探索未来云应用的基石:Radius - 简化云原生开发的平台
Radius是一个创新的云原生应用程序平台,旨在帮助开发者和平台工程师合作,按照组织的最佳实践,轻松构建和管理成本、运营和安全均得到优化的云原生应用。作为开源项目,Radius支持在私有云、Microsoft Azure和Amazon Web Services上部署应用,并计划添加更多云提供商的支持。此外,它还是Cloud Native Computing Foundation (CNCF) 的一个沙箱项目。
项目概述
随着云计算的发展,许多公司以更快的速度进行创新,无论是构建传统的二三层架构应用,还是复杂的微服务应用。Kubernetes等云原生技术使跨环境运行应用变得更加简单。然而,与此同时,应用的复杂性也在增加,多云环境下的管理变得日益困难。尽管Kubernetes起到了关键作用,但其自身的一些局限性(例如缺乏正式的应用定义、混合基础设施和应用概念以及复杂的操作)促使了许多组织在其之上构建抽象层。开发者也意识到,他们的应用需要超越Kubernetes,包括对API前端、键值存储、缓存和观测系统等依赖的支持。在这一背景下,企业IT部门还需要在保障快速应用创新的同时,执行日益增长的企业标准、合规性和安全要求。
Radius正是为解决这些贯穿于开发和运维过程中的挑战而设计的。它通过支持如Kubernetes这样的成熟技术,整合Terraform和Bicep等现有基础架构工具,以及与GitHub Actions等CI/CD系统集成,让应用团队能更高效地协作。无论从简单的Web+数据到复杂的微服务应用,如Microsoft的eShop参考应用,Radius都能提供全面的支持。
关键特性
- 团队协作: Radius 应用和环境让开发人员可以与运维团队共同定义和交付应用。
- 基础设施配方: 满足组织最佳实践和IT政策的可互换基础设施。
- 应用图谱: 显示服务和基础设施在应用中的相互联系。
- 云中立: 在开发、本地和云环境中提供一致的部署体验。
- 渐进式采用: 将Radius无缝融入现有的工作流程和基础设施即代码模板目录。
发布状态
这是Radius的早期版本,供社区学习和实验。请告诉我们您的想法,发现错误时,请打开问题报告或请求新功能。目前,Radius尚未准备好用于生产负载。
开始使用
- 遵循入门指南安装并试用Radius。
- 访问Tutorials和User Guides深入了解Radius,并开始将你的应用"Radify"(Radius化)。
获取帮助
- 有问题?访问我们的Discord服务器,我们会尽快回复您。
- 发现问题?请参阅我们的问题指南了解如何提交bug报告。
- 有建议?同样请参考问题指南了解如何提出功能请求。
加入社区
我们欢迎您的贡献和建议!参与问题讨论、在Discord服务器聊天,或参加每月的社区通话都是容易的参与方式。
联系我们
请访问Discord服务器联系我们,我们会尽快回应。
社区通话
每个月,我们都会举办一次社区电话会议,展示新功能,回顾即将来临的里程碑,并进行问答环节。所有人都欢迎参加!
手机访问我们的社区会议页面获取最新日期和会议链接。
贡献给Radius
查看贡献了解更多关于如何向Radius贡献的信息。要创建Radius食谱,请访问如何编写Radius食谱。要为Radius文档做贡献,请访问Radius文档贡献。
仓库
- Radius: 主仓库,包含所有Radius代码和文档。
- Docs: 包含Radius文档源码的仓库。
- Samples: 快速启动、参考应用和教程的源代码。
- Recipes: 包含Radius环境常见配方模板的仓库。
- Website: Radius网站源码仓库。
- Bicep: 用于部署云资源类型的Bicep DSL源码仓库。
- AWS Bicep Types: 提供Bicep对AWS资源类型支持的工具。
安全性
请参考我们的报告安全漏洞指南。
行为准则
请参阅我们的Radius社区行为准则。
一起探索Radius,开启更高效、更智能的云原生应用之旅吧!
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00