1:1瓦伦西亚，长传找到帕科，帕科不停球直接回做恩佐佩雷斯，恩佐佩雷斯晃开对手远射扳平比分。
柑橘杯越位进球被吹。

瓦伦西亚 1场1横梁1看台

西甲马上开始，帕科遭遇巴萨和林老板的出卖，谣言四起，转会费被传到3000万左右。最终俱乐部总经理、转会总监和主教练都表示不会卖掉帕科。

第一轮主场2:4拉斯帕尔马斯，米纳梅开二度，比埃拉点射破旧主。瑞恩4次被射正丢3球，还丢掉点球。维左、帕雷霍送上助攻。帕科表现较差。2:3落后期间，帕科禁区外远射击中了横梁。

第二轮未进入大名单。但是入选了西班牙国家队。

巴塞罗那 8球4助攻（友谊赛1球1助攻）

8月30日3000万欧冠转会巴塞罗那，身披17号球衣。

预测：简单看了上半程巴萨的赛程，有机会首发的比赛如下8场比赛，A越多可能性越大。其他比赛相对概率小一些。最终加上下半程的几场比赛也只首发了7次，做了二十多次冷板凳，替补出场10次。

9月11日	巴萨 – 阿拉维斯	首发出场65分钟，半场隐身，下半场一次抢点小角度射门打偏。	（预计替补［国际比赛日］）
9月14日	巴塞罗那—凯尔特人	替补未出场	–
9月18日	莱加内斯 – 巴萨	65分钟替补出场，越位进球被吹。	AAA双赛后的联赛可能首发
9月21日	巴萨 – 马竞	替补未出场	［梅西受伤3周］
9月25日	希洪竞技 – 巴萨	72分钟替补出场，抢点射门被扑了一下，击中立柱，内马尔得球破门得分。之后比较活跃，多次前场拿球，间接助攻内马尔。	AA欧冠前的联赛
9月29日	门兴格拉德巴赫—巴塞罗那	首发出场52分钟，1次补射被后卫挡出。
10月2日	塞尔塔 – 巴萨	81分钟替补出场。
10月16日	巴萨 – 拉科鲁尼亚	半场替补换下苏亚雷斯，浪费三次绝佳机会。第一次是梅西传中，头球攻门被门将下地挡出；之后皮克反越位横传空门的帕科，帕科打门太正被门将封出；最后阶段图兰底线横敲，帕科后点铲射被后卫干扰偏出。之前还有一次挑传，帕科反越位试图铲射没有碰到皮球。	AA欧冠前的联赛出镜率很高但是没把握住机会。
10月20日	巴塞罗那—曼城	替补未出场
10月23日	瓦伦西亚 – 巴萨	替补未出场	（只用了2个换人名额，帕科在替补席被砸，不过并没有回击球迷，直接坐下。）
10月30日	巴萨 – 格拉纳达	83分钟替补。	AA欧冠前的联赛
11月2日	曼城—巴塞罗那	替补未出场
11月6日	塞维利亚 – 巴萨	替补未出场
11月20日	巴萨 – 马拉加	首发打满全场，有30分钟零触球。
11月24日	凯尔特人—巴塞罗那	替补未出场
11月27日	皇家社会 – 巴萨	替补未出场
11月30日	大力神-巴萨	首发打满全场	AAAA 德比前国王杯的轮换
12月4日	巴萨 – 皇马	替补未出场	[内马尔停赛两场]
12月7日	巴塞罗那-门兴	首发打满全场，最后阶段助攻图兰帽子戏法.	AAA 出线后的话应该又机会 ##欧冠助攻首次##
12月11日	奥萨苏纳 – 巴萨	替补未出场
12月14日	巴萨5-3吉达阿赫利（友谊赛）	33分钟替补出场，第55分钟，帕科打进代表巴萨的处子球。来自拉基蒂奇的右路传中，帕科门前头球攻门球进，1-4！第58分钟，巴萨再下一城。拉菲尼亚前场与帕科做配合后禁区内晃过门将推射空门得手，1-5！助攻	##友谊赛首球## ##友谊赛首助攻##
12月18日	巴萨 – 西班牙人	替补未出场
12月21日	巴萨7:0大力神（国王杯）	首发打入在巴萨的第一个进球。	AAA 国王杯的轮换 ##国王杯首球##
1月6日	毕巴2:1巴萨（国王杯）	88分钟替补乌姆蒂蒂出场。
1月9日	潜水艇1：1巴萨	替补未出场
1月12日	巴萨3:1毕巴	替补未出场
1月14日	巴萨5:0拉帕	68分钟替补苏亚雷斯出场，80分钟助攻阿莱斯比达尔得分。	##联赛助攻首次##
1月20日	皇家社会0:1巴萨（国王杯）	替补未出场
1月23日	埃瓦尔0:4巴萨	76分钟替补苏亚雷斯出场
1月27日	巴萨5:2皇家社会（国王杯）	替补未出场
1月29日	皇家贝蒂斯1:1巴萨	替补未出场
2月2日	马竞1:2巴萨（国王杯）	替补未出场
2月4日	巴萨3:0毕巴	首发出场，18分钟打入巴塞罗那西甲联赛首粒进球，内马尔突入小禁区横传，帕科前点抢射破门。打满全场	##联赛首球##
2月8日	巴萨1:1马竞（国王杯）	替补未出场
2月11日	巴萨6:0阿拉维斯	替补未出场
2月15日	巴黎圣日尔曼PSG 4:0 巴萨（欧冠）	替补未出场
2月20日	巴萨2:1莱加内斯	替补未出场
2月26日	马竞1:2巴萨	替补未出场
3月2日	巴萨6:1希洪竞技	帕科46分钟替补出场，梅西前场反抢成功突入禁区横敲，帕科推射破门。西甲巴萨第二球。	##联赛第二球##
3月5日	巴萨5:0塞尔塔	替补未出场
3月9日	巴萨6:1巴黎圣日耳曼PSG（欧冠）	替补未出场
3月12日	拉科鲁尼亚2:1巴萨	77分钟替补丹尼斯苏亚雷斯出场。
3月20日	巴萨 4:2 瓦伦西亚	替补未出场
4月3日	格拉纳达 1:4 巴萨	17分钟替补受伤的拉菲尼亚出场。64分钟接苏亚雷斯挑传反越位单刀推射破门。终场前。90分钟，接苏牙挑传后，横扫后门柱内马尔推射破门。	##联赛第三球## ##联赛第二次助攻##
4月6日	巴萨 3:0 塞维利亚	65分钟替补出场
4月9日	马拉加 2:0 巴萨	61分钟替补出场
4月12日	尤文图斯 3:0 巴萨	替补未出场
4月16日	巴萨 3:2 皇家社会	首发，44分钟接梅西横传推射破门。79分钟被丹尼斯苏亚雷斯替补下场。	##联赛第4球##
4月20日	巴萨 0：0 尤文图斯	58分钟替补出场。
4月24日	皇家马德里 2:3 巴萨	首发，70分钟被戈麦斯换下。
4月27日	巴萨 7:1 奥萨苏纳	首发打满全场。帕科前场禁区右侧铲射破门，5:1。德尼斯-苏亚雷斯中场送出直塞球，帕科反越位成功过掉门将后推射空门得手，7-1！	##联赛第5、6球## 第一次梅开二度
4月30日	西班牙人0:3巴萨	替补未出场
5月 7日	巴萨4:1比利亚雷亚尔	替补未出场
5月 14日	拉帕1:4巴萨	替补出场12分钟
5月 21日	巴萨4:2埃瓦尔	替补出场20分钟，角球前点后蹭，助攻苏亚雷斯进球	##联赛第三次助攻##
5月 28日	巴萨阿拉维斯（国王杯决赛）	首发出场，上半场补时接梅西传球反越位破门。	##国王杯第2球## 决赛进球，第一个俱乐部奖杯。

友谊赛处子球，北京时间2016年12月14日凌晨0:00，一场俱乐部友谊赛，由巴塞罗那挑战吉达阿赫利。第55分钟，帕科打进代表巴萨的处子球。来自拉基蒂奇的右路传中，帕科门前头球攻门球进，1-4！第58分钟，巴萨再下一城。拉菲尼亚前场与帕科做配合后禁区内晃过门将推射空门得手，1-5！

北京时间2016年12月22日凌晨5:00，国王杯1/16决赛次回合的比赛，由巴塞罗那主场迎战大力神。第73分钟，帕科终于取得进球。图兰禁区前分球右路，拉菲尼亚起球传中，球被防守球员挡了一下后由帕科门前头球破门，5-0！第86分钟，图兰完成梅开二度。阿莱士-比达尔右路传中，帕科近距离的头球攻门被门将神勇挡出，阿尔达-图兰后点补射得手，6-0！

北京时间2017年2月4日23:15，西甲第21轮在诺坎普球场进行一场较量，巴塞罗那队主场对阵毕尔巴鄂竞技队。第18分钟，阿莱士-比达尔将球长传到左路，内马尔带球突入禁区后回传门前，帕科左脚打门，球直入网窝，巴萨1-0！

北京时间2017年3月2日凌晨2:30，西甲第25轮的一场比赛，由巴塞罗那主场迎战希洪竞技。下半场第50分钟，巴萨再下一城。梅西前场反抢成功后禁区内横传，下半场替补上场的帕科跟上推射球门右侧得手，4-1！

北京时间2017年4月3日凌晨2:45，西甲第29轮在卡梅内斯球场进行一场较量，巴塞罗那队客场对阵格拉纳达队。第17分钟，拉菲尼亚无法坚持比赛，帕科披挂上阵。第27分钟，苏亚雷斯右脚劲射被奥乔亚化解，帕科得球后送出斜传，苏亚雷斯晃开角度后右脚打门，奥乔亚倒地将球扑出底线。第64分钟，苏亚雷斯送出挑传，帕科插上获得单刀机会，面对奥乔亚轻松将球打进，巴萨2-1！

补时阶段第91分钟，苏亚雷斯分球，帕科将球横传，内马尔门前包抄轻松将球打进，巴萨4-1！

北京时间2017年4月16日凌晨2:45，西甲第32轮的一场比赛，由巴塞罗那主场迎战皇家社会。

苏亚雷斯禁区左侧位置接帕科的后脚跟做球，小角度的打门被门将挡出，随后梅西门前轻松补射破门，2-0！45分钟，巴萨再次扩大比分。梅西禁区前分球左路，帕科领球小角度推射远角得手，3-1！

北京时间2017年4月27日凌晨1:30，西甲第34轮的一场比赛，由巴塞罗那主场迎战奥萨苏纳。

第64分钟，帕科取得进球。来自马斯切拉诺接到前场的挑传横敲，帕科前场禁区右侧铲射破门，5-1！

第87分钟，帕科也完成梅开二度。德尼斯-苏亚雷斯中场送出直塞球，帕科反越位成功过掉门将后推射空门得手，7-1！

北京时间2017年5月22日凌晨2:00，西甲第38轮收官战，替换拉基蒂奇出场，第74分钟，巴萨扳平比分。来自前场左路角球机会，帕科前点头球一蹭，后点苏亚雷斯将球挡进球门，2-2！

北京时间5月28日凌晨3:30，西班牙国王杯决赛在卡尔德隆球场展开争夺，由巴塞罗那对阵阿拉维斯。

上半场补时阶段，巴萨扩大领先优势！梅西右路拿球切入禁区后送出巧妙直塞，帕科插上得球禁区右侧打远角得手！巴萨3-1阿拉维斯！

2016/17赛季技术统计

赛事	出场	时间	进球	助攻	关键传球	射门	射正	犯规	被犯	越位	抢断	解围	黄牌	红牌	两黄	扑救
西甲	20	863	6	3	12	25	15	9	7	5	5	3	1	0	0	0

PERFORMANCE DATA 16/17

比赛		出场次数	进球	助攻	时间／球	时间
Total 16/17:		28	8	4	174	1.385
	LaLiga	21	6	3	156	937
	Champions League	3	–	1	–	176
	Copa del Rey	4	2	–	136	272

2016赛季

首先是射手榜，梅西54球、苏亚雷斯37球，内马尔20球，图兰13球，拉基蒂奇8球，拉菲尼亚7球，帕科8球。［下图是决赛前，决赛梅西传射，内马尔传射，戈麦斯助攻，帕科进球］

然后助攻榜，内马尔26次，苏牙20次，梅西19次，图兰7次、帕科4助攻。［下图是决赛前，决赛梅西传射，内马尔传射，戈麦斯助攻，帕科进球］

帕科 1993/08/30
- 巴塞罗那西甲6球3助攻，国王杯2球，欧冠1助攻1横梁，友谊赛1球1助攻。国王杯冠军。

莫拉塔 1992/10/23
- 皇家马德里欧洲超级杯冠军、世俱杯冠军。西甲15球4助攻，欧冠3球1助攻，国王杯2球。国家队2球。联赛冠军。
穆尼尔 1995 /09/01
- 瓦伦西亚。西甲6球3助攻，国王杯1球，西超杯1球（巴萨）。U21国青7球。
比利亚 1981/12/03
- 16 纽约城美职23球（4点球）

内格雷多 1985/08/20
- 米德尔斯堡 9球4助攻。足总杯1球1助攻。降级了。

索尔达多 1985/05/27
- 比利亚雷亚尔，受伤报销6个月。复出后西甲4球3助攻。

帕科瓦伦西亚友谊赛进球全记录

2026-08-27T06:38:59.225995+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-07-23. Original URL: https://pacoxu.wordpress.com/2016/07/23/%e5%b8%95%e7%a7%91%e7%93%a6%e4%bc%a6%e8%a5%bf%e4%ba%9a%e5%8f%8b%e8%b0%8a%e8%b5%9b%e8%bf%9b%e7%90%83%e5%85%a8%e8%ae%b0%e5%bd%95/

2016友谊赛 2+球

瓦伦西亚vs瓦伦西亚二队梅斯塔利亚 5:0，帕科梅开二度（不算友谊赛吧）。

首场友谊赛，瓦伦西亚4:2战胜德国低级别球队明特斯普鲁斯，帕科接罗德里格做球杀入禁区首开记录，之后直塞制造对手乌龙。

第三场热身赛，芬兰球队FC ILVES 1:4不敌瓦伦西亚，罗德里格直塞，帕科反越位直接射门打入第二球。之后，帕科再次反越位成功，横传阿里代Aridai，Aridai调整太多被封堵（本来是空门）。

2015友谊赛 1+球

对埃因霍温1球。

2014友谊赛 6＋球

2014-05-29旺角大球场西甲挑战赛三角赛

标准流浪1比3瓦伦西亚补时阶段，瓦伦西亚另一后备入替的阿尔卡塞尔在禁区外再射入一球“世界波”。

利马联盟 2:2 瓦伦西亚帕科接戈麦斯助攻进球。

酋长杯：摩纳哥2-2瓦伦，抢点破门
柑橘杯：对米兰半场吊门1球。

2013友谊赛 2＋球

瓦伦4-2巴拉多利德梅开二度快速反击中巴拉甘右路高速插上直塞帕科，帕科拿球抽射破门；上半时快要结束阶段，帕邦右路得球，横敲禁区，准确找到了帕科，帕科一脚推射破门，上半场将比分锁定在了3-1

2012友谊赛 4＋球

友谊赛首球：瓦伦西亚vs阿尔科亚诺

梅开二度：2012年8月6日瓦伦西亚vs印尼明星队

2011年8月21日柑橘杯 vs罗马

埃梅里 4:0 拉涅利欧冠见！

2026-08-27T06:38:59.227476+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-07-31. Original URL: https://pacoxu.wordpress.com/2016/07/31/%e5%9f%83%e6%a2%85%e9%87%8c-40-%e6%8b%89%e6%b6%85%e5%88%a9-%e6%ac%a7%e5%86%a0%e8%a7%81%ef%bc%81/

Simple Things

2026-08-27T06:38:59.228674+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-08-03. Original URL: https://pacoxu.wordpress.com/2016/08/03/simple-words/

Definition

Radix: 16/10/8/2

In mathematical numeral systems, the radix or base is the number of unique digits,

From wikipedia

Python

URL Route Registrations

Generally there are three ways to define rules for the routing system:

You can use the flask.Flask.route() decorator.
You can use the flask.Flask.add_url_rule() function.
You can directly access the underlying Werkzeug routing system which is exposed as flask.Flask.url_map.

Linux

Find Largest/Biggest files in linux system

Top 10 largest files:

du -cks * | sort -rn | head

Big files larger than 50MB

$ find . -type f -size +50000k -exec ls -lh {} \; | awk ‘{ print $9 “: ” $5 }’

Alias

alias gp=’git pull’

Reference:

http://www.cyberciti.biz/faq/how-do-i-find-the-largest-filesdirectories-on-a-linuxunixbsd-filesystem/

http://www.cyberciti.biz/faq/find-large-files-linux/

add-apt-repository

depends on
apt-get install software-properties-common

nginx 1.10.1 对应 openssl 1.0.1e 不支持http2 openssl 1.0.2d开始支持http2 nginx则需要 1.11.3

grep -Erin '' ./

About the leave of Paco Alcacer

2026-08-27T06:38:59.230482+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-08-26. Original URL: https://pacoxu.wordpress.com/2016/08/26/%e6%af%94%e5%88%a9%e4%ba%9a%ef%bc%9a%e5%b8%95%e7%a7%91%e5%be%88%e8%81%aa%e6%98%8e%ef%bc%8c%e4%bb%96%e7%9f%a5%e9%81%93%e8%af%a5%e5%81%9a%e4%bb%80%e4%b9%88/

A 22-year-olds became the captain of the team, not just because he is a native of Valencia, but also he is currently the team top scorer, and also because his debut show is the earliest in current squad.

Several Reasons that Paco will transfer to another team：

The boss Lim Lin, it’s him who told Barcelona that 30M will bring Paco Alcacer back. Before that, no one thought about the leave of Paco possible. The boss doesn’t care about Valencia, but MU or Barca. He is a football fan, but not a Valencia fan. He sales players and buy players of his friends Mendes.
1. He doesn’t know Paco, the guy who is born to be a Valencia player and keeps playing for his hometown team. The guy who is so proud to be a Valencia player and captain. The guy who always kiss the logo of Valencia in the shirt after scoring a goal. He loves the team, Mestalla, fans of Valencia.
Friends and teammates are gone,
1. Juan Bernat went to Bayer Munich years ago.
2. Isco went to Malaga and then Real Madrid.
3. Andre Gomez went to Barcelona, after Mathieu and Jordi Alba.
4. Balagan went to Middelburg with Negredo.
Excellent Coach left Valencia
1. Unai Emery went to Sevilla and won 3 European League titles, and now he is in France, fighting for the Campions League.
2. Valverde went back to his hometown for Bilbao.
3. Pizzi went to Mexico for a while and now got America Cup with Chile.
4. Nuno is also a good coach, however he’s dismissed after a bad startup for last season.
Missing the European Cup:
1. the first reason is Paco’s bad performance in the later half of last season .
2. the second reason would be Gary Neville, who is bring to Spain as coach without any experience and no Spanish skill by Lim. The team went directly to the Secondary League of Spain. So was Paco’s performance.
3. It’s really a pity for Paco as he scored 5 goals in the qualification games to France, but has no opportunity to play even a minute in EuropeCup

Paco became top scorer of the team for 3 seasons. 2 hat-tricks,

10-12 17岁国王杯首秀、18岁联赛3次出场欧青赛U19冠军两次。
Age 17: Cup debut,
Age 18: La Liga 3 appearances , U19 Europe Championship title x 2.
Age 19: Rental to Getafe, 3 goals & 1 assist in La Liga, Cup 1 goal.
Age 20: Back Valencia, 6 goals and 2 assists in La Liga, 1 goal in Cup and 7 goals,&1 assist in Europa League. Total: 14 goals & 3 assists
Age 21: Valencia, 11 goals and 5 assists in La Liga, 3 goals & 1 assist in Cup and 4 goals, 1 assist in Spanish National Team. Total: 18 goals& 6 assists
Age 22:Valencia, 13 goals and 6 assists in La Liga, 1 assist in Campions League, 2 goals & 1 assist in Cup and 2 goals in Spanish National Team. Total: 17 goals& 8assists
Total: 53 goals and 18 assists in professional team.

Amunt Valencia!

一个22岁的年轻人成为了球队的队长，不仅仅是因为他是瓦伦西亚的本地人，而且他是目前球队的头号射手，也因为他的首演表现在目前的阵容中最早的。

几个原因帕科将转移到另一支球队：

老板林霖，这是他谁告诉巴萨的30M将带来帕科阿尔卡塞尔回来。在此之前，没有人想过帕科可能的许可。老板不关心瓦伦西亚，但MU或巴萨。他是一个足球迷，但不是瓦伦西亚球迷。他销售的玩家，买他的朋友门德斯的球员。
他不知道帕科，谁是天生的瓦伦西亚球员，并保持效力于家乡球队的家伙。是谁这么骄傲的家伙是瓦伦西亚球员和队长。谁总是亲吻瓦伦西亚的标志在衬衫进球后的家伙。他热爱的球队，梅斯塔利亚，瓦伦西亚的球迷。
朋友和队友们都走了，
胡安·贝尔纳特年前来到拜耳慕尼黑。
ISCO去马拉加，然后皇马。
安德烈·戈麦斯去了巴萨，马蒂厄和阿尔巴之后。
Balagan去米德尔堡与内格雷多。
优秀的教练离开瓦伦西亚
垂发金刚砂去塞维利亚，赢得了3个欧洲联赛冠军，现在他是在法国，为Campions联赛激战。
巴尔韦德回到了自己的家乡毕尔巴鄂。
皮兹去墨西哥了一段时间，现在得到了美洲杯与智利。
努诺也是一个不错的教练，但他是一个糟糕的启动，去年赛季结束后解雇。
缺少欧洲杯：
第一个原因是在后期上赛季的一半帕科的糟糕表现。
第二个原因是加里·内维尔，谁是带给西班牙主帅没有任何经验和林没有西班牙的技能。该团队直接前往西班牙的二级联赛。所以，是柏高的性能。
这真是对帕科可惜，因为他打进的资格场比赛法国5个进球，但一直没有机会EuropeCup发挥甚至一分钟
帕科成为球队的头号得分手的3个赛季。 2帽子戏法，

10-12 17岁国王杯首秀，18岁联赛3次出场欧青赛U19冠军两次。
年龄17：杯亮相，
18岁：西甲出场3次，U19欧洲锦标赛冠军×2。
年龄19：租赁赫塔菲，3个进球和1次助攻的西甲联赛，杯赛1球。
年龄20：回到瓦伦西亚，6个进球和2次助攻在西甲，在世界杯和7球1球，与1次助攻的欧罗巴联赛。总计：14个进球和3次助攻
年龄21：瓦伦西亚，11个进球和5次助攻在西甲，3个进球和1次助攻的世界杯和4个进球，1次助攻的西班牙国家队。总计：18个进球和6次助攻
年龄22：瓦伦西亚，13个进球和6次助攻在西甲，1次助攻在联赛Campions，2个进球和1次助攻的杯和西班牙国家队2球。总计：17个进球和8assists
总计：53球和18次助攻的专业团队。
Amunt瓦伦西亚！

帕科入选国家队（2016年9月）

2026-08-27T06:38:59.232805+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-08-26. Original URL: https://pacoxu.wordpress.com/2016/08/26/%e5%b8%95%e7%a7%91%e5%85%a5%e9%80%89%e5%9b%bd%e5%ae%b6%e9%98%9f%ef%bc%882016%e5%b9%b49%e6%9c%88%ef%bc%89/

入选西班牙洛尔佩吉的第一期国家队。阿尔巴、席尔瓦、马塔、帕科入选。

1号德赫亚，12号阿德里安，23号雷南

18号阿尔巴 2号阿兹皮利奎塔 14号巴尔特拉 20号卡瓦哈尔 3号皮克 4号哈维马丁内斯 15号拉莫斯 6号罗伯托

10号蒂亚戈 5号布茨克斯 13号马塔 24号萨乌尔 8号科克

22号诺利托 9号帕科 16号阿森西奥 19号迭戈科斯塔 11号比托洛 7号莫拉塔 17号卢卡斯巴尔克斯 21号席尔瓦

1 De Gea
23 Reina
12 Adrián

18 Jordi Alba
2 Azpilicueta
14 Bartra
20 Carvajal
3 Piqué
4 Javi Martínez
15 Sergio Ramos
6 Sergi Roberto

10 Thiago
5 Busquets
13 Mata
24 Saúl
8 Koke

22 Nolito
9 Alcácer
16 Marco Asensio
19 Diego Costa
11 Vitolo
7 Morata
17 Lucas Vázquez
21 David Silva

Some picture of Paco Alcacer in Valencia time

2026-08-27T06:38:59.234334+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-08-27. Original URL: https://pacoxu.wordpress.com/2016/08/27/some-picture-of-paco-alcacer-in-valencia-time/

巴萨第四前锋分析赛季出场1500分钟可期

2026-08-27T06:38:59.237556+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-08-31. Original URL: https://pacoxu.wordpress.com/2016/08/31/%e5%b7%b4%e8%90%a8%e7%ac%ac%e5%9b%9b%e5%89%8d%e9%94%8b%e5%88%86%e6%9e%90-%e8%b5%9b%e5%ad%a3%e5%87%ba%e5%9c%ba1500%e5%88%86%e9%92%9f%e5%8f%af%e6%9c%9f/

还有3轮联赛、1场国王杯决赛。累计 10次首发14次替补28次板凳 1175分钟，7球3助攻（不包括友谊赛替补打入1球）。

——————————————————————————————————————————

15-16赛季巴萨

MSN无疑是三大主力，也是三大射手。苏牙59球，梅西41球，内马尔21球。助攻都是26、27。

第四前锋无疑就是穆尼尔，61次进入大名单，但是仅仅首发16次，替补出场10次，打入8球，送上7次助攻。平均227分钟有进球。不过国王杯打入5球，联赛只有3球入账。

大约61场比赛中，苏牙8次缺席比赛，1次被换下而已；梅西因为伤病缺席了12场，而且2次替补，2次被换下；内马尔同样缺席12场比赛，2次被换下。

桑德罗－拉米雷斯算是第五前锋，32次进入大名单，9次首发11次替补，打入3球2次助攻。

图兰作为攻击手里面的轮换球员，只获得了28次出场机会，只有2球4助攻。本赛季刚刚开始，由于内马尔缺席，图兰已经3球3助攻了。

23岁，该做些什么？

2026-08-27T06:38:59.238974+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-09-02. Original URL: https://pacoxu.wordpress.com/2016/09/02/23%e5%b2%81%ef%bc%8c%e8%af%a5%e5%81%9a%e4%ba%9b%e4%bb%80%e4%b9%88%ef%bc%9f/

记得23岁的我，研究生毕业来到魔都外企开始正式工作。

盘点一下西班牙前锋们23岁都做了些什么。

23岁的劳尔，欧洲金童，金球奖排名第二。西甲欧冠金靴，拿下西甲冠军，欧冠四强。

10-11 皇家马德里西甲冠军，西班牙本土最佳球员，西甲24球金靴，欧冠四强7球金靴，西班牙国家队欧洲杯止步8强打入1球。

23岁的托雷斯，2200万镑加盟利物浦，金球奖／世界足球先生都是第3位。

07-08赛季利物浦 33场24球3助攻，国家队满24岁后欧洲杯决赛破德国登顶欧罗巴。

23岁的比利亚，效力西甲球会萨拉戈萨。凭借优异表现进入国家队。

04-05 萨拉戈萨西甲15球联盟杯3球入选国家队,首秀。

23岁的索尔达多，效力保级球队赫塔费，13球带领球队保级成功。

08-09 赫塔菲西甲13球射手榜第12位，赫塔菲17名勉强保级。

23岁的内格雷多，效力阿尔梅里亚，西班牙本土银靴。

08-09 阿尔梅里亚西甲19球射手榜第6位

23岁的莫拉塔，效力意甲横行的尤文图斯，代表西班牙止步欧洲杯16强。然后回归皇家马德里。

15-16 尤文意甲7球，意杯2球，欧冠2球（欧冠表现出色）。意甲冠军。欧洲杯前友谊赛2球，欧洲杯小组赛3球，欧洲杯16强出局。（国家队近5场5球，友谊赛2球韩国，欧洲杯小组赛3球对土耳其梅开二度，对克罗地亚打入一球。）

23岁的莫伦特斯应该是拿到了欧冠冠军。

23岁生日的帕科3000万欧元加盟巴塞罗那。在22岁的年纪刚刚错过了欧洲杯，现在23替补席上度过最美好的年华，还是抓住俱乐部与国家队替补的时间，创造属于自己的23岁。大家拭目以待吧，不想一直在替补席上嗑瓜子，就拿出点表现来吧。

不得不说在这个年纪去做板凳球员，是一个看上去不太好的决定，希望你能运气好点抓住也许只有2000分钟不到的上场时间。

前面几个赛季15球左右的表现，相对进入了瓶颈期，也许MSN能让你长点球，也许也能为你多做点球，自求多福，努力奋斗吧。

［赫塞、莫伦特斯、阿杜里斯］

席尔瓦国家队进球第五

2026-08-27T06:38:59.240483+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-09-02. Original URL: https://pacoxu.wordpress.com/2016/09/02/%e5%b8%ad%e5%b0%94%e7%93%a6%e5%9b%bd%e5%ae%b6%e9%98%9f%e8%bf%9b%e7%90%83%e7%ac%ac%e5%85%ad/

席尔瓦的国家队出场数超过了劳尔的102场，达到105场。

对阵比利时的友谊赛梅开二度，进球数增加到28球，排名历史第5。当年跟比利亚、马塔、马切纳、阿尔比奥尔一起入选西班牙国家队。

青涩的席尔瓦在08年就受到阿拉贡内斯的重用，决赛也是首发出场。一晃都8年多过去了。席尔瓦已经从22岁的年华变成如今30岁的大叔模样了。

How long did Paco play in seasons of Valencia？

2026-08-27T06:38:59.241840+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-09-03. Original URL: https://pacoxu.wordpress.com/2016/09/03/how-long-did-paco-play-in-seasons-of-valencia%ef%bc%9f/

Valencia Seasons:

2013-14 Season(56games * 90minutes)： Paco played 1478 /5040minutes = 29.3%
2014-15 Season(42games * 90minutes)： Paco played 2402 /3780minutes = 63.5%
2015-16 Season(58 games * 90minutes)： Paco played 3177 /5220minutes = 60.8%
2016-17 Season is similar to 2014-15 season, Paco may play about 2500 minutes.

This season started and Valencia has already played 2 matches. Paco played 90 minutes for Valencia, while Barcelona played 4 games including 2 games of Spanish Super Cup with Sevilla.

For prediction, Barcelona may head to Top 4 in Copa del Rey and Championship, they may play about 60 games. In following 56 games, most fans thinks he can play 30%-40% of 5040minutes, which would be about 1500 minutes to 2000 minutes.

As Munir got more than 15000 minutes last season, we may be optimism to current situation of Paco.

In past 3 seasons, Paco scored 14 goals in 13-14 & 14-15 and 15 goals in 15-16. So, 15 goals may be goal of 15-16 season in Barcelona.

