ההבדל בין סוכני בינה מלאכותית למפעילים של Kubernetes בלולאת הבקרה

מפעיל Kubernetes תוכנן להיות צפוי, הוא מבצע התאמה של משאבים לפי כללים מקודדים, מנסה שוב פעולות שנכשלו ושואף למצב המוצהר. לעומת זאת, סוכני בינה מלאכותית שימושיים כאשר התוצאה הרצויה ברורה אך הנתיב אליה אינו ברור, שכן הם יכולים לחקור מצבים לא מוכרים, לאסוף הקשר ממספר מערכות, לשקול פשרות ולהציע מסלול פעולה.

דפוס ארכיטקטוני בטוח יותר משלב את החוזקות של שניהם, כאשר הסוכן מספק את החשיבה וההקשר, בעוד שמפעילים, מנועי מדיניות ומערכות דטרמיניסטיות אחרות שומרים על השליטה בביצוע. פרויקט kagent, שהוא פרויקט קוד פתוח ב-Sandbox של CNCF, מדגים דפוס זה על ידי הרצת סוכני בינה מלאכותית כמשאבי Kubernetes וחיבורם ל-Kubernetes, ל-Helm, למערכות ניטור ולכלים מותאמים אישית.

במערכת זו, פעולות קריאה שאינן רגישות יכולות לרוץ באופן אוטומטי, אך שינויים כגון החלה, תיקון או מחיקה של משאבים דורשים אישור מפורש. לולאת התפעול שנוצרת כוללת תצפית, אבחון, הצעה, אישור, התאמה ואימות, כאשר שלושת השלבים הראשונים נשענים על חשיבה סוכנית וההתאמה מבוצעת על ידי Kubernetes והמפעילים שלו.

כדוגמה, Karpenter הוא כבר מפעיל המבצע התאמה של NodePools ו-NodeClaims. החלפת הלוגיקה שלו במודל שפה גדול תהפוך את לולאת הבקרה לפחות צפויה. סוכן מבוסס kagent צריך לפעול מעל Karpenter, לבחון הגדרות, אירועים ומדדי Prometheus, ולהציע תיקון הגדרה ספציפי שיעבור דרך שער אישור לפני ש-Karpenter יבצע את ההתאמה.

במקרה של שדרוג תרשים Helm המנוהל על ידי Argo CD, בעוד ש-Argo CD מראה אילו משאבים שונים, סוכן יכול להסביר מה המשמעות של הבדלים אלו עבור עומס העבודה. הסוכן יכול להשוות בין הערות שחרור, ערכים קיימים ומניפסטים כדי לזהות סיכונים תפעוליים ולהפיק בקשת מיזוג ממוקדת המעדכנת את גרסת התרשים והערכים המושפעים.