Cloud Foundry CLI v8 创建服务实例时未考虑当前目标空间的问题分析
2025-07-08 11:16:20作者:宗隆裙
问题背景
在Cloud Foundry CLI v8版本中,用户报告了一个关于创建服务实例时的重要功能性问题。当用户尝试使用cf create-service命令创建服务实例时,CLI没有正确考虑当前已定位的空间,导致操作失败并显示"Service offering is provided by multiple service brokers"的错误提示。
技术细节分析
不同版本CLI的行为差异
通过对比CLI v7和v8版本的行为,我们发现:
-
CLI v7版本:
- 使用Cloud Controller API v2
- 首先查询当前空间的服务列表:
/v2/spaces/<space_guid>/services - 然后查询服务计划:
/v2/service_plans?q=service_guid:<service-offering-guid> - 这种方式能够正确识别当前空间范围内的服务
-
CLI v8版本:
- 使用Cloud Controller API v3
- 直接查询服务计划:
/v3/service_plans?names=plan_name&service_offering_names=service_name - 没有包含当前空间信息,导致返回多个组织中的重复结果
问题根源
核心问题在于CLI v8升级到使用V3 API后,查询服务计划时没有包含space_guids过滤条件。当用户属于多个组织且服务计划被限定在特定组织范围时,API会返回多个结果,而CLI无法自动确定应该使用哪一个。
解决方案
该问题已在Cloud Controller的更新中得到修复,具体是通过改进V3 API的查询逻辑,确保在非管理员用户查询服务计划时能够正确考虑当前目标空间。这一修复包含在CAPI 1.173.0版本中。
对开发者的建议
- 如果遇到类似问题,建议升级到包含修复的Cloud Foundry版本
- 在开发基于Cloud Foundry的工具时,特别是涉及多组织/多空间场景时,务必注意API查询的范围限定
- 当从V2 API迁移到V3 API时,要特别注意查询参数的差异和行为变化
总结
这个问题展示了Cloud Foundry平台中服务发现机制的一个重要方面,特别是在多租户环境下的服务可见性控制。通过这个案例,我们可以更好地理解Cloud Foundry中服务代理、服务计划和空间之间的关系,以及API版本升级可能带来的兼容性考虑。
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-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- 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
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- 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
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
React Native鸿蒙化仓库
JavaScript
312
365
Ascend Extension for PyTorch
Python
398
474
🎉 (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
1.39 K
787
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++
902
706
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
360
219
昇腾LLM分布式训练框架
Python
122
148
暂无简介
Dart
814
200
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++
93
161
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
124
161