帕科巴塞罗那亮相仪式图集

2026-08-27T06:38:59.243241+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-09-09. Original URL: https://pacoxu.wordpress.com/2016/09/09/%e5%b8%95%e7%a7%91%e5%b7%b4%e5%a1%9e%e7%bd%97%e9%82%a3%e4%ba%ae%e7%9b%b8%e4%bb%aa%e5%bc%8f-%e5%9b%be%e9%9b%86/

青训相关

2026-08-27T06:38:59.246147+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-11-13. Original URL: https://pacoxu.wordpress.com/2016/11/13/%e9%9d%92%e8%ae%ad%e7%9b%b8%e5%85%b3/

青训项目

万达西班牙计划：瓦伦西亚＋马竞＋比利亚雷亚尔。12-16每年约30人到西班牙俱乐部青训营培训，已经送出去5批。15年10月8人进入大连一方梯队（99-00年龄段）。
鲁能足校（巴西足校＋葡萄牙计划）、绿城足校、恒大足校、根宝足校。
根宝的洛尔卡Lorca、西甲欢乐多的胡米利亚、西班牙人、阿斯顿维拉、米兰双雄。

近期新闻

16年11月，恒大足校建番禺基地第9家分校青训网点落成
中国足协正在组织各级别青少年足球联赛。
11月恒大梯队获得了U13青少年足球联赛的冠军，两年三冠!鲁能足校U14队勇夺2016年全国联赛冠军
16年9月，上海冠博体育·瓦伦西亚足球俱乐部战略合作，启动青少年精英培养计划。
16年3年恒大青年队参加国际青年杯(蓝星杯)
15年12月4日，大连球员程辉、刘洋与西班牙SABADELL足球俱乐部签约。西乙B第二组。

良心总结系列

哈比青训青训教练零基础入门教程

（1/6）：认识青训行业系列青训

http://www.hobbitsoccer.com/article/384

（2/6）：如何进入青训行业

http://www.hobbitsoccer.com/article/386

（3/6）：青训教练的基本素质

http://www.hobbitsoccer.com/article/387

（4/6）：如何上好第一节训练课？

http://www.hobbitsoccer.com/article/388

（5/6）：停止学习就是停止执教

http://sports.sohu.com/20161112/n472993845.shtml

万达西班牙计划后续

2026-08-27T06:38:59.247601+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-11-22. Original URL: https://pacoxu.wordpress.com/2016/11/22/%e4%b8%87%e8%be%be%e8%a5%bf%e7%8f%ad%e7%89%99%e8%ae%a1%e5%88%92%e5%90%8e%e7%bb%ad/

万达西班牙计划：瓦伦西亚＋马竞＋比利亚雷亚尔。12-16每年约30人到西班牙俱乐部青训营培训，已经送出去5批。

现状与回归

1. 第一批2012年9月
马德里竞技：容琳朝、叶志威、柯齐（15回国，大连一方U17）、梁欢（16马竞前锋）、陈伽豪（16马竞前卫/前锋）、裴展鹏（16马竞右边卫）、李学博（李国博？门将16马竞）、万志磊（15回国，大连一方）、刘志鹏、王振澳（16马竞前锋）
比利亚雷亚尔：朱家漩（自己签约非万达计划）、周潇（16马竞左边卫）、祝晖（15回国）、余善文、王文轩（15回国）、孔荫权、罗成良（15回国）、余威、吴畏（16国少U16[首发]）、钟云行（16马竞中前卫）、杨磊
瓦伦西亚：白旭耀（16年回国）、刘凯杰（16马竞中卫）、罗红石（16年回国）、郑誉江（还在马竞）、郑智铭（16马竞中前卫/中卫）、杨伟浩（16回国，大连一方）、姚焱峰（16马竞边锋［左］）、刘伟瀚（15回国）、黄嘉辉（15回国，大连一方）、苏金毅（15回国，大连一方）。

GK李学博；周潇、郑智铭、刘凯杰、余威、钟云行、姚焱峰、王振澳、陈伽豪、裴展鹏、梁欢。

陈伽豪、郑智铭代表广州足协参加了15年10月底的全国青运会U16，打入决赛1:2不敌新疆获得亚军。

2. 第二批2013年9月
马德里竞技：李明（16国少U16）、李天昊、王浩然、耿泰立（16国少U16）、杨绍博、陈荣（16国少U16[首发]）、张瑞杰、陈兴、李广曦（16国少U16[首发]）、姜韬
比利亚雷亚尔：张君、李立智(马竞)、张君淏、谢龙飞（16国少U16[首发]）、易天宇、刘兴、张威明、闫炳良、赵健博、张钧尧
瓦伦西亚：吴泽玮（16国少U16[首发]）、王竹青、苗华旭（16国少U16）、林晖、陈仲宇、萧浩彬、薛照瀚、吴楚客、尹嘉豪（16国少U16）、杨鹏举

刘兴、容琳朝、张威明、叶志威、吴泽玮代表深圳参加了15年4、5月的青运会，武汉也有刘兴、刘志鹏。

3. 第三批 2014年9月
马德里竞技：吕焯毅、万钰、刘杰铭、张圣明、周劲艺、占鼎盛、白皎海、赵一凡、王嘉新、杨航
比利亚雷亚尔：王千仁、吕世豪、赵文哲、陈志楠、郑振贤、赫峰、黄智扶、张智豪、李磊、田逸梵、崔宇浩
瓦伦西亚：李佳豪、陈灏、孟家辉、陈昊临、葛彭、周品希、龙展毅、王世豪、张畅、王瀚升

2016年1月的U15锦标赛，张圣明、薛照瀚、田逸梵代表深圳，
4. 第四批 2015年 50人
马德里竞技：刘相臣、陈晨蓁杨、司俊琰、张家杰、罗任灼、李冠豪、陈秦俊飞、蒋宇航、王浩聪、解澳城、董铁锤、贾方睿、桂子涵、王翔、于晗、高宇阳、熊国宏、曹恩泽、王梓轩、何云鑫、何文杰、张天政、吴非、闫守宽、单袆铭、卢一峰、王鹏宇、徐建鹏、邱圣钧、李小一、郭孟雨、范芮伟、胡子轩、杨宇漠、丁家伟、王浩、喻正文、李锐锋、王禹、胡哲、晏子旭、叶杨润一、刘毅、牛佳乐、王龄可、赵申澳、费振宇、张森豪、黄梓轩、侯嘉航

经过

2013年3月黄潜杯青少年邀请赛：
黄潜A队：(朱家璇)、祝晖、余善文、吴畏、杨磊、余威、王文轩
黄潜B队：钟云行、罗成良、周潇、孔荫权

赛制为四个小组各组头名出线争夺冠军。遗憾的是黄潜两支队伍在小组赛中都取得2胜1负的成绩，无缘争冠。在三场小组赛中，A队朱家璇打入2球、杨磊1球；B队周潇2球、钟云行1球。朱家璇是黄潜俱乐部直接签约的球员，已参加正式联赛。与万达计划无关。

14年4月瓦伦Cadete D队由万达留洋球员和个别西班牙球员组成，本赛季替代退赛队伍递补参加该级别联赛，不计积分。目前瓦伦D队共参加联赛20场，17胜2平1负，杨伟浩打入7球。西班牙瓦伦西亚自治区U16甲级联赛第26轮4月26日，瓦伦西亚D队主场5-4力克卡尔莱特A队。

15年 5月国家U-16男子足球队集训的通知

比利亚雷亚尔：吴畏张军谢龙飞杨磊钟云行易天宇刘兴张威明

瓦伦西亚：吴泽玮王竹青苗华旭尹嘉豪

马德里竞技：耿泰立李广曦陈兴陈荣

15年6月COTIF杯，中国队首发：齐雨熙；王献钧、孙龙祥、朱辰杰、吴畏；孙沁涵、陈荣；杨磊、谢龙飞、李广曦；吴泽玮。中国国少0：3皇家贝蒂斯U16（Cadete B）。中国U16国少队1：1战平马德里竞技U16队Cadete A/B/C?

6月24日-28日在西班牙甘迪亚举行的COTIF少年足球邀请赛。

2016年第十七届亚足联U16锦标赛

http://www.the-afc.com/afcasfeeds?view=all&id=174&type=Stage#ui-tabs-2

15年7月中国足协官方公布了最新一期的国少26人集训名单，其中来自北京万达足球俱乐部的球员多达12人北京万达足球俱乐部：杨磊、谢龙飞、吴畏、刘兴、李明、陈荣、李广曦、耿泰立、吴泽玮、苗华旭、张威明、陈兴。亚少赛预赛小组赛，U16国少有多名万达留洋球员做主力，还有恒大，根宝足校球员。9月份0：4输给韩国队，预选赛小组赛被淘汰。中国首发：1-齐雨熙；2-吴畏、3-朱辰杰、4-孙龙祥、5-王献钧；10-陈荣、6-孙沁涵；7-周俊辰、11-谢龙飞、23-李广曦；9吴泽玮。

U16亚少赛预赛I组比赛将于9月16-20日在延吉市人民体育场举行，这一组有中国、韩国、中华台北、澳门四队。中国队将于9月16日下午14时对阵中华台北，9月18日下午14时对阵澳门，9月20日下午14时对阵韩国队。

2015年9月16日中国中华人民共和国 1 – 0 中华台北中华台北城市：中国，延吉

首发：齐雨熙（江苏江阴）；吴畏（潜艇1批）、朱辰杰（根宝，队长）、孙龙祥（建业）、王献钧（阿尔滨）；孙沁涵（根宝）、周俊辰（根宝）、陈荣（马竞2批，1球）、谢龙飞（潜艇2批）；吴泽玮（瓦伦2批）、李广曦（马竞2批）

替补：陈泉江（恒大）、李明（马竞2批）、耿泰立（马竞2批）

2015年9月18日澳门中国澳门 0 – 10 中华人民共和国中国城市：中国，延吉

首发：齐雨熙（江苏江阴）；吴畏（潜艇1批）、朱辰杰（根宝，队长、1球）；周俊辰（根宝，2球）、李明（马竞2批）、陈荣（马竞2批，1球）、谢龙飞（潜艇2批）、苏逸豪（根宝）、陈泉江（恒大，1球）、蔡明民（恒大）；耿泰立（马竞2批，1球）替补：吴泽玮（瓦伦2批，3球）、孙沁涵（根宝，1球）、苗华旭（瓦伦二期）

2015年9月20日韩国韩国 4 – 0 中华人民共和国中国城市：中国，延吉

首发：齐雨熙（江苏江阴）；吴畏（潜艇1批）、朱辰杰（根宝，队长）、孙龙祥（建业）、王献钧（阿尔滨）；孙沁涵（根宝）、周俊辰（根宝）、陈荣（马竞2批）、谢龙飞（潜艇2批）、陈泉江（恒大）；吴泽玮（瓦伦2批）替补：苏逸豪（根宝）、耿泰立（马竞2批）、顾维康（根宝） 马竞 3球瓦伦 3球根宝4球恒大1球

结果：预选赛小组赛第二，没有进入决赛圈

中国国家U15男子足球队参加第十七届亚足联U16锦标赛，未通过预选赛。这里说明一下，11个小组第一，科威特因为禁赛被取消资格，6个小组第二进入决赛圈。有些小组只有3支球队，因此计算对阵小组第一和第三的成绩，中国1:0台北，0:4韩国，－3个净胜球，排在11个小组第二的第八位，如果在台湾身上多拿净胜球，对韩国少输几个，其实就能晋级决赛圈。－1个净胜球就有希望晋级。

进入决赛圈的韩国队小组赛1:2输给伊拉克、闷平阿曼、3:0马拉西亚，小组第三止步小组赛。而伊拉克在淘汰赛战胜乌兹别克、日本、伊朗，夺得冠军。决赛是伊拉克、伊朗；四强还有日本、朝鲜；八强包括了越南、乌兹别克、阿联酋、阿曼。16年的U16亚青赛四强晋级17年U17世青赛。

2018年第十八届亚足联U16锦标赛

2017年9月16日到24日，U16亚青赛预选赛将要举行。基本上是02年出生的球员的为主。抽签还没抽：

东区、西区分区比赛，西区A－F6个组，东区G－K5个组，每组四队。

第一档：日本、朝鲜、越南、韩国、泰国／／伊拉克、伊朗、卡塔尔、乌兹别克斯坦、沙特阿拉伯、叙利亚

第二档：马拉西亚、澳大利亚、中国、中国香港、老挝／／巴林、科威特、阿曼、塔吉克斯坦、阿联酋、也门

第三档：中华台北、缅甸、东帝汶、蒙古、新加坡／／阿富汗、印度、尼泊尔、吉尔吉斯斯坦、巴基斯坦、巴勒斯坦

第四档：文莱、柬埔寨、关岛、澳门、菲律宾／／孟加拉国、不丹、约旦、黎巴嫩、斯里兰卡、土库曼斯坦

回归

15年10月8月，原来的协议只签了3年，但万达并不想让这些孩子就此中断留洋生活，而是希望他们能够继续在西班牙学习，直至18岁。经由教练挑选，其中的22人又续签了3年，其余8人则回到了国内。下个月，他们就将来到大连，加入一方梯队。

这8人进入大连一方U17梯队（99-00年龄段），由著名青训教头裴永久出任主教练，这批球员与同龄球员同吃同住同训，其中万志磊、黄嘉辉等球员进步显著，逐渐成为球队主力，展现出较好的发展潜力。

2015“全国足校联盟杯”青少年足球联赛（U16）杭州绿城站的比赛在绿城足校展开。大连一方参赛队中有五名万达西班牙第一期学员，他们在首战中1比0战胜上海上港，次战0比0战平山东鲁能。

在2015年，先后有16名球员入选U16国少队参加比赛，占据国少队半壁江山。2012年至今，万达集团投入了3亿多元人民币。

16年 6月初，万达西班牙计划第二期球员（2000年龄段）正式结束三年培训。目前，比利亚雷亚尔、瓦伦西亚第二期球员已转入马德里竞技俱乐部青训营。他们将和马竞第二期球员一起进行训练，根据表现，综合评定后续约。

16年8月在刚结束的“长城杯”邀请赛次轮比赛中，万达西班牙希望之星队2比1战胜韩国长熏高中队！首战梅开二度的#王振澳#再次在上、下半场各入一球，帮助球队力克对手，取得两连胜。1999年8月出生的王振澳出道于武汉足协，2012年入选万达西班牙留学计划，前往马德里竞技俱乐部进行培训至今。

16年10月底，第一批，万志磊、黄嘉辉、苏金毅3名球员签订了为期3年的职业合同。

16年11月21日杨伟浩等6名第二批万达西班牙计划小球员来到大连一方，签订了为期3年的职业合同。

2018年亚足联U23锦标赛

95-97年龄段

亚洲U23锦标赛是亚足联举办的，两年一度的锦标赛，为亚洲23岁以下的国家队参与。共有16支球队将参加比赛，分成四个小组进行单循环比赛。2018年亚洲U23锦标赛预期于2018年1月9日至27日举行。

详细资料

第一批签约大连一方的 3个人

@耐心走下去 weibo。

2012年抵达瓦伦西亚俱乐部的10名第一批99年龄段球员，经过四年时间共有6人调整回国。白旭耀（边前卫）、罗红石（后卫）、杨伟浩（边前卫，大连一方），2016年夏回国。刘伟瀚（中场）、黄嘉辉（中后卫，大连一方）、苏金毅（门将，大连一方），2015年夏回国。

瓦伦西亚接收的首批99年龄段10名球员中，目前还有4人留在西班牙，他们是刘凯杰（中后卫）、郑誉江（前腰）、郑智铭（中后卫/后腰）、姚焱峰（边前卫）。从2015-16赛季起，他们已和其他两家球会的首批续约球员一起转移到马德里竞技继续进行培训，今年是他们在马竞的第二个赛季。

第二批学员尹嘉豪、杨绍博等9名球员在三年培训期结束后调整回国，另有一人离开万达“单飞”。

瓦伦西亚 黄嘉辉 司职后卫来之上海平四小学籍贯安徽毫州，2000年10月7日出生

瓦伦西亚 苏金毅 杭州绿城出品门将，浙江丽水人 1999年4月30日出生。

马德里竞技 万志磊 名次10 武汉足协湖北武汉人，1999年2月26日出生。

第二批签约大连一方的 6人

瓦伦西亚杨伟浩前锋广州二队出来的，广东茂名人，1999年6月18日。也是第一批去西班牙的。

马德里竞技杨绍博北京越野山东济宁人 2000年5月20日出生。第二批。

去西班牙的时候，上图，下图签约大连一方的时候。

计划进程

（引用：http://bbs.hupu.com/3537918.html）： 2011年12月18日留学启动仪式暨万达集团与马德里竞技、瓦伦西亚、比利亚雷亚尔战略合作签约仪式 2012年04月16日公布选拔名单，三支俱乐部各30人，共90人。 2012年08月26日 “中国足球希望之星”队赴西班牙留学出征仪式在北京举行首次受训人数为30人。 2012年09月12日留洋少年陆续到达各俱乐部 2013年09月01日第二批30名留洋少年抵达西班牙，将续到达各俱乐部 2014年09月04日第三批31名留洋少年抵达西班牙，将续到达各俱乐部 2015年05月12日第四批50人选拔名单出炉，本期将优选前20名球员赴马德里竞技俱乐部进行培训 2015年06月22日第一批球员结束三年培训期，将在综合评估后进行淘汰 2015年09月01日第四批30名学员中25人抵达马德里，另5人因入选U14国少稍后到达 2015年10月 21名99年龄段球员全部返回西班牙继续培训，一年一签。第一批8名球员调整回国，加入大连一方梯队。 2016年09月第五批30名学员抵达抵达马德里，开始留学生涯第二批9名球员调整回国，加入大连一方梯队或回到原地方队。

其他：

瓦伦西亚16－17梯队 CADETE A 16-17 2016有个韩国中场后腰Valencia CF U-16 Offensive Midfielder Kangin Lee (South Korea) born in 2001.

98后球员名录

2026-08-27T06:38:59.253864+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-11-27. Original URL: https://pacoxu.wordpress.com/2016/11/27/99%e5%90%8e%e7%90%83%e5%91%98%e5%90%8d%e5%bd%95/

按年龄排序入选过国家队梯队的名单

1997年

主要赛事：2016亚足联U19锦标赛

先只列几个名气比较大的

张玉宁 1997年1月5日，荷甲特维斯，15年从杭州绿城转会特维斯，15赛季打入2球，16赛季已经有2球入账，入选国家队，参加了12强赛。

林良铭1997.06.04 皇马青年队，青年欧冠第一人。15年30万欧元从广州富力转会皇马青年队。

1998年出生

主要赛事：2013 亚足联U16锦标赛预选赛、2013第二十一届中日韩青少年运动会

严鼎皓，1998年4月6日波尔图U19，中国第二位在青年欧冠赛事中登场的中国球员。2016年8月4日从杭州绿城来到波尔图U19，14日就上演首秀，9月份处子球，之后参加青年欧冠，12月份传射建功。

张宇峰 1998年1月5日中场贵州人和青年队

黄聪 1998年1月6日中场斯洛伐克FK Slovan Nemsova

谢志伟 1998年1月7日中场江苏足协

胥栩 1998年1月13日中场西班牙UE Cornella青年C队

周东泽 1998年1月26日中场巴西Rio Claro FC青年队

陈梓荣 1998年1月30日守门员广州富力青年队

闫义明 1998年2月4日中场西班牙CF Torre Levante U19 C队

聂孟 1998年2月7日中场上海东亚青年队
钱宇淼 1998年2月7日后卫武汉卓尔青年队

陈威 1998年2月14日守门员上海东亚青年队

张文俊 1998年2月23日后卫长春亚泰青年队

王梓翔 1998年2月27日守门员上海足协

阿不都海米提・阿不都格尼 1998年3月10日后卫新疆足协

刘鍏成 1998年3月14日中场青岛中能青年队
谢小凡 1998年3月15日后卫江苏苏宁青年队

张华晨 1998年3月16日中场上海上港青年队

周鑫 1998年4月11日后卫深圳足协

赵泽宇 1998年5月18日后卫深圳足协

周生智 1998年6月25日中场山东鲁能泰山青年队
段刘愚 1998年7月24日中场深圳足协
龚纯洁 1998年8月2日中场上海足协
李冠希 1998年9月25日守门员山东鲁能泰山青年队
邓演霖 1998年10月14日中场广州富力青年队

吴姚盛喧 1998年11月7日守门员北京世纪昊跃

赵世杰 1998年11月24日后卫深圳足协

林泽锋 1998年11月26日中场广州恒大淘宝青年队

胡靖 1998年12月23日后卫贵州人和

1999年出生

主要赛事：

朱家漩
王文轩 1999年？月？日北京万达（潜艇1期、景德镇足协，已回国）
祝晖 1999年？月？日北京万达（潜艇1期、景德镇足协，已回国）
郑智铭 1999年1月1日中后卫北京万达
4 温家宝 1999年1月2日后卫大连阿尔滨青年队
15 梁锦辉 1999年1月3日中场广东足协
21 刘长奇 1999年1月5日前锋山东鲁能泰山青年队
19 张昊 1999年1月8日中场山西足协
18 开赛尔·阿迪力江 1999年1月8日中场北京国安青年队
4 李锐 1999年1月9日后卫武汉足协
29 廖伟 1999年1月12日后卫河北华夏幸福青年队
9 叶尔凡·叶孜木江 1999年1月14日前锋新疆足协
2 刘冀深 1999年1月14日前锋上海幸运星
3 冯昊天 1999年1月15日后卫山东鲁能泰山青年队
17 徐皓阳 1999年1月15日中场上海根宝足球学校
20 陈鑫 1999年1月16日前锋沈阳新野
26 赵文智 1999年1月17日中场成都足协
5 赵剑非 1999年1月21日后卫山东鲁能泰山青年队
18 李明 1999年1月21日后卫恒大足球学校
2 阎子冉 1999年1月21日中场山东鲁能泰山青年队
17 张君 1999年1月22日北京万达（潜艇2期，北京阳光）
罗红石 1999年1月22日北京万达（瓦伦1期、北京越野）
18 陈国抗 1999年1月23日中场恒大足球学校
20 倪寅 1999年1月24日中场江苏江阴高中
林驰宇 1999年1月27日中后卫上海上港
5 陈祥翔 1999年1月28日后卫湖北足协
25 危常胜 1999年1月28日后卫河北华夏幸福青年队
10 刘若钒 1999年1月28日中场上海申花青年队
陈伽豪 1999年1月29日前锋北京万达
8 史金帅 1999年1月29日中场广州恒大足球学校
2 陈国良 1999年2月2日后卫山东鲁能泰山青年队
28 孙怡朋 1999年2月3日中场德国1. FC Kaiserslautern U16
刘凯杰 1999年2月4日北京万达（瓦伦1期、深圳罗湖）
23 买尔旦江 1999年2月7日中场新疆足协
裴展鹏 1999年2月7日北京万达（马竞1期、杭州绿城）
6 黄振飞 1999年2月10日前锋上海上港集团青年队
16 樊孝斌 1999年2月10日中场武汉足协
4 张玮昳 1999年2月11日后卫上海幸运星
柯齐 1999年2月12日北京万达（马竞1期、湖北足协）
2 陈昊泽 1999年2月23日后卫山东鲁能泰山青年队
25 蔡浩畅 1999年2月23日中场广州足协
7 杨意林 1999年2月23日中场山东鲁能泰山青年队
万志磊 1999年2月26日大连一方［北京万达］（马竞1期、湖北足协）
8 郑誉江 1999年2月28？日北京万达（瓦伦1期、武汉足协）
廖垒 1999年3月1日后卫山东鲁能泰山青年队
1 卢翰涛 1999年3月1日守门员四川足协
8 廖垒 1999年3月1日中场山东鲁能泰山青年队
4 郭田雨 1999年3月5日后卫山东鲁能泰山青年队
27 凯维赛尔 1999年3月18日中场新疆足协
刘志鹏 1999年3月18日北京万达（马竞1期、湖北足协）
18 丁启龙 1999年3月19日前锋山东鲁能泰山青年队
30 靳子阳 1999年4月1日中场深圳足协
6 林志强 1999年4月2日中场大连阿尔滨青年队
15 臧立明 1999年4月4日前锋山东鲁能泰山青年队
17 陆天明 1999年4月6日中场广州恒大青年队
21 陈雅俊 1999年4月9日中场广州足协
16 和鑫 1999年4月18日中场云南足协
15 牟壹铭 1999年4月22日中场成都足协
5 刘芮成 1999年4月28日后卫上海根宝足球学校
5 苏金毅 1999年4月30日大连一方（瓦伦1期、杭州绿城）
21 张蔚莱 1999年5月3日中场四川明宇足球学校
24 李子杏 1999年5月12日中场湖北足协
23 胡焜 1999年5月15日后卫山东鲁能泰山青年队
余善文 1999年8月9日北京万达（潜艇1期、武汉足协）
周潇 1999年8月10日北京万达（潜艇1期、北京朗跃）
22 田帅 1999年5月24日守门员沈阳新野
29 刘超阳 1999年6月9日中场成都足协
7 张啸天 1999年6月10日中场/后卫山东鲁能泰山青年队
8 杨伟浩 1999年6月18日大连一方（北京万达，瓦伦1期、广州二队）
19 孙学龙 1999年7月1日中场昆明足协
30 韩佳奇 1999年7月3日守门员北京青年队
3 余威 1999年7月10日后卫武汉足协（潜艇1期）
白旭耀 1999年7月10日北京万达（瓦伦1期、北京三高）
19 汤启恒 1999年7月19日后卫江苏江阴高中
熊景洋 1999年7月23日左前卫北京三高
24 徐骁 1999年7月25日后卫武汉足协
13 龚秋乐 1999年7月27日后卫四川足协
9 张旭 1999年7月30日前锋武汉足协
梁欢 1999年8月2日北京万达（马竞1期、山西足协）
12 李智钊 1999年8月6日守门员广州足协
王振澳 1999年8月10日北京万达（马竞1期、湖北足协）
8 姚焱峰 1999年8月20日北京万达（瓦伦1期、湖北足协）
22 高文奎 1999年8月25日守门员山东鲁能泰山青年队
8 刘心想 1999年9月3日中场江苏江阴高中
14 陈运华 1999年9月14日中场北京青年队
3 牛梓屹 1999年9月21日后卫河南建业青年队
容琳朝 1999年9月23日北京万达（马竞1期、深圳南山队）
罗成良 1999年10月7日北京万达（潜艇1期、广州三队）
叶志威 1999年10月10日北京万达（马竞1期、深圳南山队）
12 孟祖航 1999年10月14日守门员江苏足协
6 黄锐烽 1999年11月10日后卫四川足协
20 徐越 1999年11月10日中场上海根宝足球学校
李学博 1999年11月15日北京万达（马竞1期、大连实德）
13 黄海伟 1999年11月20日中场北京青年队
7 何统帅 1999年11月27日中场山东鲁能泰山青年队
15 梁炬昇 1999年11月29日中场广州足协
3 谢硕 1999年12月31日后卫河南建业

2000年出生

主要赛事：2015年第三届Cotif青年杯、2016年亚足联U16锦标赛预选赛

24 黄景峰 2000年1月1日中场杭州绿城青年队
2 顾伟康 2000年1月2日中后卫上海根宝足球学校
尹嘉豪 2000年1月2日中场北京万达（阿尔滨）
方昊 2000年1月3日中场江苏足协
张威明 2000年1月3日后卫北京万达
20 贾仲林 2000年1月5日中场北京阳光
王竹青 2000年1月7日后卫北京万达（瓦伦2期）
17 陈仲宇 2000年1月7日北京万达（瓦伦2期，上海平四小学）
耿泰立 2000年1月7日前锋北京万达
孔荫权 2000年1月11日北京万达（潜艇1期、广州二队）
15 徐磊 2000年1月11日中场上海东亚
12 祝亭峰 2000年1月12日后卫杭州绿城青年队
李广曦 2000年1月14日中场北京万达
14 吾提库尔·太来提 2000年1月19日后卫东莞麻涌
李明 2000年1月21日中场北京万达
戴洵 2000年1月23日守门员重庆足协
29 孙龙祥 2000年1月24日后卫河南建业青年队
26 罗新 2000年1月27日中场四川足协
17 萧浩彬 2000年1月31日北京万达（瓦伦2期，深圳足协）
5 张浩宸 2000年2月3日后卫山东鲁能泰山青年队
26 冯子豪 2000年2月6日前锋四川足协
吴畏 2000年2月10日后卫北京万达
17 吴楚客 2000年2月11日北京万达（瓦伦2期，深圳足协）
25 孟振 2000年2月16日中场江苏江阴高中
11 张奥凯 2000年2月18日中场恒大足球学校
李天昊 2000年2月18日后卫北京万达
杨磊 2000年2月22日中场北京万达
32 程烨桐 2000年2月28日中场贵州人和青年队
13 李翔龙 2000年3月1日后卫广州足协
19 赵云晟钦 2000年3月11日前锋恒大足球学校
2 吴瀚祥 2000年3月14日后卫山东鲁能泰山青年队
5 吴少聪 2000年3月20日后卫北京青年队
孙沁涵 2000年3月21日中场上海根宝足球学校
24 周俊辰 2000年3月23日中场上海根宝足球学校
吴泽玮 2000年3月24日前锋北京万达
17 吴星宇 2000年3月27日中场山东鲁能泰山青年队
陈兴 2000年3月29日中场北京万达
1 李伟杰 2000年3月31日守门员天津足协
17 闫炳良 2000年4月3日北京万达（潜艇2期，昆明足协）
19 韩世宸 2000年4月14日中场大连阿尔滨青年队
吕焯毅 2001年4月16日中场北京万达
18 刘宁鹏 2000年4月17日恒大足球学校
刘兴 2000年4月17日后卫北京万达
易天宇 2000年4月20日后卫北京万达
13 樊硕珅 2000年4月23日恒大足球学校
12 窦志富 2000年4月29日守门员大连阿尔滨青年队
23 曾辰 2000年5月9日守门员广州足协
17 张钧尧 2000年5月15日北京万达（潜艇2期，沈阳新野）
8 刘伟瀚 2000年5月19日北京万达（瓦伦1期、东北路小学）
杨绍博 2000年5月20日北京万达（马竞2期北京越野、山东济宁）
33 王献钧 2000年6月1日后卫大连一方青年队
17 姜韬 2000年6月4日北京万达（马竞2期，大连实德）
17 刘子鹏 2000年6月4日中场山东鲁能泰山青年队
17 养鹏举 2000年6月6日北京万达（瓦伦2期，贵州智诚）
16 高硕 2000年6月14日中场山东鲁能泰山青年队
钟云行 2000年6月14日中场北京万达
苗华旭 2000年7月4日中场北京万达
15 陈泉江 2000年7月10日中场恒大足球学校
24 鱼竣伟 2000年7月11日中场四川足协
谢龙飞 2000年7月15日中场北京万达
27 陈骜 2000年7月17日中场四川足协
9 黎铭北 2000年7月19日中场恒大足球学校
15 练栋伟 2000年7月21日中场北京国安青年队
12 郭珈玮 2000年7月25日守门员天津足协
21 杨浩宇 2000年7月31日后卫昆明足协
17 张君淏 2000年8月4日北京万达（潜艇2期，广州足协）
10 余善文 2000年8月9日中场武汉足协
15 蓝祖华 2000年8月21日后卫恒大足球学校
22 陈骏州 2000年8月23日广东足协
18 朱辰杰 2000年8月23日中场上海根宝足球学校
彭杰 2000年8月25日中场山东鲁能泰山青年队
6 苏逸昊 2000年8月30日中场上海根宝足球学校
6 艾散·喀迪尔 2000年9月12日后卫新疆足协
9 伍承儒 2000年9月15日后卫广州足协
16 赵亮 2000年10月6日后卫上海根宝足球学校
16 黄嘉辉 2000年10月7日北京万达（瓦伦1期上海平四小学）
11 张辉 2000年10月8日中场昆明足协
19 姚庭瀚 2000年10月19日中场广州足协
21 李博希 2000年10月30日中场北京青年队
11 蔡明民 2000年10月30日中场恒大足球学校
20 付焕辰 2000年11月20日后卫河南建业青年队
22 齐雨熙 2000年11月21日守门员江苏江阴高中
14 李俊辉 2000年11月27日中场河北华夏幸福青年队
8 黄聪 2000年12月10日前锋江苏江阴高中
18 朱振衔 2000年12月13日前锋江苏江阴高中
5 蒋圣龙 2000年12月24日后卫上海根宝足球学校

