Use labels for environment differentiation
Las labels crean variaciones de la misma key para diferentes entornos, regiones o app versions.
Una key como Pipeline:BatchSize puede tener:
- una label
Developmentcon valor10 - otra label
Stagingcon valor50 - otra label
Productioncon valor200
El nombre de la key se mantiene igual en todos los entornos, por lo que tu app solo referencia Pipeline:BatchSize independientemente del entorno donde se ejecute.
Keys sin label, realmente usan la label null, representada como \0. Estas sirven como default que aplican cuando no hay otra que la sobreescriba.
Stack key-value pairs with composition
El provider soporta cargar multiples sets de valores clave-valor en secuencia, donde later-loaded values hacen override de los valores previos, para la misma key.
Esto es la base para administrar default settings, junto a environment-specific overrides.
Primero cargas tus valroes default y los valores especificos por environment se cargan on top. Cualquier key que tenga un valor especifico por entorno usa ese override, mientras que las keys que no tengan un override, se quedan como están con sus valores por defecto.
# Code fragment - focus on key-value composition with stacking
from azure.appconfiguration.provider import load, SettingSelector
from azure.identity import DefaultAzureCredential
import os
endpoint = os.environ.get("AZURE_APPCONFIG_ENDPOINT")
environment = os.environ.get("APP_ENVIRONMENT", "Development")
selects = [
SettingSelector(key_filter="*", label_filter="\0"),
SettingSelector(key_filter="*", label_filter=environment)
]
config = load(
endpoint=endpoint,
credential=DefaultAzureCredential(),
selects=selects
)
# Defaults load first, then environment-specific values override matching keys
batch_size = config["Pipeline:BatchSize"]
El orden de SettingSelector importa. El segundo selector hace target de las labels del entorno y hace override de cualquier valor del primer selector.
Design key naming conventions
Una naming convention bien montada simplifica filtrar con SettingSelector. Usamos : o / para agrupar settings relacionadas por service component. Esta estructura permite filtrar por prefijo para cargar solo los settings que necesitamos.
Ejemplos:
OpenAI:EndpointOpenAI:DeploymentNameOpenAI:MaxTokensCosmosDB:DatabaseNameCosmosDB:ContainerName
Con esta convención un componente que solo necesite OpenAI settings puede cargar keys usando key_filter="OpenAI:*"
Understand Feature Flags in App Configuration
Feature flags son pares especiales clave-valor que la App Configuration administra a través de una interfaz dedicada. Cada feature flag tiene un nombre, status (activado/desactivado) y filtros opcionales que controlan condiciones de activación.
IMPORTANTE
App Configuration almacena los feature feature flags con un key prefix .appconfig.featureflag/ y content type application/vnd.microsoft.appconfig.ff+json;charset-utf-8, pero las librerias se abstraen de todo esto para que solo vean flag names simples y booleanos.
/IMPORTANTE
Las feature flags desacoplan el feature lifecycle del deployment lifecycle. En vez de desplegar nuevo código para activar/desactivar características de nuestra app, podemos hacerlo en runtime con un flag.
Evaluate feature flags with FeatureManager
La libreria featuremanagement integra con el App Configuration provider para evaluar feature flags en runtime.
Cargas feature falgs pasando feature_flags_enabled=True para la function load() del provider, y entonces creas un FeatureManager desde la config cargada. FeatureManager tiene un metodo is_enabled() para comprobar si una feature flag especifica está activa
# Code fragment - focus on loading feature flags and evaluating them
from azure.appconfiguration.provider import load
from azure.identity import DefaultAzureCredential
from featuremanagement import FeatureManager
config = load(
endpoint=endpoint,
credential=DefaultAzureCredential(),
feature_flags_enabled=True
)
feature_manager = FeatureManager(config)
if feature_manager.is_enabled("UseNewEmbeddingsModel"):
# Route to the new embeddings model
process_with_new_model(document)
else:
# Use the current embeddings model
process_with_current_model(document)
IMPORTANTE
El FeatureManager evalua el estado del flag cada vez que se llama is_enabled(). Cuando se combina con dynamic refresh, esto hace que la app responda a un cambio de flag sin tener que reiniciar.
/IMPORTANTE
Refresh feature flags dynamically
El dynamic refresh de las Feature flags es independiente del refresh de otras configuration settings
Activas este feature flag refresh mediante feature_flag_refresh_enabled=True pasandoselo a load() function. Un cambio en una feature flag no triggea un refresh de otros config settings.
# Code fragment - focus on enabling dynamic refresh for feature flags
from azure.appconfiguration.provider import load, WatchKey
from azure.identity import DefaultAzureCredential
from featuremanagement import FeatureManager
config = load(
endpoint=endpoint,
credential=DefaultAzureCredential(),
feature_flags_enabled=True,
feature_flag_refresh_enabled=True,
refresh_on=[WatchKey("Sentinel")],
refresh_interval=30
)
feature_manager = FeatureManager(config)
# In your application loop or request handler
config.refresh()
# Feature flag state reflects the latest value from the store
if feature_manager.is_enabled("UseNewEmbeddingsModel"):
process_with_new_model(document)
Apply feature flags
Estas se pueden usar de muchas maneras
- Progressive model rollouts: activamos nuevos modelos de manera interna a través de una feature flag, pero sin exponerlos a PROD
- Kill switches: emergency shutoff para un proceso critico
- A/B testing configurations
- Staged pipe activation