AgentHubAgentHub
Back to Blog

Kubernetes 集群智能巡检:基于 K8s MCP 的故障初筛与日志关联诊断

AgentHub 核心团队··4 min read·71 views
Kubernetes 集群智能巡检:基于 K8s MCP 的故障初筛与日志关联诊断

先解决"敢不敢给权限"

把集群交给 Agent 之前,真正的阻力不是能力而是权限边界。顺序应当是:先把凭证收缩到只读,验证它能看什么、不能看什么,再谈诊断提示词怎么写。

安全第一:K8s MCP 的权限沙箱隔离

将生产集群的操作权限交给 AI 时,最大的担忧是误删核心资源(例如 kubectl delete ns prod)。

因此,搭建 K8s MCP Server 的第一原则是:严格使用只读 ServiceAccount。通过 RBAC 规则限制只开放 get、list、watch 动词,严禁授予任何 create、update、delete 权限。

在此前提下,Agent 能够发挥巨大的故障分析价值:当集群中有 Pod 处于异常状态时,Agent 能同时获取 Pod 详情、Events 事件流以及前一个容器的崩溃日志,交叉对比后给出最可能的原因(如 OOMKilled 或配置挂载丢失),大幅压降 MTTR(平均恢复时间)。

1. 建一个专用只读身份

不要用你自己的 kubeconfig。单独建命名空间与服务账号,便于审计与回收:

kubectl create namespace mcp
kubectl create serviceaccount mcp-readonly -n mcp

再用 ClusterRole 明确动词白名单(以官方文档为准):

apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
  name: mcp-readonly
rules:
  - apiGroups: [""]
    resources: ["pods", "nodes", "services", "events"]
    verbs: ["get", "list", "watch"]

apps 组单列一条同动词规则;要读 ConfigMap 再加,不要顺手给 *。最后用 ClusterRoleBinding 把角色绑到 mcp/mcp-readonly,漏掉这一步所有请求都会 Forbidden。

2. 签发短期令牌并接进 MCP

kubectl create token mcp-readonly -n mcp --duration=240m

有效期上限受集群配置约束。

令牌填进一份独立 kubeconfig,server 指向集群 API 地址,这份文件只交给 MCP Server 读取,不要提交进配置仓库。

3. 权限验证:证明它删不掉东西

这是安全底座,接入 Agent 前必须完成:

kubectl auth can-i list pods --as=system:serviceaccount:mcp:mcp-readonly
kubectl auth can-i delete ns prod --as=system:serviceaccount:mcp:mcp-readonly

前者返回 yes、后者返回 no,边界才算生效。Secrets 不在白名单里,否则"只读"也能把凭证读走。

4. 巡检提示词的固定顺序

无结构的提问只会得到无结构的回答。把下面的顺序写进系统提示或团队规则:

  1. 列出非 Running/Succeeded 的 Pod,按命名空间归集;
  2. 对可疑 Pod 取 Events 与 logs --previous,区分启动失败与运行中崩溃;
  3. 看资源:是否 OOMKilled,是否 Pending 且提示调度失败;
  4. 看节点:MemoryPressure、DiskPressure 等状态条件;
  5. 输出时区分"已证实"与"待验证",附只读验证命令。

时间线对齐靠 kubectl get events --sort-by=.lastTimestamp,能去掉大部分误判。

怎么确认这一步真的成功了

  • 客户端"列出 Pod"的结果与 kubectl get pods -A 一致;
  • 让 Agent 尝试删除动作,它应当被工具层拒绝,而不是在提示词层"自觉不做";
  • 拔掉只读 kubeconfig 再问一次,应当报鉴权错误;仍返回数据说明它读到了别的凭证。

常见故障速查

现象原因处理
全部请求 Forbidden漏建 ClusterRoleBinding用 auth can-i --as 复核
只看得到默认命名空间kubeconfig 固定了 namespace显式指定或按命名空间授权
CRD 资源列不出来规则未覆盖对应 apiGroup补 apiGroups 与 resources
日志拿不到容器从未启动,无 previous 日志改看 Events 与镜像、挂载配置

小结

能否长期使用,看三件事:动词白名单能被 kubectl auth can-i 证明、写操作有人工审批通道、结论带可复核的只读命令。三条齐备,MCP 才从演示变成值班助手;缺一条就先限制在预发集群。

