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。
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 StartedRust0194
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 Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06