Crossplane项目构建系统迁移至Earthly的技术实践与经验总结
2025-05-23 15:03:45作者:凌朦慧Richard
在Crossplane项目的持续演进过程中,团队决定将构建系统从传统Makefile迁移到Earthly这一现代化构建工具。本文将从技术角度深入剖析这次迁移的关键决策点、实施过程以及实践中的经验教训。
构建系统迁移背景
Crossplane作为云原生控制平面的重要组件,其构建流程需要满足多平台编译、高效缓存管理、复杂测试套件执行等严苛要求。传统基于Makefile的构建系统在长期使用中逐渐暴露出维护成本高、缓存效率低等问题。
Earthly以其声明式语法、基于容器的隔离性以及智能缓存机制脱颖而出。其核心优势包括:
- 类似Dockerfile的直观语法降低学习成本
- 细粒度的缓存机制显著提升构建效率
- 内置的多阶段构建支持复杂工作流
- 跨平台编译能力满足云原生项目需求
关键技术挑战与解决方案
版本信息注入与缓存效率
项目面临的核心挑战之一是如何在保持高效缓存的同时,将动态生成的版本信息(基于Git提交)注入到最终二进制中。传统方案会导致任何代码变更都触发全量重建。团队通过以下策略优化:
- 将版本参数尽可能下移到构建流程后期
- 探索二进制后处理方案(如符号注入)
- 接受必要的重建成本,聚焦优化其他构建阶段
多平台编译策略
项目需要为多种架构(amd64、arm64等)生成二进制文件。团队评估了两种策略:
- 全量编译:每个PR为所有平台构建,确保兼容性但耗时较长
- 选择性编译:默认仅构建主机平台,发布时全量构建
最终选择保留全量编译策略,因其能及早发现平台相关问题,且Earthly的缓存机制大幅降低了重复构建的成本。
测试结果集成
在迁移E2E测试时,团队发现测试结果报告(JUnit格式)无法正确生成。这源于Earthly的Docker执行环境与文件系统交互的特殊性。解决方案包括:
- 明确挂载测试结果输出目录
- 配置适当的文件权限
- 与Earthly团队协作解决底层问题
开发者体验优化
迁移过程中,团队特别关注日常开发工作流的影响:
- 本地构建:确保
earthly +build与传统make build行为一致,输出到_output目录 - 依赖管理:处理Go模块替换(replace)在容器环境中的限制
- 调试支持:集成Earthly的调试工具链,保留熟悉的调试体验
持续集成改进
GitHub Actions工作流获得显著优化:
- 智能缓存:未变更代码的PR可跳过大部分构建步骤
- 资源效率:通过并行构建减少总执行时间
- 制品管理:完善Helm chart和容器镜像的发布流程
经验总结与最佳实践
- 渐进式迁移:先在主干分支验证,再考虑回迁到维护分支
- 监控构建指标:密切关注缓存命中率和构建时间变化
- 社区协作:积极与Earthly团队沟通解决共性问题
- 文档更新:确保开发者文档与新构建系统保持同步
这次构建系统迁移不仅提升了Crossplane项目的工程效率,也为其他云原生项目提供了现代化构建方案的实施参考。Earthly的引入使得项目能够更专注于核心功能开发,同时保持高质量的持续交付能力。
登录后查看全文
热门项目推荐
相关项目推荐
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 Notebook0114
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
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 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 Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220