2001年出生（不包括万达第三批）

王世龙恒大足校、西班牙分校，参加了绿茵继承者电视节目。

17 林晖 2001年？月？日北京万达（瓦伦2期，上海平四小学）
张瑞杰 2001年1月8日北京万达（马竞2期湖北足协）
19 宋佳润 2001年1月9日后卫河南建业青年队
9 玖希宏·吐依洪 2001年1月16日前锋山东鲁能泰山青年队
17 张君 2001年1月19日北京万达（潜艇2期，上海耀东）
王浩然 2001年1月19日北京万达（马竞2期青岛足协）
7 高天语 2001年1月20日中场杭州绿城青年队
16 谢炆希 2001年1月20日后卫山东鲁能泰山青年队
4 刘家辉 2001年1月25日后卫河南建业青年队
5 翟守峰 2001年1月25日后卫山东鲁能泰山青年队
15 卿锦 2001年2月2日中场山东鲁能泰山足球学校
2 张霄 2001年2月18日后卫棠湖中学外语实验学校
17 薛照瀚 2001年2月18日北京万达（瓦伦2期，深圳足协）
13 郑雪健 2001年2月23日中场江苏苏宁青年队
3 易县龙 2001年3月3日后卫山东鲁能泰山青年队
10 阿卜杜肉苏力·阿不都拉木 2001年3月10日中场山东鲁能泰山青年队
14 任丽昊 2001年4月5日中场上海上港集团青年队
17 孟俊杰 2001年4月22日中场棠湖中学外语实验学校
4 朱越 2001年5月4日后卫上海绿地申花青年队
17 赵健博 2001年5月17日北京万达（潜艇2期，大连足协）
5 宋文浩 2001年5月27日后卫山东鲁能泰山青年队
6 周耘屹 2001年5月31日中场棠湖中学外语实验学校
1 蹇韬 2001年6月1日守门员成都足协
1 黄子豪 2001年6月9日守门员江苏苏宁青年队
20 应伟杰 2001年6月17日中场棠湖中学外语实验学校
5 黄鑫鹏 2001年6月20日后卫杭州绿城青年队
11 乃比江·莫合买提 2001年7月10日中场新疆宋庆龄足球学校
12 孙启航 2001年7月28日守门员山东鲁能泰山足球学校
8 何龙海 2001年10月8日中场东莞麻涌
陈荣 2001年11月4日中场北京万达
11 陶强龙 2001年11月20日前锋北京青年队
16 田玉达 2001年11月26日前锋山东鲁能泰山青年队
18 陈宇浩 2001年11月15日后卫云南足协

2002年出生

13 徐振威 2002年2月24日武汉尚文
26 柯子昂 2002年1月3日中场武汉尚文
郭庆峰 2002年1月13日后卫延边宋庆龄足球学校
余子豪 2002年1月9日东莞麻涌

U19亚青赛

四强晋级U20世青赛

2015亚洲U19预选赛（97年为主）

单欢欢 1999年1月24日前锋北京国安
赵剑非 1999年1月21日后卫山东鲁能泰山

曾入选过U19的球员：

郭田雨 1999年3月5日前锋山东鲁能泰山
张伦华 1999年11月5日中场大连一方

2016亚青赛U19 都没入选。0:1澳大利亚，0:2塔吉克斯坦，0:0乌兹别克斯坦小组赛垫底出局。

2017年U19亚青赛预选赛，2017年10月21–29 日预计是99-00年龄段

2018年U19亚青赛决赛圈，2018年10月18–31 日

U16亚少赛

2015年亚洲U16预选赛万达＋根宝为主，预选赛第二没入围决赛圈。

2016年亚洲U16决赛圈，伊拉克夺冠。四强：日本、伊朗、朝鲜、伊拉克。

2017年亚洲U16亚青赛预选赛，9月16日到24日。

2018年亚洲U16亚青赛决赛圈，9月20-30日。

17的预选赛，东区、西区分区比赛，西区A－F6个组，东区G－K5个组，每组四队。

第一档：日本、朝鲜、越南、韩国、泰国／／伊拉克、伊朗、卡塔尔、乌兹别克斯坦、沙特阿拉伯、叙利亚

第二档：马拉西亚、澳大利亚、中国、中国香港、老挝／／巴林、科威特、阿曼、塔吉克斯坦、阿联酋、也门

第三档：中华台北、缅甸、东帝汶、蒙古、新加坡／／阿富汗、印度、尼泊尔、吉尔吉斯斯坦、巴基斯坦、巴勒斯坦

第四档：文莱、柬埔寨、关岛、澳门、菲律宾／／孟加拉国、不丹、约旦、黎巴嫩、斯里兰卡、土库曼斯坦

万达计划99后

回归球员－大连一方

根宝足校

徐皓阳、刘芮成、徐越、顾维康、孙沁涵、周俊辰、朱辰杰、苏逸昊、赵亮、蒋圣龙

99年龄段 2016-11-30 中国U17名单

2026-08-27T06:38:59.258521+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-02. Original URL: https://pacoxu.wordpress.com/2016/12/02/99%e5%b9%b4%e9%be%84%e6%ae%b5-2016-11-30-%e4%b8%ad%e5%9b%bdu17%e5%90%8d%e5%8d%95/

有几个名字好像有笔误：

http://www.fa.org.cn/bulletin/training/2016-11-30/515190.html

http://www.fa.org.cn/bulletin/training/2016-09-20/513394.html

领队：唐峰(中国足协)

管理：张阳(中国足协)

教练组成员：温志军(广州)、翟伟忠(江苏)、符宾(天津)

队医：邵理斌(江苏)、周小龙(重庆)

技术分析：吴迪(武汉)

运动员(31名)：

四川足协：

黄锐烽 1999年11月10日后卫四川足协（误写成黄锐峰）
陈骜 2000年7月17日中场四川足协
龚秋乐 1999年7月27日后卫四川足协
冯子豪 2000年2月6日前锋四川足协

天津足协：

李伟杰 2000年3月31日守门员天津足协

广州恒大：

卢焰明似乎也是99/00年龄段的具体不详。？？？
戴洵 2000年1月23日守门员重庆足协

华夏幸福：

张辉 2000年10月8日中场昆明足协

广东足协：

蔡浩畅 1999年2月23日中场广州足协
陈雅俊 1999年4月9日中场广州足协
李明 1999年1月21日后卫恒大足球学校

上海根宝：

徐皓阳 1999年1月15日中场上海根宝足球学校
朱辰杰 2000年8月23日中场上海根宝足球学校
周俊辰 2000年3月23日中场上海根宝足球学校
徐越 1999年11月10日中场上海根宝足球学校
蒋圣龙 2000年12月24日后卫上海根宝足球学校
孙沁涵 2000年3月21日中场上海根宝足球学校
苏世豪根宝足校

上海申花：

刘若钒 1999年1月28日中场上海申花青年队

上海上港：

黄振飞 1999年2月10日前锋上海上港集团青年队
茆瑞

大连一方：

王献钧 2000年6月1日后卫大连一方青年队

江苏江阴：

齐雨熙 2000年11月21日守门员江苏江阴高中
黄聪 2000年12月10日前锋江苏江阴高中
倪寅 1999年1月24日中场江苏江阴高中
刘心想 1999年9月3日中场江苏江阴高中
孟振2000年2月16日中场江苏江阴高中
陈运涵

河南建业：

孙龙翔 29 孙龙祥？还是翔 2000年1月24日后卫河南建业青年队

北京万达：

李天昊 2000年2月18日后卫北京万达马竞2批

陕西足协：

张昊 1999年1月8日中场山西足协？山西还是陕西？

鲁能足校

这支99年龄段球队，一度是鲁能足校的骄傲，比如球队中的后防核心赵剑非，一度成为97国青队的主力中后卫。这支球队更取得无数辉煌，在他们U15年龄段期间，球队一度包揽U15联赛、U15锦标赛和
U15耐克杯六项冠军。而在更早之前，该球队在U13年龄段曾经创造过国内比赛44战39胜，进229球丢14球的纪录，外战欧洲和日韩球队，战绩也是10胜2平7负占据优势。

目前，鲁能足校U9-U19系列8个年龄段的梯队，其中U12、U14、U16这三个双数年龄段都是各有1支梯队，而U13、U15、U17的单数年龄段则全年保持两支队伍，此外U19在去年冬训锦标赛时分为A、B两队，其余时间保持U19一支队伍，再加上U11和U9/U10，约有12支队伍。

青训话题

2026-08-27T06:38:59.260487+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-02. Original URL: https://pacoxu.wordpress.com/2016/12/02/%e9%9d%92%e8%ae%ad%e8%af%9d%e9%a2%98/

国内青训话题

辽小虎
鲁能足校
根宝足校
杭州绿城
克劳琛国奥队
东北路小学

国外话题

曼联92班
拉玛西亚
阿贾克斯
冰岛青训
比利时足球计划
德国青训
东欧青训营
阿森纳
多特蒙德

中国现状

99后球员
U17国青队比赛安排
西班牙的小球员
1. 万达计划
2. 恒大足校

全国U18锦标赛小组赛第五轮&排位赛第一轮

2026-08-27T06:38:59.261796+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-05. Original URL: https://pacoxu.wordpress.com/2016/12/05/%e5%85%a8%e5%9b%bdu18%e9%94%a6%e6%a0%87%e8%b5%9b-%e5%b0%8f%e7%bb%84%e8%b5%9b%e7%ac%ac%e4%ba%94%e8%bd%ae%e6%8e%92%e4%bd%8d%e8%b5%9b%e7%ac%ac%e4%b8%80%e8%bd%ae/

12月3日，全国U18锦标赛进行了第五轮的较量。

北京青年1:0陕西足协，北京青年10号球员郑永宏打入全场唯一进球。

丽江源亨3:0海南中海，丽江源亨6号张继平、11号杨鹏及20号申童各入一球。

山东鲁能一队1:0恒大足校二队，山东鲁能一队24号刘综扬凭借点球为球队取得一粒进球。

上海上港3:1河南建业，上海上港11号黄振飞、7号商景霖及8号时间各进一球，河南建业20号闫浩打入一球。

山东鲁能二队4:0重庆足协，山东鲁能15号刘子鹏、19号李兴齐、11号景猛及9号张鑫童各进一球。

延边富德0:1广西，广西队10号陈在鸿打入全场唯一进球。

四川足协0:0华夏幸福A队。

上海申鑫0:1北京国安，北京国安11号胡大珩打入全场唯一进球。

北京控股2:1华夏幸福B队，北京控股9号张鼎康及26号燕姿旭各入一球，华夏幸福B队35号燕语打入一球。

第五轮比赛当日，所有官员、裁判员、运动队为巴西沙佩科恩斯俱乐部坠机事件中的所有遇难者默哀。

五轮过后，小组赛的比赛也告一段落。接下来，进入排名赛的较量。

以下为小组赛积分榜：

11月5日，全国U18锦标赛进入第二阶段排名赛的对决。

上海申鑫3:1重庆足协，上海申鑫11号球员国洪涛梅开二度、17号球员张世源打进一球。重庆足协5号球员叶帅攻入一粒进球。

延边富德0:1华夏幸福B队，华夏幸福B队25号李响打入全场唯一进球。

山东鲁能一队1:1重庆力帆，在点球的较量中，山东鲁能一队6:5战胜重庆力帆。山东鲁能一队进球队员为10号张啸天，重庆力帆进球队员为8号卢现勇。

北京控股2:3广西，北京控股9号球员张鼎康独中两元，广西队24号球员王建聪梅开二度、3号球员黄瑞源打进一球。

上海绿地申花3:2恒大足校二队。上海绿地申花进球队员为21号海小锐、9号何友骞、10号华琛南。恒大足校二队进球队员为7号蒋政杰、6号陈德跃。

河南建业1:0北京国安。河南建业15号朱志浩打入全场唯一进球。

北京青年在常规时间0:0广州足协。在点球大战中，北京青年3:4广州足协。

四川足协2:1山东鲁能二队，四川足协27号赵文智与14号周子恒分别打进一球。山东鲁能二队10号球员方昊打进一球。

大连一方3:4陕西足协。大连一方进球队员为9号林志强、4号朱明鑫、20号张建生。陕西足协进球队员为23号张帅、19号刘鑫宇、5号林泽恩、7号陈勇。
上海上港1:0华夏幸福A队，上海上港7号商景霖打入全场唯一进球。

本轮比赛丽江源亨与海南中海轮空。

明日将进行U18锦标赛第七轮比赛的较量，敬请关注！

足球学校

2026-08-27T06:38:59.263429+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-10. Original URL: https://pacoxu.wordpress.com/2016/12/10/%e8%b6%b3%e7%90%83%e5%ad%a6%e6%a0%a1/

名称	球队	地点	学费	年龄	联系方式	时间	其他
富力切尔西足球学校	广州富力	广东省梅州市梅县雁洋镇	30000元/人/学年（含学杂费、食宿费）	小班教育，08-03年龄段，8-13周岁	夏教练13824566261	2、校本部测试时间：10月17日-10月21日	学校网址：www.mzrfss.com 全国统一招生热线：4008-34-2777 0753-2529777 U11队伍获“足校联盟杯”冠军
鲁能足校	山东鲁能	走训班以潍坊奎文区、潍城区为主，兼顾坊子区、寒亭区、高新区等其他县市区。2.实验班以潍坊当地为主，面向山东，覆盖全国。	走训班每人每月收费360元，另收装备费600元。每月收取的费用主要支付队员的交通费、训练费、管理费等。 2.实验班每人每年收费22000元，含学习训练费、食宿费、装备费、保险费等。	2009-2006 年龄段	联系电话：0536—7902038 13906361736 联系人：郭老师、张老师潍坊市区招生电话：0536—3613333　联系人：苏老师	走训班2016年5月中下旬开班。2.实验班2016年8月底开班	走训班招生人数40-80人，招生年龄段为2009-2007年龄段队员。2.实验班招生人数80-120人，招生年龄段为2008-2006年龄段队员。学校地址：山东省潍坊市坊子区潍州南路246号（潍坊火车站或汽车站乘2路或36路公共汽车到学校下车即可，若乘机可到达济南或青岛机场后转乘机场大巴到潍坊后再到学校）。　　学校网址： http://www.lnschool.cn/
根宝足校	西班牙洛尔卡体育	崇明岛东平森林公园	1万－1.5万	不详	2159337030		没找到
上海上港申花	比较多	申花在康桥基地；普陀也有。					http://tieba.baidu.com/p/4347358451
恒大足校	广州恒大	学校地址：广东省清远市清新区龙颈镇	小学：50000元/学年/生（含学杂费、住宿费、伙食费、校服费）（对外国籍新生加收20000元/学年/生）	我校面向全国常年招收小学二至六年级热爱足球、身体健康的插班生。（9-12岁）	招生咨询热线：400 002 0823		学校网址：http://www.evergrandefs.com
广州市南沙区黄阁亿达足球俱乐部							由前中国国脚，外号“矮脚虎”之称的赵达裕先生于1999年创办，专注青少年足球培训，是中国十大青少年足球培训俱乐部之一。官方微信：gzydfc
绿城足校		绿城足球俱乐部自2015年已组建06年前出生的各级青少年梯队，足球学校竞训管理由日本专家担任，并兼副校长。小学一、二年级学生现视为准梯队队员培养，欢迎热爱足球，并具有优良身体素质和运动能力的有志者报考。	2、3万	高中一年级新生招生简章小学	招生咨询电话： 0571-88653603 谢老师	1.报名时间： 2016年4月1日—5月25日	http://www.zjlczx.com.cn/index.aspx?menuid=21&type=introduct&lanmuid=83&language=cn（择优录取）。传真号码： 0571-88653602 学校网址： www.zjlczx.com.cn
北京三高
苏宁之前跟帕尔玛合作，现在计划跟国米一起办足校。
火车头
宋庆龄

cmgb

2026-08-27T06:38:59.266144+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-11. Original URL: https://pacoxu.wordpress.com/2016/12/11/cmgb/

http://tieba.baidu.com/p/4895443146

http://bbs.hupu.com/11124539.html

中国球员95后新星～2016

2026-08-27T06:38:59.267253+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2016-12-25. Original URL: https://pacoxu.wordpress.com/2016/12/25/%e4%b8%ad%e5%9b%bd%e7%90%83%e5%91%9895%e5%90%8e%e6%96%b0%e6%98%9f%ef%bd%9e2016/

@2016年12月26日

前锋张玉宁97（荷甲第8）、韦世豪95（葡甲18名）、林良铭97（西乙B第二组第8）、双必嘉97（西乙B第二组第2）、杨立瑜97（葡锦标赛第三级别）、胡靖航97（上海上港）、刘越97（浙江毅腾）、单欢欢99（北京国安）、刘若钒99（比利亚雷亚尔U18）、陶强龙01（鲁能足校）、宁伟辰97（葡甲第4）、唐诗95（葡超第13）
中场张修维96（天津权健）、何超95（长春亚泰）、汪晋贤96（大连一方）、严鼎皓98（葡超U19联赛第1）、阿布杜力艾则孜97（新疆天山）、南小亨95（新疆天山）、张奥凯00（广州恒大）、高天意98（深圳佳兆业）

后卫高准翼95（华夏幸福）、李晓明95（河南建业）、陈泽鹏96（广州恒大）、刘奕鸣95（天津权健）、明天95（武汉卓尔）、黄政宇97（广州富力）、董岩峰96（大连一方）、黄博文96（申花／卓尔）、胡睿宝96（恒大／曼城）、刘浩96（贵州智诚）

门将周煜辰95（河北华夏）、聂旭冉97（河北精英传媒）

埃梅里：还是太年轻呀

2026-08-27T06:38:59.268527+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-03-18. Original URL: https://pacoxu.wordpress.com/2017/03/18/%e5%9f%83%e6%a2%85%e9%87%8c%ef%bc%9a%e8%bf%98%e6%98%af%e5%a4%aa%e5%b9%b4%e8%bd%bb%e5%91%80/

主场 4:0 大胜巴塞罗那，为自己联赛减减压。

然而客场 1:6大败，不仅创下了历史，也被钉在了耻辱的柱子上。

当然客场裁判多次判罚却是影响了一些比赛进程，但是PSG 巴黎圣日耳曼必须为自己的保守和差劲的表现买单。

两次点球加上几次判罚，确实也影响了解决。

埃梅里联赛还差3.5分，欧冠出局，国内杯赛还需要面对强大的摩纳哥，埃梅里想救赎自己，必须努力了，稳住帅位，然后明年欧冠再来。

帕科俱乐部赛事 50球 get√7场3球2助攻嗅觉归来

2026-08-27T06:38:59.269769+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-04-03. Original URL: https://pacoxu.wordpress.com/2017/04/03/%e5%b8%95%e7%a7%91%e4%bf%b1%e4%b9%90%e9%83%a8%e8%b5%9b%e4%ba%8b-50%e7%90%83-get%e2%88%9a7%e5%9c%ba3%e7%90%832%e5%8a%a9%e6%94%bb%e5%97%85%e8%a7%89%e5%bd%92%e6%9d%a5/

93年8月30日出生的帕科，本场比赛之后，完成了俱乐部一线队正式比赛的第50球。

2017年以来仅仅出场7次，累积256分钟，但是帕科抓住了少有的机会3球2助攻，帕科能否更进一步？

最近基本也是替补出不来场为主，相比前半个赛季让人绝望的表现，帕科正在找回自己的路上。加油，paco alcacer！

上图显示了帕科俱乐部正式比赛前50球的对手和进球数，只计算西甲、国王杯、欧联杯（因为帕科，在只踢过的两届欧冠中，还没有取得进球只有可怜的2次助攻）。虽然对巴萨皇马马竞都取得过进球，但是还未攻破过老东家瓦伦西亚以及塞维、潜艇等球队的大门。

此外，帕科在西班牙国家队打入6球，其中五球是2016欧洲杯预选赛打进的，是队内预选赛最佳射手。

[加油][加油][加油][加][油][恭][喜]俱乐部50球达成。[红了][红了]

埃梅里夺法国双杯，帕科俱乐部首冠国王杯

2026-08-27T06:38:59.271160+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-05-28. Original URL: https://pacoxu.wordpress.com/2017/05/28/%e5%9f%83%e6%a2%85%e9%87%8c%e5%a4%ba%e6%b3%95%e5%9b%bd%e5%8f%8c%e6%9d%af%ef%bc%8c%e5%b8%95%e7%a7%91%e4%bf%b1%e4%b9%90%e9%83%a8%e9%a6%96%e5%86%a0%e5%9b%bd%e7%8e%8b%e6%9d%af/

PSG 第一年 埃梅里表现不及格，拿下了法超杯、法联杯、法国杯。但是最关键的比赛却没拿下，上半赛季表现太差导致一直在追赶，但是如果你看到摩纳哥是12连胜收官，19场不败结束赛季，下半赛季拿的分其实比巴黎还多，上半程其实领先的是尼斯，摩纳哥追上去了，巴黎没追上去。

而欧冠小组赛，两平阿森纳没有足够的霸气，打阿森纳看看拜仁和巴萨，如果做不到还是别考虑争冠了。之后淘汰赛抽到巴萨如坐过山车，4:0大胜巴萨不是谁都做得到的，但是1:6输给巴萨。明年如果欧冠不能有所突破还是走吧。联赛必然夺回来，姆巴佩确实强，摩纳哥今年确实会人才流失几个，不过也不知道会不会补强多少。

帕科国王杯决赛打进一球，这也是他第一个俱乐部正式比赛的冠军，2016-17赛季国王杯。下半赛季 8球的数据还可以了，下赛季希望能有所突破。别在那么不积极了，甘当替补，和努力去争取出场时间是两回事，加油吧。

穆斯塔菲在阿森纳拿到了足总杯。
皮亚蒂在西班牙人进入的西甲2016-17赛季最佳阵容。
索尔达多伤了半个赛季，复出进了几个球，最后还进了瓦伦一球，结果签名太多直接被球队大巴抛弃了。
费古利在西汉姆联最后获得了一些机会。
内格雷多巴拉甘的米堡降级了。
拉涅利离开了，贝尼特斯带队升级成功。
德保罗、巴内加都在意甲混日子。
比利亚在美职联养老，偶尔还进个漂亮的。
马塔席尔瓦老样子，年纪也渐渐大了。
瓦伦二队竟然升级附加赛进入第二轮了。
莱万特二队竟然也在升级附加赛里。
根宝的球队升级成功，简直牛逼爆了。

2017-18赛季帕科－阿尔卡塞尔 7球3助攻 @巴塞罗那

2026-08-27T06:38:59.272641+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-08-13. Original URL: https://pacoxu.wordpress.com/2017/08/13/2017-18%e8%b5%9b%e5%ad%a3-%e5%b8%95%e7%a7%91%ef%bc%8d%e9%98%bf%e5%b0%94%e5%8d%a1%e5%a1%9e%e5%b0%94-%e5%b7%b4%e5%a1%9e%e7%bd%97%e9%82%a3/

前情回顾：2016/17赛季三千万转会巴萨 28次出场8球4助攻，仅首发11次。

俱乐部

季前赛2次首发2次替补 1球

巴塞罗那vs曼联，替补出场，险些抢断罗梅罗。

任意球破门 1:1 绝平西乙球队塔拉戈纳。79分钟，帕科主罚前场任意球，皮球绕过人墙飞入球门右上角。

甘伯杯，巴塞罗那5:0沙佩科人替补出场，最后时刻罚丢点球，点球被扑出补射踢空。

巴塞罗那内马尔离队、德乌洛费乌回归、穆尼尔回归

西超杯

07-23 06:00	国际冠军杯	尤文图斯	1–2	巴塞罗那
07-27 07:30	国际冠军杯	巴塞罗那	1–0	曼联
07-30 08:05	国际冠军杯	皇家马德里	2–3	巴塞罗那
08-05 02:00	友谊赛	塔拉戈纳	1–1	巴塞罗那	下半场任意球破门扳平比分。
08-08 02:30	友谊赛	巴塞罗那	5–0	沙佩科人	最后时刻射丢点球
08-14 04:00	西超级杯	巴塞罗那	1–3	皇家马德里	替补出场7分钟。
08-17 05:00	西超级杯	皇家马德里	2–0	巴塞罗那	替补未出场
08-21 02:15	西甲1 轮	巴塞罗那	2–0	皇家贝蒂斯	首发，82分钟被换下
08-27 00:15	西甲2 轮	阿拉维斯	0–2	巴塞罗那	57分钟替补出场，1次助攻。
09-10 02:45	西甲3 轮	巴塞罗那	5–0	西班牙人	替补未出场
09-13 02:45	欧冠1 轮	巴塞罗那	3–0	尤文图斯	受伤未进入大名单
09-16 22:15	西甲4 轮	赫塔费	1–2	巴塞罗那	受伤未进入大名单
09-20 04:00	西甲5 轮	巴塞罗那	6–1	埃瓦尔	未进入大名单
09-24 02:45	西甲6 轮	赫罗纳	0–3	巴塞罗那	替补未出场
09-28 02:45	欧冠2 轮	葡萄牙体育	0–1	巴塞罗那	技术原因落选大名单
10-01 22:15	西甲7 轮	巴塞罗那	3–0	拉斯帕尔马斯	未进入大名单
10-15 02:45	西甲8 轮	马德里竞技	1–1	巴塞罗那	未进入大名单
10-19 02:45	欧冠3 轮	巴塞罗那	3–1	奥林匹亚科斯	替补未出场
10-22 02:45	西甲9 轮	巴塞罗那	2–0	马拉加	83分钟替补出场
10-25 03:30	国王杯	穆尔西亚	0–3	巴塞罗那	首发打满全场，打入一球
10-29 02:45	西甲10 轮	毕尔巴鄂竞技	0–2	巴塞罗那	替补未出场
11-01 03:45	欧冠4 轮	奥林匹亚科斯	0–0	巴塞罗那	替补未出场
11-05 03:45	西甲11 轮	巴塞罗那	2–1	塞维利亚	首发，66分钟被换下，打入两球。
11-18 23:15	西甲12 轮	莱加内斯	0–3	巴塞罗那	首发，82分钟被换下，助攻1球。（前两次进球都源于他射门被扑）
11-23 03:45	欧冠5 轮	尤文图斯	0–0	巴塞罗那	替补未出场
11-27 03:45	西甲13 轮	瓦伦西亚	1–1	巴塞罗那	替补未出场
11-30 02:30	国王杯	巴塞罗那	5–0	穆尔西亚	首发打满全场，打入一球

12-02 20:00	西甲14 轮	巴塞罗那	2–2	塞尔塔	79分钟替补出场。
12-06 03:45	欧冠6 轮	巴塞罗那	–	葡萄牙体育
12-11 03:45	西甲15 轮	比利亚雷亚尔	–	巴塞罗那
12-17 23:00	西甲16 轮	巴塞罗那	–	拉科鲁尼亚
12-23 20:00	西甲17 轮	皇家马德里	–	巴塞罗那
01-07 23:00	西甲18 轮	巴塞罗那	–	莱万特
01-14 23:00	西甲19 轮	皇家社会	–	巴塞罗那
01-21 23:00	西甲20 轮	皇家贝蒂斯	–	巴塞罗那
01-28 23:00	西甲21 轮	巴塞罗那	–	阿拉维斯
02-04 23:00	西甲22 轮	西班牙人	–	巴塞罗那

西甲联赛（4球3助攻）

北京时间8月27日凌晨0:15，西甲第2轮的一场比赛，由巴塞罗那客场挑战阿拉维斯。替补上场的帕科头球助攻梅西再下一城完成梅开二度。

西班牙前锋帕科-阿尔卡塞尔便上演了梅开二度好戏，最终他帮助红蓝军团主场2-1击败塞维利亚，并且继续高居西甲积分榜榜首。上半场第23分钟，塞维利亚左边后卫塞尔吉奥-埃斯库德罗出现失误，阿尔卡塞尔破门得分，1-0。第64分钟阿尔卡塞尔帮助巴塞罗那再次取得领先，当时他接到拉基蒂奇的右边路传中，并且以一名传统中锋的方式凌空垫射得手，2-1。

北京时间11月18日23:15，西甲第12轮的一场比赛，由巴塞罗那客场挑战莱加内斯。上半场，帕科小角度抽射造门将扑球脱手，苏亚雷斯门前射空门先开记录。下半场，苏亚雷斯凌空斩射破门完成梅开二度，保利尼奥替补破门。最终，巴塞罗那客场3-0胜莱加内斯。

第28分钟，帕科小角度抽射迫使门将扑球脱手，苏亚雷斯门前抽射破门，巴萨1-0莱加内斯！

第60分钟，还是帕科的凌空抽射被扑，苏亚雷斯后点位置凌空斩射破门扩大比分，巴萨2-0莱加内斯！

国王杯

北京时间10月25日3:30，西班牙国王杯第四轮首回合，巴萨客场挑战西丙球队穆尔西亚。上半场帕科头球打进个人赛季首球，下半场德乌洛费乌和小将阿奈斯分别凭借个人能力破门，最终巴萨客场取胜，占得晋级先机。

北京时间11月30日2:30，西班牙国王杯第4轮次回合继续展开争夺，巴萨主场迎战穆尔西亚。本场比赛，帕科门前头球破门先开记录，比达尔完成传射，皮克破门，罗贝托复出助攻德尼斯-苏亚雷斯推射得分，小将阿奈斯禁区内接应德尼斯-苏亚雷斯助攻劲射破门。最终，巴塞罗那主场5-0大胜穆尔西亚，总比分8-0晋级。

2017十一十一日游记

2026-08-27T06:38:59.278701+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-10-17. Original URL: https://pacoxu.wordpress.com/2017/10/17/2017%e5%8d%81%e4%b8%80%e5%8d%81%e4%b8%80%e6%97%a5%e6%b8%b8%e8%ae%b0/

9月30日，高铁上海到武汉，户部巷小吃，

面人老伯伯捏了个瓦伦西亚队徽，相当认真虽然字母还是拼错了，但是真的挺细的－－

黄鹤楼兜兜转转，黄鹤楼比想象中高大华丽，但是缺了几分古朴与简练，现代建筑太过于厚重和强硬，没有武侠书里酒馆的人气，也没有诗里的仙气。时过境迁，但是登高远眺遥想故人却依旧是人们的习惯。反而会记起南京的阅江楼，多一份宁静和孤独。

大楚已亡，莫名想到楚霸王项羽兵败之后，只剩下义士在黄鹤楼插旗纪念。又想起那个实在的楚王，蛮荒之地为何要去入侵中原。

岳飞：还我江山。岳飞就算登上黄鹤楼，似乎也远眺不到他希望恢复的国土。山川即是防御的屏障，也阻隔了宋军北上的路。

打车去坐地铁;地铁到了楚河汉街附近，

吃了个烤海鲜，蛏子＋小闸蟹＋扇贝生蚝，看着中超比赛，看了半场。风格很想厦门的蒸汽海鲜，只是这次是海鲜烧烤和小炒，并非蒸海鲜。当然也就没有海鲜粥，只有王老吉。

打的到武汉大学，找到青年旅舍，已经十点，出去晃了一会，太累了在武大门口坐了会儿，回到旅店睡下。太阳雨青年旅舍木有招牌，就是一个宿舍楼的一层套房。位置标记也有些偏差。
花销：300+ 火车 400

10月1日，梅斯塔利亚骑士过来请我吃了个饭，好久没跟人聊瓦伦了，江南小观园，吃了湖北的鱼和小菜。武大喝了杯咖啡，骑车穿过武大，绕着东湖骑到了湖北博物馆，越王勾践的宝剑、梁王墓逛了一大圈，最多的就是漆器，买了个屈原的书签。到旁边美术馆，发现已经5点进不去了。骑车绕着一个湖到了万达，喝了杯咖啡，走到楚河汉街，看着很多吃的也不想吃，到火车站旁边看了部电影《捍卫者》，吃了个水饺，打车去了汉江住下。

国军抗战片少之又少，电影本身谈不上优秀，但是这份怀念却是我们欠的。可以说每个国人都欠的。
花销：400

10月2日，在街上闲逛了一会，高铁去兰州。买了当晚最晚的一张《追龙》的电影票，看完电影在万达附近住下。好久没看这么爽的港片，也许是太久没怎么去看黑社会电影了。
花销：300+火车600

10月3日，骑车沿着黄河，找了家牛肉面馆，路过了一下中山桥，不太想去爬山，在市区转了一圈。

下午无聊看了部《英伦对决》，然后去火车站坐车去西宁，步行酒店。看了会《箭士柳白猿》。

看着63岁的成龙，绝望的眼神，疲惫的神态，心碎，也是一份对初中高中的怀念。警察故事什么时候会再来一部经典呢。挺喜欢吴彦祖、谢霆锋那部新警察故事的。

花销： 400

10月4日，西宁市区的南小街逛了一圈，喝杯咖啡，吃了顿半斤牛肉5串羊肉串1串羊腰子；

下午去了趟青海博物馆，藏传佛教很多东西，佛像为主。

来到东关清真大寺，马步芳公馆没开门，于是抓紧去排队吃了手抓羊肉和牛腩。逛了一圈就回去休息了。睡前看了部心理罪。
花销：500

10月5日，跟团一大早西宁宾馆，到了青海湖骑行了1小时，吃了个川菜就去了茶卡盐湖。

小火车进去，坐着吹吹风，思考着人生。下午吃完东西就坐车坐车到了一个集装箱的地方，冷得要死，幸亏买了条秋裤。
报团400 ＋ 300

10月6日，6点起来看日出，日出一辈子就看过那么2次吧，真的漂亮。

This slideshow requires JavaScript.

