Odigos v1.0.153版本发布:增强可观测性与稳定性
Odigos是一个开源的分布式追踪和可观测性平台,它通过自动检测应用程序来收集遥测数据,帮助开发者更好地理解和监控分布式系统的运行状态。最新发布的v1.0.153版本带来了一系列改进和新功能,进一步提升了平台的稳定性和可用性。
核心功能增强
本次版本更新中,最值得关注的是新增了对IBM Instana和Kafka作为目标存储的支持。IBM Instana是一款应用性能监控(APM)解决方案,能够提供实时的应用监控和问题诊断能力。而Kafka作为分布式消息队列系统,其高吞吐量和可扩展性使其成为处理大量遥测数据的理想选择。这些新增的目标存储选项为用户提供了更多样化的数据分析和存储方案。
稳定性改进
在稳定性方面,开发团队做出了多项重要改进:
-
Instrumentor就绪探针:新增了instrumentor组件的就绪探针(Readiness Probe),确保组件完全初始化并准备好接收请求后才开始处理流量,避免了启动阶段的潜在问题。
-
eBPF检测实例管理:优化了eBPF(扩展伯克利包过滤器)检测实例的生命周期管理,确保在odiglet组件关闭时能够正确清理相关资源,防止资源泄漏。
-
挂载点验证:增强了挂载点检查机制,确保挂载操作以正确的值执行,提高了配置的可靠性。
诊断能力提升
为了帮助开发者更有效地诊断问题,新版本改进了测试失败时的日志输出:
- 在端到端测试失败时,现在会打印Tempo(分布式追踪后端)中的所有追踪数据,为问题排查提供更全面的上下文信息。
文档完善
本次更新还包含了对文档的补充和完善:
- 新增了关于Source详情页面的文档,帮助用户更好地理解和使用数据源配置功能。
架构优化
在系统架构层面,开发团队进行了以下优化:
-
CLI更新机制:改进了命令行工具的远程更新机制,现在使用POST请求来获取更新,提高了安全性和可靠性。
-
Kubernetes Source列表:在kubectl Source列表中新增了disabled列,使用户能够更直观地查看和管理被禁用的数据源。
总结
Odigos v1.0.153版本通过新增目标存储支持、增强系统稳定性、改进诊断能力和完善文档,进一步提升了平台的整体质量和用户体验。这些改进使得Odigos在分布式系统可观测性领域的能力更加全面,为开发者提供了更强大的工具来监控和理解复杂系统的运行状态。
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 Notebook0117
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