Lewati ke konten
AggregaAggrega
Pilih Bahasa: Bahasa Indonesia
Halaman ini diterjemahkan oleh mesin. Baca versi asli dalam bahasa Inggris.

Kredensial pada koneksi — satu kunci per koneksi, dan satu kunci di kedua ujung

Sebuah penyimpanan memori semantik yang menjangkau dua model dan menyajikan kunci yang berbeda kepada masing-masing, dikompilasi menjadi manifes Kubernetes. Penyimpanan ini membaca materi yang diserap dengan model yang di-hosting dan mengodekannya dengan server embedding yang berjalan di sampingnya di dalam kluster. Kunci yang disajikannya kepada model yang di-hosting diambil dari penyimpanan rahasia kluster. Server embedding memeriksa kuncinya sendiri, dan penyimpanan tersebut menyajikan kunci yang sama itu — kedua ujung membacanya dari satu parameter, sehingga keduanya tidak mungkin ditulis berbeda.

Workspace ini tidak menulis entitas katalog sendiri. Setiap Component, Feature, dan Recipe yang disebutkannya disertakan dalam katalog pustaka standar; berkas-berkas di sini — tiga Aggregates, satu Manifest, dan tiga Releases — adalah keseluruhan dari apa yang ditulis oleh siapa pun.

Apa yang dibangunnya

┌── extraction_model ──► llm a hosted model API
│ key on the connection, fetched from a secret store
memory ───┤
│
└── embedding_model ──► embeddings an embedding server that checks a key
key on the connection ═══ the server's own api_key
(both read one parameter)
instansComponent katalogperannya di sini
memorycore/datastore/cogneepemanggil: penyimpanan memori semantik yang kedua soket modelnya masing-masing mendeklarasikan slot credential untuk kunci yang disajikannya pada koneksi tersebut
llmcore/ai-model/openaimodel yang di-host, berlabel component.aggrega.ai/hosting: managed; dijangkau sebagai referensi, sehingga tidak ada yang berjalan untuknya di dalam klaster
embeddingscore/ai-model/teiText Embeddings Inference di dalam klaster, berlabel self-hosted; layanan ini mewajibkan kunci dari setiap pemanggil dan menyimpannya di slot api_key miliknya sendiri

Tiga rilis berbagi satu Manifest, manifest.yaml, dan masing-masing memiliki Aggregate sendiri:

rilisAggregateapa yang ditunjukkannya
release-matched.yamlaggregate-matched.yamlkedua koneksi ditulis oleh pengembang, kedua ujung koneksi embedding membaca satu parameter
release-mismatched.yamlaggregate-mismatched.yamlsama seperti di atas, tetapi kedua ujung membaca dua parameter: build berhasil, dan pemeriksaan konvensi memberikan saran
release-operator-wired.yamlaggregate-operator-wired.yamlkoneksi ekstraksi diserahkan kepada operator: Release menghubungkannya dan menamai kuncinya di infra

Membuat contoh

Anda dapat mem-build contoh ini dengan perintah di bawah, atau meminta asisten AI Anda mem-build-nya untuk Anda.

Tulis contoh ke folder baru yang dinamai sesuai contoh itu:

Terminal window
aggrega scaffold --example connection-credentials

Kemudian ia mencetak perintah yang dijalankan berikutnya. Perintah pertama berpindah ke folder baru:

Terminal window
cd connection-credentials

Build

Bangun satu release per eksekusi:

Terminal window
aggrega build --release release-matched.yaml --auto-pull # → dist/matched/
aggrega build --release release-mismatched.yaml --auto-pull # → dist/mismatched/
aggrega build --release release-operator-wired.yaml --auto-pull # → dist/operator-wired/

Setiap release menulis ke direktorinya sendiri, sehingga ketiga pohon hasil render dapat berdampingan dan dapat dibandingkan (diff) satu sama lain.

Sebuah release memerlukan lockfile-nya sebelum dibangun, dan lockfile dihasilkan alih-alih dikirimkan. Resolusikan satu terlebih dahulu, atau biarkan build mengisinya:

Terminal window
aggrega pull --release release-matched.yaml # resolve, then build normally
aggrega build --release release-matched.yaml --auto-pull # or resolve during the build

Workspace meresolusikan entitasnya dari registry default yang disebut .aggrega-config.yaml, sehingga flag --catalog tidak diperlukan.