来到二郎剑，想看悟空传，回来路上就下单了。然后到了一个草原，金银滩吧。山坡上骑马感觉没太大意思，好像骑马冲下山坡。只是想想。然后车开到了祁连山，海拔到了4000米，十六的月亮又圆又亮，很近近到追日的感觉，雪山就在眼前。

雪山融水冲击一条条小小的河沟。徒步走了一段，还是往日的好动石头间跳来跳去，好累，吸口氧真爽。到了祁连，总于可以自己吃东西，涮羊肉，好实在。就是牦牛和肥羊真的好难嚼。
花销：报团400 ＋200

10月7日，到了卓尔山，看着西夏烽火台，想起了天龙八部。一路走上去想了很多。就这样结束了一段跟团的行程。来到西宁还早，又去吃了顿好吃的手抓羊肉和洋芋。然后到了住的地方。

花销：报团400 ＋ 400

10月8日步行到了一个城门，公交到了塔尔寺，寺院挺大的，很多虔诚的人，但也有为了拍照争吵的人。静静地慢慢的走，累了就坐在台阶上歇歇。下午没什么想去的地方，在街区转了转，吃了顿青海版本的京酱肉丝，另外中午的烤羊肠真的难吃。晚上的火车睡了一觉到了西安。
花销：200+火车票300

10月9日先到酒店住下，骑车去了小雁塔，也就是西安博物馆.

看完盛唐，很想去趟大明宫。

顺路去陕西博物馆，结果周一闭馆，只能去旁边的大雁塔和慈恩寺遗址看了下，路过了其他几个寺庙。中午吃了肉夹馍。骑车从城南一路骑到城北。到了大明宫遗址，遗址面积很大，却没有建筑，只剩下遗址的断垣。

旁边的微型还原还是很逼真的。中心地下有一个小博物馆介绍大明宫的起起落落。

看完一阵常苍凉。晚上到了长安大排档吃的很爽，看了会皮影戏。沿着城墙骑了一圈。还早，于是去了趟电影院，看了下《羞羞的铁拳》，果然不好看。
花销：450

10月10日直接去了陕西博物馆，时间有限看完咸阳、长安的兴衰，华丽而有想象力。

碑林和城墙逛了一圈。吃了顿春发生（http://m.dianping.com/appshare/shop/550414?from=groupmessage&msource=share&second_s=true）的羊肠泡馍和邦邦肠。之后只能赶紧去了咸阳机场，回到上海。
花销：200+机票750

总预算：11天路费2k＋住宿2k＋报团1.4k＋吃喝玩乐2k内。

万达计划球员现状收集（回归球员、西班牙U19联赛球员）

2026-08-27T06:38:59.281741+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2017-12-10. Original URL: https://pacoxu.wordpress.com/2017/12/10/%e4%b8%87%e8%be%be%e8%ae%a1%e5%88%92%e7%90%83%e5%91%98%e7%8e%b0%e7%8a%b6%e6%94%b6%e9%9b%86%ef%bc%88-%e5%9b%9e%e5%bd%92%e7%90%83%e5%91%98%e3%80%81%e8%a5%bf%e7%8f%ad%e7%89%99u19%e8%81%94%e8%b5%9b/

回国

参考链接： https://tieba.baidu.com/p/5453995485?pn=1

近期进行的 U19 锦标赛，大连一方名单

后排：？、5号朱家漩

前排：容琳朝、万志磊、尹嘉豪

容琳朝（马竞一期）1999年9月23日
朱家漩（比利亚雷亚尔一期自己签约、非万达计划）
苏金毅（瓦伦一期，门将，大连一方， 1999年4月30日， Domingo）杭州绿城出品门将，浙江丽水人
黄嘉辉（瓦伦一期，中后卫，大连一方， 2000年10月7日 Rami）司职后卫来之上海平四小学籍贯安徽毫州。
罗红石（瓦伦一期，后卫）1999年1月22日。后卫 Santiago。
尹嘉豪（瓦伦二期，前国少）Alex 2000年1月2日，后卫。
白旭耀（瓦伦一期，边前卫，Diego ）1999年7月10日。
杨伟浩（瓦伦一期，边前卫，大连一方）前锋广州二队出来的，广东茂名人，1999年6月18日。也是第一批去西班牙的。
张君淏（比利亚雷亚尔二期）2000年8月4日，广州足协。
姜韬（马竞二期）2000年6月4日，大连实德。
万志磊（马竞一期）武汉足协湖北武汉人，1999年2月26日出生。

白旭耀和罗红石还去参加了“我要上奥运”选拔。

不在名单里的：

杨绍博（马竞二期）北京越野山东济宁人 2000年5月20日出生。

其他

白皎海（马竞三期），出生于2001年2月19日，出自著名的大连东北路小学，2014-17年在马德里竞技俱乐部接受培训。试训北京国安。
郑智铭（瓦伦一期，中前卫/中卫）后在马竞2年，2017年底回国加盟了广州富力。
谢龙飞（比利亚雷亚尔二期，湖北人，绿城出品，2000年7月15日）99年？，奥运选拔比赛代表国安出场。去年结束培训后回国。

西班牙（待更新）

万达学员迎西班牙联赛首秀梁欢、姚焱峰、郑誉江三名99年小将亮相西班牙青年联赛赛场

刘凯杰（瓦伦一期深圳人后卫 1999年2月4日），现年18岁的中国球员刘凯杰已正式签约西班牙莱万特足球俱乐部。此次刘凯杰签下的是一份2+2合同，第一年将在青年队度过，第二年则进入莱万特竞技，即莱万特B队。
梁欢（马竞一期）前锋，阿尔卡拉U19A队，西班牙全国U19联赛（第2级）。山西足协内蒙古乌兰察出生，1999年8月2日。第12轮，收获个人西班牙正式联赛首球！同时，这也是他的第二场正式联赛。

姚焱峰（瓦伦一期，3年期满后转到马竞培训边锋［左］）阿尔卡拉U19A队，替补出场。1999年8月20日 Leon 后卫。湖北武汉人。
王竹青（瓦伦二期，）克拉克斯U19A队，主力后卫。西班牙瓦伦西亚自治区U19优选联赛(3) 。2016/17赛季，王竹青离开万达转投阿尔沃赖阿U19梯队，参加西班牙当地正式联赛。作为球队主力左后卫，王竹青上赛季共出场30次，打进1球。Lucas 后卫 2000年1月7日。北京三高。
郑誉江（瓦伦一期，前腰）马亚达洪达U19B队，西班牙马德里自治区U19甲级联赛(3)Marcos 中场 1999年2月28日？湖北十堰。

12月4日，梁欢这粒进球不仅对于梁欢意义重大，对于已持续五年半的万达西班牙计划更有里程碑式的意义。随着第一批学员年满18岁，其中的佼佼者陆续与马竞签约并分散至各合作俱乐部进行注册参赛培养，万达学员终于第一次亮相西班牙正式联赛的舞台，而梁欢的这粒进球同样也是万达学员在西班牙正式联赛中打进的第一粒进球。随着冬季转会窗的开启，未来将会有更多万达学员亮相西班牙联赛舞台，他们的表现值得期待。

埃梅里前传：退役到升入西乙，再到西甲他只用了3个赛季；瓦伦危机中最稳定的3年

2026-08-27T06:38:59.283815+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2018-05-24. Original URL: https://pacoxu.wordpress.com/2018/05/24/%e5%9f%83%e6%a2%85%e9%87%8c%e5%89%8d%e4%bc%a0%ef%bc%9a%e9%80%80%e5%bd%b9%e5%88%b0%e5%8d%87%e5%85%a5%e8%a5%bf%e4%b9%99%ef%bc%8c%e5%86%8d%e5%88%b0%e8%a5%bf%e7%94%b2%e4%bb%96%e5%8f%aa%e7%94%a8%e4%ba%863/

这是07年－13年写的，之前在混贴吧。

职业生涯：巴斯克人不算辉煌的职业生涯，足球传统的家庭

埃梅里出生在一个有足球传统的家庭，爷爷安东尼奥是名门将，1918-1927年效力于巴斯克地区的皇家联邦，夺得了2次西班牙杯冠军（也就是前国王杯，埃梅里自传里写的是3次，不过资料显示这段时间该队只获得了2次，秉着低调淡定的态度，就当2次吧）。他的父亲胡安继承父业，同样为皇家联邦效力过，不过也同样在Alaves、希洪竞技、格拉纳达、维尔瓦等球队。

教练生涯起航：退役并带队升级，一段传奇的小故事

第一年的成功给了少帅很大的自信，在西乙洛尔卡体育表现出一副初生牛犊不怕虎的气势。可惜运气不佳，落后第三名莱万特5分，未能升级。19胜12平11负的战绩让西乙的小哥们刮目相看。

正是在洛尔卡的成功，埃梅里被阿尔梅里亚看上，埃梅里也深知带领洛尔卡升级的难度，西乙第五名的成绩是几乎达到了这支小俱乐部的极限。在阿尔梅里亚，开局三连败并没有击垮巴斯克人，之后阿尔梅里亚逐渐找回状态，知道下半程开始，连续的12场不败，带领阿尔梅里亚提前多轮就获得了升级资格。

不得不说这赛季的结果得益于主场的优秀表现：

这是埃梅里第一段执教经历，借这个跳板，埃梅里来到了西班牙顶级联赛。

埃梅里正传：西甲起航，挽瓦伦于将倾

2026-08-27T06:38:59.288077+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2018-05-24. Original URL: https://pacoxu.wordpress.com/2018/05/24/%e5%9f%83%e6%a2%85%e9%87%8c%e6%ad%a3%e4%bc%a0%ef%bc%9a%e8%a5%bf%e7%94%b2%e8%b5%b7%e8%88%aa%ef%bc%8c%e6%8c%bd%e7%93%a6%e4%bc%a6%e4%ba%8e%e5%b0%86%e5%80%be/

西甲首秀，下半程发力力挫各大豪门

2007年，终于来到西班牙最高级别联赛的埃梅里的兴奋性彻底被调动起来，自信的呼吸着西甲赛程美妙的空气。上半程变现还算稳定，不过被皇马、巴萨、瓦伦西亚欺负了一次。埃梅里可谓卧薪尝胆，低调学习，准备发威。下半程埃梅里彻底爆发，4连胜，西班牙人、拉科鲁尼亚、瓦伦西亚、皇家马德里纷纷被他挑落马下，之后巴萨在阿尔梅里亚主场也只是带走一分。升班马让人着实惊了身冷汗。联赛第九的排名让阿尔梅里亚非常满意，不过埃梅里并不满意这样的成绩。

入主梅斯塔利亚，瓦伦年年买人依然保持战斗力

蒂诺科斯塔有点欧冠大CAR的感觉。里卡多、若纳斯、比利亚、玛塔、莫伦特斯。

2008赛季，埃梅里成为了梅斯塔利亚的主人，前八轮六胜两平的梦幻开局，后面的事情先不说了，康桥来吧！这个你输，07很失望，08看球不多。

2009，埃梅里吸取了上赛季客场成绩太差的教训。

这是08赛季的客场战绩，实在有点差不忍赌。埃梅里把球队打造成了客场龙。

比利亚和席尔瓦的双星闪耀带来了欧冠资格，埃梅里终于登上了更高的舞台，欧冠赛场。下面是上赛季的积分榜。

和弗格森（在梅斯塔利亚）

和瓜迪奥拉

2010\2011赛季，瓦伦西亚依然拿到了欧冠名额，在比利亚、席尔瓦双子星出走后，前场新加盟的阿杜里兹和索尔达多担负起进球的责任。马切纳、阿莱克西斯、巴拉哈都离开了，上赛季大名单中10人离开，注入了蒂诺科斯塔、R科斯塔、费古利的新鲜血液。
从队员实力上讲，球队下滑了很多，但是赛季初的状态不错，一度在积分榜领跑。之后，瓦伦西亚还是顶不住巴萨、皇马西超的冲击，艰难领跑“西甲”直到最后。

2010/2011赛季，欧冠联赛瓦伦介绍。
由于上赛季欧联杯最后一场和马竞的比赛，埃梅里被红牌罚下，第一场欧冠比赛，埃梅里在看台上度过。小组赛阶段，瓦伦同英超冠军曼联、苏超两强之一的格拉斯哥流浪者、土超新贵布尔萨体育分在一组，首场比赛4:0客场横少了布尔萨体育，之后在主场一球小负曼联。在和流浪者的连续作战中，客场依靠对手的乌龙球惊险的取得一分，回到主场索尔达多发威3:0完胜奠定了出现权。之后，主场6:1大胜布尔萨体育，成功出线，最后一轮变成了小组头名之争。瓦伦客场取胜方可拿到小组第一。5轮过后，曼联一球不失，在老特拉福德，凭借巴勃罗的进球和古埃塔的神奇表现，瓦伦战平曼联，只拿到了小组第二。

之后，在淘汰赛抽签中，瓦伦碰上了沙尔克04。主场占尽优势的情况下，本以为可以取胜，劳尔经验老到扳平了比分，也为之后瓦伦被淘汰埋下伏笔。客场比赛1:3不敌沙尔克，饮恨出局。

这是埃梅里第一次欧冠之路，小组赛表现中规中矩，淘汰赛显得经验不足。

参考资料

参考资料：
埃梅里官网——埃梅里的自传、埃梅里教练生涯
买彩网——西乙积分榜

缺少资料：
埃梅里执教的第一个赛季西丙的积分榜

P.S.相关信息介绍

【皇家联邦俱乐部】
——埃梅里的老爸和爷爷的母队。
皇家联合

建队时间：1915
主场：巴斯克加尔体育场
容量：5000
目前主席：里卡多加西亚阿里亚斯
主教练：伊纳基阿隆索

球衣：主场：白衣黑裤黑袜
客场：红黑横条衣红裤红袜

球队荣誉：
西班牙杯（国王杯前身）冠军：1913、1914、1924、1927
北部联赛冠军：1917-1***
西班牙乙级B联赛小组冠军：02-03，08-09

俱乐部简介：
皇家联合的前身叫做埃伦足球俱乐部，早在1913年，埃伦俱乐部在西班牙杯决赛中1：0击败同样是来自巴斯克地区的毕尔巴鄂竞技队，获得俱乐部史上第一个冠军。

1915年埃伦足球俱乐部被国王阿方索八世纪命名为皇家联合俱乐部。在西班牙第二共和国时期，曾经恢复埃伦俱乐部的旧名，此后皇家联合曾在20年代之际又3夺西班牙杯。1929年西班牙建立了自己的足球联赛，皇家联合是第一批参加联赛的10支球队之一，在西甲征战了4个赛季，最好成绩是29-30赛季的第6名，而31-32赛季，该队名列联赛最后1名，惨遭降级。

接下来就是皇家联合的每况愈下的历史，在西乙挣扎了7个赛季后，他们降到西丙联赛，8个赛季后，50-51赛季再度降级，成为地区球队（当时西班牙联赛就4个级别），接下来的40年，皇家联合主要在西丙厮混，期间3次升上西乙，但很快又降级，在70年代中期又降级到地区联赛。

直到93-94赛季，西班牙低级别联赛重新分组，乙级B（第三级别）4组，每组20支球队，皇家联合队凭借上个赛季的优异表现，获得乙级B的名额，皇家联合曾在02-03赛季获得过西乙B第二组的冠军，但在升级淘汰赛中败北，未能升级。08-09赛季，该队在国王杯中大爆冷门，淘汰了皇家马德里，杀进16强，而联赛中，也获得了乙级B第一组的冠军，在升级淘汰赛中，首轮0：1 1：1卡迪斯队，附加赛第二轮 1：1，1：0胜萨巴德尔，第三轮 3：1 0：0胜阿尔科孔（就是今年国王杯淘汰皇马的那个队），升上西乙。

【西班牙乙级B联赛升级规则】
一共分4个组，每组20支球队，每个组先进行双循环赛，每组前4名晋级淘汰赛。
淘汰赛赛制（都是两个回合）：
半决赛：4个组的第一名先进半决赛，获胜的2队进入决赛，同时直接升级，失败的2队参加附加赛第二轮

决赛：半决赛获胜的2队进行决赛，胜者就是西班牙乙级B联赛冠军

附加赛第一轮：其余每组2-4名共12队，分成6组比赛，获胜的6队晋级第二轮
附加赛第二轮：首轮获胜的6队+半决赛落败的2队进行比赛，获胜的晋级第三轮
附加赛第三轮：第二轮获胜的4队参加，胜出的2队升级。

统计数据

3个赛季的积分是52分（阿尔梅里亚）、62分（初来咋到）、71分（小有感觉）

本赛季已经16分，西甲积分201分，瓦伦149分。

西乙积分：80（阿尔梅里亚升级）69（洛尔卡体育升班马）
一共149分。

联赛进球、丢球
07-08 41球、45球（阿尔梅里亚）
08-09 68球、54球
09-10 59球、40球
10-11 64球、44球
11-12 26球、16球到17轮
西甲 258球、199球
瓦伦 217球、154球

本赛季打入11球，丢4球。

其中7：0大胜根克的比赛时俱乐部史上欧冠赛场最大赢球比分。

这个是把国王杯、欧冠、欧联杯、超级杯全算上，本赛季比赛场次最多，不过胜场基本维持，变化不大。

时间【埃梅里记录】
2009-2012 ★★连续三次进入欧冠正赛★★
5/26/2008 瓦伦西亚★★最年轻★★主帅

同时，埃梅里是瓦伦西亚第一个★★巴斯克教练★★。
2012/03 西甲历史上第一次，★★副班长在人数比分都处于劣势的情况下客场取胜★★。
2008-2012 执教瓦伦西亚正式比赛220场，胜率48.6%，其中联赛152场，胜率50.7%。

执教场次排名★★历史第三★★，落后于Jacinto Quincoces的229场和迪斯蒂法诺的303场
2010-11 ★★客场比赛11场胜利★★，打平历史记录。
2010-11 距离最佳客场战绩仅差2分，客场11胜3平5负。之前记录是11胜5平3负。
2011 在★★西甲历史积分榜★★上，率领瓦伦西亚超越毕尔巴鄂竞技称为积分第三的俱乐部

截止2011/12赛季结束，瓦伦西甲历史总积分是3105。
2011 ★★欧冠最大比分胜利★★瓦伦西亚主场7:0大声根克
2011 俱乐部西甲★★第四千个进球★★，瓦伦西亚2:0赫塔菲，蒂诺科斯塔的入球。
【告别赛】埃梅里的瓦伦西亚告别赛对手正是他亮相西甲时代表的球队：1995-96赛季，他为皇家社会出战5次，打进1球，当时的对手是阿尔巴塞特。

【非官方】据不完全统计埃梅里是瓦伦西亚历史上在教练席为瓦伦西亚运动量最大的主教练。

【盈利】埃梅里帮瓦伦还债，具体数字不好统计

【青训贡献】将阿尔巴培养成西班牙国脚，在任期间，索尔达多、阿杜里兹、巴勃罗进入过西班牙国家队。贝尔纳特、帕科还在上位路上。

【青训悲剧】伊斯科出走。

和Esteban Vigo埃斯特班维戈——赫库斯主教练

基克弗洛雷斯

［毒奶］帕科在沉寂中爆发、埃梅里在不被看好的情况下连胜找回状态

2026-08-27T06:38:59.293128+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2018-10-06. Original URL: https://pacoxu.wordpress.com/2018/10/06/%ef%bc%bb%e6%af%92%e5%a5%b6%ef%bc%bd%e5%b8%95%e7%a7%91%e5%9c%a8%e6%b2%89%e5%af%82%e4%b8%ad%e7%88%86%e5%8f%91%e3%80%81%e5%9f%83%e6%a2%85%e9%87%8c%e5%9c%a8%e4%b8%8d%e8%a2%ab%e7%9c%8b%e5%a5%bd%e7%9a%84/

阿森纳 8连胜

阿森纳客场3-0卡拉巴赫豪取各项赛事八连胜，三将同斩处子球

帕科连续三次替补打入7球登顶德甲射手榜

https://www.dongqiudi.com/archive/815365.html

替补出场8-9脚射门，甚至还错失了几个好机会。

https://www.dongqiudi.com/archive/809465.html

多特4-2逆转勒沃库森，多特四分钟内连入两球，帕科梅开二度

多特数据：帕科首次射门即进球

2018/19 德甲赛季大黄蜂重生记

2026-08-27T06:38:59.294812+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2018-10-07. Original URL: https://pacoxu.wordpress.com/2018/10/07/2018-19-%e5%be%b7%e7%94%b2%e8%b5%9b%e5%ad%a3-%e5%a4%a7%e9%bb%84%e8%9c%82%e9%87%8d%e7%94%9f%e8%ae%b0/

Paco Alcacer hits 30 minute hat-trick for Borrussia Dortmund

连续的替补上佳表现，入选了恩里克的西班牙新一期国家队。

替补帽子戏法之后的合影。

之前打入50球的图

多特蒙德联赛目前3场 80分钟替补时间打入 6球，射手榜第一名，射正6次。

欧冠打入一球。

电影推荐

2026-08-27T06:38:59.296212+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2019-04-28. Original URL: https://pacoxu.wordpress.com/2019/04/28/%e7%94%b5%e5%bd%b1%e6%8e%a8%e8%8d%90/

捍卫者：姚子青，讲述上海宝山保卫战里的壮士，挺写实的。不是大多数有好结局的。还蛮感动的。

海滩的一天：如果你对婚姻、对爱情有所怀疑，推荐看看。

抉择人生爱情婚姻选择，然后无悔

荆轲刺秦王：这种历史剧拍出历史感的越来越少了。秋千那段真实而恐怖。

August Rush：音乐电影，看着还挺舒服的。

额外推荐一部治愈系的电视剧： 花间提壶方大厨。

kubernetes 调度器： kube-scheduler 学习

2026-08-27T06:38:59.297477+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2019-11-08. Original URL: https://pacoxu.wordpress.com/2019/11/08/kubernetes-%e8%b0%83%e5%ba%a6%e5%99%a8%ef%bc%9a-kube-scheduler-%e5%ad%a6%e4%b9%a0/

官方文档

Kubernetes Scheduler https://kubernetes.io/docs/concepts/scheduling/kube-scheduler/

调度分两步，过滤+打分。

过滤 Filtering

PodFitsHostPorts: Checks if a Node has free ports (the network protocol kind) for the Pod ports the Pod is requesting.
PodFitsHost: Checks if a Pod specifies a specific Node by it hostname.
PodFitsResources: Checks if the Node has free resources (eg, CPU and Memory) to meet the requirement of the Pod.
PodMatchNodeSelector: Checks if a Pod’s Node Selector matches the Node’s label(s).
NoVolumeZoneConflict: Evaluate if the Volumes that a Pod requests are available on the Node, given the failure zone restrictions for that storage.
NoDiskConflict: Evaluates if a Pod can fit on a Node due to the volumes it requests, and those that are already mounted.
MaxCSIVolumeCount: Decides how many CSI volumes should be attached, and whether that’s over a configured limit.
CheckNodeMemoryPressure: If a Node is reporting memory pressure, and there’s no configured exception, the Pod won’t be scheduled there.
CheckNodePIDPressure: If a Node is reporting that process IDs are scarce, and there’s no configured exception, the Pod won’t be scheduled there.
CheckNodeDiskPressure: If a Node is reporting storage pressure (a filesystem that is full or nearly full), and there’s no configured exception, the Pod won’t be scheduled there.
CheckNodeCondition: Nodes can report that they have a completely full filesystem, that networking isn’t available or that kubelet is otherwise not ready to run Pods. If such a condition is set for a Node, and there’s no configured exception, the Pod won’t be scheduled there.
PodToleratesNodeTaints: checks if a Pod’s tolerations can tolerate the Node’s taints.
CheckVolumeBinding: Evaluates if a Pod can fit due to the volumes it requests. This applies for both bound and unbound PVCs

简单来看就是，端口可用、是否制定了hostname、资源充足、NodeSelector符合、存储卷相关检查、磁盘PID内存压力、节点状态、污点和容忍设置。

打分 Scoring

SelectorSpreadPriority: Spreads Pods across hosts, considering Pods that belonging to the same Service, StatefulSet or ReplicaSet.
InterPodAffinityPriority: Computes a sum by iterating through the elements of weightedPodAffinityTerm and adding “weight” to the sum if the corresponding PodAffinityTerm is satisfied for that node; the node(s) with the highest sum are the most preferred.
LeastRequestedPriority: Favors nodes with fewer requested resources. In other words, the more Pods that are placed on a Node, and the more resources those Pods use, the lower the ranking this policy will give.
MostRequestedPriority: Favors nodes with most requested resources. This policy will fit the scheduled Pods onto the smallest number of Nodes needed to run your overall set of workloads.
RequestedToCapacityRatioPriority: Creates a requestedToCapacity based ResourceAllocationPriority using default resource scoring function shape.
BalancedResourceAllocation: Favors nodes with balanced resource usage.
NodePreferAvoidPodsPriority: Priorities nodes according to the node annotation scheduler.alpha.kubernetes.io/preferAvoidPods. You can use this to hint that two different Pods shouldn’t run on the same Node.
NodeAffinityPriority: Prioritizes nodes according to node affinity scheduling preferences indicated in PreferredDuringSchedulingIgnoredDuringExecution. You can read more about this in Assigning Pods to Nodes
TaintTolerationPriority: Prepares the priority list for all the nodes, based on the number of intolerable taints on the node. This policy adjusts a node’s rank taking that list into account.
ImageLocalityPriority: Favors nodes that already have the container images for that Pod cached locally.
ServiceSpreadingPriority: For a given Service, this policy aims to make sure that the Pods for the Service run on different nodes. It favouring scheduling onto nodes that don’t have Pods for the service already assigned there. The overall outcome is that the Service becomes more resilient to a single Node failure.
CalculateAntiAffinityPriorityMap: This policy helps implement pod anti-affinity.
EqualPriorityMap: Gives an equal weight of one to all nodes.

尽量分散调度、Pod亲和性、Node亲和性 Prefer设置、节点资源使用量、污点、已经有相应的镜像的节点加分等。

大规模集群的调度速度优化

Scheduler Performance Tuning： https://kubernetes.io/docs/concepts/scheduling/scheduler-perf-tuning/

Percentage of Nodes to Score 就是说在集群很大的情况下，我们没必要把所有节点进行打分，1000台机器的集群，如果有500台符合调度条件，我们只要打分其中10-20台，选择一个合适的节点调度就可以了。这个打分的范围可以用百分比进行调整。用户可以根据集群规模动态调整这个值。

区域分布不均的问题解决方法 Pod Topology Spread Constraints

https://kubernetes.io/docs/concepts/workloads/pods/pod-topology-spread-constraints/

spec: topologySpreadConstraints: - maxSkew: 1 topologyKey: zone whenUnsatisfiable: DoNotSchedule labelSelector: matchLabels: foo: bar

上面的例子表示，根据zone 进行偏移量检查，如果有两个区 A、B，每个区都有若干台机器，然后 A区2个pod、B区1个pod。

那么调度的时候，如果 maxSkew 为1，那么下一个pod 一定会调度到 B区。调整 maxSkew 为2或者3，下一个pod 才有可能调度到 A区。

已知的一个问题：

缩容的时候可能导致容器组分布不均 Scaling down a Deployment may result in imbalanced Pods distribution.

Pod Overhead 容器组额外开销计算

https://kubernetes.io/docs/concepts/configuration/pod-overhead/

Pods have some resource overhead. In our traditional linux container (Docker) approach, the accounted overhead is limited to the infra (pause) container, but also invokes some overhead accounted to various system components including: Kubelet (control loops), Docker, kernel (various resources), fluentd (logs).

