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!
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