Pull mencetak:

[… omitted: a warning that the declared-sensitive origin of llm.credential reaches the target with no per-key sensitivity marking, because its realization maps it through a valuesMapping]
Pull complete: release-matched.lock (entities=15, source_artifacts=0, external_inputs=0)

dan build, dengan <workspace> mewakili folder contoh ini:

[… omitted: the same warning about llm.credential the pull printed]
notice: LINT: Feature "core/referenced-secret" at core/referenced-secret:1.0.0 declares property "origin" in both values: and infra: pillars (path: origin)
[… omitted: a total build time, which differs per run]
Build completed: 8 files written to <workspace>/dist

Dua release lainnya mencetak baris yang sama, setiap pull menyebut lockfile-nya sendiri dan setiap build menulis delapan file. Baris notice: membahas Feature kredensial yang digunakan setiap lampiran di sini: core/referenced-secret menerima nama secret-nya, origin, baik dari values milik pengembang maupun infra milik operator, dan saran tersebut melaporkan bahwa satu leaf dideklarasikan di kedua pilar. Hal ini tidak mengubah putusan apa pun dan tidak mengubah satu byte pun hasil render; Credential Features menjelaskan mengapa leaf tersebut berada di keduanya.

Di mana halaman ini mencetak apa yang dihasilkan sebuah build, bloknya disalin dari eksekusi nyata — lihat Membaca keluaran di halaman-halaman ini untuk konvensi dan tanda yang digunakannya untuk baris yang dihilangkan.

Dengan asisten AI

Asisten AI yang disiapkan dengan tool Aggrega dapat melakukan hal yang sama: tempelkan prompt ini ke asisten tersebut.

Gunakan hanya alat Aggrega, dan jangan membuat folder sendiri. Jika folder ruang kerja belum berisi folder `connection-credentials`, panggil alat `scaffold` sekali dengan `example` diatur ke `connection-credentials` dan tanpa `dir`: alat ini menulis contoh ke dalam folder `connection-credentials` yang baru. Lalu panggil alat `build` sekali untuk setiap Release, dengan urutan ini — `release-matched.yaml`, `release-mismatched.yaml`, `release-operator-wired.yaml` — setiap kali dengan `workspace_root` diatur ke `connection-credentials`, `release` diatur ke file tersebut, `auto_pull` diatur ke true, dan `write` diatur ke true. Beri tahu saya file mana yang ditulis oleh setiap build; file tersebut berada di bawah `connection-credentials/dist/`.

Pohon hasil render

dist/matched/helm/
├── embeddings-default-service.yaml
├── embeddings-headless-service.yaml
├── embeddings-statefulset.yaml
├── llm-service.yaml
├── memory--llm-zdcredential--memory-externalsecret-memory-memory-llm-credential.yaml
├── memory-default-service.yaml
├── memory-headless-service.yaml
└── memory-statefulset.yaml

Satu file dibawa oleh sebuah attachment, bukan oleh Recipe milik komponen itu sendiri: ExternalSecret yang mengambil kunci yang diberikan store kepada model yang di-hosting. Nama filenya memuat komponen tempat ia dilampirkan, memory, dan nama attachment tersebut, llm.credential, yang ditulis llm-zdcredential karena titiknya berbagi satu string dengan nama file itu sendiri; lihat Penamaan resource yang dirender. Tidak ada file yang memuat kunci embedding: kunci itu berada dalam Secret yang sudah dimiliki namespace, sebagaimana ditunjukkan bagian-bagian di bawah.

