P2:大规模软件部署的利器
P2 是一套强大的工具集,旨在让大规模机器集群参与安全、灵活且可扩展的部署模式。这个项目源自Square,但设计为一个通用框架,对于密切关注Kubernetes的人来说,它可能会显得非常眼熟。
不只支持Docker
P2并非强依赖于Docker,而是支持内部的"Hoist artifacts"规范,这是一个.tar.gz文件,带有定义好的布局。几乎任何.tar.gz文件都可以作为Hoist artifact,只要它有一个bin/launch脚本或由进程管理器(我们使用Runit)执行的脚本目录。
这些工件是完全自包含的,大多数依赖项都已静态链接在内部,只有极少数例外。
通过资源限制的cgroup和不同的用户、不同的家目录执行工件,实现了极其轻量级的隔离。
从Kubernetes中汲取灵感
借鉴了Kubernetes的一些优秀工具,如Pods、Labels 和 Replication Controllers,我们也实现了它们!目前,我们的生产环境中已经支持与Kubernetes相似的pod-manifests、replication controllers以及rolling updates。
除此之外,我们正在积极开发pod-clusters,这是对我们版本的Kubernetes服务的改进。
更多亮点!
为了解决Square当前面临的问题,我们在设计之初就考虑到了以下特性:
- 参数文件支持:manifest中可以包含任意参数文件,以
CONFIG_PATH挂载供应用程序使用。 - 应用生命周期管理和健康检查:停止实例时先运行
bin/disable,启动时则运行bin/enable,并通过GET /_status监控应用程序状态。 - 丰富插件架构:例如,我们与Keywhiz的集成就是在
after_install钩子中实现的。hooks包提供了方便的Go库,用于编写可调度的钩子。 - 自我托管:P2可以用P2来部署,这得益于
p2-bootstrap二进制文件,它可以设置主机上的Consul代理和P2准备器。 - 部署授权:通过GPG签名的pod manifest来限制谁可以启动哪个应用,或者如果不喜欢GPG,你可以选择使用委托签名和信任的编排服务。
开始试用
要构建p2中的工具,只需运行rake build。bin目录包含管理部署的代理和可执行文件,而pkg目录则包含对这些可执行文件有用的独立库。
集成测试
运行rake integration会在你的计算机上启动一个Vagrant Centos7虚拟机,安装Consul和P2预处理器,然后启动一个应用程序。如果看到成功消息,你可以直接vagrant up已暂停的盒子,无需自己做任何设置即可查看参数。
确保已安装Vagrant 和VirtualBox ,以便rake integration正常工作。
依赖性
P2基于Square现有的部署工具,所有P2库都需要以下系统依赖:
许多P2二进制文件期望能够调用p2-exec二进制文件,理想情况下知道其完整路径。可以通过修改github.com/square/p2/pkg/p2exec.DefaultP2Exec变量并在go install -ldflags中使用-X标志来完成这项任务。
如果预处理程序参数选项process_result_reporter_config被设置,且找不到参数的提取器,预处理程序将会崩溃。我们提供了一个可能的实现p2-finish-env-extractor。
接下来的目标
尽管功能强大,但P2仍在不断进化。下一步计划添加Docker支持,最终帮助我们过渡到使用Docker(或等效的RunC实现)。此外,P2目前缺乏原生的工作负载准入和调度系统,所有的pod调度目前都是手动通过标签选择器或主机名完成。解决方案还在探讨之中。
许可证
P2遵循Apache 2.0 许可证。
如果你正在寻找一个能够适应大规模环境、具有高度灵活性并能与现有基础设施无缝协作的部署解决方案,那么P2无疑是值得尝试的。现在就开始你的P2之旅吧!
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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