登录社区云，与社区用户共同成长
邀请您加入社区
《2025存储技术革新：国产方案突破MinIO局限》摘要 国产存储技术正以三大优势颠覆行业格局：1）合规性突破，采用自主协议彻底规避AGPLv3传染风险；2）性能碾压，实测4K随机读写性能超MinIO达43.6%，P99延迟降低60.9%；3）架构创新，融合硬件加速引擎（Rust+SIMD）、智能元数据架构和多云联邦能力。典型场景验证显示：AI训练吞吐提升35%，边缘计算功耗降低41.7%，存储成
但对于新手而言，如何将“提示工程”这一AI领域的技术与“云原生”这一基础设施领域的方法论结合，设计出既智能又可靠的AI应用架构，仍是一个缺乏系统指导的难题。云原生（Cloud-Native）是由CNCF（Cloud Native Computing Foundation）定义的一套技术体系，核心目标是**“在云环境中构建和运行弹性、可扩展、可观测的分布式应用”**。本节将通过6个步骤，从“提示工程
这个系列的第二篇写了将近5000字，而且还是删节内容后的，如RAID就没写，因为头已经很大了。第二篇从早上写到下午，因为偷懒了，写着写着就停笔了。不过好在总算磨完了，现在开始写RH134系列的最后一篇内容。我这更新的速度并不慢，虽然我一天的时间都在写，但是也没有其他要紧的事要做，除了再去刷RHCSA认证的练习题，现在只刷了一遍，第二遍还没开始。如果这篇文章写完的比较早的话，我就开始刷第二遍去了。虽
传统的软件更新方法在云原生AI系统中面临根本性挑战，主要源于AI系统特别是基于提示的LLM应用的独特属性。理解这些失效模式是开发新策略的前提。传统更新方法及其局限性完全停机更新：停止服务，更新模型，然后恢复服务。这直接违反了云原生环境对高可用性的要求，导致不可接受的服务中断。滚动更新：逐个更新实例，保持部分实例运行。虽然避免了完全停机，但可能导致不同实例提供不一致的结果，特别是当提示与特定模型版本
本来今天应该发pod,但内容太多还没整完,就直接把部署这个发出来吧.真现做,非存货.本文ai含量较低,血泪含量较多。
本文摘要： Kubernetes核心概念解析，涵盖Pod生命周期与管理机制。重点包括：1)Pod根容器pause的基础作用；2)Pod生命周期状态（Pending/Running/Succeeded/Failed）；3)特殊容器类型（Init容器与Sidecar容器的区别）；4)控制器类型及功能（Deployment、ReplicaSet、DaemonSet、StatefulSet等）；5)服务发
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。以上就是k8s部署的论坛项目了，希望那个可以帮助到其他小伙伴们。
提示工程是一门通过精心设计输入（提示）来引导LLM产生期望输出的艺术与科学。它是连接人类意图与AI能力的桥梁。随着LLM能力的增强和应用场景的多样化，提示工程的重要性日益凸显。然而，随着提示词复杂度和数量的增加，以及对LLM应用性能、可靠性、可维护性要求的提高，传统的、临时性的提示管理方式（如硬编码、简单配置文件）已无法满足需求。版本控制、迭代、复用、协作困难。LLM调用昂贵且耗时，如何优化推理性
本文介绍了Kubernetes中Pod调度的四种方法：1)使用nodeSelector匹配节点标签；2)通过亲和性/反亲和性规则(NodeAffinity/PodAffinity)实现灵活调度；3)直接指定nodeName硬编码调度；4)利用拓扑分布约束实现负载均衡。重点解析了节点亲和性(NodeAffinity)的概念，它类似于nodeSelector但更灵活，支持软硬两种规则。同时阐述了污点(
