【免费下载链接】alumniumEnd-to-End Testing with AI for Agents and Engineers项目地址https://gitcode.com/gh_mirrors/al/alumnium点击查看免费下载Alumnium 生产部署分三步完成用 Docker 容器化运行 AI 测试服务端、用 Kubernetes Helm Chart 做集群化部署、再用 OpenTelemetry Grafana LGTM 搭建Telemetry 可观测性监控栈。Alumnium 是一个 AI 原生的端到端E2E测试框架其服务端负责调度 LLM 完成页面理解与操作决策将服务自托管到生产环境可以让团队内所有工程师和 AI Agent 共享同一套 AI 测试能力同时用可观测性数据追踪每次 LLM 调用的性能与成本。一、认识 Alumnium 服务端架构Alumnium 采用客户端 服务端架构客户端TypeScript / Python / Java 库或 MCP与你的 Playwright、Selenium、Appium 等驱动交互负责执行具体的页面操作。服务端一个独立进程监听8013 端口内部封装 LLM 调用Anthropic、OpenAI、Ollama 等、页面可访问性树处理与 AI Agent 逻辑。生产部署的核心就是把这个服务端跑起来并对外提供服务。客户端只需设置一个环境变量指向它export ALUMNIUM_SERVER_URLhttp://your-server:8013服务端的健康检查端点为/v1/health所有部署方式的探活都围绕它展开。二、Docker 镜像部署最快上手方法官方镜像基于debian:bookworm-slim内置 tini 作为入口、以非 root 用户运行并默认暴露 8013 端口。关键设计见 Dockerfile设计点说明多架构构建参数TARGETARCH自动适配 amd64 / arm64非 root 用户以alumnium用户运行降低容器逃逸风险缓存卷VOLUME /app/.alumnium/cache持久化 LLM 响应缓存默认命令alumnium server --host 0.0.0.0一键启动步骤# 1. 拉取官方镜像并启动传入 LLM 提供商密钥 docker run -d --name alumnium-server \ -p 8013:8013 \ -e OPENAI_API_KEYsk-... \ -e ALUMNIUM_MODELopenai \ -v alumnium-cache:/app/.alumnium/cache \ alumnium/alumnium # 2. 验证健康检查 curl http://localhost:8013/v1/health返回成功即可用。如果想让 Alumnium 连接自托管的 Ollama通过env追加参数即可示例见 self-hosting 指南docker run -d -p 8013:8013 \ -e ALUMNIUM_MODELollama \ -e ALUMNIUM_OLLAMA_URLhttp://ollama-host:11434 \ alumnium/alumnium三、Kubernetes Helm Chart 部署生产级配置仓库内提供了官方 Helm Chartcharts/alumnium/封装了完整的部署清单Deployment、Service、Ingress、Secret、PVC 和健康探针。3.1 安装命令与密钥管理最简安装模型与 API Key 直接写入 Chart 管理的 Secrethelm install alumnium ./charts/alumnium \ --set config.modelanthropic \ --set secrets.ANTHROPIC_API_KEYsk-ant-...推荐做法是把密钥放进集群已有的 Secret再通过existingSecret挂载kubectl create secret generic alumnium-llm --from-literalOPENAI_API_KEYsk-... helm install alumnium ./charts/alumnium \ --set config.modelopenai \ --set existingSecretalumnium-llm3.2 关键配置项速查核心配置都收敛在 values.yaml 中生产环境最常调整的几项配置键作用建议值config.modelLLM 提供商如anthropic、openai/model、ollama按团队选型config.cache缓存策略filesystem或关闭默认filesystempersistence.enabled为缓存挂载 PVC避免 Pod 重建后缓存丢失true 足够sizeingress.enabled开启 Ingress 对外暴露配合 TLS 证书service.sessionAffinity多副本时按 ClientIP 粘滞单副本无需设置⚠️注意服务端会话保存在内存中多副本时必须设置service.sessionAffinityClientIP并在 Ingress 层开启 sticky session否则客户端会跨 Pod 丢会话。3.3 内置安全与探针Chart 默认启用了生产级安全加固只读根文件系统、非 rootUID 999、丢弃所有 capabilities、RuntimeDefaultseccomp 策略同时配置了 startup / liveness / readiness 三类探针全部指向/v1/healthPod 停止时还保留 60 秒优雅退出窗口以等待进行中的 LLM 请求完成。3.4 验证部署# 运行 Chart 内置连通性测试curl /v1/health helm test alumnium # 本地转发端口并连接服务端 kubectl port-forward svc/alumnium 8013:8013 export ALUMNIUM_SERVER_URLhttp://127.0.0.1:8013完整配置表、Ingress/TLS 示例与扩容说明见 Chart 文档。