Dokumen mana yang menulis apa

  • Katalog mendeklarasikan titik-titik pengikatan. Component milik penyimpan mendeklarasikan slot credential pada masing-masing dari dua soket modelnya; Component milik server embedding mendeklarasikan api_key pada dirinya sendiri; setiap Recipe menentukan variabel tempat sebuah kunci dikirimkan.
  • Aggregate — sang pengembang — menuliskan model mana yang dijangkau oleh penyimpan, kredensial pada setiap koneksi, kunci yang diverifikasi oleh server, dan satu parameter yang dibaca oleh kedua ujung koneksi embedding.
  • Manifest — perutean milik operator untuk target ini — menentukan menjadi apa setiap kredensial di Kubernetes: sebuah referensi ke Secret yang sudah dimiliki namespace untuk setiap lampiran core/referenced-secret, kecuali lampiran pada koneksi ke model yang di-hosting, yang diambil dari penyimpan secret klaster.
  • Release — dokumen milik operator untuk satu lingkungan — memenuhi parameter, menempatkan batas dalam sebuah namespace dan, pada rilis yang disambungkan oleh operator, menyambungkan koneksi ekstraksi serta menamai kunci yang disajikan padanya.

Satu kunci per koneksi

Store menjangkau dua model melalui dua soket yang dideklarasikan oleh entitas katalognya, extraction_model dan embedding_model, dan setiap soket mendeklarasikan slot credential. Jadi kunci yang disajikan store berada pada koneksi tempat kunci itu disajikan, dan setiap koneksi membawa kuncinya sendiri. Dari aggregate-matched.yaml:

memory:
type: core/datastore/cognee
values:
# The width of the vectors the embedding model above returns.
embedding_dimensions: 384
uses:
extraction_model:
llm:
target: llm
features:
credential: # the key presented to the hosted model
type: core/referenced-secret
values:
key: api-key
origin: "{{ .parameters.provider_key_entry }}"
embedding_model:
embeddings:
target: embeddings
features:
credential: # the key presented to the embedding server
type: core/referenced-secret
values:
key: api-key
origin: "{{ .parameters.embedding_key_secret }}"

Attachment yang ditulis pada sebuah koneksi menjadi salah satu attachment milik store sendiri, dinamai menurut alias koneksi, sebuah titik, dan slotnya: llm.credential dan embeddings.credential. Berikut dua entri pertama dan empat entri terakhir dari env kontainer store, dari dist/matched/helm/memory-statefulset.yaml:

- name: LLM_API_KEY
valueFrom:
secretKeyRef:
name: memory-llm.credential
key: api-key
- name: EMBEDDING_API_KEY
valueFrom:
secretKeyRef:
name: embedding-server-key
key: api-key
[… omitted: the store's own settings, HTTP_PORT to EMBEDDING_DIMENSIONS]
- name: EMBEDDING_ENDPOINT
value: http://embeddings-default:8080/v1
- name: EMBEDDING_MODEL
value: BAAI/bge-small-en-v1.5
- name: LLM_ENDPOINT
value: https://api.openai.com/v1
- name: LLM_MODEL
value: gpt-4o-mini

Dua entri pertama adalah kunci, masing-masing dari kredensial pada koneksinya sendiri, dengan variabel yang diberikan Recipe store untuk sisi tersebut — LLM_API_KEY untuk ekstraksi, EMBEDDING_API_KEY untuk embedding. Keduanya adalah referensi, bukan nilai, dan provider helm menulis entri yang dibacanya dari Secret sebelum entri biasa. Empat entri terakhir berasal dari dua koneksi tersebut: setiap model memublikasikan alamat dan nama modelnya, dan Recipe store membacanya per soket.

Component store juga mendeklarasikan slot kunci pada dirinya sendiri, model_api_key. Recipe-nya membaca slot itu hanya untuk soket yang tidak dihubungkan, tempat store menjangkau sebuah provider di alamat provider itu sendiri dan tidak ada koneksi yang membawa kunci. Kedua soket dihubungkan di sini, sehingga slot itu tidak dibaca.

