Odigos v1.0.168 版本发布:增强云原生可观测性能力
Odigos 是一个开源的分布式追踪和可观测性平台,专注于为云原生应用提供自动化的遥测数据收集和传输能力。它通过轻量级的 sidecar 方式自动检测应用程序,无需修改代码即可收集指标、日志和追踪数据,并将这些数据发送到各种可观测性后端。
本次发布的 v1.0.168 版本带来了多项重要更新,主要集中在新增多种数据目的地支持、改进环境变量配置以及优化发布流程等方面。这些改进使 Odigos 能够更好地满足企业在多云环境下的可观测性需求。
新增数据目的地支持
Odigos 1.0.168 版本显著扩展了其支持的监控后端系统,新增了以下重要数据目的地:
-
AWS EMF 目的地:新增了对 Amazon CloudWatch 嵌入式指标格式(EMF)的支持,使用户能够直接将指标数据发送到 AWS CloudWatch 服务,这对于运行在 AWS 环境中的应用程序特别有价值。
-
时序数据库支持:新增了对 GreptimeDB 和 VictoriaMetrics 的支持,这两款都是高性能的时序数据库,特别适合存储和分析时间序列数据。
-
云服务提供商监控:新增了对阿里云(Alibaba Cloud)和甲骨文云(Oracle Cloud)监控服务的原生支持,扩展了 Odigos 在多云环境下的适用性。
-
APM 工具集成:新增了对 Observe、Seq、Tingyun 和 Bonree ONE 等应用性能监控(APM)工具的支持,为用户提供了更多选择。
-
运维工具集成:新增了对 OneUptime 的支持,这是一款开源的运维状态监控和事件管理工具。
这些新增的目的地支持使 Odigos 能够更好地适应不同企业的技术栈和监控需求,特别是在混合云和多云环境中。
环境变量配置改进
本次版本在环境变量配置方面进行了重要优化:
-
环境变量值来源配置:新增了支持从环境变量值来源(valueFrom)的配置方式,这使得配置更加灵活,可以更好地与 Kubernetes 的原生功能集成。
-
Java 代理优化:改进了 Java 代理的环境变量设置逻辑,现在当多个选项被定义时,只会设置一个环境变量,避免了潜在的冲突问题。这一改进特别有助于复杂 Java 应用的监控配置。
发布流程优化
开发团队对发布流程进行了多项改进:
-
发布检查机制:新增了对开放偏移量(open offsets)拉取请求的发布检查,确保发布质量。
-
发布工具统一:整合了发布 CLI 工具,移除了已弃用的 --rm-dist 参数,改用 --clean 参数,使发布流程更加标准化。
-
文档构建更新:更新了文档构建工具 mintlify 的版本,确保文档生成的质量和稳定性。
前端改进
前端部分也进行了多项更新:
-
React 升级:将前端使用的 React 框架从 19.0.0 升级到 19.1.0 版本,带来了性能改进和新特性支持。
-
依赖更新:更新了多个前端依赖项,包括 gqlgen 和 gin-contrib/cors 等,提升了安全性和功能性。
问题修复
本次发布还包含多个问题修复:
-
文档崩溃问题:修复了文档系统可能崩溃的问题,提升了用户体验。
-
节点收集器描述命令:修复了节点收集器(node collector)描述命令的问题,使诊断更加准确。
-
Python 代理更新:将 Python 代理更新到 v1.0.34 版本,包含了多项改进和修复。
总结
Odigos v1.0.168 版本通过新增多种数据目的地支持,显著扩展了其在多云环境下的适用性。环境变量配置的改进使部署更加灵活,而发布流程的优化则提升了开发效率。这些更新共同增强了 Odigos 作为云原生可观测性平台的能力,使其能够更好地满足企业级监控需求。
对于已经在使用 Odigos 的用户,建议评估新增的数据目的地是否能够满足您的监控需求。对于新用户,这个版本提供了更丰富的集成选项,是开始使用 Odigos 的好时机。特别是运行在混合云环境中的企业,新增的云服务提供商支持将大大简化监控系统的搭建和维护工作。
kernelopenEuler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。C0131
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00