Kamal部署工具与Earthly构建系统的集成实践
2025-05-18 22:23:24作者:谭伦延
在现代化应用部署流程中,构建和部署环节的分离已经成为一种最佳实践。本文将探讨如何将Earthly构建系统与Kamal部署工具进行有效集成,实现构建与部署的解耦。
Earthly与Kamal的基本原理
Earthly是一个基于BuildKit的构建工具,它通过声明式语法定义构建流程,并提供了强大的缓存机制。而Kamal是一个面向Rails应用的部署工具,默认使用Dockerfile进行镜像构建。
集成挑战
当尝试将两者集成时,会遇到一个核心矛盾:Kamal期望直接使用Dockerfile进行构建,而Earthly则采用自己的构建定义方式。这种差异导致无法直接通过单一命令实现两者的无缝衔接。
解决方案
方案一:利用Kamal的跳过构建功能
- 首先使用Earthly独立完成镜像构建
- 按照Kamal预期的命名规则为镜像打标签
- 在Kamal配置中设置
skip_push: true - 使用
kamal deploy --skip-push命令进行部署
这种方法实现了构建与部署的完全分离,适合已经在CI流程中使用Earthly的团队。
方案二:利用BuildKit原生缓存
Kamal实际上支持BuildKit作为底层构建引擎,这意味着Earthly构建的缓存层理论上可以被复用。可以通过配置Kamal的builder缓存选项来优化构建性能。
最佳实践建议
- 构建与部署分离:建议在CI流水线中完成所有构建和测试工作,仅将验证通过的镜像用于部署
- 标签一致性:确保Earthly构建的镜像标签与Kamal预期格式一致
- 缓存共享:如果使用相同的基础设施,可以配置共享的BuildKit缓存
- 环境一致性:虽然构建与部署分离,但仍需确保构建环境与生产环境的一致性
总结
通过合理的配置和工作流设计,Earthly和Kamal可以很好地协同工作。关键在于理解两者的设计理念和工作原理,找到适合团队工作流程的集成点。构建与部署的分离不仅能够提高流程的灵活性,还能更好地实现质量门禁和安全控制。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218