Satu kunci di kedua ujung

Server embedding memeriksa sebuah kunci. Server tersebut menyimpan kunci itu dalam slot pada Component miliknya sendiri, api_key, dan Recipe-nya mengirimkan apa pun yang mengisi slot itu sebagai API_KEY, variabel yang dibaca Text Embeddings Inference saat startup. Dari aggregate-matched.yaml:

embeddings:
type: core/ai-model/tei
values:
model: BAAI/bge-small-en-v1.5
features:
api_key: # the key the server verifies
type: core/referenced-secret
values:
key: api-key
origin: "{{ .parameters.embedding_key_secret }}"

Itu adalah satu lampiran pada server. Kunci yang disajikan store adalah lampiran lain, pada koneksi milik store, yang ditunjukkan di atas. Mengisi slot di satu ujung tidak mengisi apa pun di ujung lainnya, sehingga mendeklarasikan kunci di kedua ujung adalah hal minimum, bukan duplikasi. Yang membuat keduanya tetap satu kunci adalah bahwa keduanya membaca satu parameter, embedding_key_secret, yang dideklarasikan oleh Aggregate dan dipenuhi oleh Release:

parameters:
provider_key_entry: ai/openai-api-key
embedding_key_secret: embedding-server-key

Manifest mengikat core/referenced-secret ke k8s-existing-secret, yang membaca origin sebagai nama Secret yang sudah ada di namespace dan tidak merender apa pun. Jadi kedua ujung mereferensikan Secret yang sama itu. Dalam env kontainer server, dari dist/matched/helm/embeddings-statefulset.yaml:

- name: API_KEY
valueFrom:
secretKeyRef:
name: embedding-server-key
key: api-key

dan dalam milik store, dari dist/matched/helm/memory-statefulset.yaml:

- name: EMBEDDING_API_KEY
valueFrom:
secretKeyRef:
name: embedding-server-key
key: api-key

Secret dibuat di luar Release, oleh siapa pun yang men-deploy-nya, sehingga material kunci tidak pernah melewati file yang ditulis maupun artefak hasil render.

Mengapa server tidak pernah melihat kunci para pemanggilnya

Lampiran pada sebuah koneksi hanya berlaku bagi pemanggil. Dua kredensial milik store adalah lampiran dari store: apa yang dirender darinya berada di samping store, dan kontainer store merujuknya. Tidak ada satu pun darinya yang sampai ke komponen yang dituju sebuah koneksi, sehingga sebuah target dirender sama apa pun yang dibawa oleh koneksi-koneksi yang mencapainya.

Model yang di-host menunjukkannya dengan jelas. Model ini merender satu file, sebuah Service yang memetakan nama di dalam kluster ke host penyedia — seluruh spec dari dist/matched/helm/llm-service.yaml:

spec:
type: ExternalName
externalName: api.openai.com
ports:
- port: 443

Kunci yang diserahkan store kepadanya diambil di samping store, seperti yang ditunjukkan bagian berikutnya. Server embedding menunjukkannya melalui perbandingan: rilis yang tidak cocok di bawah ini mengubah kunci pada koneksi embedding milik store dan membiarkan kunci server apa adanya, dan tiga file server di dist/mismatched/ berbeda dari yang ada di dist/matched/ hanya pada label aggrega.ai/aggregate-name, yang menyebutkan Aggregate yang menjadi dasar pembangunan masing-masing file.

Jadi, tidak ada satu pun dalam konfigurasi server yang menyebutkan kunci yang dipegang pemanggil. Saat berjalan, sebuah permintaan membawa kunci pemanggil dan server membandingkannya dengan kunci yang dipegangnya; pemanggil, di pihaknya, hanya membaca apa yang dipublikasikan server: sebuah alamat dan nama model.

Satu kunci per server

Text Embeddings Inference memeriksa satu kunci. Setiap pemanggil menyajikan kunci yang sama, pemanggil yang menyajikan kunci lain akan ditolak, dan server tidak dapat membedakan satu pemanggil dari pemanggil lainnya, sehingga mencabut akses satu pemanggil berarti mengganti kunci yang disajikan oleh setiap pemanggil. Berapa pun banyaknya koneksi yang menjangkaunya, slot api_key miliknya menyimpan satu kunci. Batasan itu adalah batasan server itu sendiri, dan core/ai-model/vllm serta core/ai-model/tgi dalam katalog juga memilikinya. Ini bukan batasan koneksi: pemanggil yang menjangkau beberapa server menyimpan satu kunci per koneksi, sebagaimana store di sini menyimpan dua.

