-
envoy源码分析：线程模型与沙箱机制
本文分享自天翼云开发者社区《envoy源码分析：线程模型与沙箱机制》，作者：g****m线程模型envoy是一个多线程模型，参考官方的说法，envoy会起一个main thread主线程，主要负责做任务调度，统计汇总等。同时envoy会根据核数起多个worker线程，主要负责具体的业务，诸如监听网络事件，进行连接管理等。示意图如下：我们可以看到在这个分工下面，必然面临的一个问题就是，主线程如何跟w
-
CDN中动态自适应部署资源共享集群
在CDN集群的网关内部自适应部署一个资源共享集群，且支持自动化部署、自动容灾，并且网关节点可以直接访问中心节点获取数据、写入数据，同组内网关节点通过内网访问，效率非常高。
-
重要文件交给AI处理，数据到底去了哪里？
财务数据、客户资料和项目文件需要智能处理时，文件存放位置、运行环境和操作记录都值得关注。TeleAgent搭配天翼AI云电脑使用，相关文件可在云端环境中存储和处理。环境隔离为任务划定运行空间，传输加密保护数据流转，安全审计记录关键操作，快照能力支持环境恢复。用户通过云电脑查看任务进度和处理结果，企业也能获得更加清晰、统一的管理边界。打开天翼云电脑，让智能办公跑得快，也走得稳！&nbs
-
RK3588 的 NPU 怎么被 K8s 调度？官方没做的事，我补上了
项目已开源：下载地址一个 Kubernetes Device Plugin，把瑞芯微 RK3588 / RK3588S 的 NPU 变成像 CPU、内存一样可调度的资源。Apache-2.0，已在麒麟 V10 国防版异构集群中验证。引子一块 RK3588 开发板，跑 YOLOv8 的 INT8 模型，NPU 上 40 FPS 以上，整机功耗不到 8 瓦。单机玩，这颗芯片没什么好挑的。但板子从一块变
-
云开源工具的未来：从“可用”走向“可信赖的基础设施”
云开源工具过去十年的主线是“把能力做出来”，而未来五年的主线，很可能是“把能力变成可信赖的基础设施”。当 Kubernetes、OpenTelemetry、Terraform 这类项目逐渐成为企业技术栈的默认底座，云开源工具的竞争焦点正在从功能覆盖转向稳定性、可治理性与商业可持续性。依据现有素材判断，这一趋势仍将沿着工程化、平台化和生态协同三个方向演进。 从单点工具到平台底座：云开源工具的工程化拐点 云开源工具最早的价值，往往体现在“解决一个具体问题”。例如用容器编排解决部署一致性问题，用声明式配置解决环境漂移问题，用可观测性工具解决链路黑盒问题。但在企业真实生产环境中，单点工具的堆叠很快会带来新的复杂度：工具之间接口不统一、升级节奏不一致、权限模型各自为政、故障排查链路被拉长。 因此，未来云开源工具的第一个明
-
云开发的下一站：从“效率工具”到“应用生产新范式”
过去几年，云开发（Cloud Development）从一个偏工具化的概念，逐步演变为应用生产链条中的关键基础设施。它最初解决的是“后端太重、上线太慢、运维太贵”的问题，而今天，它正在逼近一个更根本的命题：当算力、模型、数据和部署能力都被平台化之后，开发者到底还剩下什么不可替代的价值？ 这篇文章尝试给出一个判断：云开发不会停留在“让开发更省事”的层面，它的终局是成为 AI 时代应用生产的新范式。而在这个过程中，行业会经历三次明显的重心迁移。 云开发的第一个阶段：把后端变成“可调用的能力” 云开发最早的吸引力，来自它对传统应用架构的简化。过去做一个完整应用，团队需要自己搭建服务器、配置数据库、处理鉴权、管理文件存储、设计扩容方案，还要为上线后的稳定性负责。对于小团队和个人开发者来说，这套流程的成本高得不成比例。