主要计算了 kubelet、docker、kernel 的额外开销，这个feature启动需要在 kubelet 以及 scheduler 等多处配置feature gate。

kube-scheduler 启动参数

https://kubernetes.io/docs/reference/command-line-tools-reference/kube-scheduler/

此外 Kubernetes 支持多个 scheduler，可以在 pod 上制定调度器

https://kubernetes.io/docs/tasks/administer-cluster/configure-multiple-schedulers/

如果default 调度器不符合您的调度需求，可以自己实现调度器，并在集群内配置你的调度器，或者配置多个调度器，默认情况用 default-scheduler，特定的一些 pod 通过您定制的 scheduler 进行调度。

Kubernetes 原生的调度能力与扩展能力

基本的调度策略：先过滤调度条件找到合适的主机列表，然后进行打分选择最高分。

下面是一个案例，案例来源 https://itnext.io/keep-you-kubernetes-cluster-balanced-the-secret-to-high-availability-17edf60d9cb7 强烈推荐

调度优化的开源项目

https://github.com/topics/k8s-sig-scheduling 目前有三个调度相关的项目： poseidon 、 kube-batch 、descheduler。还有个个人项目 resbalancer。

他们的适用场景各不相同，kube-batch 是批量调度场景，descheduler 是再次平衡调度类似二次平衡，poseidon 试图通过网络流量的数据影响调度让调度更合理。

Descheduler

Descheduler 的出现就是为了解决 Kubernetes 自身调度（一次性调度）不足的问题。它以定时任务方式运行，根据已实现的策略，重新去平衡 pod 在集群中的分布。

这个重新调度的任务可以作为 Kubernetes Job 执行，比如我们认为业务流量在凌晨2点最小，可以选择在这个时间点执行这个 Job，比如每周运行一次，保证集群的调度始终保持一个比较平均的效果。或者在上线日之后的几个小时进行 Descheduler。

类似的项目还有 https://github.com/pusher/k8s-spot-rescheduler，该项目主要做的事情是在 AWS 的 kuber 集群中，把压力较大的节点上的 pod 重新调度到新的一组节点上，大概相当于给两组节点打上label，从一组重新调度到新的一组label上。

Kube-Batch

面向机器学习 / 大数据 /HPC 的批调度器（batch scheduler）。kubeflow中gang scheduler的实现就使用的是kube-batch。

https://www.jianshu.com/p/042692685cf4

在此基础上华为推出了 https://github.com/volcano-sh/scheduler

Poseidon （alpha https://github.com/kubernetes-sigs/poseidon/releases/tag/v0.8 五月份发布 alpha 版本之后没有更新，主分支上次更新时间 2019 Apr 4）

Kubernetes是支持第三方调度器插件的，而Firmament本身是用C++写的，Kubernetes是用Golang写的，所以Poseidon起的是桥梁的作用，把Firmament调度器集成到Kubernetes中。

Firmament是基于网络流的调度程序，它使用了高效的批处理技术，即用最小费用最大流的算法来进行优化，这种优化再加上Firmament的调度策略可以达到很好的pod放置效果。

https://zhuanlan.zhihu.com/p/35161270

如上面案例，我们此时需要 de-scheduler

https://github.com/kubernetes-sigs/descheduler

无法访问一些网站，比如 kubernetes.io 错误 your connection to the site is not secure chrome

2026-08-27T06:38:59.302372+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2020-06-10. Original URL: https://pacoxu.wordpress.com/2020/06/10/%e6%97%a0%e6%b3%95%e8%ae%bf%e9%97%ae%e4%b8%80%e4%ba%9b%e7%bd%91%e7%ab%99%ef%bc%8c-%e6%af%94%e5%a6%82-kubernetes-io-%e9%94%99%e8%af%af-your-connection-to-the-site-is-not-secure-chrome/

开始以为是梯子有问题，主机 hosts 设置错误，找了半天都不是。

最后想到最近更新过系统。

升级之后，你只要升级下 chrome，就可以了 😓

升级解决一起，不行你就重启一下吧。

埃梅里 & 帕科

2026-08-27T06:38:59.303731+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2022-03-19. Original URL: https://pacoxu.wordpress.com/2022/03/19/%e5%9f%83%e6%a2%85%e9%87%8c-%e5%b8%95%e7%a7%91/

好久没写过了，埃梅里第一次进入欧冠八强。帕科记不清了在巴萨有没有过四强或者八强比赛的出场纪录，这次估计也很难毕竟是个万年替补了。

DNS 的一个崩溃姿势： ndots

2026-08-27T06:38:59.305237+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2022-03-19. Original URL: https://pacoxu.wordpress.com/2022/03/19/dns-%e7%9a%84%e4%b8%80%e4%b8%aa%e5%b4%a9%e6%ba%83%e5%a7%bf%e5%8a%bf%ef%bc%9a-ndots/

下图来源：https://mrkaran.dev/posts/ndots-kubernetes/?utm_sq=gbj18v3zpx 关于 DNS 的问题还是有很多可以聊的，ndots/search 是其中之一。

在社区整理的 kubernetes 失败故事中，https://codeberg.org/hjacobs/kubernetes-failure-stories 提到了几个 CoreDNS 默认设置带来的潜在问题，其中 ndots 设置是一个比较常见的问题。在进行外部域名解析的时候，比如 abc.com， nodts=5 意味着所有的 search 都要进行，会给 dns 带来一些没必要的压力。在大量外部域名解析的场景下，建议 Pod 配置 ndots。

官网给出了一个手动设置ndots 的方法 https://kubernetes.io/docs/concepts/services-networking/dns-pod-service/#pod-dns-config

apiVersion: v1
kind: Pod
metadata:
  namespace: default
  name: dns-example
spec:
  containers:
    - name: test
      image: nginx
  dnsPolicy: "None"
  dnsConfig:
    nameservers:
      - 1.2.3.4
    searches:
      - ns1.svc.cluster-domain.example
      - my.dns.search.suffix
    options:
      - name: ndots
        value: "2"

kyverno 提供了一个策略引擎，可以默认设置 pod 的一些参数，比如 ndots。
https://kyverno.io/policies/other/add_ndots/?policytypes=Pod

apiVersion: kyverno.io/v1
kind: ClusterPolicy
metadata:
  name: add-ndots
  annotations:
    policies.kyverno.io/title: Add ndots
    policies.kyverno.io/category: Sample
    policies.kyverno.io/subject: Pod
    policies.kyverno.io/description: >-
      The ndots value controls where DNS lookups are first performed in a cluster
      and needs to be set to a lower value than the default of 5 in some cases.
      This policy mutates all Pods to add the ndots option with a value of 1.      
spec:
  background: false
  rules:
  - name: add-ndots
    match:
      resources:
        kinds:
        - Pod
    mutate:
      patchStrategicMerge:
        spec:
          dnsConfig:
            options:
              - name: ndots
                value: "1"

关于 DNS，这里推荐两期 TGIK 的内容

https://github.com/vmware-tanzu/tgik/blob/master/episodes/122/README.md

https://github.com/vmware-tanzu/tgik/blob/master/episodes/147/README.md

有兴趣可以看下。

2022 年终总结，该开始好好养生了

2026-08-27T06:38:59.308247+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2023-01-01. Original URL: https://pacoxu.wordpress.com/2023/01/01/2022-%e5%b9%b4%e7%bb%88%e6%80%bb%e7%bb%93%ef%bc%8c%e8%af%a5%e5%bc%80%e5%a7%8b%e5%a5%bd%e5%a5%bd%e5%85%bb%e7%94%9f%e4%ba%86/

生活

伤病最多的一年，手上耐性估计要从 B 调到 C 了。

上海封城前就准备做胃镜，因为自己肠胃一直不好。
- 肠胃镜从 4月推到 6月，结果约成了“痛”的肠胃镜，没有麻药，是真的人生最疼的一次了，超越了自己第一次麻药没起效果就开始的外痔手术。没生过孩子，感觉可能和生孩子的疼痛感有的一拼，持续时间还不断😓。
年中，痔疮+肛裂大概持续了接近 2个月时间才完全康复。
- 术前的两周太痛苦了，
年末，新冠算是第一波阳的，但是确实差不多第二波好的，持续 3周，虽然症状不严重，但是很折磨。

家人

爷爷去世，爷爷一直给我的感觉就是朴实善良纯粹，这几年因为脑萎缩，一直以来也不能算是在享福。12岁很早就独立生活，参加过抗美援朝的小班长，后来大公无私的书记，一直是我的榜样。一直觉得奶奶去世后，爷爷就没有以前开心了，缺了一个能一直陪伴在身边聊天的人，陪伴太重要了。也要说一下，爸爸是最孝顺的爸爸，一直以来的照顾是真的很辛苦。
疫情原因，年初春节过年没回家。7月份终于有机会回家，结果还病了很久。
老婆年初做了个小手术，恢复的很顺利希望一切都好，妈妈来上海了几天。
小秘密，明年再说。
老婆工作变动，搬家，新环境还是挺舒服的。
年初才知道年尾的房子烂尾风险巨大，第一次信访和游行，另一番体验吧，房子的事情至今还是很悬。
大姨肿瘤也化疗好了之后，又扩散也进行了一次手术，都太不容易了。
姥姥姥爷新冠，还好症状不严重。

工作

KCD 从年初推迟到年尾，人也不多，办的不尽如人意，不过过程真的还是花了很多心思，可惜没达到预期的效果，也在反思。
Kubecon
- 错过了瓦伦西亚 kubecon ，挺可惜的，最喜欢的足球队城市和自己工作的领域难得有一次交集。23年，希望能去阿姆斯特丹，看起来也是有难度的。
社区进展不大，今年主要的时间还是在kubelet 和kubeadm上。kubeadm-operator 花了一些时间，但是总体感觉还是接近一个玩具。今年不少时间在看image和cgroup v2 相关的一些问题，也许明年能够有更多相关的进展。很多周边的开源项目也只是在了解的层面，没有真正去深入。

娱乐生活

今年开始养了一只小狗，名字奥利给。笨笨的昨天刚好一岁了，有点贪吃，也不算很亲近人，只爱踢萝卜，胖乎乎已经6斤多了。希望她能健康成长，乐呵呵每一天。

影视 & 游戏

今年印象比较深的是看了权游、木鱼水心的水浒解说跟了一年，还买了四大名著看看，结果没怎么看。其他比较推荐的兹山鱼谱（看看韩国人怎么思考朱子理学和科学、基督教的，还挺受益的；没有觉醒年代那么激烈，缺能让你多一点在一个“中国历史文化圈”的边缘角度，去思考何为理性路在何方。），风起陇西虽然看完了但是还是不推荐了，后面其实有点烂尾，三国迷可以看看玩。

上班地铁上把三体听掉了，也没少听准风月谈、电影侦探、体坛系的足球节目（听的最多的是帆看世界、老梁嘴硬😓）。

PUBG 比赛看了不少，最喜欢的 17 战队获得年度大满亚，只有一个第三，剩下全是亚军，其实打得还不错，但是却一点碾压感，下限很高。17shou 退役，这个战队可能会有波动，希望能够有所斩获。

足球

梅西年初罚丢点球巴黎被淘汰，年尾世界杯夺冠，世界杯而言更喜欢姆巴佩。不过说实话很难喜欢现在一些球队的强硬，最近在看梅西传，回忆起当年梅西被切尔西弄伤、被穆尼里奥淘汰还是觉得算是一种轮回，梅西本身并不喜欢那种粗野的对抗，而这次阿根廷夺冠恰恰是靠着队友相对粗野的对抗，我是真的很难喜欢阿库尼亚、帕雷德斯。德保罗这种拼劲全力，但是没那么脏的球员才是我比较喜欢的。而梅西生涯被拜仁战胜的几次，也是我认为真的靠足球赢得的比赛，德国人靠的是身体，但是不是靠的犯规和粗野，这有很大区别。

欧冠皇马本泽马神奇的一年，今年的梅西、本泽马真的让人拍案叫绝。世界杯是本泽马很大的遗憾，当然球队很多时候团结是更重要的。此外最遗憾的就是加亚了，跟瓦伦西亚续约之后，也入选了世界杯大名单，却在训练中受伤无缘世界杯，太可惜了，95年的 Gaya 下届世界杯就要31岁了，不知道还能不能踢一次世界杯了。

最后，真的好想去现场看球，尤其是国外的一些球场，很想参与一次球队的夺冠游行，如果瓦伦能夺冠的话，上次是2019吧。

也希望国内的职业足球能够更多的去关注下球迷，去花时间做一些普及相关的事情，今年可能是最近10年踢球最少的一年了，封城+伤病至少缺席了 5个月，其他时间也没有每周踢球。

2023

小秘密：明年再说。
小目标：想出趟国，疫情前 19年去了趟日本，至少算是出过国了。
健康也许才是最重要的，希望老婆新的一年顺顺利利。希望妈妈工作不要那么拼，注意身体；爸爸少喝酒误事就行。

2023 年终总结工作篇

2026-08-27T06:38:59.314964+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2024-01-18. Original URL: https://pacoxu.wordpress.com/2024/01/18/1380/

1月，CNCF Blog 发布 Worth the wait – Kubernetes Community Days Chengdu 2022，总结了下 22年组织 KCD 成都疫情原因从年初推迟到年底，组织能力严重短板，活动不算成功。但是过程中跟市场部门的同事学到了很多，难得和成都开源的小伙伴能够聚聚。

2月，作为 kubeadm reviewer 确认维护者主题 Kubeadm Deep Dive 中选 KubeCon 荷兰，感谢 Lubomir 的支持和 Rohit 的发起。之后花了大量时间练习英语口语。

4月，2023 KubeCon EU: Kubeadm Deep Dive – Rohit Anand, NEC & Paco Xu, Dao Cloud 第一次英文演讲，欧洲 KubeCon 的经历还是很赞的，会议前一天就路边偶遇 Antonio Ojea 被认出来；会议第一天找会议室路上遇到了 Jordan Liggitt，KCS 的体验真的很棒，见到了很多网友，大部分都是社区的维护者给我很多帮助。没想到欧洲kubecon人山人海到这个程度，kubeadm 的维护者主题竟然都能坐满，是我完全没想到的。时间有限，基本上只看了 Kubernetes 的维护者主题，其他主题很难坐下来听很久，收获还是很多的。

5月，成为了 Kubeadm Maintainer，也越来越发现维护者的责任会更重，对于功能开发和 PR 合并需要更多的思考。从 21 年初成为review 到 23 年一方面工作比较分散，另一方面没有做 kubeadm 什么大功能，主要去尝试了 kubeadm operator 但是场景太少最终还是放弃了。

6月，第一次参与 KubeCon 审稿，Program Committee Member of KubeCon China 2023，感觉大大的扩展了自己的知识面和视野，更加了解目前社区和行业里大家的一些实践和方向。与其说在审稿，不如说在调研学习，只是把自己喜欢和觉得价值高、应用场景广泛的议题选出来。

另外，Iceber 组织的 KCD 北京非常成功，顿时觉得这是个很不错的选择，擅长的人做擅长的事，事半功倍。

8月确认 KubeCon 上海中了两个议题，Kubernetes SIG Node Intro and Deep Dive；How Can Pod Start-up Be Accelerated on Nodes in Large Clusters? 。公司中标率相当高还是很开心的，也能跟老朋友再聚聚。

9月月初第一次选中 Shadow，成为 v1.29 CI Signal Shadow，后续也是坚持参与，最终在下个版本发布中成为 Kubernetes v1.30 Release Signal Team Lead。

然后是 KubeCon 上海，见到很多国内的开发者和老同事，收获也很多。不过对比19年kubecon中国感觉还是冷落了很多，虽然看到了更多的公司在使用云原生，用户其实是增长了数倍，但是缺少国外贡献者的参与和分享，感觉氛围还是不如疫情前。

10月，意外选中进入 Kubernetes Steering Committee，本来的心态真的是试试看，今年运气好参加了两次贡献者峰会，而且自己又是属于多个 SIG 横跨的情况，因此认识的人可能会比较多，但是正是因为精力分散，自己的专长不够突出，也会造成 no big project and low review quality 的情况，还是需要继续改进。进入委员会，确实也了解到了更多社区治理的现状以及更多社区健康情况，一方面会有些担忧社区的进一步繁荣，另一方面也接触到了更多为 kubernetes 项目生态努力的人，和他们能有更多的深入交流和学习。

11月没能去现场参加 kubecon 也很遗憾，但是获得了 SIG-Node 2023 年 Kubernetes 贡献者 Award 还是很开心的。

最遗憾的莫过于错过 keynote，算是一大遗憾，不过希望明年能补上。

在 DaoCloud 7周年，一路走来也有很多曲折，希望能够越来越好。

12月，去无锡开放原子开发者大会的演讲 Kubernetes LTS 进展和年度升级展望，然后入选了 2024 LFAPAC Evangelist 布道者，也希望能把社区的一些活动在国内多做宣传，吸引更多学生和贡献者参与开源。

另外也进入了 Program Committee Member for KubeCon EU 2024，希望未来我们在国外 KubeCon 出现的频率越来越高，很期待2024年的各种云原生活动。

2024 希望能有更多有趣的事情可以分享

2024年年终小节

2026-08-27T06:38:59.319093+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-02-11. Original URL: https://pacoxu.wordpress.com/2025/02/11/2024%e5%b9%b4%e5%b9%b4%e7%bb%88%e5%b0%8f%e8%8a%82/

今年花在社区的时间还是挺少的。一方面工作侧重点还是发生了不少变化，同时和老婆养娃的一年还是花了不少时间的。记录下今年的流水账。娃从5个月到现在17个月，这个变化实在太大了。从会走路、会说话、会叫爸爸、第一次带她出去玩，第一次坐飞机火车，也包括生病，一路过来老婆真的是太辛苦了，也逐渐进入了“不要不要”的时间段，非常有自己的想法，同时也非常善解人意和有礼貌，可爱同时调皮，和我老婆小时候确实太像了，在学习如何教育和很多育儿知识的过程里，自己也成长了很多。

1月尝试 SIG-Release 的 Signal Team Lead，1-4月的 v1.30 发布周期参与了不少 release team 的工作，收获很多，了解了 release 团队以及 shadow program（培养新人）的过程，不过自己因为时差和沟通能力问题，还是会觉得这块对自己有些难度和挑战。而且大量的事务会非常影响日常的功能开发跟进情况。

3月 KCD 上海 + KubeCon 巴黎，巴黎之旅因为时差问题状态一直不太好，第一次可能也是唯一一次参与 Steering AMA，再次参加 KCS 依然很开心见到那么多 Kubernetes 社区的维护者和贡献者，不同是这次还见到很多新参与的 release 团队的不少人。不过后面三天的感受除了疲劳都快忘光了，感觉大会结束自己才刚倒完时差。

Kubernetes Steering Committee: Genesis, Bootstrap, Now & Future – Nabarun Pal & Paco Xu

3月KCD 上海云原生新手和开源教育分论坛 01-Kubernetes 社区：从新手到影响者，邀请了 Nikhita 和 Madhav 录了视频参与到我的演讲中，也希望通过这样的分享吸引到更多的人参与到社区中来，KCD 上海也开始了解到国内的学生参与开源的情况。一直也在尝试多参与下 Linux Foundation APAC的 SIG Education 相关的工作，今年还鼓励同事参与 LFX Mentorship 的活动，也希望更多的国内学生参与到这个培训活动中，国内开源之夏一直办的不错，也在尝试参与这部分的事情。也很有幸参与到对外经贸的开源课程，同时也看到国家对开源的重视和一些激励政策在路上，非常希望这些能够给大家打开思路，让大家能够更加 Open 的去对待很多问题，多元以及包容度的提升也许才能改变很多社会层面的问题。

8月 KubeCon + CloudNativeCon + OpenSourceSummit+AI_dev China 2024 在香港举行，第一次能在这个规模的会议上作为联席主席，非常激动，也一直在尝试把会议弄的更有吸引力，运气很好 Linus 的加入让会议热度提升了一个档次。同时几个 Keynote 还是非常精彩的，AI 含量还是有点太高了（后来也思考过很多，这个确实取决于时代发展，不可避免的大家都会去做一些和 AI 相关的内容，作为悲观主义者，还是对未来挺悲观的，AI编程能力的提升和成本下降，未来程序员这个职业的影响还是挺大的，如何使用AI帮助各个行业，如何和 AI 融合可能是未来的重要课题，目前我们也正在推动 AI 的持续崛起，而之后我们将面对的可能是一个激烈变化的时代，奇点也许就要来临了，在我们的有生之年）。尝试组织了一次 Kubernetes 十周年圆桌，Kubernetes Community Panel: A Decade of Evolution and Future Trends，感觉还是非常有意义的。

Keynote: Kubernetes Community and Cloud Native Activities in China – Paco Xu & Wei Cai 第一次 Keynote 还是有些紧张，没有讲什么技术主题，最近的重点可能加入 Steering 之后，自己的视角也一直是社区的成长和发展，社区的可持续问题等。未来还是需要更多时间去沉淀基础。

另外第一次去香港，感受还是蛮多的，我个人还是很喜欢香港这个城市的，从之前看 TVB 很多很多电视剧，到香港电影，对香港各种文化还是有挺深的感情的。第一次去最大的感受还是维港确实非常漂亮，尤其是这个夜景。可能我接触的人还比较少，但是总体还是能感受到很多友好的互动的，带娃去确实有点累，当时娃还不会走路，要一直抱着，还不喜欢坐车😄，困了小宝宝就是要找妈妈，所以把媳妇累得不轻。以后可能还是想多去香港感受感受。

🔊 [Kubernetes Podcast from Google]: Leading Kubernetes into its Second Decade 第一次接受英文访问，体验还是很奇妙的。

十一去了趟南京，毕业后这都12年了，时间过得也太快了。熟悉又陌生的感觉，鸡鸣寺玄武湖除了人有点多，还是很不错的，可惜没时间去中山陵溜达溜达。也没有时间在学校多转转。下次再去不知道是啥时候了。

11月 KubeCon 盐湖城担任了 Track Chair，之后也在欧洲 KubeCon 负责这个方向的 Track Chair, 这个过程还是学到了很多，欧洲的竞争竟然比北美大不少，这个是没想到的。不过总体感觉北美维护者数量和议题质量并不输。一直没机会现场参与北美 KubeCon 还是挺遗憾的，也许签证是个很大的壁垒。

🎗️🌍 Kaiyuanshe 2024 China Open Source Pioneers 33 能入选开源先锋还是很意外的，还不清楚是谁提名了我，非常感谢。

25年有全球五次 KubeCon，估计事情会比24年还要多，可能也需要适当看下怎么平衡会议和社区，以及其他。还是很期待能去到伦敦的。提一下关于 KubeCon 投搞的，还挺感谢几个客户的，每次 OnCall 刨根问底，也让我对一些领域有了更深刻的理解和反思，23年关于 Pod 启动的主题和25年关于大规模和多租户的主题都是在 OnCall过程实际和客户解决问题的时候产生的想法。

今年好像没怎么看足球比赛，瓦伦西亚已经到了降级区，又听说梅斯塔利亚新球场在修了，希望能赶在新球场启用之前去一次自己的主队球场看球（曾经做梦在里面踢过球的地方）。今年利物浦给人眼前一亮，西班牙夺冠但是今年欧洲杯没怎么看，亚马尔确实很不错，但是好像已经对西班牙没有之前的热情了。

今年看电子竞技吃鸡比赛还挺多的，17 Gaming 今年除了春季赛表现不错，虽然 PGS 后面2次拿了第二，但是总体感觉这个队伍已经到头了，年底再重组，似乎 xdd mingming 25年可期，17 就算了。

今年没怎么追剧，追了几集《边水往事》，中间倒是重看了段棋魂电视剧，还看了动漫版本，对围棋重新开始了一下，不过水平有限，不过最近柯洁这事情实在让人愤慨。

最近主要的娱乐和视野拓宽全靠电台、播客了，听了很多五代十国、南北朝野史下酒，也听了很多忽左忽右，之前挺喜欢“帆看世界”聊西甲和体坛那帮人瞎侃，后来基本不怎么挺足球了，开始听日谈和其他一些节目了。

最后回答40个问题 https://stephango.com/40-questions 中英文混着回答吧😄

What did you do this year that you’d never done before?
- For KubeCon, I worked as Co-chair of KubeCon China and Track Chair of KubeCon NA/EU。选择困难的我来说，评审委员会的工作总是会比其他人用时更长。另外就是track chair 和 co-chair都是基于其他评委的评分去评价，这时候也会去 Judge 这些评委的认真程度，很多时候我可能把时间都消耗在从评分较低的里面发现一些惊艳的内容并求证。但是遇到非常接近的情况，实在是很难抉择和平衡。（也出现了一次重大沟通失误，导致可能我的部分评分没有被 Co-Chair 收到。）
- 法国的 Steering AMA 现场英文回答问题，是第一次。
- 第一次去广州、香港、法国。前两个还是带娃去的。还在十一和春节带娃回了两次老家。
- 第一次书籍分享奇点临近（油条咖啡读书俱乐部）
Did you keep your new year’s resolutions?
- 减肥失败是肯定的😓
- 家人身体好像也都变差了😓 新的一年可能需要真的重视下了，如何健康生活
Did anyone close to you give birth?
- No
Did anyone close to you die?
- No
What cities/states/countries did you visit?
- Pairs, France(KubeCon)，卢浮宫太大了根本逛不完，铁塔旁边的河清晨跑步也太棒了。
- Hong Kong(KubeCon), 维多利亚港真美。
- Guangzhou, a nice city with so many flowers。
What would you like to have next year that you lacked this year?
- Soccer. 24年可能踢球在15次以内，希望25年能比较规律的运动一下。
- 更专注在项目上一点，目前花在活动（演讲、评审、组织活动）上的时间有点太多了。
What date(s) from this year will remain etched upon your memory, and why?
- August 21-23: to host the KubeCon+CloudNativeCon China 2024 as a co-chair is the first one, and I have a keynote as well. I also meet Linus there.
What was your biggest achievement of the year?
- Same as last question.
- Or Kaiyuanshe 2024 China Open Source Pioneers 33 by segmentfault
What was your biggest failure?
- SIG Release Shadow Program in Q1. I think I did not make a good job as the release signal team lead in the release cycle. This process exposed my huge communication problems.
What other hardships did you face?
- Balancing life and work.
- Balancing Steering, kubeadm, SIG-Node, Cloud-native Activities/Conferences.
Did you suffer illness or injury?
- Do influenza, COVID-19, and rhinitis count?
What was the best thing you bought?
- Beats headphones and Apple watch.
Whose behavior merited celebration?
- My wife. Busy on her work and our daughter without any rest.
Whose behavior made you appalled?
- 好的方面： AI
- 坏的方面：很多国际事件，俄乌、加沙、缅甸泰国电诈这些事
Where did most of your money go?
- My daughter. (1 year old)

问题太多了，准备下次再补充。。。

What did you get really, really, really excited about?
What song will always remind you of this year?
Compared to this time last year, are you: happier or sadder? Thinner or fatter? Richer or poorer?
- both（happier most time, but sadder in other times）、fatter（80kg to 85kg）、poorer（房价下跌📉）
What do you wish you’d done more of?
- More coding and tech deep dive; More involvement in new contributor orientation
What do you wish you’d done less of?
- Less on events
How are you spending the holidays?
- Family.
Did you fall in love this year?
Do you hate anyone now that you didn’t hate this time last year?
What was your favorite show?
What was the best book you read?
What was your greatest musical discovery of the year?
What was your favorite film?
What was your favorite meal?
What did you want and get?
What did you want and not get?
What did you do on your birthday?
- It is also my daughter’s 1-year-old birthday.
What one thing would have made your year immeasurably more satisfying?
How would you describe your personal fashion this year?
What kept you sane?
Which celebrity/public figure did you admire the most?
What political issue stirred you the most?
Who did you miss?
Who was the best new person you met?
What valuable life lesson did you learn this year?
What is a quote that sums up your year?

llmaz: Revolutionizing LLM Deployment on Kubernetes

2026-08-27T06:38:59.329843+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-03-07. Original URL: https://pacoxu.wordpress.com/2025/03/07/llmaz-revolutionizing-llm-deployment-on-kubernetes/

In the rapidly evolving field of AI, large language models (LLMs) are powering applications from intelligent chatbots to content generation engines. However, deploying these models at scale comes with significant challenges—ranging from resource management and scalability to performance optimization. This is where llmaz comes into play. Developed by InftyAI, llmaz is a production-ready inference platform designed to simplify the deployment of LLMs on Kubernetes. In this post, we’ll explore what makes llmaz unique and compare it with two other notable platforms: AIBrix and KServe.

Introducing llmaz

llmaz is built with ease-of-use and high performance in mind. Its main goal is to remove the complexity of deploying LLMs in production environments. Key features include:

Easy Deployment: llmaz enables users to launch LLM services with minimal configuration, making it accessible even to teams without deep Kubernetes expertise.
Multiple Inference Backends: The platform supports a variety of backends such as vLLM, Text-Generation-Inference (TGI), SGLang, and even llama.cpp, offering flexibility to optimize for different performance requirements.
Model Caching and Distribution: With an out-of-the-box model cache system powered by Manta, llmaz optimizes resource usage and accelerates model loading across clusters.
Accelerator Fungibility: llmaz allows a single LLM to be served on multiple types of hardware accelerators. This feature is crucial for optimizing both cost and performance.
Advanced Inference Techniques: Incorporating cutting-edge methods like speculative decoding and splitwise, llmaz improves inference efficiency and overall throughput.

These features position llmaz as a specialized solution for organizations that need to deploy LLMs efficiently on Kubernetes, providing a robust platform that handles the heavy lifting of infrastructure management.

Comparing llmaz, AIBrix, and KServe

While llmaz focuses specifically on LLM deployment, it exists in an ecosystem with other notable platforms. Here’s how llmaz compares with AIBrix and KServe:

AIBrix: Scalable GenAI Inference

AIBrix is an open-source platform that emphasizes scalable and cost-efficient GenAI inference. Its core strengths include:

High-Density LoRA Management: Designed to support lightweight, low-rank adaptations of models, enabling efficient resource utilization.
LLM Gateway and Dynamic Autoscaling: Features a robust routing system to manage traffic across multiple replicas and dynamically scales inference resources based on real-time demand.
Heterogeneous GPU Inference: Optimizes deployments by supporting a mix of GPU types to achieve cost-effective performance.

AIBrix’s battery-included approach makes it an attractive option for enterprises looking to handle large workloads without compromising on scalability or cost efficiency.

KServe: General-Purpose ML Inference

KServe, part of the Kubeflow ecosystem, offers a standardized, serverless platform for ML inference. While it can serve LLMs, its design is broader, targeting a wide range of ML models:

Versatile Model Serving: KServe deploys any ML model as a scalable service, with support for multiple frameworks.
Auto Scaling and Traffic Management: It automatically scales model replicas based on traffic, ensuring smooth performance during peak loads.
Robust Monitoring and Security: With integrated metrics, monitoring, and enterprise-grade security features, KServe is well-suited for complex production environments.

Although KServe is versatile and benefits from a large community (with over 2000 GitHub stars), it might require additional configuration to fully optimize LLM-specific tasks compared to llmaz and AIBrix.

Detailed Comparison

Below is a table that highlights the key aspects of each platform:

Aspect	llmaz	AIBrix	KServe
Specialization	Tailored for LLM inference on Kubernetes	Focused on scalable GenAI inference, especially for LLMs	General ML inference platform; can support LLMs with extra setup
Ease of Use	Minimal configuration; highly user-friendly	Battery-included approach; designed for enterprise use	May require additional configuration for LLM-specific optimizations
Supported Backends	vLLM, TGI, SGLang, llama.cpp, etc.	Built on vLLM with specific optimizations	Supports various ML frameworks; custom integration may be needed
Model Management	Integrated model cache (powered by Manta)	Unified AI runtime for model downloading and management	Model serving and basic caching mechanisms; specifics vary
Accelerator Support	Supports diverse hardware accelerators for cost/performance optimization	Heterogeneous GPU inference for cost-effective deployments	General support; lacks LLM-specific accelerator optimizations
Scalability	Horizontal scaling with Kubernetes HPA, Cluster-Autoscaler, etc.	Advanced autoscaling with distributed inference for large workloads	Automatic scaling based on traffic; integrated within the Kubeflow ecosystem
Community & Adoption	Active, though in an alpha stage (~100 GitHub stars)	Growing community (~500 GitHub stars); enterprise-focused	Mature and widely adopted (>2000 GitHub stars); part of Kubeflow ecosystem
Licensing	Apache License 2.0	Apache License 2.0	Apache License 2.0

Source: llmaz GitHub Page , AIBrix Documentation , KServe GitHub Page

Key Considerations

Specialization vs. Versatility:
llmaz and AIBrix are designed with LLMs in mind, offering advanced optimizations like speculative decoding and specialized autoscaling. KServe, meanwhile, is a more general-purpose platform that can handle a variety of ML models but might need extra customization for LLM workloads.
Community and Support:
A larger community can be a double-edged sword. KServe benefits from extensive support and mature integrations, while llmaz, though currently smaller in community size, offers early adopters a chance to influence its development direction.
Cost and Performance:
llmaz and AIBrix both excel at optimizing resource usage through features like accelerator fungibility and heterogeneous GPU support. For organizations with intensive LLM requirements, these optimizations could lead to significant cost savings and performance improvements.
Licensing and Flexibility:
All three platforms are open-source and licensed under Apache License 2.0, allowing for high flexibility and customization without proprietary constraints.

Conclusion

llmaz is paving the way for a new era in LLM deployment on Kubernetes, offering an accessible yet powerful solution for managing large language models in production. Its design focuses on minimizing configuration overhead while maximizing performance through advanced features and multi-backend support. When compared to AIBrix and KServe, llmaz stands out for its LLM-centric approach, making it an excellent choice for organizations focused on next-generation AI applications.

llmaz is ideal if you’re looking for a solution tailored specifically for LLMs.
AIBrix might appeal more if you require enterprise-grade scalability and cost efficiency.
KServe is the go-to for broader ML inference scenarios with a robust, general-purpose framework.

As AI continues to evolve, choosing the right platform depends on your specific needs—whether it’s ease of deployment, advanced scalability, or versatility. With all three platforms being open source, organizations have the flexibility to experiment, integrate, and scale their AI applications without being locked into proprietary systems.

Happy deploying, and may your models always infer efficiently!

