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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00