Helm Controller 使用教程
1. 项目介绍
helm-controller 是一个 Kubernetes 操作符,允许用户以声明式的方式管理 Helm chart 的发布。它是 GitOps Toolkit 的一部分,依赖于 source-controller 从 Helm 仓库获取 Helm chart。通过 Kubernetes 自定义资源 HelmRelease,用户可以定义 Helm 发布的期望状态。helm-controller 会根据 HelmRelease 资源的变化执行相应的 Helm 操作,如安装、升级、回滚等。
2. 项目快速启动
2.1 安装 Helm Controller
首先,确保你已经安装了 kubectl 和 helm。然后,使用以下命令安装 helm-controller:
kubectl apply -f https://raw.githubusercontent.com/fluxcd/helm-controller/main/deploy/crds.yaml
kubectl apply -f https://raw.githubusercontent.com/fluxcd/helm-controller/main/deploy/rbac.yaml
kubectl apply -f https://raw.githubusercontent.com/fluxcd/helm-controller/main/deploy/deployment.yaml
2.2 创建 HelmRelease 资源
创建一个 HelmRelease 资源文件 my-release.yaml,内容如下:
apiVersion: helm.toolkit.fluxcd.io/v2beta1
kind: HelmRelease
metadata:
name: my-release
namespace: default
spec:
chart:
spec:
chart: nginx
version: "1.2.3"
sourceRef:
kind: HelmRepository
name: stable
namespace: default
interval: 5m
values:
service:
type: NodePort
然后应用该资源:
kubectl apply -f my-release.yaml
2.3 验证安装
使用以下命令查看 Helm 发布的状态:
kubectl get helmrelease -n default
3. 应用案例和最佳实践
3.1 自动化 Helm 发布管理
helm-controller 可以与 CI/CD 工具集成,实现 Helm 发布的自动化管理。例如,当有新的 Helm chart 版本发布时,CI/CD 工具可以自动更新 HelmRelease 资源,触发 helm-controller 执行升级操作。
3.2 多环境部署
在多环境(如开发、测试、生产)中,可以使用不同的 HelmRelease 资源来管理不同环境的 Helm 发布。通过配置不同的 values 文件,可以轻松实现环境间的差异管理。
4. 典型生态项目
4.1 Flux CD
helm-controller 是 Flux CD 的一部分,Flux CD 是一个完整的 GitOps 工具链,支持从 Git 仓库到 Kubernetes 集群的持续交付。
4.2 Source Controller
source-controller 是 helm-controller 的依赖项目,负责从 Helm 仓库、Git 仓库等源获取 Helm chart。
4.3 Kustomize
helm-controller 内置了与 Kustomize 兼容的 Helm 后处理器,支持战略合并、JSON 6902 和镜像补丁,增强了 Helm 发布的灵活性和可定制性。
通过以上步骤,你可以快速上手并使用 helm-controller 管理 Kubernetes 中的 Helm 发布。
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-1.5暂无简介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
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。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