Kunci satu koneksi dari penyimpanan rahasia

Manifest mengikat setiap lampiran core/referenced-secret berdasarkan tipenya, dan salah satunya berdasarkan namanya. Dari manifest.yaml:

features:
# One realization for every core/referenced-secret attachment: the Secret
# already exists in the namespace, and origin is its name.
type:
core/referenced-secret:1.0.0: helm/k8s-existing-secret:1.0.0
# One attachment bound differently, by its name. An attachment written on
# a connection is named for the connection's alias, a dot and the slot,
# so the memory store's credential on its llm connection is
# llm.credential. That key is fetched from the store, and origin is the
# store entry to fetch.
name:
llm.credential: helm/k8s-external-secret:1.0.0

k8s-external-secret membaca origin sebagai entri penyimpanan yang akan diambil. origin milik koneksi tersebut adalah parameter provider_key_entry, yang dipenuhi sebagai ai/openai-api-key, sehingga lampiran tersebut merender sebuah ExternalSecret yang direkonsiliasi menjadi sebuah Secret oleh operator penyimpanan rahasia di dalam klaster. Seluruh spec dari dist/matched/helm/memory--llm-zdcredential--memory-externalsecret-memory-memory-llm-credential.yaml:

spec:
refreshInterval: "1h"
secretStoreRef:
name: platform-secret-store
kind: ClusterSecretStore
target:
name: memory-llm.credential
creationPolicy: Owner
data:
- secretKey: api-key
remoteRef:
key: "ai/openai-api-key"

Secret yang diisinya, memory-llm.credential, dinamai menurut penyimpanan dan koneksi tersebut, dan itulah nama yang dirujuk oleh LLM_API_KEY milik penyimpanan di atas. Realisasi tersebut membaca dari sebuah ClusterSecretStore bernama platform-secret-store.

Apa yang dibawa sebuah parameter ditentukan oleh realisasi yang membacanya: entri penyimpanan untuk kunci model yang di-host, nama sebuah Secret untuk kunci embedding. Kunci satu koneksi mendapatkan realisasinya sendiri, sementara setiap lampiran lain dengan tipe yang sama tetap memakai realisasi milik tipe tersebut.

Tempat kedua ujung me-resolve sebuah secret

Platform target me-resolve sebuah secret melalui referensi di dalam sebuah cakupan secret: batas tempat satu sumber daya dapat menyebut nama sumber daya lain. Jika kedua ujung sebuah koneksi berada dalam satu cakupan, keduanya mereferensikan satu sumber daya secret. Jika keduanya berada dalam cakupan yang berbeda, setiap ujung memiliki sumber daya secret sendiri, yang direalisasikan dari entri penyimpanan yang sama. Manifest memilih realisasi setiap ujung — berdasarkan tipe Feature untuk setiap lampiran bertipe tersebut, atau untuk satu lampiran berdasarkan namanya.

Setiap target mendefinisikan cakupan dengan istilahnya sendiri. Pada Kubernetes, yang menjadi target build workspace ini, cakupannya adalah namespace: sebuah workload hanya dapat mereferensikan Secret di namespace-nya sendiri. Setiap rilis di sini menempatkan satu batasnya dalam satu namespace, aggrega.ai/namespace: memory, dan setiap dokumen yang dirender membawanya — bagian awal kedua StatefulSet:

dist/matched/helm/memory-statefulset.yaml
metadata:
name: memory
namespace: memory
# dist/matched/helm/embeddings-statefulset.yaml
metadata:
name: embeddings
namespace: memory

Jadi kedua ujung mereferensikan satu Secret di atas. Jika server embedding berada di namespace tersendiri, Manifest mengikat kredensial kedua ujung berdasarkan nama — api_key dan embeddings.credential — ke k8s-external-secret, Release memenuhi parameter dengan entri penyimpanan, dan setiap ujung memiliki sebuah ExternalSecret di namespace-nya sendiri, keduanya mengambil satu entri yang sama. Penyimpanan kemudian menjangkau server lintas namespace, yang dibahas dalam cross-boundary-networking. Pada target lainnya, cakupannya adalah sebuah proyek Compose, sebuah konfigurasi root Terraform, dan sebuah stack CloudFormation; Model Kredensial menjelaskan masing-masing.

