Azure Pipelines Agent 使用 Azure Linux VM 托管身份认证的实践指南
背景介绍
在 Azure DevOps 的持续集成/持续部署(CI/CD)流程中,自托管代理(Self-Hosted Agent)是一种常见的部署方式。传统上,这些代理通常使用个人访问令牌(PAT)进行身份验证,但这种方法存在一定的安全风险和管理复杂性。
托管身份认证的优势
Azure 托管身份(Managed Identity)为 Azure 资源提供了自动管理的身份,可以安全地访问其他 Azure 资源和服务。相比传统的服务主体(Service Principal)加密钥的方式,托管身份具有以下优势:
- 无需管理凭证轮换
- 消除了密钥存储的安全风险
- 简化了权限管理流程
- 与 Azure RBAC 深度集成
配置步骤详解
1. 准备工作
首先确保你的 Azure Linux VM 已经启用了用户分配的托管身份(User Assigned Managed Identity)。可以通过 Azure 门户或 CLI 完成此操作。
2. 验证托管身份访问权限
在配置代理前,建议先验证托管身份是否具有访问 Azure DevOps 的权限。可以使用以下脚本测试:
#!/bin/bash
export AZP_TOKEN=$(curl 'http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=499b84ac-1321-427f-aa17-267ca6975798' -H Metadata:true | jq -r '.access_token')
export AZP_URL="https://dev.azure.com/yourorg"
export RESPONSE=$(curl -s -H "Authorization: Bearer $AZP_TOKEN" -H "Content-Type: application/json" "$AZP_URL/_apis/projects?api-version=6.0-preview")
echo $RESPONSE
如果返回项目列表,说明托管身份已正确配置。
3. 代理配置脚本
关键的配置脚本应包含以下内容:
#!/bin/bash
# 获取托管身份令牌
export AZP_TOKEN=$(curl 'http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=499b84ac-1321-427f-aa17-267ca6975798' -H Metadata:true | jq -r '.access_token')
# 设置必要环境变量
export AZP_URL="https://dev.azure.com/yourorg"
export AZP_AGENT_NAME="agentname"
export AZP_POOL="poolname"
export AZP_WORK="azpwork"
# 执行代理配置
./config.sh --unattended \
--agent "${AZP_AGENT_NAME:-$(hostname)}" \
--url "$AZP_URL" \
--auth "PAT" \ # 注意这里必须使用PAT认证类型
--token "$AZP_TOKEN" \
--pool "${AZP_POOL:-Default}" \
--work "${AZP_WORK:-_work}" \
--replace \
--acceptTeeEula
# 安装并启动服务
./svc.sh install
./svc.sh start
关键注意事项
-
认证类型选择:尽管使用托管身份令牌,但在配置代理时仍需将
--auth参数设置为"PAT",这是当前实现的一个特殊要求。 -
权限配置:确保托管身份在Azure DevOps组织中具有足够的权限,至少需要代理池的管理员权限。
-
令牌有效期:托管身份令牌默认有效期为24小时,代理会自动处理令牌刷新。
-
网络连接:确保VM能够访问Azure Instance Metadata Service(169.254.169.254)和Azure DevOps服务端点。
常见问题排查
如果遇到"VS30063: You are not authorized to access"错误,请检查:
- 托管身份是否正确分配给了VM
- 托管身份是否已添加到Azure DevOps组织
- 托管身份是否具有代理池的适当权限
- 认证类型是否正确设置为"PAT"
安全最佳实践
- 遵循最小权限原则,仅授予托管身份必要的权限
- 定期审计托管身份的访问权限
- 考虑使用专用代理池隔离不同安全级别的构建任务
- 监控代理活动日志以检测异常行为
通过采用托管身份认证方式,可以显著提高Azure Pipelines代理的安全性和可管理性,同时减少手动凭证管理的负担。
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