KubeCon 现场见闻：从 HeadLamp 到 MCP 热潮

2026-08-27T06:38:59.336139+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-04-11. Original URL: https://pacoxu.wordpress.com/2025/04/11/kubecon-%e7%8e%b0%e5%9c%ba%e8%a7%81%e9%97%bb%ef%bc%9a%e4%bb%8e-headlamp-%e5%88%b0-mcp-%e7%83%ad%e6%bd%ae/

本次大会上，不仅有各类技术项目的精彩展示，还有不少轻量级工具与社区项目引起了广泛关注。以下是我对部分亮点的整理与感受。

HeadLamp

作为 Kubernetes 社区项目，正以极具竞争力的姿态亮相。

替代方案优势：HeadLamp 的功能已经足够丰富，可以取代传统的 kube dashboard 以及 KubeSphere部分功能。
微软风格的桌面体验：Keynote 演示中，微软展现了将其打造为每个 Kubernetes 用户的必备桌面应用的意图。与 Lens 等竞品相比，其轻量、便捷、支持自部署的特点给人留下深刻印象——用户只需将各个集群的 token 或证书添加进来，即可快速上手管理。

ETCD Operator

关注热度与现状：项目启动之初吸引了不少关注，但目前实际参与者非常少，正处于 “help wanted” 阶段。

跨领域协作与挑战

弹性指标定义挑战：在 LLM 场景下如何定义弹性指标仍是一大难题

当前对 s3 modeling 的支持让人颇感无奈，这些都为社区未来的设计改善留下了想象空间。

推理领域： vllm production stack、KServer 、AIBrix 、 llmaz 的对比，目前感受上 KServe 有很多历史包袱，迫于之前用户和产品的要求很难直接做颠覆性重构，这也带来了一种担忧。AIBrix 和 llmaz 都是刚刚起步，AIBrix 有字节背书；llmaz 的目标则是更轻量。

MCP 热潮 —— 新项目与支持的风起云涌

本周又见一波 MCP 热潮：

另外，clusterpedia 的也需要相关方案，由 manusa 和 silenceper 推出的 kube MCP 项目也在积极探索中。

项目多元化：不少新建热门项目纷纷加入 MCP 支持行列，有项目直接在已有项目中添加 MCP 支持。

实例展示：

dagger 与 MCP 的整合

k8sgpt 的 MCP 讨论

Steering 年报与 SIG 动态

一些需要更贡献者参与的点， Steering 团队基于各个 SIG/WG 的年报进行了总结：需要帮助的项目：各 SIG 维护者在年报中均提到若干待解项目和功能点，展现了社区在持续迭代和改进中的求助信号。

展台与 Demo Theater 的亮点

现场展区同样吸引了众多关注：

Wiz 展台：展示了丰富的安全工具 UI，从演示中可以感受到其在安全领域的坚实基础。
Demo Theater：不少 sponsor 的演示项目大放异彩，如 Google 现场展示的 65k node 演示给与会者留下了深刻印象。
热门展区主题：当前最受欢迎的包括可观测性、安全、AI + Gateway 等方向，另有 Kubeflow 专题也成为亮点之一。

会场全景与个人感受

在现场的诸多体验中，也有一些值得一提的地方：

行程安排的小插曲：第一天一早到达时状态不佳，参加 Maintainer Summit 时主要参与了 Steering 的 AMA。同时，预定的民宿体验不如预期，提示大家尽量避免使用 Booking.com 订房。
最佳 End User 奖项：来自海外的 KubeCon 首次将此奖项授予中国企业蚂蚁集团，此前国内的京东和滴滴曾获得该奖，但是实在 KubeCon China。评判标准更多聚焦在社区贡献上。
国际视野：日本专场圆桌中可见维护者数量和议题均有所增加。
End User: 欧洲 KubeCon 的 End User 演讲更是覆盖了从工业到农业的各个领域。
会议场地设计：此次会场的房间布局略显“奇特”——Room A-H 人气颇旺，而部分在三楼或隐蔽位置（如 ROOM IJ）的场地则稍显冷清。
演讲大会回顾：
- 热门主题：AI 相关议题（如 LLM、Ollama、Benchmark、DRA、k8sgpt）备受关注；此外，Argo、Cilium、Otel 与 Platform Engineering 也都有不少观众。
- 项目展示：Project Lighting 场次人气高涨；而在其他项目中，keynote 中呈现的 honeycomb 效果不错，karpenter、cluster-api 与 vCluster（我的主题）等均引发了会后踊跃讨论。
- 部分领域的冷场：部分偏维护者或底层技术的主题，如存储，本次的参与度和热度相对较低。
餐饮体验：与过去相比，现场的用餐体验似乎又回到了曾经的“难吃”状态（巴黎好像饮食非常棒），主要是冷。

本次活动超过12500人参加，是史上新高，云原生的热潮似乎并没有冷却，加油👍

Introducing llmaz: Easy, advanced inference platform for large language models on Kubernetes

2026-08-27T06:38:59.342172+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-04-23. Original URL: https://pacoxu.wordpress.com/2025/04/23/introducing-llmaz-easy-advanced-inference-platform-for-large-language-models-on-kubernetes/

InftyAI’s llmaz is an advanced inference platform designed to streamline the deployment and management of large language models (LLMs) on Kubernetes. By integrating state-of-the-art inference backends, llmaz brings cutting-edge research to the cloud, offering a production-ready solution for LLMs.

Key Features of llmaz:

Kubernetes Integration for easy to use: deploy and manage LLMs within Kubernetes clusters, leveraging Kubernetes’ robust orchestration capabilities.
Advanced Inference Backends: Utilize state-of-the-art inference backends to ensure efficient and scalable model serving.
Production-Ready: Designed for production environments, llmaz offers reliability and performance for enterprise applications.

The deployment of a model is quite simple in llmaz.

Here’s a toy example for deploying deepseek-ai/DeepSeek-R1, all you need to do is to apply a Model and a Playground.

apiVersion: llmaz.io/v1alpha1
kind: OpenModel
metadata:
  name: opt-125m
spec:
  familyName: opt
  source:
    modelHub:
      modelID: deepseek-ai/DeepSeek-R1
  inferenceConfig:
    flavors:
      – name: default # Configure GPU type
        requests:
          nvidia.com/gpu: 1
—
apiVersion: inference.llmaz.io/v1alpha1
kind: Playground
metadata:
  name: opt-125m
spec:
  replicas: 1
  modelClaim:
    modelName: opt-125m

Latest Release: v0.1.3

The latest release, v0.1.3, was released on April 23th, 2025. The release v0.1 includes several enhancements and bug fixes to improve the platform’s stability and performance. For detailed information on the changes introduced in this release, please refer to the release notes.

Integrations

Broad Backends Support: llmaz supports a wide range of advanced inference backends for different scenarios, like vLLM, Text-Generation-Inference, SGLang, llama.cpp. Find the full list of supported backends here.

llmaz supports a wide range of model providers, such as HuggingFace, ModelScope, ObjectStores.

AI Gateway Support: Offering capabilities like token-based rate limiting, model routing with the integration of Envoy AI Gateway.
Build-in ChatUI: Out-of-the-box chatbot support with the integration of Open WebUI, offering capacities like function call, RAG, web search and more, see configurations here.

llmaz, serving as an easy to use and advanced inference platform, uses LeaderWorkerSet as the underlying workload to support both single-host and multi-host inference scenarios.

llmaz supports horizontal scaling with HPA by default and will integrate with autoscaling components like Cluster-Autoscaler or Karpenter for smart scaling across different clouds.

About the Founder: Kante Yin

Kante Yin is a prominent figure in the Kubernetes community, serving as a SIG Scheduling Approver and a top committer of LWS and Kueue. His contributions to Kubernetes scheduling and workload management have been instrumental in advancing cloud-native technologies. Kante’s expertise and leadership continue to drive innovation in the Kubernetes ecosystem.

Compared to other inference platforms, llmaz stands out with its extensionable cloud-native design, making it incredibly lightweight and efficient. Its architecture is optimized for scalability and resource efficiency, enabling seamless integration into modern cloud environments while maintaining high performance.

OSPP 2025 (Open Source Software Supply)

The Open Source Promotion Plan is a summer program organized by the Open Source Software Supply Chain Promotion Plan of the Institute of Software Chinese Academy of Sciences in 2020. It aims to encourage university students to actively participate in the development and maintenance of open source software, cultivate and discover more outstanding developers, promote the vigorous development of excellent open source software communities, and assist in the construction of open source software supply chains.

llmaz has 2 projects in OSPP 2025. Student Registration and Application: May 9 – June 9. Welcome to our community.

For more information about llmaz and its features, visit the GitHub repository.

The Shift to cgroups v2 in Kubernetes: What You Need to Know

2026-08-27T06:38:59.346859+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-10-21. Original URL: https://pacoxu.wordpress.com/2025/10/21/the-shift-to-cgroups-v2-in-kubernetes-what-you-need-to-know/

As v1.35 will announce the cgroup v1 deprecation, kubelet will fail on cgroup v1 with default configuration. FailCgroupV1 will be set to true by default. See more in coming blog https://github.com/kubernetes/website/pull/52814. Blow is what I wrote after cgroup v1 was announced to enter maintenance mode. As I linked a lot and can not finish is pretty complete, I stopped update https://github.com/kubernetes/website/pull/47342. Just publish it here for users who want to know more about why we should shift from cgroup v1 to v2 and the difference.

cgroups (control groups) are a Linux kernel feature used for managing system resources. Kubernetes uses cgroups to allocate resources like CPU and memory to containers, ensuring that applications run smoothly without interfering with each other. With the release of Kubernetes v1.31, cgroups v1 has been moved into [maintenance mode]/blog/2024/08/14/kubernetes-1-31-moving-cgroup-v1-support-maintenance-mode/). For cgroups v2, it graduated in v1.25 2 years ago.

Top FAQs are why we should migrate, what’s the benifits and lost, and what needs to be noticed when using cgroups v2.

cgroups v1 problem, and solutions in cgroups v2

cgroups v1 and cgroups official doc can be found in

Let’s enumerate some known issues.

active_file memory is not considered as available memory

There is a known issue of page cache: #43916.

In cgroups v1, we have no native solutions. Workarounds are setting larger memory limit for Pods or using some external projects to drop cache or throttling memory allocating when memory is beyond a threshold.
In cgroups v2, we can use memory.high to throttle.

Support for Memory QoS was initially added in Kubernetes v1.22, and later some limitations around the formula for calculating memory.high were identified. These limitations are addressed in Kubernetes v1.27.

However, until v1.31, the feature gate is still alpha due to another known issue that application pod may be hanging forever due to heavy memory reclaiming.

Container aware OOM killer and better OOM handling strategies

In cgroups v2, one process of a multi-processes Pod could be killed by the OOM killer. In this case, Pod has to use runit or supervisord to manage multi processes lifecycle.

cgroups v2 uses cgroup.kill file. Writing “1” to the file causes the cgroups and all descendant cgroups to be killed. This means that all processes located in the affected cgroup tree will be killed via SIGKILL. Pod may run multiple processes, and all processes can be killed simultaneously.

As mentioned above, cgroups v2 memory.high can throttle the new memory allocation and cgroups can be aware of the OOM earsiler. Besides, PSI can also help to know the memory load. oomd is a good example using PSI to implement a userspace out-of-memory killer.

Rootless support

In cgroups v1, delegating cgroups v1 controllers to less privileged containers may be dangerous.

Unlike cgroups v1, cgroups v2 officially supports delegation. Most Rootless Containers implementations rely on systemd for delegating v2 controllers to non-root users.

User Namespace minimal kernel version is 6.5, according to KEP-127.

What’s more?

eBPF stories:
- In cgroups v1, the device access control are defined in the static configuration/.
- cgroups v2 device controller has no interface files and is implemented on top of cgroup BPF.
- Cilium will automatically mount cgroups v2 filesystem required to attach BPF cgroup programs by default at the path /run/cilium/cgroupv2 .
PSI is planned in a future release KEP-4205, but pending due to runc 1.2.0 release delay.
monitoring tools support, like Cadvisor. Currently, cgroups v2 features are not fully-supported yet.

Adopting cgroup version 2

Requirements

Here’s what you need to use cgroup v2 with Kubernetes. First up, you need to be using a version of Kubernetes with support for v2 cgroup management; that’s been stable since Kubernetes v1.25 and all supported Kubernetes releases include this support.

OS distribution enables cgroups v2
Linux Kernel version is 5.8 or later
Container runtime supports cgroups v2. For example:
- containerd v1.4 or later (at the time of writing, containerd releases v1.6 and later are within that project’s support period)
- CRI-O v1.20 or later
The kubelet and the container runtime are configured to use the systemd cgroup driver

kernel updates around cgroups v2

cgroups v2 first appeared in Linux Kernel 4.5 in 2016.

In Linux 4.5, cgroups v2 io, memory & pid cgroups management were supported.
Linux 4.15 added support for cgroups v2 cpu management
Pressure Stall Information (PSI) support began with Linux 4.20.
The Kubernetes project does not recommend using cgroups v2 with a Linux kernel older than 5.2 due to lack of cgroup-level task freezer support.
In Kubernetes, 5.8 is the minimal kernel version for cgroups v2 as root cpu.stat file on cgroupv2 was only added on kernel 5.8.
memory.peak is added in 5.19.

Use systemd as cgroup driver

Configure the kubelet’s cgroup driver to match the container runtime cgroup driver.

The Container runtimes page explains that the systemd driver is recommended for kubeadm based setups instead of the kubelet’s default cgroupfs driver, because kubeadm manages the kubelet as a systemd service.

A minimal example of configuring the field explicitly:

apiVersion: kubelet.config.k8s.io/v1beta1
kind: KubeletConfiguration
cgroupDriver: systemd

In v1.31, KEP-4033 is beta to extend CRI API for the kubelet to discover the cgroup driver from the container runtime. This will help installer and kubelet to autodetect

Tools and commands for troubleshooting

Tools and commands that you should know about cgroups:

stat -fc %T /sys/fs/cgroup/: Check if cgroups v2 is enabled which will return cgroup2fs
systemctl list-units kube* --type=slice or --type=scope: List kube related units that systemd currently has in memory.
bpftool cgroup list /sys/fs/cgroup/*: List all programs attached to the cgroup CGROUP.
systemd-cgls /sys/fs/cgroup/*: Recursively show control group contents.
systemd-cgtop: Show top control groups by their resource usage.
tree -L 2 -d /sys/fs/cgroup/kubepods.slice: Show Pods’ related cgroups directories.

How to check if a Pod CPU or memory limit is successfully applied to the cgroup file?

Kubernetes Pod Spec: check limits spec.containers[*].resources.limits.{cpu,memory} and requests spec.containers[*].resources.requests.{cpu,memory}
CRI: cpu_period, cpu_quota, cpu_shares for CPU and memory_limit_in_bytes for memory limit
OCI Spec: memorry.limit, cpu.shares, cpu.quota, cpu.period
Systemd Scope Unit: CPUWeight, CPUQuotaPerSecUSec, CPUQuotaPeriodUSec, MemoryMax
Cgroupfs value: /sys/fs/cgroup/../cpu.weight, /sys/fs/cgroup/../cpu.max, /sys/fs/cgroup/../memory.max

Kubernetes Introduces Native Gang Scheduling Support to Better Serve AI/ML Workloads

2026-08-27T06:38:59.357821+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-11-26. Original URL: https://pacoxu.wordpress.com/2025/11/26/kubernetes-introduces-native-gang-scheduling-support-to-better-serve-ai-ml-workloads/

中文 https://mp.weixin.qq.com/s/EO0yfdVQMNgKI7nqkJ18Yw Kubernetes 支持原生 Gang Scheduling ：适应 AI/ML 工作负载

Introduction

Scheduling large workloads in Kubernetes has always been challenging. When you need to run distributed training jobs, batch processing tasks, or other multi-pod applications, the traditional pod-by-pod scheduling approach can lead to resource wastage, deadlocks, and inefficiencies. Today, we’re excited to share insights about the Workload Aware Scheduling initiative that’s transforming how Kubernetes handles multi-pod workloads.

The Problem with Traditional Pod Scheduling

In traditional Kubernetes scheduling, each pod is scheduled independently. For distributed workloads like:

Distributed ML training (e.g., PyTorch, TensorFlow multi-worker jobs)
Batch processing (e.g., Apache Spark, Ray clusters)
High-performance computing (e.g., MPI applications)

This independent scheduling creates several problems:

Partial scheduling deadlocks: Some pods get scheduled while others wait indefinitely for resources
Resource wastage: Scheduled pods consume resources but can’t start work until all peers are ready
Poor cluster utilization: Resources are tied up by incomplete workloads
Unpredictable job completion times: Jobs may wait hours or days in partially-scheduled states

Kubernetes v1.35: Workload Aware Scheduling

The Kubernetes community has introduced Workload Aware Scheduling in v1.35, featuring three major components:

1. Workload API (Alpha)

The new Workload API resource in scheduling.k8s.io/v1alpha1 provides a structured way to define scheduling requirements for multi-pod applications.

apiVersion: scheduling.k8s.io/v1alpha1
kind: Workload
metadata:
  name: training-job-workload
  namespace: ml-workloads
spec:
  podGroups:
  - name: workers
    policy:
      gang:
        # All-or-nothing: schedule only if 4 pods can run together
        minCount: 4

Link your pods to the workload:

apiVersion: v1
kind: Pod
metadata:
  name: worker-0
  namespace: ml-workloads
spec:
  workloadRef:
    name: training-job-workload
    podGroup: workers
  containers:
  - name: trainer
    image: my-ml-framework:latest
    resources:
      requests:
        nvidia.com/gpu: 1

2. Gang Scheduling (Alpha)

Gang scheduling implements the all-or-nothing placement strategy:

How it works:

Waiting Phase: When pods arrive, the scheduler blocks them until minCount pods are pending
Evaluation Phase: The scheduler attempts to find suitable nodes for all pods in the gang
Decision Phase:
- ✅ Success: If all pods can be placed, they’re bound to nodes together
- ❌ Failure: If any pod can’t be placed within timeout (5 minutes), ALL pods are rejected and requeued

This prevents resource waste and ensures your distributed workload either runs completely or waits for sufficient resources.

Key benefits:

Eliminates partial scheduling deadlocks
Improves cluster utilization by freeing resources for runnable workloads
Provides predictable behavior for distributed applications
Works seamlessly with pod preemption and autoscaling

3. Opportunistic Batching (Beta)

Opportunistic Batching is a performance optimization that speeds up scheduling of identical pods without requiring any configuration changes.

How it works:

When the scheduler processes pods with identical scheduling requirements (same resources, images, affinities, etc.), it can reuse feasibility calculations and scoring results for subsequent pods in the queue.

Performance impact:

Dramatically reduces scheduling latency for large homogeneous workloads
Can improve scheduling throughput by 5-10x for batch workloads
Works transparently – no user configuration needed
Enabled by default in Kubernetes v1.35 (Beta)

Current restrictions:

Disabled for pods using topology spread constraints
Disabled for pods using Dynamic Resource Allocation (DRA)
All scheduling-relevant pod fields must be identical

Real-World Use Cases

Distributed ML Training

apiVersion: scheduling.k8s.io/v1alpha1
kind: Workload
metadata:
  name: pytorch-training
spec:
  podGroups:
  - name: workers
    policy:
      gang:
        minCount: 8  # Need 8 GPUs for distributed training

Your PyTorch distributed training job only starts when all 8 workers can be scheduled, preventing wasted GPU resources.

Apache Spark on Kubernetes

apiVersion: scheduling.k8s.io/v1alpha1
kind: Workload
metadata:
  name: spark-job
spec:
  podGroups:
  - name: executors
    policy:
      gang:
        minCount: 10  # 1 driver + 9 executors minimum

Spark jobs with gang scheduling avoid the common problem where the driver starts but executors can’t be scheduled.

Ray Clusters

Ray applications benefit from gang scheduling by ensuring the head node and worker nodes start together, enabling immediate distributed computation.

The Roadmap: What’s Coming in 1.36 and Beyond

The Workload Aware Scheduling effort has an ambitious roadmap for Kubernetes 1.36:

Planned for v1.36

Expanding Workload API: Enhanced capabilities and refinements based on alpha feedback
Auto-workload for Job, StatefulSet, JobSet: Automatic workload creation for common Kubernetes resources
Topology Aware Scheduling: Consider network and hardware topology when placing gang members
Single-cycle workload scheduling: Schedule entire gangs in a single scheduling cycle for better performance
Tree-based workload scheduling algorithm: More efficient gang placement decisions
Improved binding process: Better handling of kubelet races using nominations
Delayed preemption: Introduce nominating victims before actual eviction
Workload-level preemption: Preempt entire gangs rather than individual pods

Long-term Vision

The ultimate goal is to make Kubernetes natively understand and optimize for workload-level operations, including:

Deep integration with cluster autoscaling
Workload-aware resource quotas and limits
Better support for mixed workload types (batch + serving)
Enhanced observability for multi-pod applications

Upcoming Official Blog Post

The Kubernetes community is preparing an official blog post about Workload Aware Scheduling that will be published soon on the Kubernetes blog. Watch for kubernetes/website#53012 to be merged for the official announcement.

Getting Started

Prerequisites

Kubernetes v1.35 or later
Feature gates configured on kube-apiserver and kube-scheduler

Enable Workload API and Gang Scheduling

# On kube-apiserver
--feature-gates=GenericWorkload=true
--runtime-config=scheduling.k8s.io/v1alpha1=true

# On kube-scheduler
--feature-gates=GenericWorkload=true,GangScheduling=true

Enable Opportunistic Batching

Opportunistic Batching is enabled by default in v1.35 as a Beta feature. To disable it:

# On kube-scheduler
--feature-gates=OpportunisticBatching=false

Testing Gang Scheduling

Create a Workload resource
Create pods with workloadRef pointing to the Workload
Observe scheduling behavior in kube-scheduler logs
Monitor metrics for gang scheduling success/failure rates

Best Practices

Set appropriate minCount: Consider your application’s minimum viable size
Use resource requests accurately: Gang scheduling depends on accurate resource requirements
Monitor scheduling metrics: Track gang scheduling success rates and timeout events
Test with cluster autoscaling: Ensure your autoscaler can provision nodes for gangs
Plan for failure scenarios: Understand timeout behavior and retry logic

Comparison with Existing Solutions

Before native gang scheduling, users relied on:

Volcano: CNCF incubating project with gang scheduling
Kueue: Kubernetes SIG project for queue and quota management
YuniKorn: Apache project with gang scheduling support
Custom schedulers: In-house solutions for specific use cases

Why use native gang scheduling?

Maintained by Kubernetes SIG Scheduling
Integrated with core scheduler features (preemption, autoscaling)
No additional components to deploy and maintain
Part of the Kubernetes conformance suite (eventually)

When to use external schedulers?

Need production-ready gang scheduling today (use Volcano or Kueue)
Require features beyond current Kubernetes roadmap
Have existing investments in specific schedulers

Resources and References

KEPs and Documentation

Related Projects

Several projects currently support gang scheduling:

Volcano Scheduler – CNCF Incubating
- Full gang scheduling support
- Recently added LeaderWorkerSet (LWS) gang scheduling in v1.13 release
Koordinator – Alibaba Open Source
- Basic gang scheduling capabilities
- Workload orchestration and resource scheduling enhancements
Kueue – Kubernetes SIG Project
- CoScheduling support (a lighter version of gang scheduling)
- Focus on job queueing and quota management
YuniKorn – Apache Project
- Gang scheduling and resource scheduling capabilities

Community

SIG Scheduling: https://github.com/kubernetes/community/tree/master/sig-scheduling
Slack: #sig-scheduling on Kubernetes Slack

Conclusion

Gang Scheduling and Workload Aware Scheduling represent a major step forward for Kubernetes in supporting AI/ML, HPC, and batch processing workloads. The v1.35 alpha release provides a foundation for native multi-pod scheduling, with an exciting roadmap for v1.36 and beyond.

We encourage the community to:

Test these features in development environments
Provide feedback through GitHub issues
Share use cases and requirements
Contribute to the ongoing development

The future of Kubernetes scheduling is workload-aware, and the journey has just begun!

Smarter Scheduling for AI Workloads: Topology-Aware Scheduling

2026-08-27T06:38:59.374253+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-11-28. Original URL: https://pacoxu.wordpress.com/2025/11/28/smarter-scheduling-for-ai-workloads-topology-aware-scheduling/

Why Topology? Why Now?

At KubeCon NA 2025, one theme dominated conversations in the AI/ML space:
topology. Everyone is talking about topology-aware scheduling because it’s
critical for optimizing AI workload performance.

Source: Lightning Talk: Mind the Topology – Roman Baron, NVIDIA

Modern AI workloads, especially distributed training and high-performance
inference, are extremely sensitive to hardware topology. When GPUs, NICs, CPUs,
and memory are not properly aligned within the same NUMA node, PCIe root, or
network fabric, performance can degrade by 30-50% or more.

Background: Current Topology Scheduling Support

Device Plugin: The Traditional Approach

Kubernetes Device Plugins have been the standard mechanism for managing
hardware resources like GPUs. The Device Plugin API provides:

Source: KubeCon NA 2025: Device Management

Key Components:

GetDevicePluginOptions: Plugin configuration
ListAndWatch: Report available devices to kubelet
GetPreferredAllocation: Suggest optimal device allocation (topology hint)
Allocate: Perform device allocation for containers
PreStartContainer: Pre-container-start hooks

Device Plugin supports:

Basic GPU counting (e.g., nvidia.com/gpu: 8)
MIG (Multi-Instance GPU) partitioning
Time-slicing for GPU oversubscription

Limitations of Device Plugin

However, Device Plugins have significant limitations for topology-aware
scheduling:

Source: KubeCon NA 2025: Device Management

Static isolation config: MIG configurations must be pre-defined
Static slicing config: Time-slicing ratios are fixed at deployment
Only even sharing expected: Limited sharing granularity
Requires secondary scheduler: Complex topologies need additional
schedulers like Volcano or Kueue

Kueue: Topology-Aware Scheduling

Kueue provides topology-aware
scheduling through node labels. It uses hierarchical topology levels like:

# Node labels for rack/block topology
cloud.google.com/gce-topology-block: "block-1"
cloud.google.com/gce-topology-subblock: "subblock-1"
cloud.google.com/gce-topology-host: "host-1"
kubernetes.io/hostname: "node-1"

Kueue supports:

TopologyAwareScheduling: Place workload pods on nodes with matching
topology
Cohort-based resource sharing: Share resources within topology groups
Gang scheduling with topology: Ensure all gang members are
topology-aligned

Kueue Topology Configuration Example:

apiVersion: kueue.x-k8s.io/v1beta1
kind: ResourceFlavor
metadata:
  name: gpu-topology
spec:
  nodeLabels:
    cloud.google.com/gce-topology-block: "block-1"
  nodeTaints:
  - effect: NoSchedule
    key: nvidia.com/gpu
    value: "present"

Volcano: Gang Scheduling with Topology

Volcano provides advanced scheduling
features including:

Gang scheduling: All-or-nothing scheduling for distributed workloads
Topology plugin: Consider GPU topology in scheduling decisions
Network-aware scheduling: RDMA/InfiniBand fabric awareness

apiVersion: scheduling.volcano.sh/v1beta1
kind: PodGroup
metadata:
  name: distributed-training
spec:
  minMember: 8
  minResources:
    nvidia.com/gpu: "8"
  queue: training-queue
  # Topology affinity for NVLink connectivity
  topologyPolicy: "best-effort"

DRA: The Next Generation of Topology Management

Dynamic Resource Allocation (DRA)
represents a fundamental shift in how Kubernetes handles device topology. DRA
provides structured parameters that enable rich topology expression and
constraint specification.

How DRA Handles Topology-Aware Scheduling

DRA uses attributes and constraints with CEL (Common Expression
Language) to express topology requirements. The key mechanisms include:

Device Attributes: Each device publishes topology information

pcieRoot: PCIe hierarchy identifier
numaNode: NUMA node association
nvlinkDomain: NVLink fabric identifier
rdmaDevice: Associated RDMA NIC

Constraints: CEL expressions that enforce topology rules

Same PCIe root for GPU and NIC
Same NUMA node for CPU and memory
NVLink connectivity between GPUs

SharedID: Devices on the same topology domain get a shared identifier

GPU + NIC Topology Coordination

The most powerful use case for DRA topology is coordinating GPU and NIC
allocation on the same PCIe root. This is critical for RDMA-based distributed
training where GPU-Direct is used.

ResourceClaimTemplate with PCIe Topology Constraint Example:

apiVersion: resource.k8s.io/v1beta1
kind: ResourceClaimTemplate
metadata:
  name: gpu-nic-topology
spec:
  spec:
    devices:
      requests:
      - name: gpu
        deviceClassName: nvidia-gpu
        count: 1
      - name: rdma-nic
        deviceClassName: rdma-nic
        count: 1
      constraints:
      # GPU and NIC must be on the same PCIe root
      - requests: ["gpu", "rdma-nic"]
        matchAttribute: pcieRoot

How this works:

The DRA scheduler evaluates available GPUs and NICs
For each candidate GPU, it finds NICs on the same PCIe root
Only allocations satisfying the constraint are considered
The matchAttribute: pcieRoot ensures both devices share the same
PCIe topology

DRANET: Network Device DRA

DRANET is Google’s DRA implementation for
network devices. It integrates with Kueue’s topology-aware scheduling using
node labels:

# DRANET uses these labels for topology awareness
cloud.google.com/gce-topology-block
cloud.google.com/gce-topology-subblock
cloud.google.com/gce-topology-host
kubernetes.io/hostname

DRANET + NVIDIA GPU DRA can coordinate:

RDMA NICs allocated with GPUs on same PCIe fabric
Multi-NIC configurations for distributed training
Network isolation using SR-IOV VFs

CPU Micro-Topology Support

The dra-driver-cpu
project is adding CPU micro-topology support including:

NUMA-aware CPU allocation
CPU pinning with topology alignment
Coordination with GPU NUMA placement

DRAConsumableCapacity: New in Kubernetes 1.34

A major advancement in DRA is the DRAConsumableCapacity feature:

Source: KubeCon NA 2025: Device Management

Key Capabilities:

Alpha feature introduced in Kubernetes 1.34
Recommended to start using from Kubernetes 1.35 (still in Alpha)

Core abilities:

Allow multiple allocations over multiple resource requests
Consumable capacity: Guaranteed resource sharing

Potential use cases:

Virtual GPU Memory Partitioning
Virtual NIC (vNIC) Sharing
Bandwidth-limited Network Allocation
I/O Bandwidth Smart Storage Device Sharing
Native Resource Request (CPU)

This enables much more flexible resource sharing while maintaining topology
awareness.

Challenges: Device Plugin to DRA Migration

Many organizations have invested heavily in Device Plugin-based solutions.
Migrating to DRA presents several challenges:

1. Existing Device Plugin Investments

Organizations may have:

Custom Device Plugins with topology logic
Integration with monitoring and observability tools
Operator workflows depending on Device Plugin APIs

2. Coexistence Problems

Running Device Plugin and DRA together can cause:

Resource conflicts: Same device managed by both systems
Topology inconsistency: Different topology views between systems
Scheduling confusion: Scheduler doesn’t have unified view

3. Feature Gaps

Some Device Plugin features don’t have DRA equivalents yet:

Device health monitoring: Device Plugin has built-in health checks
Hot-plug support: Device Plugin supports dynamic device addition
Metrics integration: Prometheus metrics from Device Plugins

Solutions and Workarounds

DRA Extension Capabilities:

DRA drivers can implement compatibility layers
NVIDIA’s DRA driver supports Device Plugin migration path
NRI integration can bridge runtime-level gaps

Recommended Migration Path:

Deploy DRA driver alongside existing Device Plugin
Use node taints to partition workloads
Gradually migrate workloads to DRA-based resource claims
Phase out Device Plugin once all workloads migrated

Related KubeCon Talks

Several excellent talks from KubeCon NA 2025 cover these topics:

Lightning Talk: Mind the Topology

Mind the Topology: Smarter Scheduling for AI Workloads on Kubernetes
by Roman Baron, NVIDIA

Key topics:

Why topology matters for AI workloads
NVIDIA KAI Scheduler for topology-aware scheduling
NVIDIA KAI-Scheduler

Device Management Deep Dive

Deep dive into DRA and Device Plugin

Key topics:

Evolution from Device Plugin to DRA
DRAConsumableCapacity feature
Multi-device topology coordination

Best Practices for Topology-Aware Scheduling

Understand your topology requirements

Profile workloads to identify topology sensitivity
Map hardware topology (PCIe, NUMA, NVLink, RDMA)

Choose the right scheduling approach

Simple GPU workloads: Device Plugin + Topology Manager
Complex multi-device: DRA with constraints
Distributed training: Kueue or Volcano + DRA

Label nodes with topology information

Use consistent labeling scheme
Include rack, block, and host-level topology

Test topology impact

Benchmark with and without topology alignment
Measure latency and throughput differences

Plan for migration

Start with new workloads on DRA
Create compatibility tests
Document topology requirements

Conclusion

Topology-aware scheduling has evolved from a nice-to-have feature to a critical
requirement for AI workloads. The transition from Device Plugin to DRA
represents a fundamental shift in how Kubernetes manages hardware topology:

Device Plugin: Simple, established, but limited topology support
DRA: Rich topology expression, multi-device coordination, future of
Kubernetes device management

As AI workloads continue to grow in complexity, the need for sophisticated
topology-aware scheduling will only increase. Whether you’re using Kueue,
Volcano, or native Kubernetes scheduling, understanding topology and planning
for DRA adoption is essential for optimizing your AI infrastructure.

