极点宏观｜Financial Cloud Cloud · AWS Amarathon 2025
极点宏观｜Amarathon 2025 回顾 37：使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps
Kubernetes 运维挑战
运维数据量庞大，故障排查耗时
● 平均 MTTR 超过 4 小时，其中人工分析占 65%
● 分析数据量可达 TB 级
资源类型繁多、关联复杂
● 大量集群对象、事件和日志数据
在多种工具之间切换复杂
● SRE 每天在 8 种以上工具之间切换，上下文切换成本高
针对告警进行故障排查既复杂又耗时
● 自动化能力有限
● 只有 30% 的常见故障可以自动修复，复杂场景仍依赖人工决策
K8s 的学习成本和门槛高
● 运维效率对比
● 采用 AIOps 的企业，其平均故障恢复时间（MTTR）比传统模式缩短 90%，运维成本降低 50%
核心价值
● 1. 故障自愈：通过 AI 预测和自动化脚本，实现部分故障的无人值守修复。
● 2. 智能监控：从海量日志和指标中精准定位问题根本原因，告别大海捞针式搜索。
● 3. 释放人力资源：让 SRE 团队摆脱重复性工作，专注于更有价值的创新任务。
Kagent 驱动的 AIOps 解决方案
Kagent：云原生智能体 AI 框架
● CNCF 2025 开源沙箱项目，是专为 K8s 云原生场景打造的智能体框架。
● 通过集成多个模型平台（Amazon Bedrock、Anthropic、OpenAI 等），构建基于 K8s 的智能体系统。
核心优势
● K8s 云原生：与 K8s 生态系统原生集成，自然融入现有集群
● 丰富的使用场景：适用于任何 AI 智能体使用场景
● 丰富的工具集成：支持自定义 MCP 工具、内置多种 K8s 工具和预配置的智能体
● 可视化界面：UI 界面演进为多智能体工作流编排，更直观、更高效
● 全面的可观测性：内置跟踪、日志记录和监控能力，支持集成常用的可观测性工具
使用场景
● 云原生运维自动化、多集群管理、任何多智能体协作系统、AIOps 实践等。
Amazon Nova Sonic：推动语音对话式 AIOps
● Amazon Nova Sonic 是 Amazon Bedrock 提供的语音对话模型。
● 它统一了传统上相互分离的语音理解和语音生成模型，能够进行贴近现实、类似人类的语音对话，支持多种语言和语调，并具有低延迟和高性能。
使用场景
● AI 智能客服：全天候响应客户咨询
● 企业语音助手：集成知识库、智能体和外部工具，提供定制化服务
● 多语言学习工具：支持多种语言
● 多行业应用：金融科技、医疗健康、智能家居等。
与运维场景结合的核心价值
● 将传统复杂的人工故障排查 + 修复简化为语音对话，最大限度发挥 AIOps 智能运维能力，降低 MTTR
K8sGPT：开源 K8s 故障诊断专家
● CNCF 开源沙箱项目，为 Kubernetes 维护提供 AI 驱动的可观测性和自动化运维
● 支持 CLI 和 Operator 双模式，可进行即时分析和持续监控
● 扫描集群资源、事件、日志和指标，集成 Amazon Bedrock 上的 AI 模型来生成文本洞察和解释，还可以与 Kiro 的 MCP 功能集成，通过自然语言观察和维护集群
● 解决传统运维被动响应的问题，采用主动式 AI 智能运维
● 支持多种自定义分析器和可观测性工具，可与 Prometheus、Alertmanager、Grafana 等集成。
演示集群
● 部署在 Amazon Web Services 上的 EKS 托管集群，集群名称：eks-cluster
● 集群资源概览：该集群通过 ArgoCD 的 application 部署从 GitHub 读取的多项 K8s 资源。包括 2 个 pods、1 个 service 和 1 个 Deployment
● Pod 问题：内存限制设置为 200Mi，但运行的是一个 205Mi 的进程，导致 CrashLoopBackOff
实验性修复场景
● K8sGPT 识别 Pod 问题，并提供解释和修复建议。
● 最后，通过 ArgoCD 调整 application 内 Helm Chart 的内存限制参数，触发 ArgoCD 修改 pod 配置，使 pod 成功启动。
摘要
● 了解如何以 Amazon Bedrock AgentCore 为基础，在 AI 多智能体协作系统的赋能下，从零开始构建 K8s 智能运维解决方案。
● 只需一个简单句子，即可完成从问题识别、诊断到全自动修复的整个过程，大幅简化海量运维数据分析和人工修复操作，降低人为错误风险。
● 与 K8sGPT 原有的有限自动修复能力相比，该解决方案增加了更多基于业务的自动修复功能，使其更加灵活且可扩展。
● 对于自动修复场景，我们引入 HITL（Human-in-the-Loop）流程，以确保自动修复的可靠性和可控性。
● 利用 ArgoCD 的原生能力，所有修复操作均可审计、可回滚，从而降低维护风险。
● 运维工程师可以直接通过语音最大限度发挥 AIOps 智能运维能力，显著降低 MTTI 和 MTTR。
● 未来计划：集成 CloudWatch Anomaly Detection（AD）和 DevOps Guru，根据历史数据分析预测潜在的 K8s 集群故障。