-
推倒重建是死路：运营商云底座的 AI 化，只有平滑演进这一条路
虚拟化存量仍在持续承载核心业务，政企云对资源交付与服务质量提出更高要求；与此同时，AI 带来了 GPU、模型、知识库和推理服务等新需求。运营商不只是要建设更多算力，更要思考：这些算力如何被统一调度、标准交付、持续运营，并最终成为面向内外部客户的服务能力。 云底座重构的核心，正在从“替换一个平台”走向“构建一套可经营的算力体系”。
-
从“模型上云”到“智能下沉”的架构演进
过去两年，大模型的能力边界不断外扩，但产业界逐渐意识到一个现实：把全部智能都押注在云端，既不经济，也不实时，更不安全。智能体（Agent）要真正进入生产系统，必须解决“在哪里思考、在哪里行动、在哪里记忆”的问题。云边端协同，正是回答这一问题的架构答案。本文尝试从架构逻辑、落地形态与关键挑战三个层面，梳理智能体与云边端协同的演进脉络。需要说明的是，本文基于公开技术趋势与通用工程实践展开分析，不涉及具体厂商未公开的产品细节；凡涉及判断性内容，均标注为“依据现有素材判断”。 为什么智能体天然需要云边端协同 1.1 单一云端架构的三重瓶颈 大模型驱动的智能体，本质上是一个“感知—规划—行动—反馈”的闭环系统。当这个闭环完全部署在云端时，会暴露三个结构性问题。 第一是时延。 智能体的行动往往发生在物理世界或业务现场：机械
-
云原生，正在成为智能体时代最被低估的底座
过去两年，关于 AI Agent（智能体）的讨论几乎都集中在模型能力上：上下文窗口有多大、推理链有多长、工具调用有多准。但当我们真正把智能体从 Demo 推向生产环境时，会发现一个尴尬的事实——限制智能体落地的，往往不是模型不够聪明，而是它脚下的基础设施不够“云原生”。 这篇文章想讨论一个被行业叙事长期忽略的角度：云原生开发范式，正在从“支撑微服务的工具集”，演变为“赋能智能体的操作系统”。而谁能率先把这两件事真正缝合起来，谁就可能拿到下一代应用平台的话语权。 智能体不是“更聪明的微服务”，但它需要微服务级别的工程底座 很多团队在构建智能体时，第一反应是把它当成一个“带 LLM 的脚本”来写：一个 Python 文件、几个工具函数、一段 prompt，跑起来就算成功。这种原型开发方式在验证阶段没问题，但一旦进入
-
云原生的下半场：当“开发”重新成为主角
过去十年，云原生几乎重塑了整个软件基础设施的面貌。Kubernetes 成为事实上的调度底座，容器、服务网格、声明式 API、可观测性体系层层叠加，构成了现代应用的“操作系统”。但如果把镜头从基础设施拉回到开发者身上，会发现一个略显尴尬的事实：基础设施越来越强，开发者的体验却没有同步变好。 在不少团队里，云原生带来的不是“更快交付”，而是更高的认知负担、更长的上手周期和更碎的职责边界。本文尝试从媒体视角，讨论云原生开发正在发生的转向，以及为什么“开发体验”会成为下一阶段的核心竞争力。 云原生的第一阶段：基础设施的胜利 回顾云原生的演进路径，主线非常清晰：把运维问题抽象成平台问题。 容器解决了“环境一致性”； Kubernetes 解决了“编排与调度”； 声明式 API 解决了“状态收敛”； 服务网格解决了“服务
-
ZStack AIOS 完成昇腾 910C 全链路适配！国产高端算力生态再升级
大模型应用加速落地，企业对算力的需求在性能、规模和供给方式上不断分化，AI 基础设施也逐步走向多元算力并行。不同芯片能否快速接入统一平台，并沿用既有的模型部署和运维体系，正在成为企业评估 AI 基础设施持续演进能力的重要因素。
-
医疗信创落地：VMware 替代中的业务连续性与 AI 发展的双重挑战
