登录社区云,与社区用户共同成长
邀请您加入社区
每次更新 Deployment 配置(如镜像版本、环境变量),都会生成一个新的 ReplicaSet 版本,历史版本会被保留,支持随时回退,保证发布过程的可控与可回滚。Pod 拥有完整的生命周期,从创建到终止会经历 Pending(等待调度)、Running(运行中)、Succeeded(成功终止)、Failed(异常终止)、Unknown(状态未知)几个阶段。重启策略定义了当 Pod 内容器退出
随着大语言模型百花齐放,企业和开发者往往需要同时接入多家服务商的 API——OpenAI、Anthropic、Google、百度文心、阿里通义千问、智谱ChatGLM……每个平台都有自己的 API 密钥、计费方式和调用限制。如何高效管理这些渠道,实现负载均衡、令牌分发、用量监控,成为团队协作和规模化应用的一大挑战。one-api正是为解决这一痛点而生的开源项目。它是一个统一的大模型 API 管理平
探测失败,不会重启容器,会把 pod 从 service 的 endpoint 摘除,不再接收流量。initContainers:初始化容器,必须全部成功执行完毕后,才启动业务容器,常用于等待依赖、初始化配置。检测容器是否正常运行;探测失败,k8s重启容器。支持 tcpSocket、httpGet、exec。
spec:strategy:maxSurge: 1 # 更新时 Pod 数量最多比期望值多 1 个maxUnavailable: 0 # 更新时不可用 Pod 数量最多为 0(保证零中断)template:spec:maxSurge:更新过程中可超出期望副本数的最大数量(绝对值或百分比)。:更新过程中允许不可用的最大数量(绝对值或百分比)。配合可实现"先起新、后删旧"的平滑发布,适合对可用性要求极
在基于 ClickHouse 构建复杂的数据分析系统时,开发者往往需要整合多个生态组件:用于元数据协调的 ClickHouse Keeper、用于分层存储的 MinIO(模拟 S3 对象存储)、用于实时数据同步的 Kafka/MySQL 伪组件,以及支持向量计算与 AI UDF 的增强引擎。本地容器环境与实际集群不同,常见问题包括镜像与 CPU 特性不匹配、Keeper 配置不完整,以及容器内错误
在对 MySQL 源码进行内核级定制时,为了优化复杂 SQL 的语法解析(Lex/Yacc 阶段)和语义重写,许多团队引入了 AI 辅助的语法树(AST)重写模块。初衷是在 Parser 阶段识别出冗余 子查询、无效 Order By 和低效 Connection,并在进入 Optimizer 前将 SQL 转换为等价的高效形式。解析器改造容易只盯着单条 SQL 的耗时,却忽略并发下的分配、缓存和
随着大语言模型(LLM)与AI Agent的爆发式增长,Agent被赋予越来越多的“操作权”——从编写代码、执行脚本,到调用系统API、操作云资源。
为了降低云上基础设施账单,某业务团队一次性将几百个微服务容器的 CPU Request 下调了 50%。账单上的数字确实好看了,但一周后核心交易 API 的 P99 延迟陡增了 300 毫秒,Kafka 消费组频繁掉线。追查系统指标才发现,内核的 CPU CFS (Completely Fair Scheduler) 配额机制正在疯狂限制容器的运行时间片,导致服务处理请求时陷入漫长的等待。在容器化
演示环境里,AI 驱动的 K8s 诊断工具可以根据“为什么服务返回 502”生成故障分析和命令。生产集群的 Pod 描述、RBAC 隔离、自定义 CRD 与 Controller 状态更复杂,模型可能因上下文过长失败,或引用过期 API 字段。从 Demo 到生产排障,需要处理上下文窗口、知识时效性和权限边界。