Resources

Projects

Documentation

Videos

Kubernetes x JobSet：How CoEvolving Makes AI Jobs Restart 10× Faster

2026-08-27T06:38:59.393696+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-12-01. Original URL: https://pacoxu.wordpress.com/2025/12/01/kubernetes-x-jobset%ef%bc%9ahow-coevolving-makes-ai-jobs-restart-10x-faster/

Co-Evolving: When Kubernetes Features Empower the Ecosystem

In the rapidly evolving AI infrastructure landscape, a beautiful synergy is
emerging: the Kubernetes community develops foundational capabilities, and
downstream projects like JobSet,
Ray, and
LeaderWorkerSet (LWS) adopt these
features to dramatically improve their efficiency. We call this Co-Evolving
(协同演进) — the entire ecosystem advancing together.

Kubernetes has been introducing more AI-related capabilities recently, but
realizing their full potential in AI workloads requires adaptation by other
projects. Today, we’ll explore a prime example: JobSet leveraging Kubernetes In-Place Container Restart to achieve 92% faster restart times.

The Problem: Slow JobSet Restart

When a distributed training job running on
JobSet needs to restart (due to
transient failures, configuration updates, or checkpoint recovery), the
traditional approach involves:

Delete all pods in the JobSet
Wait for pod termination to complete
Reschedule all pods through the Kubernetes scheduler
Wait for pod startup (including image pulls, init containers, etc.)

In a large-scale cluster with 5000 nodes, this process takes approximately
2 minutes and 10 seconds. For AI/ML workloads where fast recovery is
critical, this overhead is significant.

The Solution: In-Place Container Restart

Kubernetes has introduced capabilities that allow containers to restart without
pod recreation:

KEP-5307: Container Restart Policy (Kubernetes 1.34)

KEP-5307
introduces fine-grained control over individual container restart behavior
within pods. This allows:

Specifying restart policies per container (not just per pod)
Triggering container restarts without affecting the entire pod
Maintaining pod identity, IP, and volumes during container restarts

KEP-5532: Restart All Containers on Container Exits (Kubernetes 1.35)

KEP-5532
extends this capability to enable coordinated restarts:

Restart all containers in a pod when specific containers exit
Restart init containers and sidecars as part of the pod lifecycle
Enable pod-level restart coordination without pod recreation

Real-World Results: JobSet In-Place Restart

The JobSet team has developed an
in-place restart prototype
that demonstrates remarkable performance improvements:

Metric	Traditional Restart	In-Place Restart	Improvement
Restart Time	2m10s	10s	92% faster
Test Scale	5000 nodes	5000 nodes	–
Scheduling Overhead	High	None	Eliminated
Pod Recreation	Required	Not needed	Avoided

For detailed design information, see the
JobSet in-place restart design document.

Why This Matters for AI Workloads

1. Distributed Training Recovery

Large-scale distributed training jobs (PyTorch DDP, TensorFlow MultiWorkerMirroredStrategy)
are particularly sensitive to restart latency:

Checkpoint recovery: After a failure, all workers need to restart from
the latest checkpoint. In-place restart gets workers back online 12x faster.
Gradient synchronization: All workers must be running for training to
proceed. Faster restarts mean less wasted GPU time.
Cost savings: On expensive GPU clusters ($2-10/GPU-hour), 2 minutes saved
per restart adds up significantly.

2. Job Dependencies

Many AI pipelines have complex job dependencies. When a job restarts:

Downstream jobs wait for upstream completion
Gang scheduling constraints require all workers to be present
Network connectivity must be maintained for collective operations

In-place restart preserves pod identity and network connectivity, minimizing
disruption to the overall pipeline.

3. Resource Efficiency

Traditional restart involves:

Scheduler load: Finding nodes for potentially thousands of pods
API server load: Creating/deleting pod objects
Node preparation: Image pulls, volume mounts, init containers

In-place restart eliminates all of this overhead, keeping resources available
for actual workloads.

How It Works

Before: Traditional Restart Flow

Job Restart Triggered
    ↓
Delete All Pods → Wait for Termination (30s+)
    ↓
Create New Pods → Wait for Scheduling (30s+)
    ↓
Pull Images (if needed) → Start Containers (60s+)
    ↓
Total: ~2m10s

After: In-Place Restart Flow

Job Restart Triggered
    ↓
Signal Container Exit → Container Restarts In-Place (10s)
    ↓
Total: ~10s

The key differences:

No pod deletion: Pod objects remain, preserving identity
No rescheduling: Pods stay on their current nodes
No image pulls: Images are already cached on nodes
Immediate restart: Container process simply restarts

Implementation Considerations

When to Use In-Place Restart

Transient failures: Container crashes, OOM kills, network timeouts
Configuration updates: Restart to pick up new environment variables
Checkpoint recovery: Resume training from saved state
Rolling updates: Graceful restart of workers in sequence

When Traditional Restart is Needed

Node failures: Pod must move to a healthy node
Resource changes: Pod needs more/less resources (consider VPA)
Image updates: New container image required
Topology changes: Pod needs different placement

Integration with JobSet

JobSet can leverage in-place restart through:

apiVersion: jobset.x-k8s.io/v1alpha2
kind: JobSet
metadata:
  name: distributed-training
spec:
  replicatedJobs:
  - name: workers
    replicas: 8
    template:
      spec:
        template:
          spec:
            restartPolicy: Always  # Enables in-place restart
            containers:
            - name: trainer
              image: pytorch/pytorch:latest

The Broader Co-Evolving Pattern

This JobSet improvement exemplifies the Co-Evolving pattern in cloud-native AI:

Kubernetes Capability	Project Adoption	Benefit
In-Place Restart	JobSet	92% faster recovery
Gang Scheduling (1.35)	Kueue, LWS	All-or-nothing placement
DRA (1.34 GA)	NVIDIA GPU Operator	Flexible device allocation
Workload API (1.35)	Volcano, YuniKorn	Native workload support

As Kubernetes continues to add AI-friendly features, we expect more projects
to adopt them, creating a virtuous cycle of improvement.

Getting Started

Prerequisites

Kubernetes 1.34+ (for KEP-5307)
Kubernetes 1.35+ (for KEP-5532 pod-level restart)
JobSet with in-place restart support (check latest releases)

Enable Feature Gates

# On kubelet for KEP-5307 (Container Restart Policy, 1.34+)
--feature-gates=ContainerRestartPolicy=true

# On kubelet for KEP-5532 (Restart All Containers, 1.35+)
--feature-gates=RestartAllContainersOnContainerExits=true

Test In-Place Restart

Deploy a JobSet with restartPolicy: Always
Trigger a container restart (e.g., kubectl exec ... -- kill -TERM 1)
Observe the restart time compared to pod recreation

Future Roadmap

The in-place restart capability continues to evolve:

KEP-5307 graduation: Moving toward Beta/GA
KEP-5532 graduation: Enhanced pod-level restart control
JobSet integration: Native support for in-place restart policies
Monitoring: Better observability for restart events
Kueue integration: Workload-aware restart handling

Conclusion

The JobSet in-place restart optimization demonstrates the power of Co-Evolving
in the Kubernetes ecosystem. By adopting upstream Kubernetes capabilities,
projects can achieve dramatic performance improvements:

92% faster restart (2m10s → 10s)
No scheduling overhead
Preserved pod identity and network
Reduced API server load

This is just one example of how the Kubernetes community and downstream
projects work together to improve AI workload efficiency. As more AI-related
features land in Kubernetes, we can expect even more optimizations from
projects like JobSet, Ray, LWS, and others.

The future of AI infrastructure is Co-Evolving — and it’s happening now.

References

KEPs and Documentation

Related Projects

JobSet – Kubernetes SIG Apps
LeaderWorkerSet – Kubernetes SIG Apps
Kueue – Kubernetes SIG Scheduling
Volcano – CNCF Incubating

Agent Sandbox: Pre-Warming Pool Makes Secure Containers Cold-Start Lightning Fast

2026-08-27T06:38:59.407069+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-12-02. Original URL: https://pacoxu.wordpress.com/2025/12/02/agent-sandbox-pre-warming-pool-makes-secure-containers-cold-start-lightning-fast/

Agent Sandbox provides a secure, isolated, and efficient execution environment
for AI agents. This blog explores the project, its integration with gVisor and
Kata Containers, and future trends.

Introduction

As AI agents become more prevalent in enterprise applications, the need for
secure execution environments has become critical. Agent Sandbox is a new
Kubernetes project under SIG Apps
that addresses this challenge by providing a standardized, declarative API for
managing isolated, stateful, singleton workloads—ideal for AI agent runtimes.

Key Features:

Kubernetes Primitive Sandbox CRD and Controller: A native Kubernetes
abstraction for managing sandboxed workloads
Ready to Scale: Support for thousands of concurrent sandboxes while
achieving sub-second latency
Developer-Focused SDK: Easy integration into agent frameworks and tools

Project Overview

Core: Sandbox CRD

The Sandbox Custom Resource Definition (CRD) is the heart of agent-sandbox.
It provides a declarative API for managing a single, stateful pod with:

Stable Identity: Each Sandbox has a stable hostname and network identity
Persistent Storage: Sandboxes can be configured with persistent storage
that survives restarts
Lifecycle Management: The controller manages pod lifecycle including
creation, scheduled deletion, pausing, and resuming

Extensions

The project provides additional CRDs for advanced use cases:

SandboxTemplate: Reusable templates for creating Sandboxes
SandboxClaim: Allows users to create Sandboxes from templates
SandboxWarmPool: Manages a pool of pre-warmed Sandbox Pods for fast
allocation (achieving sub-second startup latency)

Architecture

                              ┌─────────────────┐
                              │   K8s API       │
                              │   Server        │
                              └────────┬────────┘
                                       │
                              ┌────────▼────────┐     ┌─────────────┐
                              │  Agent Sandbox  │────▶│  Replenish  │
                              │   Controller    │     │    Pool     │
                              └────────┬────────┘     └─────────────┘
                                       │
                                       │ Allocate from Pool
                                       ▼
┌────────────────────────────────────────────────────────────────────┐
│                        Agent Sandbox                               │
│            Executing Isolated, Low Latency Tasks                   │
│ ┌──────────────────┐   ┌──────────┐   ┌──────────────────────────┐ │
│ │ Agent Orchestrator│──▶│ Executor │──▶│  Task Execution         │ │
│ │       Pod         │   │ (API/SDK)│   │  Agent Sandbox          │ │
│ │                   │   │          │   │ ┌──────────────────────┐│ │
│ │ Agent app/framework   │ iStream  │   │ │Execution Process     ││ │
│ │ requesting sandboxed  │          │   │ │  (gVisor/Kata)       ││ │
│ │ execution environment │          │   │ ├──────────────────────┤│ │
│ │                   │   │          │   │ │ Ephemeral Storage    ││ │
│ │                   │   │          │   │ ├──────────────────────┤│ │
│ │                   │   │          │   │ │ Network Policy       ││ │
│ └──────────────────┘   └──────────┘   │ └──────────────────────┘│ │
│                                        └──────────────────────────┘ │
└────────────────────────────────────────────────────────────────────┘

Runtime Integration: gVisor and Kata Containers

Agent Sandbox is designed to be vendor-neutral, supporting various runtimes
to provide enhanced security and isolation. The two primary implementations are
gVisor and Kata Containers.

gVisor Integration (GKE)

图片来源：KubeCon 北美 Keynote 演讲，Jago Macleod （谷歌）

gVisor is an application kernel that provides an
additional layer of isolation between container applications and the host
kernel. It intercepts application system calls and implements them in user
space.

GKE Integration Status:

Production Ready: gVisor is available as a runtime option in Google
Kubernetes Engine (GKE) via the gvisor RuntimeClass
Snapshot and Resume: GKE supports snapshotting and resuming sandboxes,
enabling infrastructure efficiency and sophisticated parallel executions
Performance Optimized: The gVisor team at Google has optimized the
runtime for AI agent workloads with minimal overhead

Example Configuration:

apiVersion: agents.x-k8s.io/v1alpha1
kind: Sandbox
metadata:
  name: ai-agent-sandbox
spec:
  podTemplate:
    spec:
      runtimeClassName: gvisor
      containers:
      - name: agent-runtime
        image: my-ai-agent:latest

Kata Containers Integration

From: KCD hangzhou 2025

Kata Containers provides lightweight virtual
machines that behave like containers but offer the security isolation of VMs.
Each container runs in its own lightweight VM with a dedicated kernel.

Integration Status:

Active Development: The Kata Containers community is actively working on
Agent Sandbox integration
VM-Level Isolation: Provides strong isolation through hardware
virtualization
GPU Support: Kata supports GPU passthrough for AI/ML workloads

Example with Kata on GKE:

apiVersion: agents.x-k8s.io/v1alpha1
kind: Sandbox
metadata:
  name: kata-ai-sandbox
spec:
  podTemplate:
    spec:
      runtimeClassName: kata-qemu-nvidia-gpu
      containers:
      - name: agent-runtime
        image: my-ai-agent:latest

Key Resources:

Comparison

Feature	gVisor	Kata Containers
Isolation	User-space kernel	Hardware virtualization
Startup Time	Faster (~100ms)	Slower (~1-2s)
Memory Overhead	Lower	Higher
Syscall Compatibility	~95%	100%
GPU Support	Limited	Full passthrough
Best For	Web workloads, untrusted code	GPU workloads, full isolation

Desired Characteristics

The Agent Sandbox project aims to achieve:

Strong Isolation: Support for gVisor and Kata Containers for kernel and
network isolation
Deep Hibernation: Save state to persistent storage and archive Sandbox
objects
Automatic Resume: Resume sandboxes on network connection
Efficient Persistence: Elastic and rapidly provisioned storage
Memory Sharing: Explore sharing memory across Sandboxes on the same host
Rich Identity & Connectivity: Dual user/sandbox identities and efficient
traffic routing
Programmable: Applications and agents can programmatically consume the
Sandbox API

Use Cases

Agent Sandbox is designed for:

AI Agent Runtimes: Isolated environments for executing untrusted,
LLM-generated code
Development Environments: Persistent, network-accessible cloud
environments for developers
Notebooks and Research Tools: Persistent sessions for tools like Jupyter
Notebooks
Stateful Single-Pod Services: Hosting single-instance applications
needing stable identity

Getting Started

Installation

# Replace "vX.Y.Z" with a specific version tag
export VERSION="v0.1.0"

# Install core components
kubectl apply -f https://github.com/kubernetes-sigs/agent-sandbox/releases/download/${VERSION}/manifest.yaml

# Install extensions (optional)
kubectl apply -f https://github.com/kubernetes-sigs/agent-sandbox/releases/download/${VERSION}/extensions.yaml

Create Your First Sandbox

apiVersion: agents.x-k8s.io/v1alpha1
kind: Sandbox
metadata:
  name: my-sandbox
spec:
  podTemplate:
    spec:
      containers:
      - name: my-container
        image: your-agent-image:latest

Trends and Future Directions

Industry Trends

Growing AI Agent Adoption: As AI agents become more autonomous and
capable, secure execution environments become essential
Zero-Trust Security: Agent Sandbox aligns with zero-trust principles by
providing isolated execution environments
Cloud-Native AI Infrastructure: Integration with Kubernetes ecosystem
tools (Kueue, Gateway API, etc.)

Future Development

The project roadmap includes:

Enhanced Runtime Support: Continued improvements for gVisor and Kata
integration
Better Warm Pool Management: More sophisticated allocation strategies
Observability Integration: Native support for monitoring and tracing
Multi-Cluster Support: Managing sandboxes across clusters

Resources

GitHub Repository:
kubernetes-sigs/agent-sandbox
Documentation: agent-sandbox.sigs.k8s.io
Slack: #sig-apps
Mailing List:
sig-apps@kubernetes.io

Conclusion

Agent Sandbox represents an important step forward in providing secure,
efficient execution environments for AI agents on Kubernetes. With support for
multiple isolation runtimes (gVisor and Kata Containers), standardized APIs,
and a focus on developer experience, it addresses the growing need for
sandboxed AI workloads in enterprise environments.

The project is actively developing under SIG Apps, and contributions from the
community are welcome. Whether you’re building AI agents, development
environments, or any workload requiring isolated execution, Agent Sandbox
provides a Kubernetes-native solution.

How to choose the inference orchestration solution? AIBrix or Kthena or Dynamo?

2026-08-27T06:38:59.419315+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-12-03. Original URL: https://pacoxu.wordpress.com/2025/12/03/how-to-choose-the-inference-orchestration-solution-aibrix-or-kthena-or-dynamo/

Note: The content in this article is based on currently available public information and is intended for technical reference only. The effectiveness of each solution depends heavily on your specific workload, infrastructure, and ecosystem integration. The architectural affiliations and early design choices mentioned here do not determine their future direction. In practice, community activity, openness, and long-term evolution are often more important factors. Please evaluate and choose based on your own scenario.

Introduction

The landscape of open-source inference orchestration for Large Language Models (LLMs) has evolved rapidly in 2025. Multiple projects have emerged to address the challenges of deploying and scaling LLM inference workloads on Kubernetes, each with its own approach to workload management, resource orchestration, and performance optimization.

This blog post provides an overview of the current inference orchestration solutions, examines the convergence trends in the ecosystem, and raises important questions about when Prefill-Decode (PD) disaggregation truly provides value.

The Current Landscape

Rapid Development, Gradual Convergence

The inference orchestration space is characterized by:

Many implementations: Multiple projects solving similar problems
Different architectural choices: Varying approaches to workload management
Shared goals: All aim to optimize LLM inference at scale
Emerging patterns: Common solutions beginning to emerge

Despite the diversity, we’re seeing convergence around key patterns: LeaderWorkerSet (LWS)-based architectures, intelligent routing, and disaggregated serving models.

Workload Orchestration Solutions

1. Dual LWS Architecture

llm-d implements a dual LeaderWorkerSet architecture for Prefill-Decode disaggregation:

Two LWS instances: Separate LWS for prefill and decode workers
KServe integration: Deep integration with KServe for model serving
LMCache support: Efficient KV cache management across workers
Routing sidecar: Intelligent request routing and cache optimization

Client → Routing Sidecar → Prefill LWS → KV Cache → Decode LWS → Response

Why dual LWS? This architecture enables independent scaling and resource optimization for each phase while maintaining coordination through the leader-worker pattern.

2. Serving Group: Volcano Kthena

Kthena takes a different approach with its Serving Group concept:

No dual LWS: Kthena intentionally avoids the dual LWS pattern
Gang scheduling integration: Leverages Volcano’s gang scheduling capabilities
Reduced layering: Eliminates the StatefulSet/Pod layer complexity
Direct integration: Native integration with Volcano scheduler

Why not LWS? The Kthena team found that integrating with Volcano’s gang scheduling required a different architecture. The dual LWS, StatefulSet, and Pod layering added complexity without clear benefits for their use case.

This design choice reflects a key insight: the best orchestration solution depends on your existing infrastructure and scheduling requirements.

3. StormService: AIBrix

AIBrix StormService provides specialized container lifecycle management for P/D disaggregation:

P/D lifecycle management: Fine-grained control over prefill and decode containers
Multi-mode support: TP, PP, single GPU, and P/D disaggregation
StormService and RoleSet CRDs: Custom resources for P/D orchestration
Enterprise features: Multi-tenancy, routing, and observability

Architecture:

AIBrix Control Plane
    ├── StormService Controller
    │   ├── RoleSet (Prefill)
    │   └── RoleSet (Decode)
    ├── Gateway & Routing
    └── Autoscaler

4. NVIDIA Dynamo: Two Modes

Dynamo offers two distinct deployment modes:

Grove Mode: https://github.com/ai-dynamo/dynamo/blob/be67f67b1a8d0837291ac7033af6edbc146f6995/docs/kubernetes/grove.md

High-performance inference
NVIDIA-native deployment
Optimized for pure NVIDIA infrastructure
- “GPU support depends on the engine: Dynamo uses backends vllm, sglang and trt-llm. Dynamo is the layer above that.” quota

LWS Mode:

Kubernetes-native deployment using LeaderWorkerSet
Multi-node disaggregated serving
Integration with Kubernetes ecosystem

This dual-mode approach allows users to choose the right level of abstraction for their infrastructure.

5. SGLang RBG: LWS-Inspired

RBG (Resource-Aware Batch Scheduler) learned from and reused design patterns from LWS:

LWS-inspired: Incorporates proven patterns from LeaderWorkerSet
Resource-aware scheduling: Optimizes batch scheduling based on resources
Batch optimization: Intelligent batching strategies for throughput
P/D support: Enables disaggregated prefill and decode workloads

Convergence Trends

Common Patterns Emerging

Despite different implementations, several patterns are converging:

Pattern	llm-d	Kthena	AIBrix	Dynamo	RBG
LWS-based	✓ (dual)	✗	✗	✓ (option)	✓ (inspired)
P/D disaggregation	✓	✓	✓	✓	✓
Intelligent routing	✓	✓	✓	✓	✓
KV cache management	LMCache	Native	Distributed	Native	Native

Why So Many Implementations?

The diversity reflects different optimization goals:

Scheduling integration: Kthena needs Volcano gang scheduling directly
Enterprise features: AIBrix focuses on multi-tenancy and observability
Performance focus: Dynamo optimizes for NVIDIA hardware
Simplicity: RBG provides a lightweight LWS-inspired approach
Production-readiness: llm-d demonstrates a complete reference implementation

The PD Disaggregation Question

At KCD Hangzhou 2025, Wen Yuan Yu’s keynote “Kubernetes Is Born for Service Resource Orchestration—MaaS Changes Everything” raised an important question about PD-separation:

“Achieving strong production gains from PD-separation is very difficult.
While stress testing can show great results, in real dynamic environments it becomes much harder.
Over-provisioning Decode introduces significant challenges.”

This observation directly challenges the assumption that PD-separation is always beneficial.

Does PD Disaggregation Always Provide Value?

At KCD Hangzhou 2025, Yu Wen Yuan’s keynote “Kubernetes Was Built for Service-Resource Orchestration. MaaS Changes Everything” raised important questions about PD disaggregation:

“PD-Disaggregate Role Scheduling • Not So Sure? (Our answer is Data Plane!)”

This challenges the assumption that PD disaggregation is always beneficial.

When PD Disaggregation Helps

PD disaggregation provides clear benefits when:

Long prefill, short decode: Input prompts are much longer than outputs
High concurrency: Many simultaneous requests need serving
Heterogeneous hardware: Different GPU types for different phases
SLA-driven scheduling: Different latency requirements (TTFT vs TPOT)

When PD Disaggregation May Not Help

Consider alternatives when:

Short contexts: Both prefill and decode are fast
Low concurrency: Few simultaneous requests
Homogeneous hardware: Same GPUs for all workloads
Complexity costs: Operational overhead outweighs benefits
KV cache transfer overhead: Network latency exceeds computation savings

The Data Plane Perspective

The “Data Plane” answer suggests that the value of PD disaggregation depends on where bottlenecks actually exist. Before implementing complex orchestration:

Profile your workload: Understand where time is spent
Measure KV cache transfer costs: Network overhead matters
Consider simpler alternatives: TP/DP without disaggregation
Evaluate operational complexity: More components = more failure modes

Configuration Optimization: AIConfigurator

Choosing the right P/D configuration is complex. NVIDIA’s AIConfigurator helps optimize disaggregated deployment configurations:

What AIConfigurator Does

Configuration space search: Evaluates thousands of P/D combinations
SLA-constrained optimization: Finds configurations meeting TTFT/TPOT targets
Hardware-specific tuning: Supports H100, H200, B200 with collected data
xPyD planning: Determines optimal prefill/decode worker ratios

Example Usage

# Find optimal configuration for Qwen3-32B on 32 H200 GPUs
# with SLA targets: TTFT ≤ 300ms, TPOT ≤ 10ms
aiconfigurator cli default \
  --model QWEN3_32B \
  --total_gpus 32 \
  --system h200_sxm \
  --isl 4000 \
  --osl 500 \
  --ttft 300 \
  --tpot 10

Why AIConfigurator Matters

Traditional autoscaling (HPA/KPA) doesn’t understand LLM-specific characteristics. AIConfigurator provides:

Informed decisions: Data-driven configuration choices
Predictive optimization: Estimate performance before deployment
Resource efficiency: Maximize GPU utilization with SLA guarantees

Recommendations

For New Deployments

Start simple: Begin with monolithic serving (no P/D disaggregation)
Profile first: Understand your workload characteristics
Use AIConfigurator: Let data guide configuration decisions
Add complexity gradually: Introduce P/D only when benefits are clear

For Existing Infrastructure

If you use…	Consider…
Volcano	Kthena (native integration)
KServe	llm-d (deep integration)
vLLM	AIBrix (vLLM ecosystem)
NVIDIA GPUs	Dynamo (NVIDIA optimization)
SGLang	RBG (LWS-inspired, lightweight)

Key Questions Before Adopting PD Disaggregation

Is your prefill time >> decode time? If not, disaggregation may not help.
Can your network handle KV cache transfer? Network overhead can eliminate gains.
Do you need independent scaling? If P and D scale together, keep them together.
Is operational complexity acceptable? More components = more failure modes.

Conclusion

The inference orchestration landscape is diverse but converging. Key takeaways:

Multiple solutions exist because different infrastructure has different needs
LWS-based patterns are popular but not universal (Kthena’s Serving Group shows alternatives)
PD disaggregation is not always valuable – profile your workload first
Tools like AIConfigurator help navigate the complex configuration space
Start simple, add complexity when needed based on actual measurements

The future will likely see further consolidation around proven patterns, but the current diversity reflects healthy experimentation in a rapidly evolving field.

References

Workload Orchestration Projects

llm-d – Dual LWS architecture for P/D
Kthena – Volcano-based Serving Group
AIBrix – StormService for P/D
Dynamo – NVIDIA inference platform
RBG – LWS-inspired batch scheduler

Configuration Tools

AIConfigurator – P/D configuration optimizer

Presentations

Agones: Kubernetes-Native Game Server Hosting

2026-08-27T06:38:59.439284+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-12-09. Original URL: https://pacoxu.wordpress.com/2025/12/09/agones-kubernetes-native-game-server-hosting/

Agones brings dedicated game server hosting to Kubernetes, enabling multiplayer gaming infrastructure with cloud-native scalability and management. This blog explores Agones as it applies to join CNCF Sandbox.

Introduction

As the gaming industry grows rapidly, the demand for scalable, reliable dedicated game server infrastructure has become critical. Agones is an open-source platform built on Kubernetes that addresses this need by providing a specialized solution for hosting, running, and scaling dedicated game servers.

Agones, derived from the Greek word “agōn” meaning “contest” or “competition at games”, transforms Kubernetes into a powerful platform for managing game server workloads with the same cloud-native principles used for traditional applications.

Project Status: Agones has applied to join the CNCF Sandbox (github.com/cncf/sandbox/issues/440), marking an important step in bringing gaming workloads into the cloud-native ecosystem.

What is Agones?

Agones is a library for hosting, running, and scaling dedicated game servers on Kubernetes. It replaces bespoke or proprietary cluster management solutions with Kubernetes-native APIs and controllers.

Core Concept: Dedicated game servers are stateful, ephemeral workloads that differ significantly from typical web applications. Each game session requires its own isolated server process, must maintain consistent network identity, and needs specialized lifecycle management. Agones extends Kubernetes to handle these unique requirements through Custom Resource Definitions (CRDs) and controllers.

Key Features

GameServer CRD: Define individual game servers declaratively using YAML or the Kubernetes API, complete with health checking and connection information
Fleet Management: Manage large groups of game servers as Fleets, similar to Kubernetes Deployments but optimized for game server workloads
Autoscaling: Native integration with Kubernetes cluster autoscaling, allowing Fleets to scale based on game server demand
Client SDKs: SDKs for multiple languages (Go, C#, C++, Rust, Node.js, REST) enabling game servers to communicate with the Agones control plane
Lifecycle Management: Automatic health checks, graceful shutdown handling, and state management for game server processes
Metrics and Observability: Game server-specific metrics exports and dashboards for operations teams

Architecture and Design

Agones extends Kubernetes with custom controllers and resources specifically designed for game server workloads:

Custom Resources

GameServer: Represents a single dedicated game server instance with health status, network ports, and connection information
Fleet: Manages groups of GameServers, providing replica management, rolling updates, and scaling capabilities
FleetAutoscaler: Automates Fleet scaling based on buffer policies, webhook policies, or counter/list-based policies
GameServerAllocation: Enables matchmakers to atomically allocate Ready GameServers from a Fleet for player connections

How It Works

Deployment: Operators define GameServers or Fleets using Kubernetes manifests
Lifecycle Management: Agones controllers create pods and manage their lifecycle based on game server state
Ready State: Game servers use the Agones SDK to mark themselves Ready when accepting connections
Allocation: Matchmaking systems request GameServer allocation via the Kubernetes API
Session Management: Game servers notify Agones when sessions end, triggering cleanup
Autoscaling: FleetAutoscalers monitor Fleet status and adjust replicas to maintain desired buffer or respond to custom policies

Use Cases and Production Adoption

Agones is designed for multiplayer gaming scenarios requiring dedicated game servers:

Session-based multiplayer games: FPS, MOBA, battle royale games where each match runs on a dedicated server
Persistent game worlds: MMO game zones or shards that require long-lived server processes
Match-based esports: Competitive gaming infrastructure requiring consistent server performance
Cross-platform gaming: Unified infrastructure for console, PC, and mobile multiplayer experiences

The project is already used in production by major gaming companies and has proven its reliability at scale. The CNCF sandbox application notes that “this project is already used in production by many” organizations.

Why CNCF?

According to the CNCF Sandbox application:

Since Agones is tightly coupled to Kubernetes, CNCF is the logical home for the project. Agones being in the CNCF allows for a broader community contributor ecosystem.

Agones brings a new gaming offering to the CNCF landscape, representing a specific but important use case for Kubernetes. As cloud-native technologies expand into specialized domains, gaming infrastructure represents a significant workload category with unique requirements.

Cloud-Native Integration

Agones integrates directly with core CNCF projects:

Kubernetes: Built as a Kubernetes controller with CRDs
Prometheus: Metrics exports for monitoring game server health and performance
Helm: Installation and configuration via Helm charts
Container runtimes: Works with any Kubernetes-compatible container runtime

Project Governance and Community

Agones operates as a vendor-neutral open-source project:

License: Apache 2.0
Code of Conduct: Contributor Covenant
Governance: Clear contribution guidelines and ownership model
Community Channels: Active Slack workspace, mailing list, regular community meetings
Maintained by: Originally created by Google Cloud, now community-driven with multiple maintainers

The project has comprehensive documentation, quickstart guides, and example implementations for developers getting started with game server hosting on Kubernetes.

Similar Projects and Ecosystem

Within the Kubernetes gaming ecosystem, OpenKruise’s kruise-game (github.com/openkruise/kruise-game) provides similar capabilities. Both projects demonstrate growing interest in gaming workloads on Kubernetes.

Agones’ application to CNCF Sandbox represents an opportunity to establish standards and best practices for game server orchestration across the cloud-native community.

Vision and Roadmap

Agones continues active development with regular releases following a documented release process. The project roadmap focuses on:

Enhancing autoscaling capabilities with more sophisticated policies
Improving observability and debugging tools for game server operations
Expanding SDK support for additional programming languages and engines
Performance optimizations for larger-scale deployments
Better integration with matchmaking and lobby systems

The project aims to make dedicated game server hosting as straightforward and reliable as deploying stateless web applications, while respecting the unique requirements of real-time gaming workloads.

Getting Started

For developers interested in exploring Agones:

Documentation: Comprehensive guides at agones.dev/site/docs/
Quick Start: Install Agones on a Kubernetes cluster and deploy a simple game server
Examples: Multiple example game server implementations in the repository
Community: Join the Agones Slack and mailing list for support and discussion

Agones represents the maturation of gaming infrastructure into the cloud-native era, bringing the operational benefits of Kubernetes to one of the most demanding real-time workload types.