RustFS 是一个用 Rust 编写的高性能开源对象存储系统，完全兼容 S3 协议，可作为 MinIO 的国产替代方案。文章介绍了 RustFS 的安装方法（支持 Docker 和二进制方式）以及其 MCP（多语言控制协议）服务器的扩展实践。通过在 server.rs 和 s3_client.rs 中添加创建/删除存储桶的方法，开发者可以扩展 RustFS 的功能。文章还提供了在 Docker
通过Prometheus采集以下关键指标：HTTP错误率平均响应时间服务健康状态基于实时监控的微服务配置回滚机制，通过自动化监控、动态决策和快速回滚，有效保障了系统的稳定性。未来可进一步结合AI预测模型，提前识别潜在风险，实现主动式回滚。
在实际撰写时，需要补充详细的技术细节、实验数据和案例分析等，以更加全面地展示无服务器计算的魅力和应用前景。无服务器计算是一种基于云计算的服务模式，其核心思想是将应用程序的运行环境完全托管在云平台上，开发者无需关心底层服务器的运维和管理。在实践中，无服务器计算可以结合微服务架构、事件驱动架构、人工智能等技术，实现更加灵活、高效的应用程序开发和部署。随着云计算技术的快速发展，无服务器计算作为一种新兴的
2025 年 2 月 22 日，2025 全球开发者先锋大会（GDC）在上海举办，汇聚了 CSDN、Hugging Face、Linux 社区、AWSUG 等百余家开发者社区。本文结构清晰，紧贴 2025 年开发者圈热议话题，既有趋势展望，也有实践建议，非常契合 CSDN 读者的偏好。AI Agent（智能体）成为今年热门技术之一。2025 年已接近尾声，但 AI、云原生、大数据、Agent 等技
本文探讨PHP现代化开发的演进路线与实践方案。第一部分介绍六边形架构和事件驱动架构的实现，通过接口隔离和适配器模式提升代码可维护性。第二部分展示云原生PHP部署方案，包括Kubernetes配置和Serverless无服务架构实现。第三部分深入性能优化技术，涵盖Swoole协程和FFI外部函数集成。第四部分解析PHP与AI服务的集成方式，包括Python服务调用和TensorFlow对接。第五部分
Kubernetes Volume 是解决容器文件存储问题的关键机制。它分为临时卷（如 emptyDir）和持久卷（PV），前者随 Pod 生命周期存在，后者可独立存在。emptyDir 提供 Pod 内容器间的共享存储，但 Pod 删除后数据会丢失；hostPath 直接挂载节点目录，但影响迁移性。PV 是预配置的集群存储资源，通过 PVC（持久卷申领）供 Pod 使用，支持多种访问模式（如 R
所谓的环境的就是agent运行在哪里，或者是agent和那里进行交互。最常见的环境就是本地开发环境，也就是个人主机，但是存在问题就是没有办法出网和横向扩展。在沙盒之前也是有其他选择的：云服务器，虚拟机，docker都看起来是个是个不错的想法，而且我一开始的想法也是docker。agent要么是运行在docker里面，要么是和docker里面的内容进行交互。但是后来又发现了沙盒的概念，目前来看沙盒比
随着ChatGPT等AI搜索引擎的普及，传统SEO正被GEO（生成式引擎优化）替代。本文解析GEO三大核心技术：1）深度语义理解技术，包括词义消歧、对话式理解和语义向量化；2）结构化内容生成，通过Schema标记、Q&A对整理和权威引用提升AI识别度；3）AI算法适配，涉及多模态优化和实时数据反馈。文章提供了Python代码示例，展示如何实现地理位置提取、文本预处理和情感分析等GEO关键功
其实由于平时会写笔记（网站上的StackEdit），所以完全可以从那里搬过来，不过就没有这么多话和解释性的文字了。这个k8s知识点归纳系列我写的还算快，争取能够尽快写完。其中有些未能理解的也是借助AI来看，有些说法也纯粹是个人理解，大家可以帮忙指正。至于码字的话，也就是个人爱好了。之前的文章很大部分都是AI写的复制粘贴过来，格式也乱七八糟，但是内容都是精选的，后面会进行修改的。至于文章的格式，没有
