使用 RunPod 的第一步是访问官网并创建账户。点击右上角的“Sign Up”按钮，输入电子邮箱并设置密码，系统会发送验证邮件完成激活。注册后登录进入控制台，建议在“Billing”页面绑定支付方式——平台支持信用卡或加密货币充值，按秒计费。首次使用会获得5美元赠金，可用于测试大部分实例。
在控制台左侧选择“Pods”进入实例管理页面。点击“New Pod”按钮开始创建。首先选择区域，RunPod 在北美、欧洲和亚洲部署了数据中心，建议根据目标客户或延迟需求选择最近节点。接着挑选 GPU 型号，平台提供从 NVIDIA T4 到 A100 80GB 的多种选项，并会显示每小时价格。对于运行 Stable Diffusion 或 LLM 推理，RTX 4090 或 A6000 性价比极高；训练大模型则推荐 A100 或 H100。
配置完 GPU 后，选择模板。RunPod 预设了 PyTorch、TensorFlow、Jupyter 等镜像，也支持自定义 Docker 镜像。选择模板后，系统会自动挂载 50GB 免费持久化存储卷，若需要更大容量可在“Advanced”中调整。点击“Create Pod”后，实例会在几十秒内准备就绪。
Pod 状态变为“Running”后，即可连接。RunPod 提供两种连接方式：SSH 和 HTTP 隧道。对于需要图形界面的任务（如训练可视化、使用 VSCode），点击“Connect”按钮选择“HTTP Tunnel”，系统会生成一个临时域名，通过浏览器即可访问 Jupyter 或 TensorBoard 等服务。若习惯命令行，可使用“Copy SSH Command”直接粘贴到终端登录。
连接后即可像使用本地服务器一样操作。注意 RunPod 的实例默认不保存数据到持久化存储以外的位置，因此需要将代码、数据集分别上传到 /workspace 目录（该目录指向持久化存储）。可以通过 scp 或 wget 传输文件，也可以利用平台内置的“File Upload”功能直接在网页端上传小文件。
除了按需 Pod，RunPod 还提供 Serverless 计算，适合部署推理服务。在左侧选择“Serverless”进入端点管理。点击“New Endpoint”，配置 GPU 类型（通常选择 T4 或 A10G 以降低成本），设置最大并发请求数与空闲超时时间。接着提供 Docker 镜像地址及启动命令，平台会自动拉取并运行服务。端点创建成功后，会生成一个公网 URL，通过 HTTP POST 即可调用模型接口。计费按实际 GPU 使用秒数计算，空闲时无费用。
RunPod 允许将已配置好的 Pod 保存为模板，方便后续快速启动相同环境。在 Pod 详情页点击“Save as Template”，即可命名并保存当前镜像与挂载配置。同时，平台支持“Network Volume”功能——将持久化存储卷分离出来，可在多个 Pod 之间共享，适合团队协作或频繁切换实例。
对于需要长时间训练的任务，建议在 Pod 设置中勾选“Auto Stop”功能，设定闲置 N 分钟后自动关机，避免浪费。如果需要预装额外库，可以在模板中编写启动脚本（Startup Script），Pod 创建时自动执行。此外，RunPod 提供 API 接口，可在外部程序中动态创建和销毁实例，通过 API Key 进行身份验证，适合集成到自动化工作流中。