四、Telemetry 可观测性搭建Grafana LGTM 全流程Alumnium 服务端内置了完整的可观测性插桩日志基于 LogTapeTracing 基于 OpenTelemetry每个 HTTP 请求都会生成带requestId的 span记录方法、状态码、耗时等指标实现见 ServerTelemetry.ts 与 Tracer.ts。4.1 一键启动本地监控栈仓库的 telemetry/docker-compose.yml 使用grafana/otel-lgtm镜像一个容器内集成五大组件组件职责OpenTelemetry Collector接收 OTLP 遥测数据Prometheus指标Metrics存储与查询Loki日志Logs聚合Tempo链路追踪TracesGrafana统一可视化仪表盘启动与常用操作对应 telemetry/mise.toml 中的任务定义cd telemetry docker compose -f docker-compose.yml up -d # 启动 docker compose -f docker-compose.yml logs -f # 跟踪日志 docker compose -f docker-compose.yml down # 停止Compose 已预置好 Grafana 匿名 Admin 登录并通过 provisioning 配置 自动注入 Alumnium 专属仪表盘 main.json启动后访问Grafana 仪表盘http://localhost:3000OTLP 接收端口4317gRPC/4318HTTP4.2 让 Alumnium 把数据上报到监控栈只需三步环境变量服务端即开始上报 tracesexport ALUMNIUM_TRACEtrue export OTEL_SERVICE_NAMEalumnium export OTEL_EXPORTER_OTLP_ENDPOINThttp://collector-host:4318 export OTEL_EXPORTER_OTLP_PROTOCOLhttp/protobuf若使用 Kubernetes 部署把这些变量加入 Chart 的env列表即可。更多插桩规范说明见 Telemetry 贡献文档。4.3 生产环境看什么指标在 Grafana 仪表盘中重点关注请求耗时分布LLM 调用可能超过一分钟P95 超过 Ingress 超时阈值要警惕 413 / 504 错误LLM Token 用量与成本span 属性中包含 token 计数可用于成本核算请求失败率status: failure的 span 会附带错误信息便于快速定位。五、生产环境安全与最佳实践清单网络隔离服务端没有内置认证任何能访问 Ingress 的人都可消耗你的 LLM 额度。对外暴露前务必在 Ingress 层加 IP 白名单、OAuth2 Proxy 或转发认证中间件TLS 终止证书在 Ingress 层终止集群内部为明文 HTTP属预期行为超时调优LLM 请求体常超过 1 MB携带完整可访问性树和截图且响应时间可能超 60 秒需相应调大 Ingress 的 body 限制与响应超时缓存持久化生产环境务必开启persistence.enabledtrue多副本场景还需ReadWriteMany存储密钥轮换Secret 变更时 Pod 会通过 checksum 注解自动滚动更新无需手动重启。六、相关文件索引资源路径Docker 构建文件DockerfileHelm Chart 完整文档charts/alumnium/README.mdChart 默认配置charts/alumnium/values.yamlLGTM 监控栈编排telemetry/docker-compose.ymlGrafana 仪表盘定义telemetry/provisioning/dashboards/main.json服务端 Telemetry 插桩packages/typescript/src/server/ServerTelemetry.ts自托管 LLM 配置websites/docs/src/content/docs/docs/guides/self-hosting.md按容器化 → 集群化 → 可观测性三步走Alumnium 即可稳定运行在生产环境Docker 解决快速验证Helm Chart 解决弹性与高可用Telemetry 则让你对每一次 AI 测试调用的性能、成本与错误一目了然。赞分享【免费下载链接】alumniumEnd-to-End Testing with AI for Agents and Engineers项目地址https://gitcode.com/gh_mirrors/al/alumnium点击查看免费下载相关推荐Penpot 基于 Kubernetes 与 Helm Chart 的生产级部署指南Penpot 基于 Kubernetes 与 Helm Chart 的生产级部署指南 导读 本文面向希望在自有 Kubernetes 集群中以生产级方式部署 P前端后端图形学PgCat生产环境部署Docker、Kubernetes和Helm Chart完整方案PgCat生产环境部署Docker、Kubernetes和Helm Chart完整方案 PgCat是一款功能强大的PostgreSQL连接池工具支持分片、负nao生产级部署详解Docker ComposePostgreSQL与Kubernetes Helm Chart双方案nao生产级部署详解Docker ComposePostgreSQL与Kubernetes Helm Chart双方案 nao 是一个开源分析智能体ana创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Alumnium 生产部署指南：Docker、Kubernetes Helm Chart 与 Telemetry 可观测性搭建全流程
