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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00