RustFS是一款基于Rust语言开发的高性能文件存储系统，兼容S3协议。其核心优势包括：吞吐量提升40%，百万级文件存取耗时缩短至1/3；支持一键安装和Docker部署；提供完整的文件操作API和权限管理功能。特别适合AI/ML、大数据等场景，单文件<100MB，支持从边缘设备到云平台的全场景部署。开发者可通过GitHub参与贡献，遵循Apache 2协议，支持国产化环境。系统提供5分钟快
想象你经营着一家"AI快餐店"：顾客（用户）进店后，服务员（提示系统）需要根据菜单（提示内容）快速"烹饪"出AI回复。如果每天只有10位顾客、3种菜品（简单提示），一个厨师（开发人员）在厨房（单体系统）里就能搞定；但当顾客变成100万、菜品10万种、厨师100人时，原来的厨房必然乱成一团——这就是提示系统内容更新流程的真实困境。为什么提示系统的内容更新流程必须演进？从单体到微服务，架构演进的关键节
云原生与AI原生技术正重塑制造业数字化进程。广域铭岛GOS平台采用云原生微服务架构，将传统"单体式"工业软件解构为灵活组件，实现40%资源利用率提升。同时通过AI原生理念重构企业数字架构，在汽车制造等场景中使工作效率提升30%，故障分析时间缩短50分钟。二者融合产生协同效应：云原生为AI提供运行环境，AI赋予系统智能决策能力。目前该方案已在20多个行业落地，如帮助极氪工厂焊点合
Docker cp 命令详解：容器与宿主机文件传输指南 Docker cp 命令是 Docker 提供的核心工具，用于实现容器与宿主机之间的双向文件传输。
本文介绍了Zookeeper中ZAB协议的两大核心机制：消息广播和崩溃恢复。消息广播采用主从架构，由Leader节点通过2PC协议完成事务提交；崩溃恢复则在Leader失效时，通过选举zxid最大的节点作为新Leader来保证数据一致性。文章还推荐了多个技术专栏，涵盖C语言、网络协议、Docker、Linux、Python等内容，旨在帮助读者从基础到进阶系统学习相关技术知识。作者最后表示欢迎指正，
k8s，作为目前最流行的容器编排中间件，大家应该都听说过，很多公司也都在用，但基本都是运维在管理k8s，开发人员一般涉及不到，开发人员只需要写业务代码，然后运维人员负责制作镜像，然后用k8s拉取镜像，启动容器，对外提供服务，这一套，现在都是自动化的，但是我觉着作为业务研发，也应该要清楚这一套流程的实现机制，这样在出问题的时候，可以多一些排查的思路，而不是只能干等着运维同事排查。接下来，我就以一个p
【摘要】本文介绍了Zookeeper实现分布式锁的两种方式：排他锁（独占锁）和共享锁（读锁）。排他锁通过创建唯一临时节点实现独占访问，共享锁则通过临时顺序节点和读写判断机制实现并发读控制。文章详细阐述了两种锁的实现原理，并提供了基于Curator工具包的Java代码示例（包含InterProcessMutex实现的可重入排他锁演示）。最后推荐了Curator提供的三种分布式锁方案，帮助开发者在分布
本文以Zookeeper的Watcher机制为例，详细解析了客户端与服务端交互的四个关键过程：1)客户端注册Watcher监听；2)服务端处理Watcher请求；3)服务端触发节点变更事件；4)客户端回调处理事件。通过Java代码实例演示了exists方法实现Watcher监听的完整流程，并配合流程图解说明底层TCP长连接的通信机制。文章还介绍了作者的技术专栏内容，涵盖C语言、网络协议、Docke
本文介绍了Zookeeper的ACL（访问控制表）权限管理机制，重点讲解了ACL的构成要素、权限类型及实际操作命令。文章详细解析了world、auth、digest、IP四种权限模式的应用场景与配置方法，通过具体命令行示例演示了权限设置、用户认证和IP限制等操作。作为服务器安全的重要保障，ACL权限管理能够有效控制节点访问权限，确保数据安全性。文章内容由浅入深，既包含基础概念说明，也提供了实用的命
