إعداد Gitops باستخدام Truefoundry

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
GitOps هي طريقة لإدارة ونشر تطبيقات البرمجيات باستخدام نظام للتحكم في الإصدارات مثل Git. يمكن اعتبارها وسيلة لأتمتة وتبسيط عملية تحديث وصيانة تطبيقاتك. المزايا الرئيسية لاستخدام GitOps - خاصة لبيئات الإنتاج - هي كالتالي:
- مصدر الحقيقة: في GitOps، تعمل مستودعات Git كمصدر وحيد للحقيقة لتكوينات البنية التحتية والتطبيقات الخاصة بك. يتم تخزين كل ما يلزم لتشغيل تطبيقك كتعليمات برمجية في هذه المستودعات.
- التحكم في الإصدارات: بما أن كل شيء موجود في Git، فلديك سجل كامل للتغييرات. وهذا يسهل تتبع من أجرى التغييرات، والعودة إلى الإصدارات السابقة إذا لزم الأمر، والتعاون مع الآخرين.
- الأتمتة: يستخدم GitOps أدوات الأتمتة لمراقبة مستودعات Git الخاصة بك باستمرار. عند اكتشاف تغييرات، تقوم هذه الأدوات تلقائيًا بتحديث تطبيقاتك وبنيتك التحتية لتتوافق مع التكوين الجديد. وهذا يضمن أن ما لديك في مستودع Git الخاص بك هو بالضبط ما يعمل في بيئتك.
- الاتساق والموثوقية: باستخدام Git كمصدر للحقيقة وأتمتة عمليات النشر، يضمن GitOps أن تكون بيئاتك متسقة ويقلل من فرصة الخطأ البشري، مما يجعل عمليات النشر أكثر موثوقية.
- التعاون: يمكن للفرق التعاون بشكل أكثر فعالية حيث يمكنهم اقتراح التغييرات من خلال طلبات السحب (pull requests)، ومراجعة التعليمات البرمجية، ومناقشة التأثيرات المحتملة قبل النشر.
تسهل Truefoundry بناء ونشر نماذج وتطبيقات التعلم الآلي (ML) على Kubernetes. بينما ينصب الكثير من التركيز على تسهيل تفاعل المطورين مع Kubernetes، أردنا أيضًا تصميم الأمور بطريقة لا تتطلب الانتقال إلى الإنتاج أي خطوات إضافية وتتوافق مع الإرشادات والضوابط التي تفرضها فرق المنصة / DevOps. لقد كان GitOps موضوعًا رئيسيًا ويفضل عمومًا لعمليات النشر في بيئات الإنتاج نظرًا لسهولة الاستخدام، وقابلية التدقيق، وعملية الموافقة المضمنة.
توفر Truefoundry الميزات التالية جاهزة للاستخدام للتأكد من سهولة إعداد GitOps:
إدارة التكوين التصريحية بالكامل
توفر Truefoundry مواصفات YAML لكل عملية نشر تتم على المنصة. يتم إنشاء هذه المواصفات تلقائيًا بناءً على التكوين الذي يقوم به المطور / عالم البيانات على المنصة - لذلك لا يحتاج أحد إلى تعلم كتابة مواصفات YAML. توجد مواصفات YAML للمجموعة (cluster)، ومساحة العمل (workspace)، والنشر (deployment)، وحتى تكوين التكاملات (integrations) في Truefoundry.

tfy apply أمر لتطبيق أي مواصفات
يمكن تطبيق أي مواصفات YAML على Truefoundry باستخدام الأمر tfy apply. هذا الأمر متكرر النتائج (idempotent) - لذا يمكننا تطبيقه عدة مرات دون أي تغييرات. ستقوم Truefoundry تلقائيًا بتطبيق جميع التغييرات في المواصفات، وهذا يسهل حقًا الانتقال إلى Git من واجهة المستخدم.
tfy apply -f cluster.yaml
tfy apply -f workspace.yaml
tfy apply -f service.yaml
تشغيل تجريبي للتحقق من المواصفات قبل تطبيقها
تدعم Truefoundry أيضًا تطبيق المواصفات في وضع التشغيل التجريبي حتى نتمكن من التحقق مما إذا كانت المواصفات صحيحة قبل تطبيقها. وهذا مفيد بشكل خاص عند تحديثات طلبات السحب (PR).
تجميع حزمة Gitops الكاملة
نحن نقدم مستودع GitHub نموذجيًا يحتوي على تنظيم الملفات بالإضافة إلى إجراءات GitHub التي تتولى التحقق من ملفات YAML وتطبيقها. هذا المستودع: https://github.com/truefoundry/truefoundry-gitops-sample-repository يحتوي على جميع الأكواد لعدد قليل من المجموعات النموذجية.
يتم تنظيم الملفات وفقًا للتسلسل الهرمي أدناه:
clusters/
├── cluster1/
│ ├── cluster1.yaml
│ └── workspaces/
│ └── workspace1/
│ ├── workspace1.yaml
│ └── applications/
│ └── app1.yaml
└── cluster2/
├── cluster2.yaml
└── workspaces/
└── workspace1/
├── workspace1.yaml
└── applications/
└── sample-app.yaml
أي تغيير في أي من الموارد يتطلب رفع طلب سحب (PR) والذي يقوم بعد ذلك بتشغيل إجراء Github: dry_run_on_pr.yaml الذي يتحقق من صحة التكوين.

عند الدفع إلى الفرع الرئيسي (main branch)، يتم تطبيق الملفات المتغيرة باستخدام tfy-apply وهذا يضمن أن حالة truefoundry متوافقة مع الحالة الموجودة في مستودع Github.
إذا كنت تستخدم أي نظام تكامل مستمر (CI) آخر بخلاف إجراءات Github، فلا تتردد في تكييف الملفات هنا: https://github.com/truefoundry/truefoundry-gitops-sample-repository/tree/main/.github/workflows مع نظام CI الخاص بك.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.






















