Odigos 1.0.144版本发布:全面增强可观测性能力
Odigos是一个开源的分布式追踪系统,专注于为云原生应用提供无缝的可观测性解决方案。该项目通过自动检测应用程序并收集遥测数据,帮助开发者快速定位和解决分布式系统中的问题。
核心功能增强
本次发布的1.0.144版本在多个方面进行了重要改进:
1. 新增Red Hat UBI支持
项目现在提供了基于Red Hat Universal Base Image(UBI)的Docker镜像和构建目标。这使得Odigos能够更好地运行在Red Hat OpenShift等企业级Kubernetes环境中,满足了企业用户对安全性和合规性的要求。
2. 强化Source CRD功能
新增了Source CRD文档,完善了相关功能实现。Source CRD现在支持reported name字段,同时废弃了原有的odigos.io/reported-name注解。这一改进使得资源管理更加规范化和标准化。
3. 增强.NET支持
特别增加了对传统.NET框架的支持,扩展了Odigos在微软技术栈中的适用性。开发者现在可以更方便地在.NET应用中使用Odigos进行分布式追踪。
架构与性能优化
1. 领导者选举配置增强
改进了领导者选举机制,提高了系统在高可用场景下的稳定性。新的配置能够更好地处理节点故障转移情况,确保服务连续性。
2. 资源使用优化
通过限制instrumentation实例数量,有效控制了资源消耗。同时更新了OpenTelemetry相关依赖至最新版本,提升了性能并修复了已知问题。
用户体验改进
1. UI界面升级
引入了全新的UI组件库,支持明暗两种主题模式。新增了只读模式指示标记,当系统处于只读状态时会明确提示用户。
2. 文档全面更新
重构了架构和流水线部分的文档,自动生成了CLI和CRD API参考文档。新增了专业版功能文档,帮助用户更好地理解和使用高级特性。
安全与稳定性
1. 依赖项升级
更新了多个关键依赖项,包括:
- 将controller-runtime升级至0.20.1版本
- 更新gRPC至1.70.0
- 升级OpenTelemetry至1.34.0
这些更新带来了性能提升和安全修复。
2. 环境变量处理优化
改进了环境变量注入机制,使用webhook方式注入instrumentation相关环境变量,提高了可靠性和安全性。同时完善了卸载过程中的环境变量清理逻辑。
新增特性亮点
1. Traceloop目标支持
新增了对Traceloop目的地的支持,扩展了数据输出选项。用户现在可以将追踪数据直接发送到Traceloop进行分析。
2. 代码属性配置
通过instrumentation规则支持代码属性配置,开发者可以更精细地控制哪些代码部分需要被检测。
3. 诊断功能增强
现在可以从数据收集和网关组件收集pprof数据,帮助开发者更全面地诊断系统问题。同时优化了诊断过程中的限流处理。
向后兼容性说明
本次版本中标记了一些即将废弃的功能:
- 废弃了WorkloadInstrumentationConfig
- 标记了instrumentedApplication为即将废弃
- 移除了odigos.io/reported-name注解
建议用户尽快迁移到新的Source CRD和相关字段。
Odigos 1.0.144版本通过上述多项改进,进一步提升了系统的功能性、稳定性和易用性,为开发者提供了更强大的分布式追踪解决方案。无论是新增的Red Hat UBI支持,还是增强的.NET检测能力,都体现了项目团队对多样化应用场景的关注。建议现有用户尽快升级以获取这些改进和新特性。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00