Odigos项目v1.0.166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,它能够自动检测应用程序中的追踪数据并将其发送到各种监控后端。该项目通过简化可观测性数据的收集和传输过程,帮助开发团队更轻松地实现应用程序性能监控。
在最新发布的v1.0.166版本中,Odigos团队带来了多项重要更新,主要集中在目标数据源的扩展和核心功能的优化上。这些改进进一步增强了Odigos作为云原生可观测性解决方案的能力。
新增目标数据源支持
本次版本最显著的变化是增加了对多个云服务提供商和监控平台的支持:
-
AWS EMF目标:新增了对Amazon CloudWatch嵌入式指标格式(EMF)的支持。这使得用户可以直接将指标数据发送到CloudWatch Metrics,便于在AWS生态系统中统一监控。
-
阿里云目标:增加了对阿里云监控服务的支持,为使用阿里云基础设施的用户提供了更好的集成体验。
-
Seq目标:新增了对Seq日志管理系统的支持。Seq是一个专注于.NET生态系统的结构化日志服务器,这一新增使得.NET开发者可以更方便地将应用日志与Odigos集成。
-
Checkly目标:Checkly是一个现代监控平台,主要用于API和E2E监控。新增的Checkly目标支持使得用户可以将应用性能数据直接发送到Checkly平台进行分析。
Java环境变量优化
在Java应用程序的自动检测方面,v1.0.166版本进行了重要优化:
- 当存在多个配置选项时,现在只会设置一个环境变量,而不是多个。这减少了环境变量的数量,简化了配置管理。
- 这一改进特别有利于Kubernetes环境中的Java应用部署,使得配置更加简洁和易于维护。
核心功能改进
除了新增功能外,本次发布还包含了一些核心功能的优化:
- 改进了数据过滤机制,确保所有数据都经过适当的过滤处理,提高了数据质量和安全性。
- 更新了前端依赖项,包括升级gqlgen到0.17.70版本,提升了GraphQL API的稳定性和性能。
- 文档系统更新至mintlify 4.0.454,改善了文档的可读性和维护性。
多平台CLI支持
Odigos继续提供跨平台的命令行工具支持,v1.0.166版本为以下平台提供了预编译的CLI二进制文件:
- macOS (amd64和arm64架构)
- Linux (amd64和arm64架构)
- Windows (amd64和arm64架构)
这些二进制文件都提供了校验和文件(checksums.txt),方便用户验证下载的完整性。
Helm Chart更新
对于Kubernetes用户,本次发布同步更新了Helm Chart(1.0.166版本),简化了在K8s集群中部署和升级Odigos的流程。
总的来说,Odigos v1.0.166版本通过扩展目标数据源支持和优化核心功能,进一步巩固了其作为云原生可观测性解决方案的地位。特别是对AWS、阿里云等主流云平台的支持,使得Odigos能够更好地服务于不同云环境中的用户需求。
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 StartedRust058
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00