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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00