延伸阅读

Related Articles

Tutorials

为什么 AI 读错截图里的数字:它拿到的图比屏幕上那张小得多

你把截图原图丢给 AI,它把 9,847 读成 9,347,或者把发票上一行小字整段编出来。原因大概率不在「眼神」,在尺寸:Claude 官方明写它按 28×28 的像素块看图,每块算一个视觉词元,超过上限的图会先缩小;1920×1080 压到 1456×819,你屏幕上 12 像素的小字到它眼里只剩 9.1 像素,而 4K 截图压完和 1080p 一模一样大——分辨率白涨了。这篇给出三张能自己复算的数:面积、字高、词元。最有用的结论反直觉:别放大整张图,裁一块再发——600×400 的局部不缩、字高完整保留、只付 330 个词元,比整张的 1,560 还便宜 4.7 倍。另附一个扫描口径:论文实测约 300ppi 追平传统 OCR、150ppi 以下明显退化,而 9.1 像素的字折算下来只有 62ppi。

Tutorials

为什么同一个问题问 AI 两遍,答案不一样:它不是在算答案,是在按概率抽一个词

同一句话原封不动问两遍,AI 的措辞不一样、甚至结论不一样。原因不是它心情不好:它每步拿到的不是一个答案,而是「一整排候选加各自的概率」,然后从中抽一个,连抽几百次就是一篇回答。这篇把「温度」讲回它的本义——softmax 公式里那个除号(Hinton 原话「T 是通常设为 1 的温度」「T 越大概率越平」),再给三张你我能自己复算的表:同一排候选,温度 0 抽一千次只出 1 种结果、0.2 出 2 种、2.0 时最冷门的词已占 7.35%;每个词有九成把握一致,写到 50 个词整段逐字一致的概率只剩 0.5%;单次七成答对的模型,抽九次投票变 90.1%(谷歌 Self-Consistency 论文实测 GSM8K +17.9 个百分点)。最关键的一条纠正:温度调到 0 官方也不保证复现——Anthropic 明写它「从未保证输出相同」,微软 Azure 的 seed=42 自家示例第三遍照样变了。还有一个 2026 年的现在时:Kimi 固定 1.0、传其他值报错,Gemini 新模型直接忽略,Claude 新代传非默认值返回 400,大厂正在把这些旋钮拆掉。

Tutorials

为什么 AI 数不清 strawberry 里有几个 r:它看到的不是十个字母,是三块

问 ChatGPT「strawberry 里有几个 r」,它常常答 2。原因不是笨,而是它根本没收到十个字母——我用官方分词库实测,strawberry 在三本不同词表里都是三块:st / raw / berry,三个 r 分散在其中两块里,而「逐块拆开再累加」这个动作从来没被训练过。这篇用「矗字里有几个直」讲清这件事,再给你四个自己跑得出来的数:同一句 17 个汉字,老词表切 34 块、新词表切 15 块;站内一篇 5,500 汉字的中文稿实测 7,112 块,约 0.77 汉字一块,换本词表变 9,491 块、多算 33%(和 Anthropic 官方那句「约 30 percent more tokens」对得上);9.11 之所以比 9.9 大,是因为它看到的是整块「11」。也有一条必须纠正的流行说法:分词不是唯一原因,arXiv 三篇论文给的图景更麻烦,而「换了 tokenizer 就修好了」厂商从未公开解释过。

Tutorials

冬天掉的电会还给你,夏天掉的不会:笔记本电池的两条账

冬天续航从六小时掉到三小时,进屋放一会儿又涨回来——这不是电池冻坏了,而是低温让你“暂时取不出”那部分电。Battery University 的 BU-502 给的数是:同一块电池在 27°C 能放出 100%,到 -18°C 只放得出约 50%。真正不会还给你的是另外三件事:高温、长期满电、低温充电。而“充到 80% 更耐用”也有代价——BU-808 的表写明 4.20V(充到 100%)大约 300–500 次循环,压到 4.00V 能到 1,200–2,000 次,但每次能用的电量也更少。这篇把八家厂商(微软、苹果 iPhone、苹果 Mac、华硕、戴尔、三星、谷歌、联想)的官方充电上限摆在一起,讲清“电池健康 87%”是怎么算的、为什么 0°C 以下不要充电,以及充电宝上的 3C 为什么是 2024 年才强制的。

Explore AI Ecosystem

Ready to take action? Explore AI tools & MCPs

Discover ChatGPT 6, Claude 3.7, Devin and 3000+ open-source MCP tools with 1-click config.

Kubernetes MCP 集群智能巡检实战教程 - AgentHub