AI · 20 oktober 2026
AI-agenter och Kubernetes: Rollfördelning i kontrollslingan
Kubernetes har alltid använt agenter, men inte av den typ som dominerar dagens diskussioner om artificiell intelligens. En kontroller övervakar det nuvarande tillståndet, jämför det med ett deklarerat önskat tillstånd och vidtar åtgärder för att sluta gapet.
Under de senaste 18 månaderna har verktyg för agenter gått från att vara sidoprojekt till att bli en del av den molnbaserade stacken. CNCF har accepterat ramverk för agenter i sin Sandbox, och Kubernetes SIG Apps har tagit på sig Agent Sandbox som ett underprojekt för att köra arbetsbelastningar för agenter på ett säkert sätt.
En Kubernetes-operator är utformad för att vara förutsägbar genom att avstäma resurser enligt kodade regler, försöka igen vid misslyckade operationer och konvergera mot ett deklarerat tillstånd. En AI-agent är däremot användbar när det önskade resultatet är tydligt men vägen dit inte är det. Den kan undersöka okända situationer, samla samman sammanhang från flera system, väga avvägningar och föreslå en åtgärdsplan.
Ett säkrare arkitektoniskt mönster kombinerar dessa styrkor genom att låta agenten stå för resonemang och sammanhang, medan operatorer, policy-motorer och andra deterministiska system behåller kontrollen över utförandet. kagent, ett projekt med öppen källkod i CNCF Sandbox, exemplifierar detta mönster genom att köra AI-agenter som Kubernetes-resurser och ansluta dem till Kubernetes, Helm, observerbarhet och anpassade verktyg.
För att undvika att en osäker resonemangsprocess får obegränsad behörighet över klustret kan läsoperationer som inte är känsliga köras automatiskt, medan ändringar såsom att tillämpa, patcha eller radera resurser kräver uttryckligt godkännande. Den resulterande operativa slingan består av att observera, diagnostisera, föreslå, godkänna, avstäma och verifiera.
Karpenter fungerar som ett exempel på skillnaden då det redan är en operator som utvärderar schemaläggningsbegränsningar och avstämmer NodePools och NodeClaims. Att ersätta denna logik med en stor språkmodell skulle göra en tillförlitlig kontrollslinga mindre förutsägbar. En agent baserad på kagent bör istället arbeta ovanför Karpenter för att undersöka konfigurationer, händelser och mätvärden för att förstå varför ett observerat beteende skiljer sig från teamets mål.
Agentens resultat bör inte vara vaga rekommendationer, utan presentera bevis, identifiera avvägningar och producera en specifik konfigurationspatch. Denna patch passerar sedan genom en godkännande- eller policygrind innan Karpenter utför avstämningen med sin befintliga logik. På ett liknande sätt kan en agent hjälpa ett plattformsteam som uppgraderar ett Helm-diagram hanterat av Argo CD genom att förklara vad skillnader i resurser innebär för arbetsbelastningen och skapa fokuserade pull-förfrågningar som förklarar den operativa risken.