医院信息科今年有两道必答题：一是 VMware 替代必须保住业务连续性，HIS、PACS 这些 7×24 小时系统一刻不能停；二是 AI 辅助诊疗要落地，GPU 算力、模型调度、数据安全得有平台承接。三家医院的真实路径给出同一个答案：用同一个云底座分期解题——先保替换平稳，再纳管 AI 算力。
-
从传统业务到 AI 承载：国产化平台选型要注意的四个新标准
AI 的加速落地，正在扩展国产化平台的能力边界。企业需要管理 GPU、NPU 等异构算力，需要同时运行算法开发、模型复现、训练微调和在线推理，还要把模型转化为能够被业务系统调用的服务。资源形态从 CPU 扩展到异构加速器，运行环境从云主机扩展到容器，交付对象也从计算实例延伸到模型与 API。传统评估体系已经无法完整衡量一套国产化平台在 AI 时代的长期价值。
-
虚拟化观察 第 001 期：VMware Explore 2026 开幕，Proxmox VE 8 正式 EOL
《虚拟化瞭望》001 期：ZSvirt 开源 IaaS 引擎并推出创作者激励活动；VMware Explore 大会开幕、Proxmox VE8 停止支持。vCenter 高危漏洞遭多国攻击，vphone-cli 引发社区热议，同时收录多版发布与行业财报动态。
-
实时云渲染多应用并发：CELL容器技术突破3D隔离瓶颈
3D应用并发面临性能损耗、GPU复用难、兼容性差等痛点。虚拟机过重且损耗高，沙盒兼容性不足。国产自研CELL容器技术实现高性能、高兼容、低损耗的隔离方案，有效支撑多应用高效并发。
-
金融云不必二选一：VMware合规替代与AI创新可以并行
金融云真正要回答的，不是“先替代还是先AI”，而是“两套负载能不能落在同一条可演进的底座上”。
-
当 Agent 开始访问核心业务，安全边界怎么守？Zentrix 把拦截放在调用之前
如今，AI 正加速进入企业业务，但相应的安全管控并未同步跟上。敏感信息外泄、越权访问、提示词攻击和工具误调用等风险，正成为企业必须面对的现实安全挑战。加强 AI 安全治理必须提上日程，而安全管控必须发生在具体调用之前。
-
实时云渲染Web端协议选型：WebRTC核心优势与场景化增强方案分析
从低延迟、硬解低占用、双向交互等维度论证WebRTC为实时云渲染Web端最优解。结合国产厂商（如点量云流）在拥塞控制、编解码及多终端适配上的深度优化，显著提升弱网性能。未来WebTransport等或成补充，但WebRTC仍是当前商用主流。
-
企业 AI 成本怎么管？ZStack Zentrix 三步理清 Token 账
前段时间，某游戏公司技术负责人在一次公开演讲中透露，团队曾为一个项目搭建几十个 Agent 协同运行，一夜产生约 200 万元的 Token 费用。这个数字远超常规 AI 消耗预期，不少行业人士推测，背后可能存在 Agent 循环调用、异常重试或缺少配额门槛等问题，让成本在无人察觉时持续暴涨。 AI 成本控制，正成为 AI Native 企业必须补齐的能力。
-
在 Ubuntu 上安装 Docker 并运行 Apache DolphinScheduler
一、背景与选型1.1 定义Apache DolphinScheduler 是一个可视化、分布式的大数据工作流任务调度系统。通俗点说，就是用来编排和自动执行你那些复杂ETL任务的“指挥中心”。可以把之前写的各个SQL脚本、Shell 脚本，都拖拽成一个有依赖关系的流程图（DAG），然后设定好时间（比如每天凌晨2点），它就会按时自动执行，并监控每个任务的运行状态为什么用 DolphinSchedule