【摘要】本文详细介绍了Zookeeper集群中Leader选举的两个阶段：服务器启动时和运行过程中。关键选举参数包括服务器ID、事务ID和逻辑时钟。选举过程遵循特定规则：优先比较epoch，再比较事务ID，最后比较服务器ID。通过投票统计和状态变更机制，确保集群快速选出新Leader。文章还简要介绍了作者的技术专栏内容，涵盖Linux、C语言、Python等多个领域。
技术方案优势挑战传统 HPA简单易用无法反映业务负载实时流量分析精准识别异常数据延迟问题机器学习预测动态适应流量变化模型维护成本高通过结合实时流量分析与机器学习预测，服务网格的自动扩缩容策略能够更精准地匹配业务需求。未来，随着 AIOps 和边缘计算的发展，这一领域将迎来更多创新机会。
RustFS是一款基于Rust语言开发的颠覆性存储系统，通过零GC设计和异步流水线技术，显著提升AI时代的存储性能。在实测中，RustFS的4K随机读IOPS达1,580K，比MinIO高42%，延迟降低37%。其创新技术包括预分配内存管理和零拷贝流水线处理，使吞吐量达1.2M events/sec。实际案例中，某AI实验室的GPU利用率从55%提升至92%，存储成本降低58%。RustFS支持边
于是，灵雀云归纳并总结了LLMOps的工作流，以更好地适应大模型时代的需求。为了引导大模型从专业的角度思考问题并输出更详细、准确的回答，用户可以优化提示词，例如：“你是一个药学专家，请针对问题中的病情，从不同的病因、症状角度出发，进行用药推荐。大模型微调是使用专业领域的数据集对大模型进行进一步的训练，使其成为领域专家，在执行下游任务时，模型可以针对问题进行更专业的回答。AML提供了大模型微调的流程
默认情况下，Eureka服务端在90s没有收到某个服务实例的心跳，就会注销该实例，将实例下线。如果出现大量实例心跳检测失败，Eureka就会认为是注册中心出现问题了，启动自我保护机制，Zookeeper使用的是抽象的树形K-V组织结构，没有专门的数据模型。Nacos 因为要支持多种服务类型的注册，并能够具有机房容灾、集群扩展等必不可少的能力，是支持AP 和 CP 两种一致性协议的，默认是AP模式。
在人工智能领域，大型语言模型（LLM）的应用不断突破，为自动化问题解决带来了前所未有的可能性。基于LLM的多智能体系统已经可以解决简单的对话任务，但面对更复杂的任务时，由于LLM之间相互传递信息时产生的“幻觉”现象，导致逻辑不一致，难以找到有效的解决方案。为了克服这一挑战，我们提出了MetaGPT，一个创新的元编程框架，将高效的人类工作流程融入基于LLM的多智能体协作中。MetaGPT将标准操作流
在人工智能领域，检索、处理和生成信息的能力是系统效能的关键决定因素，支撑这些能力的框架正在经历变革性的发展。检索增强生成 (RAG) 已成为智能系统的基石，将大规模外部知识库与语言生成模型连接起来。RAG 将大型语言模型 (LLM) 与外部检索机制集成在一起，以动态整合来自广泛数据存储库的上下文相关信息。这种架构对于需要实时适应性的应用尤其有效，例如实时客户支持、动态内容生成和特定领域的专业知识综
小红书云原生架构分享刚开始2017-2018 redis千万粉丝升级问题 如分片数据丢失问题 2018-2019升级mysql。2015年一个代码仓库 做微服务拆分 python拆java服务。2017年 mongo坑多不稳定 转mysql 自研集群。哈哈 运维与后端的核心竞争力还是不同的哈哈。小红书 infra团队云原生架构发展和演进。数据库 微服务 业务架构 分享十年迭代。前端 商城促销 音视
