Argo CI 使用教程
项目介绍
Argo CI 是一个基于 Kubernetes 的持续集成和部署系统,由 Argo 工作流引擎驱动。它提供了与源代码管理(SCM)的集成(目前仅支持 GitHub),并自动触发使用 Argo YAML DSL 定义的 CI 工作流。Argo CI 可以帮助开发团队在 Kubernetes 集群上实现高效的 CI/CD 流程。
项目快速启动
安装 Argo CI
首先,确保你已经有一个 Kubernetes 集群,并且已经安装了 Helm。然后按照以下步骤安装 Argo CI:
# 添加 Argo Helm 仓库
helm repo add argo https://argoproj.github.io/argo-helm/
# 安装 Argo CI
helm install argo/argo-ci --name argo-ci
配置 GitHub 集成
为了安全原因,Argo CI 的配置 UI 不对外部开放。最简单的方式是通过端口转发来访问:
kubectl port-forward <argo-ci-pod> 8002:8002
然后通过 http://localhost:8002 访问 Argo CI 的 UI。
在 GitHub UI 中创建一个 Webhook,设置 Payload URL 为 http<ArgoCiDomain>/api/webhook/github,Content Type 为 application/json,并设置你的 Secret token 值。
创建和保存构建工作流
在你的项目仓库中创建 argo-ci/ci.yaml 文件,定义你的构建工作流。如果工作流包含名为 revision 和 repo 的参数,Argo CI 将自动为这些参数设置值。
应用案例和最佳实践
案例一:自动化测试和部署
一个常见的应用案例是自动化测试和部署。通过 Argo CI,你可以定义一个工作流,该工作流在每次代码提交时自动运行测试,并在测试通过后自动部署到预生产环境。
案例二:多环境部署
另一个最佳实践是多环境部署。你可以定义不同的工作流,分别用于开发、测试和生产环境的部署。每个工作流可以根据环境的不同进行定制,确保每个环境都能得到适当的配置和资源。
典型生态项目
Argo Workflows
Argo Workflows 是一个 Kubernetes 原生工作流引擎,支持 DAG 和步骤式工作流。它是 Argo CI 的核心组件,负责管理和执行 CI/CD 工作流。
Argo CD
Argo CD 是一个声明式的持续交付工具,提供了一个功能齐全的 UI。它与 Argo CI 集成,可以实现从代码提交到部署的端到端自动化。
Argo Rollouts
Argo Rollouts 提供了高级的 Kubernetes 部署策略,如金丝雀和蓝绿部署。它可以帮助你更安全、更高效地进行应用部署。
Argo Events
Argo Events 是一个基于事件的依赖管理工具,可以与 Argo CI 结合使用,实现更复杂的事件驱动工作流。
通过这些生态项目,Argo CI 可以构建一个完整的 CI/CD 生态系统,满足各种复杂的部署需求。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C090
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00