OpenTelemetry规范稳定性定义更新解析
2025-06-17 11:14:35作者:翟萌耘Ralph
OpenTelemetry项目近期对规范中的稳定性定义进行了重要更新,这一变更源自OTEP 0232建议。作为可观测性领域的重要标准,OpenTelemetry规范的稳定性定义直接影响着用户对各项功能的采用决策和技术规划。
在原有规范体系中,OpenTelemetry使用三级稳定性定义:
- 实验性(Experimental)
- 稳定(Stable)
- 弃用(Deprecated)
根据新的OTEP 0232建议,稳定性定义体系调整为:
- 开发阶段(Development) - 对应原有的实验性
- 稳定(Stable) - 保持原有名称
- 弃用(Deprecated) - 保持原有名称
这一变更不仅仅是术语上的调整,更反映了OpenTelemetry社区对功能生命周期管理的成熟思考。开发阶段(Development)比实验性(Experimental)更能准确描述功能处于活跃开发中的状态,而稳定和弃用状态则维持不变以保证兼容性。
值得注意的是,原有的"功能冻结"(Feature Freeze)状态在新体系中不再保留。这一状态原本用于标记功能开发完成、等待稳定发布的过渡期,但在实际应用中往往造成混淆。社区经过讨论认为,功能从开发到稳定的过渡可以通过其他机制管理,无需专门的稳定性状态。
对于OpenTelemetry规范的使用者而言,这一变更意味着:
- 原有标记为实验性的功能现在应理解为开发阶段
- 稳定和弃用状态的功能不受影响
- 功能冻结状态将逐步从文档中移除
这种稳定性定义的优化使OpenTelemetry规范更加清晰和一致,有助于用户更好地评估不同功能的成熟度和采用风险。开发团队可以更灵活地管理功能演进,而用户则能获得更明确的功能状态信息。
作为可观测性领域的事实标准,OpenTelemetry持续完善其规范体系,这一稳定性定义的更新再次体现了项目对质量和用户体验的重视。建议所有OpenTelemetry用户关注这一变更,并在技术选型时参考新的稳定性定义。
登录后查看全文
热门项目推荐
相关项目推荐
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
656
4.26 K
deepin linux kernel
C
27
14
Ascend Extension for PyTorch
Python
500
606
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
390
284
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
891
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
939
861
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557
暂无简介
Dart
902
218
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
132
207
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
123
195