kgateway项目代码重构:移除遗留Gloo代码的技术实践
背景与动机
在kgateway项目的演进过程中,随着项目重心转向独立构建的kgw网关实现,项目组决定对代码库进行一次大规模重构。这次重构的核心目标是清理历史遗留的Gloo Edge相关代码以及非Kubernetes Gateway API相关的实现,为项目未来的发展奠定更清晰、更专注的代码基础。
重构方案设计
技术团队制定了三步走的重构方案:
-
大规模代码删除:首先删除
projects/gateway2目录之外的大部分代码,这些代码主要包含与Gloo Edge相关的实现和非Kubernetes Gateway API的功能。 -
模块定义重构:重新定义Go模块结构,确保模块边界清晰,依赖关系合理。
-
剩余代码修复:对保留下来的代码中的导入语句进行修复和调整,确保重构后的代码能够正确编译和运行。
关键技术考量
在实施重构过程中,开发团队特别关注了几个关键技术点:
-
Envoy相关代码处理:包括Envoy Filter实现、Envoy API协议缓冲区定义以及envoy-gloo API协议缓冲区的处理方案。特别是envoy-gloo API协议缓冲区当前是从主分支导入的,需要考虑发布分支的工作机制。
-
全局设置保留:如正则表达式相关功能和程序大小控制等核心功能需要保留并迁移到新架构中。
-
测试框架调整:移除了位于
test/e2e目录下的内存测试,因为这些测试将完全重写以适配新的测试框架。
实施过程与挑战
重构工作通过多个Pull Request分阶段实施,过程中遇到的主要挑战包括:
-
依赖关系管理:在删除大量代码后,需要仔细梳理和修复剩余的依赖关系,确保不破坏核心功能。
-
功能完整性验证:在删除旧代码的同时,需要确保所有必要的功能都被保留或已有替代实现。
-
测试保障:由于移除了大量现有测试,需要建立新的测试策略来保证代码质量。
后续工作
重构完成后,项目组规划了以下后续工作:
- 完善新的测试框架,确保测试覆盖率
- 优化模块结构,提高代码可维护性
- 持续监控重构后的系统稳定性
这次大规模代码重构为kgateway项目的未来发展清除了技术债务,使项目能够更专注于Kubernetes Gateway API的实现,为后续功能开发和性能优化奠定了坚实基础。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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