这是关于使用 AI 实现 Kubernetes 自动诊断和修复的系列文章，主要内容如下：

• Part 1：AI 驱动的 Kubernetes 诊断：构建了一个分析 Kubernetes 容器故障并提出修复建议的 AI 代理，适用于人工干预时，但存在需要人工在场、不记得过往修复等问题。

• Part 2：从 Agent AI 到 Agentic AI：

  • 新系统 Agentic AI：自动监控，连续运行观察、计划、执行和学习四个操作，学习能力强，能根据过往经验快速处理类似问题，如遇到 OOMKilled 会自动增加内存限制。
  • 核心循环：持续扫描命名空间中的所有容器，查找故障并创建修复计划，执行后存储成功模式用于下次快速处理。
  • 模式检测：提前检测常见模式，如图片拼写错误、缺失环境变量、OOMKilled 模式等，减少 GPT-4 调用次数。
  • 内存系统：通过简单的 JSON 文件存储学习结果，成功的修复模式会被保存以供下次使用。
• 快速设置：需 Python 3.8+、kubectl 配置和 OpenAI API 密钥，约 5 分钟可完成设置，包括克隆仓库、安装依赖、部署测试场景和启动自动监控等。

• 实际案例：

  • 图片拼写错误案例：首次发现并修正，无需 GPT-4 调用，避免重复故障。
  • 缺失环境变量案例：自动分析日志并修复，无需人工干预。
  • 渐进式内存学习案例：系统记住成功的内存调整值，快速处理类似问题，降低 API 调用次数和成本。
• 实现细节：代码可在github.com/opscart/k8s-ai-diagnostics获取，包括克隆仓库、设置环境、部署测试场景和启动自动监控等步骤。
• 生产考虑因素：这是一个概念验证，仍存在安全机制缺失（无回滚能力、无验证机制、无审计追踪、无资源管理和无错误边界等），实际部署需分阶段进行，包括观察模式、受控测试、有限范围部署和评估等，并提供了控制操作的命令选项。

• 结果与权衡：

  • 时间到解决：Agentic AI 比 Agent AI 更快，能在短时间内处理 2 AM 的 OOMKilled 场景。
  • 学习效率：随着学习，API 调用次数减少，成本降低，处理问题更高效。
  • 成本比较：Agentic AI 相比 Agent AI 大大降低了人工时间成本。
  • 放弃的东西：自动系统牺牲了部分控制权，带来调试复杂、信任建立和维护负担等问题。
• 结论：Part 1 的诊断工具等待人工，Part 2 的系统可连续运行和学习，两种方式各有适用场景，此 POC 证明了自治学习在 Kubernetes 操作中的有效性，但仍需进行工程工作来完善，完整实现和比较可在仓库中查看。