IA · 20 ottobre 2026
Agenti di intelligenza artificiale e Kubernetes: definire i ruoli nel ciclo di controllo
Kubernetes e gli agenti di intelligenza artificiale presentano somiglianze strutturali, ma operano in modi differenti all'interno dei sistemi di controllo. Mentre Kubernetes utilizza controller che monitorano lo stato attuale e agiscono per allinearlo a uno stato desiderato, gli agenti di intelligenza artificiale sono indicati per situazioni in cui l'obiettivo è chiaro ma il percorso per raggiungerlo non lo è.
Negli ultimi 18 mesi, gli strumenti per gli agenti sono passati dall'essere progetti secondari a componenti dello stack nativo del cloud. La CNCF ha accettato framework per agenti nel suo Sandbox, mentre il gruppo SIG Apps di Kubernetes ha adottato l'Agent Sandbox come sottoprogetto per l'esecuzione sicura di carichi di lavoro basati su agenti.
Un operatore di Kubernetes è progettato per essere prevedibile, riconciliando le risorse secondo regole codificate e riprovando le operazioni fallite. Al contrario, un agente di intelligenza artificiale può indagare situazioni sconosciute, raccogliere contesti da sistemi multipli, valutare i compromessi e proporre un corso d'azione.
Un modello architettonico sicuro combina queste capacità, assegnando il ragionamento e il contesto all'agente, mentre il controllo dell'esecuzione rimane affidato a sistemi deterministici come gli operatori e i motori di policy. Il progetto open source kagent della CNCF Sandbox implementa questo schema, eseguendo agenti di intelligenza artificiale come risorse di Kubernetes e collegandoli a Helm, strumenti di osservabilità e altre utility.
In questo sistema, le operazioni di lettura non sensibili possono essere automatiche, mentre le modifiche come l'applicazione, la correzione o l'eliminazione di risorse richiedono un'approvazione esplicita. Questo evita che un processo di ragionamento incerto abbia un'autorità illimitata sul cluster. Il ciclo operativo risultante prevede le fasi di osservazione, diagnosi, proposta, approvazione, riconciliazione e verifica.
L'esempio di Karpenter illustra questa distinzione. Karpenter è già un operatore che gestisce la capacità valutando i vincoli di pianificazione. Sostituire tale logica con un modello linguistico di grandi dimensioni renderebbe il ciclo di controllo meno prevedibile. Un agente basato su kagent dovrebbe invece operare sopra Karpenter, analizzando configurazioni, eventi e metriche di Prometheus per spiegare perché il comportamento osservato differisca dagli obiettivi del team.
L'output dell'agente non deve essere una raccomandazione generica, ma deve presentare prove, identificare compromessi e produrre una correzione di configurazione specifica. Una volta approvata, la modifica viene riconciliata da Karpenter. L'agente monitora poi il risultato per verificare se l'obiettivo è stato raggiunto senza causare interruzioni dannose.
Analogamente, per gli aggiornamenti di Helm gestiti da Argo CD, l'agente può aiutare a comprendere l'impatto di un cambio di versione. Confrontando note di rilascio e manifesti, l'agente può identificare rischi operativi, come il ritorno a valori predefiniti a causa di rinomine di parametri, e creare una richiesta di pull specifica che includa la versione aggiornata e i controlli necessari prima del rilascio.