Eclipse Che 自定义工作空间端点域名配置指南
背景介绍
在企业级开发环境中,Eclipse Che 作为云原生开发平台,经常需要根据企业网络架构进行定制化配置。其中最常见的一个需求就是统一管理 Che 服务器和工作空间端点的访问域名。
问题描述
当管理员为 Eclipse Che 配置自定义域名(如 che.devs.mycompany.com)后,虽然主控制台和 IDE 访问地址会使用这个域名,但开发者在工作空间中定义的公共端点仍然会使用 OpenShift 集群的默认基础域名生成路由地址(如 https://user-workspace-endpoint.apps.default-domain.com)。这种不一致性会给企业网络管理和访问控制带来不便。
解决方案
统一端点域名配置
通过修改 CheCluster 自定义资源,可以强制所有工作空间端点使用与 Che 服务器相同的域名基础:
spec:
components:
cheServer:
extraProperties:
CHE_INFRA_OPENSHIFT_ROUTE_HOST_DOMAIN__SUFFIX: "devs.mycompany.com"
这个配置会确保所有生成的工作空间端点路由都使用指定的域名后缀,实现域名统一管理。
端点路由重写策略
对于希望简化网络配置的场景,Eclipse Che 支持通过主网关代理访问工作空间端点,避免为每个端点创建独立路由。这可以通过在工作空间端点定义中添加特定属性实现:
endpoints:
- name: node
targetPort: 4200
exposure: public
protocol: https
attributes:
urlRewriteSupported: true
启用此功能后,端点将通过主 Che 网关以路径形式访问,格式为:https://che-url/user-workspace-endpoint-name。
注意:这种模式下所有端点访问都需要身份验证,不再支持匿名访问,可能会影响团队协作场景。
进阶配置建议
-
全局路由策略控制:目前端点路由策略需要在每个端点单独配置,企业用户可期待未来版本提供全局配置选项。
-
认证控制:根据企业安全策略,管理员可能需要灵活控制端点是否需要认证访问,这也是未来版本可能增强的功能点。
-
DNS 管理优化:使用网关代理模式可以避免配置通配符 DNS 记录,简化企业网络管理。
总结
Eclipse Che 提供了灵活的端点域名管理能力,企业管理员可以根据实际网络架构需求,选择最适合的配置方案。无论是统一域名后缀还是使用网关代理模式,都能有效简化企业网络管理复杂度。随着产品迭代,预期会有更多全局控制选项加入,进一步满足企业级部署需求。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00