随着 SIMD(单指令多数据)向量化计算引擎(如 ClickHouse、Velox、DuckDB 内核)在分析型存储中的广泛普及,系统在毫秒级内能吞吐 GB 级的数据。为了应对向量化引擎在运行期复杂的 CPU Cache 击穿、内存 Vector Chunk 溢出以及线程死锁,许多团队引入了基于 LLM/AI 模型构建的“AI 辅助存储排障与自愈 Agent”。AI 可以整理指标和日志,但不应据此
考虑一个演练场景:数据库连接池压力升高时,LLM 运维 Agent 误将无关的 Redis 慢查询标记为根因,并触发 Redis 重启。该动作不仅不能缓解连接池压力,还可能引起缓存穿透并进一步拉高延迟。大模型擅长总结文本,但分布式系统故障会在很短时间内变化。缺少确定性约束时,LLM 容易把相关现象误判为因果关系。
摘要:本文介绍了在Kubernetes中允许master节点部署Pod的两种方法。推荐方法是移除master节点的NoSchedule污点,使用kubectl taint nodes命令删除该污点并验证。另一种方法是在Pod定义中添加相应的容忍规则(tolerations),使其能够调度到master节点。两种方法均附有具体操作命令和YAML示例,可根据实际需求选择使用。该方法适用于需要在Kube
2017 年 image-spec v1.0 发布,容器镜像的格式算是定下来了。在 OCI 标准下,运行一个容器的过程就是:从 Registry 下载 OCI 镜像 → 解压到 OCI Bundle → OCI Runtime 运行这个 Bundle。整个流程标准化之后,不同 Runtime、不同 Registry 之间可以互操作,不用强行绑定 Docker。Docker 也把 libcontai
本文结合实习中 Docker 的学习经历,系统梳理了 Docker 的基本概念、安装及 Windows 与 Linux 环境下的使用差异,并介绍了从编写 requirements.txt、Dockerfile 和 .dockerignore,到执行 build、run、查看日志、进入容器、停止与删除容器的完整流程。同时总结了镜像、容器、端口映射、目录挂载、数据卷、网络、环境变量和清理命令等常用操作
原文链接:https://blog.csdn.net/qq_53961668/article/details/144240775。2. 设置 Docker 的 apt 仓库。3. 安装 Docker 包。
学习型查询优化器通过历史执行反馈训练预测模型,试图弥补传统成本模型在统计信息时效性和多列相关性上的固有缺陷。其架构核心是查询特征编码、计划评分模型、融合选择策略和执行反馈闭环四个组件的协同。但模型的不可解释性、冷启动阶段的低置信度、以及查询分布漂移带来的预测偏差,构成了学习型优化器在生产落地的三大工程风险。实践中应采用"模型增强而非替代"的融合策略,根据模型置信度动态调整权重,并保留完整的降级回退
基于强化学习的 Join 顺序优化将组合搜索问题建模为序列决策问题,通过策略网络直接输出高概率的 Join 顺序,搜索复杂度从指数级降为多项式级。PPO 算法通过裁剪重要性采样比率和价值函数约束,提升了训练稳定性。但 RL 优化器的工程风险不容忽视:训练不收敛、推理延迟在少表场景下不占优、策略退化导致对未见查询泛化能力差。生产实践中,RL 优化器应与传统成本模型协同工作——RL 负责生成 Top-
云原生可观测性融合与 AI 运维决策,是将"数据驱动排障"升级为"AI 驱动运维"的关键路径。可观测性融合解决了"数据孤岛"问题,让指标、日志、链路三种信号在语义层面关联起来,形成完整的故障画像。AI 决策引擎基于故障画像匹配修复策略,根据置信度决定自动执行或人工审批,将排障到修复的闭环时间从数十分钟缩短到秒级。落地步骤:第一步,部署 OpenTelemetry Collector 统一采集三种信
AI智能告警体系通过动态基线、告警关联和智能路由三层架构,将告警从"阈值轰炸"升级为"精准触达"。动态基线替代静态阈值,让告警更贴合业务实际;关联分析将多条告警压缩为一组,减少通知噪声;智能路由根据技能匹配精准分发,确保最合适的人第一时间响应。但冷启动、误合并、语义精度和技能标签维护是需要权衡的边界条件。落地建议:先做动态基线(见效最快),再引入拓扑关联(因果关系最明确),最后做语义关联和智能路由