Operator menyambungkan sebuah koneksi

aggregate-operator-wired.yaml menuliskan koneksi embedding dan membiarkan soket extraction_model milik store tidak terikat: entitas katalog store mendeklarasikannya, dan pengembang menyerahkannya kepada operator. Release menyambungkannya ke model ter-hosting yang dideklarasikan oleh Aggregate. Dari release-operator-wired.yaml:

memory:
uses:
# A connection the Aggregate does not write, into a socket the
# store's catalog entity declares, to a component the Aggregate
# declares. A Release writes no values, so the credential on it
# names its secret in infra.
extraction_model:
llm:
target: llm
features:
credential:
type: core/referenced-secret
infra:
origin: ai/openai-api-key

Sebuah Release dapat menyambungkan koneksi ke soket yang dideklarasikan oleh entitas katalog dan dibiarkan tidak terikat oleh Aggregate, ke komponen yang dideklarasikan oleh Aggregate. Release tidak menambahkan komponen, dan tidak pernah mengubah target koneksi yang ditulis oleh Aggregate. Release tidak menulis values, sehingga kredensial pada koneksi tersebut menamai secret-nya di infra: core/referenced-secret mengambil origin dari values milik pengembang atau infra milik operator, tepat salah satu dari keduanya, dan build berhenti pada attachment yang membawa keduanya atau tidak membawa satu pun.

Attachment tersebut dinamai llm.credential persis seperti pada release yang cocok, sehingga tingkat nama pada Manifest mengikatnya dengan cara yang sama. Selain label yang menamai Aggregate, dua baris berbeda antara dist/operator-wired/ dan dist/matched/. data dari ExternalSecret:

data:
- secretKey: value
remoteRef:
key: "ai/openai-api-key"

dan referensi store ke Secret yang diisinya, di dist/operator-wired/helm/memory-statefulset.yaml:

- name: LLM_API_KEY
valueFrom:
secretKeyRef:
name: memory-llm.credential
key: value

Kunci data adalah value dan bukan api-key karena key adalah leaf values, yang hanya ditulis oleh Aggregate, sehingga attachment yang dibuat oleh Release saja membaca nilai default Feature. Realisasi tersebut memublikasikan kunci itu dan store membacanya dari apa yang dipublikasikan, sehingga keduanya tetap sesuai.

Model ter-hosting diberi label managed, sehingga koneksi yang menjangkaunya membawa kredensial atau menyatakan dalam values-nya sendiri bahwa model tersebut tidak memerlukannya, unauthenticated: true. Hal ini berlaku dokumen mana pun yang menulis koneksi tersebut. Hapus blok features: dari koneksi Release dan build akan berhenti. Penghentian tersebut adalah E0033, asersi yang gagal dari Component milik store, dan pesannya diakhiri dengan kalimat aturan itu sendiri: the extraction_model connection llm of “memory” reaches “llm”, whose component.aggrega.ai/hosting label is managed, with no credential: attach one under credential on that connection, or set unauthenticated: true in its values (koneksi extraction_model llm dari “memory” menjangkau “llm”, yang label component.aggrega.ai/hosting-nya adalah managed, tanpa kredensial: lampirkan satu di bawah credential pada koneksi tersebut, atau atur unauthenticated: true dalam values-nya).

Ketika kedua ujung tidak sepakat

aggregate-mismatched.yaml memberikan dua parameter untuk kunci server dan kunci store:

parameters:
provider_key_entry:
type: string
description: >
The store entry holding the key the memory store presents to the hosted
model provider.
embedding_key_secret:
type: string
description: The Secret holding the key the embedding server verifies.
# The fault: a second parameter for what is meant to be the same key.
memory_embedding_key_secret:
type: string
description: The Secret holding the key the memory store presents to the embedding server.

api_key milik server membaca embedding_key_secret dan koneksi milik store membaca memory_embedding_key_secret, yang dipenuhi oleh Release dengan dua Secret yang berbeda. Build berhasil dan menulis delapan file: compiler mengevaluasi setiap lampiran yang diberikan kepadanya dan tidak membandingkan apa pun di antara kedua ujung. Server tetap mereferensikan embedding-server-key, dan store kini menyajikan kunci lain, dari dist/mismatched/helm/memory-statefulset.yaml:

- name: EMBEDDING_API_KEY
valueFrom:
secretKeyRef:
name: embedding-client-key
key: api-key

Setelah di-deploy, server hanya menerima permintaan store jika kedua Secret tersebut kebetulan menyimpan kunci yang sama.

