Search for a command to run...
《深入浅出 Istio》在编写之初，我大致估算了成书可能所需的工作量和完成时间，也预计了一下 Istio 1.1 可能的发布时间以及大略的变动范围，因此定下了入门书的调性。
Istio 1.1 推出后，就在第一时间进行了安装部署，对书中所涉代码进行了验证，一来是给读者一个交代，二来也是做个准备，根据 Istio 1.1 的变动，对本书进行更新。
验证结果如下：
| 章节 | 问题 | 备注 |
| 7.8 | 重试无法工作 | HTTPRetry 结构发生变更。加入 retryOn: 5xx 即可。 |
| 7.11 | 1.11 中的 Helm chart 结构已经改变，不再适用。 | |
| 8.4、8.5 | 限流不可用 | 正在排查中 |
| 8.6 | Prometheus 监控指标定义失败 | 1.1 中的指标定义发生部分变化 |
| 9 | RBAC 等相关对象发生大量变更，部分对象失效 |
如上表所示，除 7.8 节的问题很明确之外，其它问题的解决过程也会尽快的逐步更新出来。
随书代码已经新建 1.1 分支。
No comments yet. Be the first to comment.
很多传统运维产品厂商，已经不缺产品了。 从 ITSM、CMDB、监控、自动化，到 IAM、数据中心管理和各类大屏，一个成熟厂商往往都能拿出一张很完整的产品地图。销售材料上看，客户运维部门的日常工作几乎都被覆盖了。 但项目一落地，味道就变了。 产品越多，集成越重；模块越全，边界越模糊；客户越大，定制越深。到了后期，项目成功本身也会变成麻烦：现场改出来的东西回不到主干，配置越来越像黑箱，谁都不敢轻易升
Agent 让运维编排变得柔性、可变、甚至自演进；但真正敢进入生产环境的 AIOps，仍然离不开坚实、受控、可审计、可回退的自动化底座。 从 Gartner 提出 AIOps 概念到现在，也大概有十年了。这么多年来，这个领域好像发生了很多变化，又好像没什么“本质”的变化。技术上，我们经历了传统机器学习、深度学习和神经网络、以及大模型和智能体这样“翻天覆地”的变化；业务上，我们面对的是更多品种、更大
ChatGPT 开始，把 AI 拉近到普罗大众的面前，让无数人感受到 AI 的亲民魅力。而龙虾，则把大模型驱动的自动化能力，突然间变得水灵灵、活泼泼地走进千家万户。它不只是“风口上的猪”，而是风口本身。热度高到让 Mac mini 一度断货，不知道这在不在库克的预料之内。 每代人都有每代人的鸡蛋，春节期间，我就领了我的鸡蛋。翻出古老的 MacBook Air M1，充值各种大模型。当然了，这个工具
我猜不少人以为这个号废了吧？并没有，只是今年变化有点大，一直有种抄起键盘，无从说起的感觉，所以一直偷懒到今天，2025 的最后一天。 今年是我的第四个本命年，去年末一期播客里，大内说本命年不是灾年，是变化年，有危也有机。可是讲真啊，只看到危，没看到机。 各种因缘际会，从鹅厂跳槽到前东家，已经接近四年，第一个合同期已经进入尾声。除了前两年还在云原生领域嗷嗷叫，后两年基本都是些鸡零狗碎的东西了，用老东家的术语说是——偏离主航道，可谓是前景暗淡了。 一旦确定要滚蛋，反倒心思轻松起来，每天骑着我的小红车...
从 OpenGPT 把大模型的火烧旺了之后，这三年来，相信很多组织或摩拳擦掌、或躬身入局，希望借助聪明能干的大模型，或想偿还技术宅，或想降本增效，或想弯道超车。一时间，沉寂许久的 AIxx 又活过来了，LLM Ops、Vibe Coding、中医大模型、GPT 算命等等，全都老树发新芽，焕发了勃勃生机。那么视角拉回从业者最关注的饭碗相关的领域之一——AI 辅助开发，产生了什么触动，应该如何拥抱呢？ DORA 的年度报告中给出了很有意思的结论——强者恒强。 执行摘要部分总结了几个有趣的点： 问题...