Conclusion

Agones transforms Kubernetes into a powerful platform for dedicated game server hosting, addressing the unique challenges of multiplayer gaming infrastructure. As it applies to join the CNCF Sandbox, the project demonstrates how cloud-native technologies can adapt to specialized workload requirements while maintaining Kubernetes-native principles.

For gaming companies building multiplayer experiences and infrastructure teams managing game servers, Agones provides a proven, production-ready solution that leverages the full ecosystem of cloud-native tools and practices.

References:

Agones GitHub: github.com/googleforgames/agones
Official Website: agones.dev/site/
CNCF Sandbox Application: github.com/cncf/sandbox/issues/440
Announcement Blog: cloud.google.com/blog/products/containers-kubernetes/ introducing-agones-open-source-multiplayer-dedicated-game-server-hosting- built-on-kubernetes

2025年终小结

2026-08-27T06:38:59.452226+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2025-12-25. Original URL: https://pacoxu.wordpress.com/2025/12/25/2025%e5%b9%b4%e7%bb%88%e5%b0%8f%e7%bb%93/

工作篇（社区）

社区 kube、CNCF
- 1.33 – 1.35（Focusing on AI）
  - Restart Container/Pod 策略， Gang Scheduling， DRA，Pod Level Resource Management，sla based scheduling(taint/toleration)
  - Node Readiness Controller
- Steering 连任，感谢大家支持 Announcing the 2025 Steering Committee Election Results
- Why CNCF TAGs are the core of cloud native innovation (and where to find them at KubeCon Atlanta) 参与到 CNCF 新的 TAG Workloads Foundation，Scope其实很大，目前还没重要产出，目前 Batch 和 Agentic 的讨论更多一些，之前的事情主要是调度白皮书部分。
- Kubernetes 社区的发展来看，KCD 主要介绍了这部分内容，新的多个 AI 相关的 WorkGroup 内容，以及新的项目或者 AI相关的项目：Kueue、JobSet、GAIE、Agent Sadnbox、Kube Agentic Gateway 等。
- 新尝试：最近关注点在推理，一方面学习 vLLM（目前主要在看 Blog、 Office Hours ，代码还没怎么看）、此外还关注了下 Ray、PyTorch；另一个重点话题就是 AI 编排，简单总结了下推理编排方案如何选择？AIBrix or Kthena or Dynamo?这块还没形成标准，但是因为这块其实很薄，更多的是如何和调度器等生态整合，而不是标准化。
- 尝试了一下开源之夏，前期收到了三份申请书，当时还是很开心的，看到申请书也很用心。但是执行过程有点无语😓，感觉流程本身可以完成，流程是完成了，但是看下来，除了提交申请书以及提交代码，其他时间的互动几乎为零。可以理解大家都很忙，但是总让人觉得很奇怪，希望活动能越来越好。

比较认可这张图，确实对 AI ML workloads 的支持给了 Kubernetes 再次启航的机会，但是目前的趋势来看，kubernetes 社区更多的是定义 API，定义标准的 CRD，进行简单的最佳实践。目前 Gateway API、Gateway API Inference Extension、Gang API（Workloads），总体来说这部分（kube社区内）可探索空间依然不大，更多需要 Co-Evolving 协同演进到上下游项目中。这个和 cgroups v2 的内核更新与 Kubelet 相关功能更新很类似。

会议
- 比较开心就是5个开源团队的成员都来到伦敦，也算是“团建”了（去年在香港）。
- 除了之前香港 Keynote 之外，现场人数最多的一次，非常大的会议室坐满了，当然感觉很多人是冲着 vCluster 来的，不过总体感觉很好。 A Huge Cluster or Multi-Clusters? Identifying the Bottleneck – Paco Xu & Saiyam Pathak

继续社区的推广 Kubernetes New Contributor Orientation – Paco Xu, DaoCloud; ZhenYu Jiang & Mengjiao Liu, Independent

让更多人了解 Kube 的新动向，也更有兴趣来参与。Keynotes-2 Kubernetes 社区新动向：AI Gateway, Integration 与 Conformance 工作组建立
- KCD 杭州给我最大感受就是 Kubernetes 对 AI 方向来说似乎有巨多事情需要考虑，但也可以甩出去，就看如何抉择。

公众号：
- 公众号发文大概分几个系列：
  - 大集群 & 多集群方案：延续了 KubeCon 欧洲的主题，a huge cluster or multi clusters，翻译了 GKE 130k 和 65k（去年）的文章，翻译了 AWS 文章，汇总了字节 KubeWharf 体系的完整方案（开源版本）以及蚂蚁的集群方案和优化。多集群没太多涉及。阅读量来看还是这部分最吸引人。
  - 隔离方案：AgentSandbox 项目为主，也简单研究了下 Kata、gVisor、vArmor 原理。
  - AI 方向主要看的是 vLLM 以及相关的推理编排部分，此外还看了下 Ray 社区总结的 Co-Evolving，协同演进的项目越来越多 PARK PyTorch + AI + Ray + Kubernetes 这个提法挺有趣的。
  - 差不多刚好发了一个月，基本库存清理干净了，未来能做到双周更新就不错了。涨粉700，远超预期了。分享1千+是没想到的。

Repo
- 今年年底回顾了下之前看到的各种焦点，https://github.com/pacoxu/AI-Infra 也一直在学习 AI Infra 的内容。上面公众号很多文章就是来自之前 AI Infra 学习过程的积累。当然也发现，这个 AI Infra 定义似乎并不被很多人接受，尤其是本来做 AI 方向的，这里的概念更像是 Cloud Native AI Infra 的概念。

生活篇

目前今年没太多出门，去了趟广州，青岛，苏州和杭州（KCD），KubeCon 去了趟香港和伦敦。

挺喜欢广州的饮茶文化，感觉人精神了很多。青岛的海滩真不错，苏杭也是很好的周末遛娃去处。

娃2岁开始围棋入门是不是有点早😂；带娃变成主旋律，但是面对“不要不要”的娃，耐心温柔实在是太难了，尤其是遇到一些赶时间或者意外的时候，实在是太难了。

今年感觉完全没看书，却萌生了未来和女儿一起看哈利波特书的想法。

AI 生成绘本一直没开始，上半年的尝试感觉效果不太好，最近的 Gemini 应该可以满足我的想法。

最后用劝别人的话劝劝自己：很多事情收集完整信息后就可以做决定了。收集信息的时间可以拉长，做决定的时间需要控制，才能留出时间去完成它；last but not least 落子无悔。有耐心的去坚持自己的选择（反悔的成本一般都不低，但都可以，所以需要坚持到一定程度再谈放弃）。纠结只能说明你有选择权。

回顾过之前的很多次经历，对这张图的感受也越来越真切了。很多事情，只是自己多主动了一点点去争取，就做到了；也有很多事情，当时没主动去做，结果就错失机会了。

兴趣篇

足球：
- 今年踢球 28次，比去年强太多了，今年总体状态有所回升，体重算是维持在了80kg左右，没有持续肥胖，但是健康状况仍然不容乐观，鼻炎感冒频率仍然很高。今年似乎是我睡眠最差的一年😓，以前重来没有入睡障碍，今年经常半夜醒了就睡不着了。另外有人拍视频之后，踢球比之前更认真了，😂。
- 伦敦 KubeCon 一周看了四场英超，也算是疯狂了一把，记忆最深刻还是富勒姆 3:2 利物浦。今年看直播也比往年多一些，一方面英超时间确实更友好，另一方面确实更好看一些，之前看西甲的时间真的很魔鬼，而且今年瓦伦卖掉刚培养好的中卫后又不行了。利物浦今年很煎熬，但是慢慢能看到有些改变，但是现在伊萨克伤了，感觉这赛季主打一个不顺。永远怀念20号若塔。萨拉赫的历史地位其实挺高的，也没想到来这么一出，希望能换战术后重生，毕竟世界杯年，去年开年没多久斋月后就感觉状态完全没了，现在也没找到，希望在国家队找回点自信，俱乐部也能在这段时间把战术磨到60分就可以。

PUBG 弃坑，今年国内战队打得实在是太差了😓，越来越看不到啥希望。
围棋，这块可能还是需要大量的训练以及耐心计算，在目前的节奏里面很难静下心来下棋，当然也是水平太差。
播客：开车干不了别的，基本靠听播客打发时间了，一个利物浦球迷在这听阿森纳球迷唠嗑😓。

心境

AI 焦虑，一方面来自 AI 发展的速度日新月异，新技术文章和项目如雨后春笋。学习速度远远跟不上 AI 发展速度，而且能感觉到越拉越多。当然可以借助 AI 加速学习过程，在公众号实践中，我其实就是我来收集材料和截图（或者生成一些配图），给AI相关的核心关键链接和内容，让 AI 组织语言，能非常快的发布一篇文章。

另一方面，发现 AI 巨头尤其是模型侧和公有云部分，很多优化会被规模放大，新的模型基本被巨头垄断了，而不仅仅在模型方面，在其他AI细分领域，小规模会越来越弱势。尤其是 MCP、A2A 等工具链和 workflow 引入之后，Agent 能力得到了很好的扩展，越来越多的领域会出现更高的“墙”。而这个过程中，可以看到有可能被取代的工作越来越多，AI编程一方面压缩了初级程序员的生存空间，一方面也在给产品经理或者非程序员更多想象力，也许这个“泛程序员”市场会被放大也未可知。希望 AI 能创造出更多职业和新的动力，而不是毁灭掉更多。

如何适应 AI 时代？有个初级的想法，就是做一个高效的 Agent：高效的 Agent 就是一个高效的人类智能体，

Routing：问题识别和分解，把一些事情快速的转发给合适的人去做，拆分任务排好优先级，部分活也可以“外包”出去。
- 避免频繁切换 Context
- 阶段性输出一些内容，可以让自己更好的量化自己
A2A：和其他高性价比的 Agent （如何筛选和标注）工作；另外就是 Agent 世界应该不能依赖workflow 和指定的人对接，而是每个人都是 Boss，你需要找其他Agent“付费”做事情。找不到事情做的 Agent 天然被淘汰掉或者冷却即可。“赚钱”的Agent被公布出来，供入不敷出的Agent 学习。也许不应该用钱来衡量，或许效率或者输出质量和能源消耗更好的反应吧。
MCP：学习使用各种 AI 工具
Reasoning：和其他 Agent 交互过程，不仅仅是获取结果，尝试理解其推理/实现过程
知识图谱建立，高质量材料收集和整理
锻炼身体增加兴趣：激活大脑更多专家

2026展望

活动： KCD 北京 + KCD 杭州（申请中）+ KubeCon China 2026 上海

日本 KubeCon 2025 很成功，还是蛮想去一趟的。

AI Infra 目前学习的内容还比较浅，尤其是实际的模型知识、推理引擎、DRA 的实战都是没有的，这块可能是2026年的重点。

工作前三年感觉纯探索，之后五年在产品方向，最近五年基本在kube 开源方向，受到这波 AI 的冲击，似乎需要做一些转型，AI 焦虑下如何定位自己变得越来越难了：模型训练、推理服务与编排、Agent Workflow、路由管理、KV Cache、P D分离、Gang 调度、GPU 管理（利用率提升）、沙箱预热、超大规模、成本优化、多租户隔离、可观测。看上去处处都是落脚点，实际上很多都是浅尝辄止。😐 虽然如此，明年依然计划会在更多新方向看看，甚至需要更耐心的去参与下 vLLM、SGlang 或者 AAIF 方向。

26年娃准备上托班和后续正式上幼儿园了，可能又是一个新的阶段了。带娃真的就是耐心和时间，无他。不想鸡娃，重视身体锻炼，增加户外。老婆在准备公开课和其他任务的时候今年也累倒好几次，还是要重视锻炼，加强抵抗力。

写在最后，也许每个人需要 3-5年整体回顾下

不管是工作还是人生，都需要周期性的做一些深度的回顾。

祖辈还在种地（焦虑吃不饱），父辈基本都在工厂学校（焦虑不稳定），平辈白领居多（竞争焦虑），未来也许都是 AI 带来的各种工作（巨大的不确定性）。短短大几十年，感觉思想和规则都跟不上技术变化，地球/国家/大企业都像是一台庞大的机器，也像是 Kubernetes 社区，已经经过了几十轮甚至更多的迭代，核心稳定之后发现 AI 这波有需要不少巨大的变化要去适应。每个阶段 3-5年，我们的焦虑点会有所不同，但似乎难以避免。

圣诞快乐🎄🧑‍🎄

Kubernetes Pod Startup Speed Optimization Guide

2026-08-27T06:38:59.465268+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2026-01-30. Original URL: https://pacoxu.wordpress.com/2026/01/30/kubernetes-pod-startup-speed-optimization-guide/

Pod startup speed is often overlooked in cloud-native environments, yet its impact extends across multiple dimensions of system performance and cost. Consider a scenario where traffic suddenly surges and the auto-scaling system needs to quickly spin up new Pods to handle the load. If each Pod takes tens of seconds or even minutes to become fully operational, those incoming requests during the startup window will likely be dropped, degrading user experience. This isn’t merely a performance issue—it’s a cost issue, as idle compute resources consume expenses every single second.

Why Pod Startup Speed Matters

Pod startup performance touches several critical concerns. First is the need for rapid scaling. When applications require autoscaling, startup speed determines how quickly the system can respond to traffic fluctuations. Second is resource efficiency. Faster startup means less wasted idle resources. Third is user experience, especially in serverless architectures where cold start latency directly impacts the application response time users perceive. Finally, from a cost perspective, reducing Pod startup time significantly lowers infrastructure expenses.

The Four Key Points of Pod Startup

Understanding the various stages of Pod startup is essential to optimization efforts. The Pod startup process can be divided into four major phases: API Server processing, scheduling, pod startup on node, and application start-to-ready.

The API Server processing phase involves Pod object creation, validation, and persistence. During this phase, the control plane must handle the request, execute admission control policies, and write the Pod object to etcd. While typically fast, this process can become a bottleneck in high-concurrency scenarios.

The scheduling phase spans from Pod creation to being scheduled on a specific node. The scheduler must evaluate all available nodes and select the most suitable target. The duration depends on cluster size and scheduler configuration. In large-scale clusters, this can become a significant source of latency.

The node startup phase encompasses pulling images, creating containers, and starting processes on the selected node. This is usually the longest phase in the entire Pod startup process. It includes network image pulls, storage volume initialization, application startup, and health check completion.

The ready phase, while not strictly part of the “startup” process, affects how the system perceives Pod readiness. If health checks are misconfigured, a Pod might be running but considered unready, affecting overall startup time metrics.

Optimizing the API Server Processing Stage

At the API Server level, the focus is on improving throughput and reducing latency. A straightforward but effective optimization is adjusting the API Server’s concurrent request handling capacity. Increasing the --max-requests-inflight and --max-mutating-requests-inflight parameters allows the API Server to handle more Pod creation requests simultaneously.

Another crucial optimization is streamlining admission controllers. Some controllers might perform expensive operations, such as accessing external services or executing complex validations. Consider disabling unnecessary admission controllers or configuring them for maximum efficiency. Similarly, ensuring excellent etcd performance is vital, as the API Server ultimately must persist Pod objects to etcd.

Optimizing the Scheduling Phase

The scheduler’s performance directly impacts the time from Pod creation to scheduling. Leveraging various optimization techniques provided by the scheduling framework can accelerate this process. For instance, the pre-filter and filter phases can quickly eliminate unsuitable nodes, reducing the number of candidates for subsequent scoring phases.

Another key optimization involves judiciously using node affinity and Pod affinity rules while avoiding overly complex rules that increase scheduling latency. Additionally, for specific workloads, using priority and preemption features can ensure critical Pods are scheduled faster.

In large-scale clusters, consider deploying multiple scheduler instances to distribute the load. Kubernetes natively supports running multiple scheduler instances concurrently, which can significantly boost scheduling throughput.

Optimizing the Node Startup Phase

This phase offers the most substantial optimization opportunities. First, image pulling is a major bottleneck. Image warming is a proven optimization strategy. Pre-pull commonly used images to nodes during startup or scheduled maintenance windows. When Pods actually launch, they won’t need to fetch images from remote registries, drastically reducing startup time.

There are many ways to improve image pull speed. These include best practices for reducing image size, configuring Kubelet to enable concurrent image pulls, and adopting P2P distribution (such as Dragonfly or Uber/Kraken) or lazy loading mechanisms (such as stargz-snapshotter and Nydus). How to accelerate Pod startup under large-scale concurrency has been discussed in the context of VKE’s practices using Dragonfly and Nydus.

Container runtime performance is also critical. Different runtimes (such as containerd and Docker) have different performance characteristics. containerd is generally considered more lightweight and efficient, especially at large scale. Regularly upgrading the runtime to the latest version can also bring performance improvements. Slow docker create / docker run behavior is very common: it is usually caused by too many containers or images on a node (which can be mitigated by scheduled cleanup jobs). The legacy devicemapper storage driver is significantly slower in scenarios with frequent container creation and deletion; overlayfs performs somewhat better. In addition, older Docker versions contain many minor bugs that can cause docker ps or docker run to hang.

Application startup time itself also deserves attention. Some applications perform a large amount of initialization work at startup, such as database migrations or cache warm-up. Making these tasks asynchronous or deferring them until after the application has started can significantly reduce perceived startup latency.

CPU throttling during startup is another common issue. For a detailed discussion of CPU throttling in Kubernetes, possible mitigations include increasing CPU limits, pinning CPUs, or bypassing the issue via VPA-based approaches. (For cold-start scenarios with VPA, see: After waiting six years, Kubernetes 1.35 finally reaches GA with in-place resizing, boosting Java startup speed by 70%!)

Init containers can be used to perform necessary setup before the main container starts. However, init containers run sequentially, so it is important to avoid excessive initialization steps. Only perform what is strictly necessary and parallelize where possible. If feasible, use PostStart hooks to avoid delaying the main container startup. Complete preparation as early as possible: can these tasks be done during image build time? Can they be handled by a DaemonSet or Pod on the node? All of these approaches help reduce the preparation time before the Pod’s main container starts.

Optimizing Observability and Health Checks

Health check configuration has a significant impact on startup time metrics. If a StartupProbe is configured, the initialDelaySeconds of the ReadinessProbe should be reduced.

If no StartupProbe is configured, an appropriate initialDelaySeconds must be set for the ReadinessProbe.

At the same time, health checks must remain sufficiently strict to ensure that unhealthy Pods are not mistakenly considered ready.

Startup probes allow applications enough time to complete initialization without being killed or restarted during the startup phase.

Checkpointing and Snapshots

The Kubernetes community is exploring the use of checkpointing techniques to accelerate Pod startup. Checkpointing allows the state of a running container to be saved and later restored quickly, thereby skipping the application’s normal startup process. This is particularly beneficial for applications with long startup times.

For example, CRIU (Checkpoint/Restore In Userspace) has been integrated into the container runtimes used by Kubernetes. By saving a container’s state at a certain point in time—including memory and filesystem state—it can be rapidly restored when needed, effectively enabling a “warm start.” This approach is especially promising for serverless computing and batch workloads.

Kubelet configuration

Kubernetes 1.27: updates on speeding up Pod startup

https://kubernetes.io/blog/2023/05/15/speed-up-pod-startup/

This post points out a common issue in versions prior to 1.27, where Pods could start slowly and node-side events such as volume mount failures would occur.

To speed up Pod startup on nodes hosting multiple Pods—especially during sudden scale-up or scale-down events—the kubelet needs to synchronize Pod state and prepare ConfigMaps, Secrets, or volumes. This requires high-bandwidth access to the kube-apiserver.

In versions prior to v1.27, the default value of kubeAPIQPS was 5 and kubeAPIBurst was 10. Starting from v1.27, to improve Pod startup performance, the kubelet increased these defaults to 50 and 100 respectively. It is worth noting that raising the kubelet API QPS limits is not the only factor contributing to the performance improvement.

Comprehensive Optimization Strategy

Pod startup optimization isn’t an isolated effort but requires a systematic, layered approach. From the API Server to the scheduler, container runtime, and application layer, every level offers optimization opportunities.

Establishing clear Pod startup time metrics is an essential first step. Clearly defining what constitutes startup time (from Pod creation to container running, or to Pod readiness?) is important. Using Prometheus or other monitoring tools to collect detailed startup metrics helps identify where the real bottlenecks are.

Priorities differ based on specific business needs and cluster characteristics. For high-traffic services requiring rapid scaling, image warming and startup probe tuning might yield the best results. For applications with long startup times, checkpoint technology might provide more value. For large-scale clusters, scheduler performance optimization and multiple scheduler instances might be key.

Finally, remember that optimization is a continuous process. Regularly reviewing and testing new optimization strategies, along with performance improvements from new Kubernetes versions, ensures your cluster maintains optimal performance.

Related Resources

【KubeCon China 2023】How Can Pod Start-up Be Accelerated on Nodes in Large Clusters? – Paco Xu, DaoCloud & Byron Wang https://www.youtube.com/watch?v=UfjSphSD1Uk&pp=2AYD

https://github.com/pacoxu/AI-Infra/blob/main/docs/kubernetes/pod-lifecycle.md

One Diagram for Model Distribution: Hugging Face, MatrixHub, Harbor, Dragonfly, ModelPack, and ModelExpress

2026-08-27T06:38:59.474729+00:00

Migrated from pacoxu.wordpress.com. Originally published: 2026-04-28. Original URL: https://pacoxu.wordpress.com/2026/04/28/one-diagram-for-model-distribution-hugging-face-matrixhub-harbor-dragonfly-modelpack-and-modelexpress/

This page puts several frequently mixed-up projects on a single diagram. The goal is to separate the model source, private registry, cluster distribution, and runtime acceleration layers.
As matrixhub is not published yet, you may try v0.0.2-rc.7. This is a preview of matrixhub and comparison of solutions like dragonfly + ModelPack + harbor and dynamo modelexpress.

The Stack in One Diagram

Read the Diagram by Role

See https://github.com/pacoxu/AI-Infra/blob/main/docs/inference/model-distribution-stack.md#the-stack-in-one-diagram for tech details.

Provider / server view: The blue lane is the Docker image / OCI artifact path. Harbor is easiest to read here as a local Docker Hub / Distribution style private registry. The orange lane is the model distribution path, with Hugging Face, ModelScope, and MatrixHub on that side.
Download view: MatrixHub exposes an HF-compatible pull path. Dragonfly handles node-level file distribution and can serve OCI pulls from Harbor as well as hf:// and modelscope:// downloads.
End user / runtime view: Model files first land in node-local caches, then feed GPU workers. ModelExpress sits later in the path and accelerates weight reuse between workers, including cross-node GPU transfers over RDMA.

Line colors also carry meaning:

Orange links: HF-compatible or public model hub download paths
Blue links: OCI pull paths
Grey node-to-node links: Dragonfly node-level file chunk propagation
Green GPU-to-GPU links: runtime weight sharing paths relevant to ModelExpress

Focused Reference Diagrams

1. Dragonfly path: Harbor plus public model hubs

2. MatrixHub path: private Hugging Face style access

3. ModelExpress path: runtime weight sharing after initial pull （not quite familiar with this, correct me if I am wrong）

Read the Diagram from Left to Right

1. Hugging Face

Hugging Face is the public upstream model hub. It is the default source for many training and inference workflows using huggingface_hub, transformers, vLLM, and similar clients.

2. Private Hugging Face

Private Hugging Face is a target state, not a single product. It means:

private model hosting
access control and governance
low-friction compatibility with existing HF-style workflows
predictable distribution inside enterprise or air-gapped environments

3. MatrixHub

MatrixHub is the most direct path to that target state in this stack. It acts as an HF-compatible private hub, so teams can keep the Hugging Face interaction model while moving to a governed internal endpoint.

In practice, MatrixHub is the layer for:

private model registry and lifecycle governance
transparent HF proxy behavior
on-demand caching from public Hugging Face
multi-region or air-gapped distribution workflows

4. ModelPack + Harbor + Dragonfly

This path is different. It is OCI-first, not HF-first.

ModelPack provides a packaging/spec path for OCI-based model artifacts.
Harbor provides the private OCI registry, including enterprise governance features such as RBAC, signing, replication, and retention. A useful mental model is to treat it as an enterprise-local Docker Hub / Distribution style system with stronger management features.
Dragonfly accelerates distribution from the registry to nodes using preheat and P2P transfer patterns.

This stack is a strong answer to private model artifact management, but it does not by itself provide a native Hugging Face-compatible endpoint.

5. ModelExpress

ModelExpress sits later in the path. It is not the primary model hub. Its main job is runtime weight movement and cold-start reduction inside the cluster.

That usually means:

coordinating cache usage in the inference cluster
reducing repeated model pulls and loads
enabling worker-to-worker transfer
accelerating the last mile from storage or cache toward serving workers

The official documentation focuses on in-cluster multi-node coordination rather than a global multi-cluster control plane.

The Most Common Architecture Patterns

Pattern A: Public Hugging Face

Use this when convenience matters more than control.

Clients -> Hugging Face

Tradeoff:

simplest workflow
least governance
repeated public downloads
weak fit for air-gapped or regulated environments

Pattern B: Private Hugging Face with MatrixHub

Use this when existing HF workflows should remain almost unchanged.

Clients -> MatrixHub -> Hugging Face or private storage

Tradeoff:

lowest migration cost for HF-first teams
strong fit for internal mirroring and governance
less aligned with OCI-first platform standardization than Harbor

Pattern C: Private Model Registry with Harbor + ModelPack + Dragonfly

Use this when the platform is already centered on OCI artifacts and Kubernetes.

Build/package -> ModelPack -> Harbor -> Dragonfly -> cluster nodes

Tradeoff:

strong standardization and enterprise controls
clean fit for OCI-native platform teams
more workflow translation if users expect native HF semantics

Pattern D: MatrixHub + ModelExpress

Use this when you need both private Hugging Face-style access and faster cluster runtime loading.

Clients -> MatrixHub -> cluster cache/source -> ModelExpress -> workers

Division of responsibility:

MatrixHub is the upstream system of record and governed distribution layer.
ModelExpress is the in-cluster runtime acceleration layer.

This is especially natural in multi-cluster environments where each cluster runs its own runtime acceleration path while a shared upstream model source keeps versions and access policies consistent.

Quick Positioning Table

Component	Primary layer	Best for
Hugging Face	Public upstream hub	Public model discovery and default client workflows
Private Hugging Face	Capability / target state	Internal HF-like experience
MatrixHub	Private model hub	HF-compatible internal distribution and governance
ModelPack	Packaging/spec	OCI-based model artifact definition
Harbor	Private registry	OCI artifact governance and replication
Dragonfly	Cluster distribution	Large-scale node-level pull acceleration
ModelExpress	Runtime acceleration	In-cluster cold-start and weight transfer optimization

Practical Rule of Thumb

If the question is “where should models live and be governed?”, think MatrixHub or Harbor.
If the question is “do we want HF-compatible developer experience or OCI-first artifact workflows?”, choose between MatrixHub and Harbor + ModelPack.
If the question is “how do we reduce cluster cold-start and repeated weight movement?”, think Dragonfly and ModelExpress.
If the question is “how do we keep HF-like access while improving last-mile runtime loading?”, combine MatrixHub with ModelExpress.

RSS feed of pacoxu's pacoxu

贴吧那点事blabla

之前域名vcflove.com 已经丢了

旅游Plan

三年内

三到八年

终极目标

其他

同事建议

2025回顾

帕科 阿尔卡塞尔（Paco Alcácer）

俱乐部生涯

青年队生涯

成年队生涯

11-12赛季 索尔达多的阴影

12-13赛季 租借赫塔菲

13-14赛季 激情皮济KO保守久基奇

14-15赛季 Lim时代的新援的冲击

15-16赛季 ‘内奸’努诺下课 ‘扫地僧’沃罗救火 ‘菜鸟’内维尔继任 ‘光头强’阿耶斯塔兰

16-17赛季 转会巴塞罗那 第四/五前锋 7球4助攻 不断的调整自己适应新的团队。

国家队生涯

青年国家队

U17欧青赛

欧青赛（2011/2012两度夺冠）

世青赛（2013年土耳其世青赛U20）

成年国家队

数据统计

俱乐部

榜样 比利亚

2012-13 赫塔菲 西甲3球1助攻 国王杯1球 累计4球1助攻。

2013-14 西甲 西甲6球2助攻 国王杯1球 欧联杯7球1助攻 总计14球3助攻

2014-15 西甲11球5助攻 国王杯3球1助攻 国家队4球1助攻 总18球6助攻，造点球1.

2015-16 联赛13球6助攻，欧冠1助攻，国王杯2球1助攻，国家队2球，累计15球8助攻。

2016-17 联赛3球2助攻，欧冠1助攻，国王杯1球，国家队0球，累计4球3助攻。

总计

国家队

青年队

成年国家队

国家队比赛

成年国家队进球

荣誉&记录

西班牙

U19

俱乐部

记录

里程碑

西班牙

进球

俱乐部

首秀

出场里程碑

进球

历史地位

瓦伦西亚

历史射手榜

瓦伦西亚近期射手榜（大约2000年之后，不含如今在队内的）

瓦伦西亚当前队内射手榜（2016赛季截止——也先不用更新了）

瓦伦西亚欧冠

射手榜

出场次数

瓦伦西亚欧冠射手榜(当前)

瓦伦西亚欧冠相关

瓦伦西亚西班牙国脚射手榜

西班牙

西班牙射手榜

西甲射手榜

进球对手&球场

球场

西班牙球场

俱乐部

未进球对手

国家队

友谊赛进球纪录：

瓦伦4-2巴拉多利德 梅开二度 快速反击中巴拉甘右路高速插上直塞帕科，帕科拿球抽射破门；上半时快要结束阶段，帕邦右路得球，横敲禁区，准确找到了帕科，帕科一脚推射破门，上半场将比分锁定在了3-1

相关链接（引用）

帕科国家队全记录

2014年

9月

10月

11月

帕科阿尔卡塞尔（Paco Alcácer）

11-12赛季索尔达多的阴影

12-13赛季租借赫塔菲

13-14赛季激情皮济KO保守久基奇

16-17赛季转会巴塞罗那第四/五前锋 7球4助攻不断的调整自己适应新的团队。

榜样比利亚

2012-13 赫塔菲西甲3球1助攻国王杯1球累计4球1助攻。

2013-14 西甲西甲6球2助攻国王杯1球欧联杯7球1助攻总计14球3助攻

2014-15 西甲11球5助攻国王杯3球1助攻国家队4球1助攻总18球6助攻，造点球1.

瓦伦4-2巴拉多利德梅开二度快速反击中巴拉甘右路高速插上直塞帕科，帕科拿球抽射破门；上半时快要结束阶段，帕邦右路得球，横敲禁区，准确找到了帕科，帕科一脚推射破门，上半场将比分锁定在了3-1

奴诺下课内给雷多德宝罗

24岁- 比利亚>>索尔达多>内格雷多？帕科？

25岁-俱乐部三人相当索尔达多略强国家队比利亚>内格雷多>索尔达多？帕科？

26岁- 俱乐部三人相当索刀>=比利亚>=内格国家队比利亚>>索刀/内格？帕科？

27岁-俱乐部三人相当国家队比利亚>>索刀/内格？帕科？

28岁-比利亚>>内格雷多>索尔达多？帕科？

29岁-比利亚>>内格雷多>索尔达多？帕科？

30岁-比利亚>索尔达多>内格雷多？？帕科？

31岁-比利亚？索尔达多/内格雷多？？帕科？

32岁-比利亚？索尔达多/内格雷多？帕科？

33岁-比利亚？索尔达多/内格雷多？帕科？

34岁-比利亚？索尔达多/内格雷多？帕科？

35岁-比利亚？索尔达多/内格雷多？帕科？

15-16赛季看不到头的赛季剧终！！

2015-16赛季超级杯遗憾落败联赛开局惨淡欧冠小组出局欧联杯三连冠国王杯遗憾亚军

2016/17赛季三千万转会巴萨 28次出场8球4助攻，仅首发11次。