Odigos v1.0.144 版本发布:全面增强可观测性能力
Odigos 是一个开源的分布式追踪和可观测性平台,它能够自动检测应用程序并收集遥测数据(如追踪、指标和日志),帮助开发者更好地理解和监控他们的分布式系统。最新发布的 v1.0.144 版本带来了多项重要改进和新功能,进一步提升了系统的可观测性能力和用户体验。
核心功能增强
1. 新增 Red Hat UBI 支持
本次版本新增了对 Red Hat Universal Base Image (UBI) 的支持,包括:
- 添加了 UBI 专用的 Dockerfiles
- 创建了相应的构建目标
- 将 UBI 镜像集成到发布工作流中
这一改进使得 Odigos 能够更好地满足企业级用户的需求,特别是在需要符合特定安全标准的环境中。
2. 源代码级 CRD 文档
v1.0.144 版本引入了源代码级 CRD (Custom Resource Definition) 文档,这为开发者提供了:
- 更清晰的 API 参考文档
- 详细的字段说明
- 使用示例
这些文档将帮助开发者更高效地使用 Odigos 的定制资源,减少配置错误和理解成本。
3. 遗留 .NET 支持
考虑到企业环境中可能存在的遗留系统,本次更新增加了对旧版 .NET 框架的支持。这一功能:
- 扩展了 Odigos 的兼容性范围
- 确保传统 .NET 应用也能受益于自动检测
- 提供了平滑的迁移路径
架构与性能优化
1. 领导者选举配置增强
改进了领导者选举机制,包括:
- 更精细的配置选项
- 提高系统稳定性
- 优化故障转移过程
这些改进使得 Odigos 在大型集群中运行更加可靠。
2. 源到目的地分组功能
实现了 GEN-2030 功能,允许将多个源分组到同一个目的地。这一特性:
- 简化了配置管理
- 提高了数据路由效率
- 支持更灵活的可观测性策略
3. 检测实例限制
新增了检测实例限制功能,可以:
- 防止资源过度消耗
- 提高系统稳定性
- 提供更精细的资源控制
用户体验改进
1. UI 轻量模式
引入了全新的 UI 轻量模式,提供:
- 更简洁的界面
- 更快的加载速度
- 更好的移动设备兼容性
2. 只读模式支持
新增了只读模式功能,包括:
- UI 中的只读标识
- 后端对变更操作的拦截
- 通过配置标志启用
这一功能特别适合生产环境或审计场景,防止意外配置更改。
3. 诊断功能增强
改进了诊断工具,现在可以:
- 从数据收集和网关组件收集 pprof 数据
- 提供更全面的系统健康信息
- 帮助快速定位性能问题
开发者体验提升
1. 代码属性配置
新增了代码属性配置功能,允许开发者:
- 通过检测规则定义代码属性
- 更灵活地控制检测行为
- 实现更精细的可观测性策略
2. 环境变量注入
改进了环境变量注入机制,现在通过 webhook 实现:
- 更可靠的变量注入
- 更少的副作用
- 更好的兼容性
3. API 文档改进
重构了 API 文档结构:
- 更清晰的分类
- 更易读的格式
- 更完整的示例
安全与维护
1. 依赖项更新
升级了多个关键依赖项,包括:
- 控制器运行时到 0.20.1
- OpenTelemetry 到 1.34.0
- gRPC 到 1.70.0
这些更新带来了性能改进和安全修复。
2. 清理废弃功能
移除了多个已废弃的功能和组件,包括:
- 旧的卸载文档
- 过时的工作负载检测配置
- 不再使用的注解
这有助于保持代码库的整洁和可维护性。
总结
Odigos v1.0.144 版本是一个重要的里程碑,它通过新增功能、性能优化和用户体验改进,进一步巩固了其作为领先开源可观测性解决方案的地位。无论是对于需要监控传统应用的企业用户,还是追求最新可观测性技术的开发者,这个版本都提供了强大的功能和灵活的选项。特别是对 Red Hat UBI 的支持和只读模式的引入,使得 Odigos 更适合企业级生产环境。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08