One API 是一个支持多模型统一接入的 OpenAI 兼容接口管理系统,适合用来做 AI API 中转、令牌分发和额度管理。本文基于 Ubuntu + Docker 给出一套可快速复现的部署方案,带你完成 One API 的安装启动、后台初始化、渠道配置、令牌创建和接口验证,适合想落地多模型接口平台或 AI token 分销系统的开发者参考。
yq在多文件传入-i时静默合并到第一个文件,这是个反直觉的 API 设计,没有任何警告k3s reconciler 没有 dry-run 或 plan 功能,操作是不可逆的,且异步执行没有在运行命令前读 man page只看了git status而没看git diff疲劳状态下操作生产基础设施AI 给出的命令看起来很合理,但有一个非显而易见的致命副作用。
Docker极简部署DeepSeek指南:告别环境配置噩梦 本文针对AI模型部署中的环境配置难题,提出基于Docker的解决方案。主要内容包括: 痛点分析:传统部署方式的环境依赖冲突、版本不一致等问题,导致"开发环境能跑,生产环境报错"的典型困境。 Docker核心价值:通过镜像封装完整运行环境,实现开发、测试、生产环境的一致性,解决"在我机器上能跑"的世纪
使用场景推荐工具原因本地开发/测试nerdctl语法与 Docker 完全兼容,学习成本低生产 K8s 节点调试crictl符合 CRI 标准,直接与 kubelet 视角一致Containerd 底层调试ctr官方原生工具,功能最全Kubernetes 集群运行时性能最优,K8s 官方推荐。
ingress是一个API对象,和其他对象一样,通过yaml文件来配置,为负载均衡程序注入配置(一条 ingress就是写入nginx.conf中的一段配置)apiVersion: networking.k8s.io/v1 # 可以查看详情kubectl explain ingressmetadata:annotations:# 注解kubernetes.io/ingress.class: "ng
把 Sub2API 的部署门槛降到了最低。无论你是想在 VPS 上搭建生产环境,还是本地测试,它都能帮你省下大量折腾 Docker 和配置的时间。零依赖(脚本自动装 Docker)多架构(AMD64 / ARM64 自适应)安全的随机密钥生成内置 HTTPS 反向代理宿主回环端口中继方案如果你也在管理多个 AI API Key,不妨试试 Sub2API + sub2api-helper 的组合。G
2026年,OpenClaw作为个人AI助手领域的现象级产品迅速走红,GitHub星标突破10万,短短数月成为开发者与极客圈的热门选择。它以本地优先、多通道集成、技能自扩展等特性,重新定义了Agent的形态。然而,爆火的背后也带来了前所未有的安全挑战。
但是没用,在创建k8s的时候还是会自动创建一个desktop-containerd-registry-mirror,而这个是不走代理的,所以还是不行。但是用国内镜像的话,现在镜像质量又都不是很高,唯一的办法就是还用docker来pull镜像,然后k8s会自动变好。k8s中 docker pull 和 ctr image pull 的关系是什么,为什么我用docker 可以获取,但是ctr 不能获取
管道即代码已经成为现代软件交付的标准实践,它通过将流水线配置代码化,实现了自动化、可重复和可扩展的软件交付流程。核心价值:版本控制:管道配置纳入版本管理自动化:从代码提交到生产部署全程自动化可重复:确保每次部署的一致性可测试:管道配置可进行单元测试协作:支持团队协作开发未来趋势:AI驱动的管道优化:机器学习自动优化管道配置自适应管道:根据代码变更自动调整测试策略GitOps原生管道:完全集成Git
