Eclipse Che 在 Kubernetes 中通过 Helm 安装失败的解决方案
问题背景
在使用 Helm Chart 安装 Eclipse Che 时,很多用户会遇到 Operator 启动失败的问题,表现为 Pod 状态变为 CrashLoopBackOff。通过分析日志可以发现,主要错误信息是找不到 DevWorkspaceOperator 相关的 CRD 资源。
错误现象
当用户执行以下 Helm 命令安装 Eclipse Che 后:
helm install my-eclipse-che eclipse-che/eclipse-che --version 7.83.0 -n eclipse-che
Operator Pod 会持续重启,查看日志会发现如下关键错误:
no matches for kind "DevWorkspaceRouting" in version "controller.devfile.io/v1alpha1"
no matches for kind "DevWorkspaceOperatorConfig" in version "controller.devfile.io/v1alpha1"
问题原因
Eclipse Che 7.x 版本依赖于 DevWorkspace Operator (DWO) 来管理工作区。当通过 Helm Chart 安装时,默认不会自动安装这个依赖组件,导致 Che Operator 无法找到所需的 CRD 而启动失败。
解决方案
1. 手动安装 DevWorkspace Operator
在执行 Helm 安装 Eclipse Che 之前,需要先安装 DevWorkspace Operator:
kubectl apply -f https://raw.githubusercontent.com/devfile/devworkspace-operator/v0.26.0/deploy/deployment/kubernetes/combined.yaml
这个 YAML 文件包含了 DWO 所需的所有资源定义,包括 CRD、RBAC 配置和 Operator 部署。
2. 验证 DWO 安装
安装完成后,可以通过以下命令验证 DWO 是否正常运行:
kubectl get pods -n devworkspace-controller
应该能看到 devworkspace-controller 相关的 Pod 处于 Running 状态。
3. 安装 Eclipse Che
确认 DWO 正常运行后,再执行 Helm 安装命令:
helm install my-eclipse-che eclipse-che/eclipse-che --version 7.83.0 -n eclipse-che
补充说明
-
版本兼容性:确保 DevWorkspace Operator 的版本与 Eclipse Che 版本兼容。对于 Che 7.83.0,推荐使用 DWO v0.26.0。
-
安装顺序:必须先安装 DWO,再安装 Eclipse Che,否则 Che Operator 会因为找不到依赖资源而启动失败。
-
命名空间:DWO 默认安装在 devworkspace-controller 命名空间,而 Eclipse Che 安装在 eclipse-che 命名空间,两者可以共存。
总结
通过预先安装 DevWorkspace Operator 解决了 Helm 安装 Eclipse Che 时的依赖问题。这种显式管理依赖的方式虽然增加了安装步骤,但提供了更好的可控性和灵活性,特别适合生产环境部署。对于开发测试环境,也可以考虑使用 chectl 工具,它会自动处理这些依赖关系。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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