Kubernetes 配置集合指南:深入理解 `kube-manifests`
项目目录结构及介绍
kube-manifests 是一个由 VMware 档案维护的开源项目,它包含了一系列用于 Bitnami 生产集群中不同任务的 Kubernetes 配置示例。尽管这个项目可能不再积极维护,但它仍对学习和理解 Kubernetes 配置有着宝贵的价值。
目录结构概览:
.
├── common # 共享或通用的配置文件夹
├── doc # 文档相关的资料
├── generated # 自动生成的配置文件
├── lib # 库或者辅助脚本
├── one k8s... # 分别对应不同Bitnami服务的特定Kubernetes配置
│ ├── dev # 开发环境配置
│ ├── int # 测试/集成环境配置
│ └── web # 生产或Web环境配置
├── tests # 测试相关文件
├── tools # 工具或辅助工具集
├── Jenkinsfile # Jenkins持续集成文件
├── LICENSE # 许可证文件
├── Makefile # Makefile用于自动化构建过程
└── README.md # 主要的项目说明文件
每个子目录通常包含了特定目的的 Kubernetes 配置文件(如 .yaml 文件),这些配置可以被部署到对应的 Kubernetes 环境中。
项目的启动文件介绍
在 kube-manifests 中,并没有明确标记出“启动文件”,但通常在 Kubernetes 上,启动一个应用是通过部署(Deployment)、状态集(StatefulSet)或是其他资源定义来实现的。例如,在一般的 Kubernetes 环境下,位于某个环境目录(如 one k8s dev)中的 .yaml 文件,特别是标记为部署的文件(含有 kind: Deployment 的文件),就可以视为启动应用的关键文件。
项目的配置文件介绍
配置文件主要指的是 Kubernetes 的 .yaml 文件,它们定义了集群中的各种对象,比如 Deployments、Services、PersistentVolumeClaims 等。在 kube-manifests 中,这些配置文件分散于各环境目录中,每个文件都详细描述了一个或多个 Kubernetes 资源。以 Deployment 类型为例,一个典型的配置会包括以下部分:
apiVersion: apps/v1
kind: Deployment
metadata:
name: example-deployment
spec:
replicas: 3
selector:
matchLabels:
app: example-app
template:
metadata:
labels:
app: example-app
spec:
containers:
- name: example-container
image: example/image:v1
ports:
- containerPort: 80
在这个例子中,我们看到配置了名为 example-deployment 的 Deployment,它管理三个副本,并指定标签匹配的应用为 example-app。每个容器运行指定版本的镜像并监听80端口。
请注意,由于此项目已归档,实际使用时应考虑依赖项的更新和兼容性,以及社区支持的状态。上述指导基于一般Kubernetes配置的理解,具体项目的配置细节可能会有所不同。
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