本文介绍了如何在极空间NAS上部署开源的私人日记系统DailyTxT,并通过cpolar实现远程访问。DailyTxT支持本地加密存储日记内容,提供简洁的界面和核心功能。部署步骤包括:SSH连接极空间、验证Docker环境、配置docker-compose.yml文件并启动服务。同时,使用cpolar创建内网穿透隧道,将本地服务映射到公网,实现随时随地访问。最后还介绍了如何配置固定公网地址,方便长
AI Agent的发展史,是一部工程范式不断解耦与重构的进化史。从最初依赖“咒语”技巧的Prompt Engineering,到聚焦单智能体工具、规划与记忆治理的Harness Engineering,行业刚刚解决了“让一个AI好用”的问题。然而,现实世界的复杂任务——无论是全屋装修设计、多学科医疗会诊,还是长周期的科研探索,都绝非单个Agent能独立完成。
openJiuwen DeepSearch(后续简称为DeepSearch)基于openjiuwen agent-core构建,是融合结构化知识与大模型能力及各种搜索工具的一款深度搜索与研究引擎。他主要提供深度搜索与深度研究两个核心模式。 简单说,深度搜索模式目标是把问题回答准确清楚;深度研究模式更侧重把一个研究主题做成报告。本文后续主要阐述深度研究能力。
Docker 命令速查指南 核心概念 镜像(Image):只读模板,包含运行应用所需的一切 容器(Container):镜像的运行实例 仓库(Registry):存储和分发镜像的地方 基础命令 docker pull nginx 拉取镜像 docker run -d -p 80:80 --name mynginx nginx 运行容器 docker exec -it mynginx bash 进入
Docker Hub 等公共仓库虽方便,但受限于网络、安全策略、私有镜像托管需求以及潜在的带宽和访问限制,私有 Docker 镜像仓库成为企业级容器平台不可或缺的基础设施。Harbor (CNCF 毕业项目) 是一个开源、可信赖、功能强大的云原生注册表项目,用于存储、签名和扫描容器镜像、Helm Chart 等符合 OCI (Open Container Initiative) 标准的制品。操作系
在学习了类与对象之后,我们可能对它的理解还不够,写一下用类封装的对象能让我们巩固并对类与对象的默认成员函数加深理解。也是对我们手写代码的练习,在ai高速发展的时期,我个人认为培养自己写代码能力与调试能力还是有必要的也是自己对自己的输出会写是一回事,能讲出来又是一回事。因此这篇文章也是给自己也是给和我一样想努力提升自己的能力的小伙伴的一些参考。
想给 QQ 配个 AI 机器人帮忙处理消息、整理群聊、自动回复,结果一查资料就懵了——协议不稳定、运行环境互相冲突、依赖装不上、连登录 QQ 都能整出一堆问题。折腾了几天环境,最后发现事情本身还没开始做,时间全耗在填坑上了。找现成的方案也不省心,要么是已经停止维护的老项目,要么是配置复杂到看都不想看,实际上就想找个稳定、能跑起来、不用天天修的组合。
软件测试团队面临效率瓶颈:工具割裂、环境依赖、脚本维护难、反馈延迟等问题制约交付速度。破解之道在于构建智能化的"测试工具链":1)以协作平台为核心集成需求、开发和测试流程;2)通过容器化和Mock服务实现环境即用;3)引入AI技术提升自动化脚本的健壮性;4)建立可视化质量度量体系。实施路径需分阶段推进,倡导"质量左移"理念,培养全栈测试工程师。优化工具链的本
摘要:AI技术对敏捷测试带来挑战,传统测试框架面临速度悖论、协作摩擦和质量内建难题。新范式提出"AI原生质量工程",通过持续智能测试和契约化协同重构测试流程,将AI融入工作流核心。测试工程师需转型为质量策略师,掌握AI工具、风险治理和流程设计能力,聚焦业务价值与用户体验。这场变革将测试从重复劳动中解放,转向更具战略性的质量架构角色,实现敏捷精神的延续与质量工程的复兴。(149字