贝壳在机器学习平台建设方面起步较早，因此我们可以利用这些成熟的技术和框架来优化模型管理和分发。例如，我们已经成功将 JuiceFS 等技术应用于模型存储和管理中，进一步提升了系统的效率和稳定性。我们基于 JuiceFS 的架构设计了一套 AI 模型仓库方案。
Service 主要负责 K8S 集群内部的网络拓扑，那么集群外部怎么访问集群内部呢？这个时候就需要 Ingress 了。Ingress 是整个 K8S 集群的接入层，负责集群内外通讯。Ingress 是 K8S 集群里工作在 OSI 网络参考模型下，第7层的应用，对外暴露的接囗，典型的访问方式是 http/https。Service 只能进行第四层的流量调度，表现形式是 ip+port。Ingr
因此，利用容器的这种使用，在数据中心中为它们提供更好的容量规划，因为它们现在将受到更少的限制，因为服务和它们运行的硬件之间存在抽象。因此，在这种框架中，您可以拥有 N 个应用程序，并且所有应用程序将共享该操作系统中存在的库，而在容器中部署应用程序时，体系结构则略有不同。因此，如果有一个需要 Java 的特定应用程序，那么我们将获得访问 Java 的特定应用程序，如果有另一个需要 Python 的应
近我深切地体会到了在Notion中使用AI功能所带来的写作效率提升。同时，我也经常看到关于AI生成代码能力的介绍。作为一名曾经的程序员，我一直保持着对新技术的热情，并长久地保持着天天写代码的习惯，近期尝试了使用Codieum + vsCode来编写Python代码，这真的让我感到惊艳。下面我们通过一个简单的例子来看一下AI如何帮忙写代码。
如果容器正常结束（退出码为0），则kubelet将不会重启它。（3）lfNotPresent:如果本地有镜像就使用本地镜像，没有就拉取在线镜像。1.Always:Pod一旦终止运行，则无论容器是如何终止的，kubelet服务都将重启它。定义Pod的重启策略，可选值为Always、OnFailure和Never默认值为Always。3.Never:Pod终止后，kubelet将退出码报告给Maste
Clusternet 作为首批项目参与了《信息技术 开源 开源项目评估模型参考架构》测评，并成为通过评估的四个项目之一。《信息技术 开源 开源项目评估模型参考架构》由国防科技大学牵头，工信部电子标准院归口并组织举办多次专家研讨会，来自华东师范大学、腾讯、华为、阿里、百度、Intel、开放原子开源基金会、Linux 基金会、OpenInfra 基金会、Apache 基金会、蚂蚁集团、CSDN、滴滴、
“成本”、“性能”和 “效率”正在成为影响大模型生产和应用的三个核心因素，也是企业基础设施在面临生产、使用大模型时的全新挑战。AI 领域的快速发展不仅需要算法的突破，也需要工程的创新。
Pod 是一组紧密相关的容器集合，这些容器共享网络命名空间、存储卷等资源。一个 Pod 可以包含一个或多个容器，它们通常是为了共同完成某个特定的任务而组合在一起。例如，一个 Web 应用程序 Pod 可能包含一个 Web 服务器容器和一个日志收集容器。Pod 作为 K8s 中最基础的计算单元，其工作原理和调度机制是理解 K8s 核心功能的关键。通过深入了解 Pod 的创建过程、网络和存储模型、生命
在给定的示例中，如果配置数据库有一个键为“1234”的 NOT_SUPPORTED_TELEMETRY_CLIENT 表，它将对应于 NOT_SUPPORTED_TELEMETRY_CLIENT_DS_LIST 和 NOT_SUPPORTED_TELEMETRY_CLIENT_SUB_LIST，这是一个重叠的场景。5. ABNF.json的每个主要部分(即ABNF.json中的字典)，例如，ABN
云原生
——云原生
联系我们（工作时间：8:30-22:00）
400-660-0108 [email protected]
2048 AI社区
北京城市开发者社区
松山湖开发者村综合服务平台
天启AI社区