【免费下载链接】alumniumEnd-to-End Testing with AI for Agents and Engineers项目地址https://gitcode.com/gh_mirrors/al/alumnium点击查看免费下载Alumnium 生产部署分三步完成用 Docker 容器化运行 AI 测试服务端、用 Kubernetes Helm Chart 做集群化部署、再用 OpenTelemetry Grafana LGTM 搭建Telemetry 可观测性监控栈。Alumnium 是一个 AI 原生的端到端E2E测试框架其服务端负责调度 LLM 完成页面理解与操作决策将服务自托管到生产环境可以让团队内所有工程师和 AI Agent 共享同一套 AI 测试能力同时用可观测性数据追踪每次 LLM 调用的性能与成本。一、认识 Alumnium 服务端架构Alumnium 采用客户端 服务端架构客户端TypeScript / Python / Java 库或 MCP与你的 Playwright、Selenium、Appium 等驱动交互负责执行具体的页面操作。服务端一个独立进程监听8013 端口内部封装 LLM 调用Anthropic、OpenAI、Ollama 等、页面可访问性树处理与 AI Agent 逻辑。生产部署的核心就是把这个服务端跑起来并对外提供服务。客户端只需设置一个环境变量指向它export ALUMNIUM_SERVER_URLhttp://your-server:8013服务端的健康检查端点为/v1/health所有部署方式的探活都围绕它展开。二、Docker 镜像部署最快上手方法官方镜像基于debian:bookworm-slim内置 tini 作为入口、以非 root 用户运行并默认暴露 8013 端口。关键设计见 Dockerfile设计点说明多架构构建参数TARGETARCH自动适配 amd64 / arm64非 root 用户以alumnium用户运行降低容器逃逸风险缓存卷VOLUME /app/.alumnium/cache持久化 LLM 响应缓存默认命令alumnium server --host 0.0.0.0一键启动步骤# 1. 拉取官方镜像并启动传入 LLM 提供商密钥 docker run -d --name alumnium-server \ -p 8013:8013 \ -e OPENAI_API_KEYsk-... \ -e ALUMNIUM_MODELopenai \ -v alumnium-cache:/app/.alumnium/cache \ alumnium/alumnium # 2. 验证健康检查 curl http://localhost:8013/v1/health返回成功即可用。如果想让 Alumnium 连接自托管的 Ollama通过env追加参数即可示例见 self-hosting 指南docker run -d -p 8013:8013 \ -e ALUMNIUM_MODELollama \ -e ALUMNIUM_OLLAMA_URLhttp://ollama-host:11434 \ alumnium/alumnium三、Kubernetes Helm Chart 部署生产级配置仓库内提供了官方 Helm Chartcharts/alumnium/封装了完整的部署清单Deployment、Service、Ingress、Secret、PVC 和健康探针。3.1 安装命令与密钥管理最简安装模型与 API Key 直接写入 Chart 管理的 Secrethelm install alumnium ./charts/alumnium \ --set config.modelanthropic \ --set secrets.ANTHROPIC_API_KEYsk-ant-...推荐做法是把密钥放进集群已有的 Secret再通过existingSecret挂载kubectl create secret generic alumnium-llm --from-literalOPENAI_API_KEYsk-... helm install alumnium ./charts/alumnium \ --set config.modelopenai \ --set existingSecretalumnium-llm3.2 关键配置项速查核心配置都收敛在 values.yaml 中生产环境最常调整的几项配置键作用建议值config.modelLLM 提供商如anthropic、openai/model、ollama按团队选型config.cache缓存策略filesystem或关闭默认filesystempersistence.enabled为缓存挂载 PVC避免 Pod 重建后缓存丢失true 足够sizeingress.enabled开启 Ingress 对外暴露配合 TLS 证书service.sessionAffinity多副本时按 ClientIP 粘滞单副本无需设置⚠️注意服务端会话保存在内存中多副本时必须设置service.sessionAffinityClientIP并在 Ingress 层开启 sticky session否则客户端会跨 Pod 丢会话。3.3 内置安全与探针Chart 默认启用了生产级安全加固只读根文件系统、非 rootUID 999、丢弃所有 capabilities、RuntimeDefaultseccomp 策略同时配置了 startup / liveness / readiness 三类探针全部指向/v1/healthPod 停止时还保留 60 秒优雅退出窗口以等待进行中的 LLM 请求完成。