Odigos v1.0.171版本发布:增强采样与OpenShift支持
Odigos是一个开源的分布式追踪系统,它通过自动检测应用程序中的关键路径并生成追踪数据,帮助开发者更好地理解和优化系统性能。最新发布的v1.0.171版本带来了一系列重要改进,特别是在采样处理和OpenShift集群支持方面。
采样处理器的重大增强
新版本为采样处理器添加了多种新的采样器实现,这将显著提升系统在处理大量追踪数据时的灵活性。采样是分布式追踪系统中的关键环节,它决定了哪些请求会被记录和分析。过多的采样会消耗大量存储资源,而过少的采样则可能导致重要信息丢失。
v1.0.171版本引入的新采样器包括:
- 基于概率的采样器:按固定比例采样请求
- 基于速率的采样器:控制单位时间内的采样数量
- 动态采样器:根据系统负载自动调整采样率
这些新特性使得开发团队能够更精确地控制采样策略,在保证关键业务数据完整性的同时,有效降低存储和分析成本。
OpenShift集群的自动检测支持
对于使用Red Hat OpenShift的企业用户,v1.0.171版本新增了自动检测OpenShift集群的功能。这意味着Odigos现在能够:
- 自动识别运行环境是否为OpenShift
- 根据OpenShift特性优化资源分配和权限配置
- 无缝集成OpenShift的原生监控和安全机制
这一改进大大简化了在OpenShift上部署和管理Odigos的复杂度,使企业用户能够更快速地获得分布式追踪带来的价值。
其他重要改进
除了上述主要特性外,v1.0.171版本还包含以下值得关注的改进:
-
URL模板处理器:新增的URL模板处理器允许用户动态构建追踪数据的存储和查询URL,提高了系统配置的灵活性。
-
UI事件流优化:改进了用户界面中的服务器发送事件(SSE)处理逻辑,确保修改事件能够被正确识别和处理,提升了用户体验。
-
Python OpenTelemetry客户端更新:同步了最新的Python OpenTelemetry SDK版本,修复了已知问题并提升了性能。
-
文档依赖更新:更新了文档系统的多个依赖项,提高了文档构建的稳定性和安全性。
版本兼容性与升级建议
v1.0.171版本保持了与之前版本的API兼容性,用户可以直接升级而无需修改现有配置。对于生产环境,建议先在测试环境中验证新版本的采样策略和OpenShift支持功能,确保它们符合您的具体需求。
Odigos团队持续关注用户反馈,不断优化系统的性能和易用性。v1.0.171版本的发布再次证明了项目对满足企业级需求的承诺,特别是在复杂Kubernetes环境中的支持方面。
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