Pemeriksaan konvensi publikasi pada sebuah Release adalah tempat hal ini terdeteksi:

Terminal window
aggrega lint --release release-mismatched.yaml
release-mismatched.yaml:
warn: E0329 connection-credential-matches-target-key: connection "embeddings" on socket "embedding_model" of component "memory" carries a credential in its credential slot and its target "embeddings" holds a key in its api_key slot, but the two ends write their secret's locator differently, so they may name different secrets and the target would refuse the key this caller presents. The locators are compared as written, and neither is shown here. Reading one parameter at both ends keeps them one key; that agreement is the standard-catalog convention, and the build does not check it.
conventions checked: 10 entities, 1 advisory finding(s)

Pemeriksaan yang sama atas release yang cocok tidak melaporkan apa pun:

Terminal window
aggrega lint --release release-matched.yaml
conventions checked: 10 entities, 0 advisory finding(s)

dan atas release yang dihubungkan operator juga tidak melaporkan apa pun.

Aturan ini menemukan kedua ujung melalui nama yang diberikan katalog standar kepada keduanya — api_key milik target dan credential milik koneksi — lalu membandingkan origin yang ditulis setiap ujung, sebagaimana tertulis: dua ujung yang membaca satu parameter dianggap sama, dan tidak ada yang di-resolve. Aturan ini tidak pernah mengutip keduanya, karena yang tertulis di sana bisa saja secret itu sendiri. Aturan ini tidak menilai target berlabel managed, yang api_key-nya, jika target mendeklarasikannya, adalah kunci yang disajikan kepada vendornya, bukan kunci yang disajikan oleh pemanggilnya; sehingga koneksi ke llm tidak menghasilkan temuan apa pun di ketiga release. Temuan ini bersifat saran: aggrega lint keluar dengan kode 0, dan workspace yang kedua ujungnya sengaja berbeda dapat memilih keluar dengan allow_connection_credential_mismatches. Editor yang mengajukan pertanyaan yang sama kepada daemon, yaitu aggrega/lint dengan menyebut Release, menerima temuan yang sama dengan kode connection-credential-matches-target-key dan kode pendek E0329. Aturan ini beserta apa yang dibacanya dijelaskan di Aturan disiplin.

Determinisme

Ketiga release dibangun dengan --verify-determinism, yang merender setiap node dua kali dan membandingkan byte yang dihasilkan:

Terminal window
aggrega build --release release-matched.yaml --verify-determinism

Membangun ulang salah satu dari ketiganya dari tree yang bersih menghasilkan kembali keluaran rendernya byte demi byte.

Menyesuaikannya

  • Tambahkan pemanggil kedua untuk server embedding. Kredensial koneksinya juga membaca embedding_key_secret. Server memegang satu kunci untuk setiap pemanggil, sehingga pemanggil kedua menyajikan kunci yang sama.
  • Ambil juga kunci embedding dari penyimpanan. Ikat api_key dan embeddings.credential berdasarkan nama ke k8s-external-secret dan penuhi embedding_key_secret dengan entri penyimpanan alih-alih nama sebuah Secret. Kedua ujung berubah bersama karena keduanya membaca parameter tersebut.
  • Jangkau model yang tidak memeriksa kunci. Jangan sertakan kredensial pada koneksi. Jika target diberi label managed, nyatakan hal itu pada koneksi dengan unauthenticated: true di dalam values-nya.

Untuk berbagi satu kunci di antara koneksi beberapa pemanggil, lihat model-api-key-sharing. Untuk router yang memegang kunci penyedia atas nama pemanggilnya, lihat ai-agent-and-model-router. Model yang mendasari semua ini adalah Model Kredensial.