3.4 验证部署# 运行 Chart 内置连通性测试curl /v1/health helm test alumnium # 本地转发端口并连接服务端 kubectl port-forward svc/alumnium 8013:8013 export ALUMNIUM_SERVER_URLhttp://127.0.0.1:8013完整配置表、Ingress/TLS 示例与扩容说明见 Chart 文档。四、Telemetry 可观测性搭建Grafana LGTM 全流程Alumnium 服务端内置了完整的可观测性插桩日志基于 LogTapeTracing 基于 OpenTelemetry每个 HTTP 请求都会生成带requestId的 span记录方法、状态码、耗时等指标实现见 ServerTelemetry.ts 与 Tracer.ts。4.1 一键启动本地监控栈仓库的 telemetry/docker-compose.yml 使用grafana/otel-lgtm镜像一个容器内集成五大组件组件职责OpenTelemetry Collector接收 OTLP 遥测数据Prometheus指标Metrics存储与查询Loki日志Logs聚合Tempo链路追踪TracesGrafana统一可视化仪表盘启动与常用操作对应 telemetry/mise.toml 中的任务定义cd telemetry docker compose -f docker-compose.yml up -d # 启动 docker compose -f docker-compose.yml logs -f # 跟踪日志 docker compose -f docker-compose.yml down # 停止Compose 已预置好 Grafana 匿名 Admin 登录并通过 provisioning 配置 自动注入 Alumnium 专属仪表盘 main.json启动后访问Grafana 仪表盘http://localhost:3000OTLP 接收端口4317gRPC/4318HTTP4.2 让 Alumnium 把数据上报到监控栈只需三步环境变量服务端即开始上报 tracesexport ALUMNIUM_TRACEtrue export OTEL_SERVICE_NAMEalumnium export OTEL_EXPORTER_OTLP_ENDPOINThttp://collector-host:4318 export OTEL_EXPORTER_OTLP_PROTOCOLhttp/protobuf若使用 Kubernetes 部署把这些变量加入 Chart 的env列表即可。更多插桩规范说明见 Telemetry 贡献文档。4.3 生产环境看什么指标在 Grafana 仪表盘中重点关注请求耗时分布LLM 调用可能超过一分钟P95 超过 Ingress 超时阈值要警惕 413 / 504 错误LLM Token 用量与成本span 属性中包含 token 计数可用于成本核算请求失败率status: failure的 span 会附带错误信息便于快速定位。五、生产环境安全与最佳实践清单网络隔离服务端没有内置认证任何能访问 Ingress 的人都可消耗你的 LLM 额度。对外暴露前务必在 Ingress 层加 IP 白名单、OAuth2 Proxy 或转发认证中间件TLS 终止证书在 Ingress 层终止集群内部为明文 HTTP属预期行为超时调优LLM 请求体常超过 1 MB携带完整可访问性树和截图且响应时间可能超 60 秒需相应调大 Ingress 的 body 限制与响应超时缓存持久化生产环境务必开启persistence.enabledtrue多副本场景还需ReadWriteMany存储密钥轮换Secret 变更时 Pod 会通过 checksum 注解自动滚动更新无需手动重启。六、相关文件索引资源路径Docker 构建文件DockerfileHelm Chart 完整文档charts/alumnium/README.mdChart 默认配置charts/alumnium/values.yamlLGTM 监控栈编排telemetry/docker-compose.ymlGrafana 仪表盘定义telemetry/provisioning/dashboards/main.json服务端 Telemetry 插桩packages/typescript/src/server/ServerTelemetry.ts自托管 LLM 配置websites/docs/src/content/docs/docs/guides/self-hosting.md按容器化 → 集群化 → 可观测性三步走Alumnium 即可稳定运行在生产环境Docker 解决快速验证Helm Chart 解决弹性与高可用Telemetry 则让你对每一次 AI 测试调用的性能、成本与错误一目了然。赞分享【免费下载链接】alumniumEnd-to-End Testing with AI for Agents and Engineers项目地址https://gitcode.com/gh_mirrors/al/alumnium点击查看免费下载相关推荐Penpot 基于 Kubernetes 与 Helm Chart 的生产级部署指南Penpot 基于 Kubernetes 与 Helm Chart 的生产级部署指南 导读 本文面向希望在自有 Kubernetes 集群中以生产级方式部署 P前端后端图形学PgCat生产环境部署Docker、Kubernetes和Helm Chart完整方案PgCat生产环境部署Docker、Kubernetes和Helm Chart完整方案 PgCat是一款功能强大的PostgreSQL连接池工具支持分片、负nao生产级部署详解Docker ComposePostgreSQL与Kubernetes Helm Chart双方案nao生产级部署详解Docker ComposePostgreSQL与Kubernetes Helm Chart双方案 nao 是一个开源分析智能体ana创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考