本文聚焦于开源AI智能体框架 OpenClaw(“龙虾”)中神乎其技的 shared.ts 模块,深度解析其如何仅用15行核心代码,便构建起整个AI智能体生态的基石——动态权限控制系统。文章揭示了这短短十几行代码如何通过精妙的设计,定义了智能体(Agent)、用户(User)与技能(Skill)三者之间的信任关系与能力边界。它利用TypeScript的类型系统和运行时上下文,实现了细粒度的权限委托
光有隔离(Namespace)还不够,容器还要有独立的文件视图和网络设备,这才是完整的 “手工容器”。你会发现,虽然用了--pid隔离,但如果不挂载新的 proc,执行ps -ef还是能看到宿主机进程。原理/proc目录是内核给进程看的资源列表。操作:效果:重新执行ps -ef你只能看到自己的 bash 进程了!PID 命名空间彻底生效。“进程本质上是 /proc 挂载点中的文件描述符”。容器需要
runC 是一款轻量级、命令行式的容器运行时,同时也是开放容器倡议(OCI)的参考实现。创建容器进程配置 Linux 命名空间(namespaces)设置挂载点(mounts)管理控制组(cgroups)Docker、containerd、Kubernetes 等上层工具均通过调用 runC 来启动和运行容器。容器隔离并非绝对安全边界。runC 作为底层运行时,其安全直接影响整个容器生态。
OpenClaw企业级AI Agent容器化部署指南 本文针对OpenClaw AI Agent在企业内网部署的痛点,提出了一套基于Docker的容器化解决方案。相比原生部署方式,容器化方案具有以下优势: 一键部署:10分钟完成从安装到运行的全流程,解决环境依赖冲突问题 跨平台兼容:完美适配统信UOS等国产系统,实现一次构建全平台运行 生产级稳定:支持健康检查、自动重启、多实例隔离等企业级特性 离
摘要:本文介绍如何在Kubernetes中创建名为ran-local-path的StorageClass,基于rancher.io/local-path制备器。关键配置包括:设置volumeBindingMode为WaitForFirstConsumer,并通过注解将其设为默认StorageClass。操作步骤包括创建YAML文件并应用,最后验证设置是否生效。该StorageClass可实现存储资
摘要: 90%的Docker新手在使用docker compose --scale扩容服务时,因Nginx未配置动态DNS解析,导致负载均衡失效,请求仍集中在旧容器。解决方案是在Nginx配置中添加resolver 127.0.0.11 valid=5s并采用变量形式的proxy_pass,确保DNS结果定期刷新。同时需避免为可扩展服务设置container_name,并配置健康检查。文末提供《D
基于 LangChain ReAct 框架构建的扫地机器人 / 扫拖一体机器人智能客服系统,支持知识库问答、天气适配查询、用户个性化使用报告生成等功能,并通过中间件机制实现动态提示词切换与全链路日志监控。
什么是docker:将应用程序自动部署到容器(container)的技术;Docker 是一个,用来把打包成一个独立、可移植、能一键运行的 “盒子”。什么是容器:一种虚拟化的方案,与虚拟机不同,虚拟机是通过中间层将一台或多台虚拟系统独立运行在硬件之上,而容器是运行在操作系统的内核之上的,可以称为操作系统虚拟化。只能运行相同或相似的内核操作系统;依赖于linux内核特性:Namespace和Cgro
核心逻辑镜像(Image)是模板,容器(Container)是运行实例,先pull/build镜像,再run容器。高频命令docker rmi;docker run(重点记)/docker ps。清理技巧可一键清理无用资源,解决磁盘占用问题;生产环境避免用latest标签,指定具体版本更稳定。
Docker 容器运行时管理:从进程隔离到资源调度的深度实践
使用容器运行 Nginx:从入门到内核级优化的完整实践指南