05-设计：用自然语言调用Agent操控K8s

你好，我是邢云阳。

在上一章中，我们深入探讨了 Function Calling 和 AI Agent 的原理，并通过 Go 语言实践了 ReAct Agent。在操作之后，你可能发现，看似复杂的 Agent 实际上只是将人类的工作经验传授给大模型，使其能够代替我们完成任务，理解起来并不困难。更为简单的是，在实际操作中，我们只需要设计出一套优质的 prompt 模板，就能完成 Agent 应用开发的一半工作，真是应了那句话：得 prompt 者得天下！

既然我们的课程主题是 AI + 云原生应用开发，那么接下来的两章，我将带领你通过 Agent 与 Kubernetes（K8s）进行实际操作与应用。本章我们将聚焦如何用自然语言来控制 Kubernetes，在下一章，我们再进一步探讨 Kubernetes 的智能运维。

传统的 Kubernetes 交互方式

众所周知，与 Kubernetes 交互的方式主要有以下几种：

• kubectl 命令行

Kubectl 是官方提供的命令行工具，用于与 Kubernetes 集群进行交互。比如要获取 default 命名空间下的 Pods 信息，命令如下：

root@hi-test:~# kubectl get po                                                                                                                                           
NAME                       READY   STATUS    RESTARTS   AGE                                                                                                              
ng-test-7bdff759b9-r49jj   1/1     Running   0          13d

这种方式是用户最常使用的。

• SDK

Kubernetes 官方还提供了客户端 SDK，让程序员可以通过编程接口与 Kubernetes 交互。由于 Kubernetes 是用 Go 语言编写的，因此最流行的 SDK 是 client-go。以下是通过 client-go 列出 default 命名空间下 Pods 的示例代码：

package main


import (
    "context"
    "fmt"
    "log"


    corev1 "k8s.io/api/core/v1"
    metav1 "k8s.io/apimachinery/pkg/apis/meta/v1"
    "k8s.io/client-go/kubernetes"
    "k8s.io/client-go/tools/clientcmd"
)


func main() {
    // 加载kubeconfig文件以获取客户端配置
    config, err := clientcmd.BuildConfigFromFlags("", "/root/.kube/config")
    if err != nil {
        log.Fatal(err)
    }


    // 创建Kubernetes客户端
    clientset, err := kubernetes.NewForConfig(config)
    if err != nil {
        log.Fatal(err)
    }


    // 列出default命名空间下的Pods
    pods, err := clientset.CoreV1().Pods("default").List(context.TODO(), metav1.ListOptions{})
    if err != nil {
        log.Fatal(err)
    }


    // 遍历并打印Pod信息
    for _, pod := range pods.Items {
        fmt.Printf("Namespace: %v, Name: %v\n", pod.Namespace, pod.Name)
    }
}

运行结果如下：

Namespace: default, Nmae: ng-test-7bdff759b9-r49jj

• GUI

如果觉得命令行不够直观，用户还可以使用 Kubernetes 官方的 Dashboard 或类似 Kuboard 这样的图形化界面进行操作。如下图展示了 Kuboard 中一个 Deployment 资源的操作页面。

这种方式实现的原理相对简单，主要是基于前后端分离的架构设计，如下图所示：

前端 GUI 通过预设的 REST API 与后端服务器交互，后端服务器再通过 client-go 访问 Kubernetes，最终将结果返回前端展示在 GUI 上。

无论使用哪种方式，核心都是通过访问 Kubernetes 的 API server 来实现的。举个例子，我们可以用 curl 命令直接与 Kubernetes API 交互：

curl -k -H "Authorization: Bearer xxxxxxxxxxxxxxxxxx" \                                                                                    
>      https://<your k8s server ip>:<your k8s server port>/api/v1/namespaces/default/pods

该命令返回的结果如下（由于篇幅原因，省略部分输出）：

Kubernetes 自引入国内已有 10 年之久，从最早只需掌握基本操作，到如今要求熟悉源码，技术要求日益提高。而上面提到的这些交互方式，已经成了程序员的基本功。作为技术从业者，紧跟时代变革至关重要。在 AI 时代，我们可以利用更加智能的方式与 Kubernetes 进行交互。

用自然语言操控 Kubernetes 原理与设计

在上一章，我们学习了 Function Calling 和 AI Agent，了解到大模型不仅能够选择合适的工具，还可以利用执行结果进行推理。本章将介绍如何用自然语言控制 Kubernetes。其原理并不复杂，只需将 kubectl 命令或通过 client-go 开发的函数封装成工具，供 Agent 选择执行即可，如下图所示：

接下来我们深入讨论如何使用自然语言操控 Kubernetes 的设计实现。从架构到细节，这将涉及 Cobra 命令行工具、API 设计、Prompt 模板、优化大模型输出以及合规性验证等多个方面。下面将为你介绍如何通过这些技术构建一个智能化的 Kubernetes 交互系统。

Cobra 命令行工具

对于后端程序员来说，命令行是最熟悉不过的了，它可以让我们在没有前端的时候，也可以做测试或者发布独立应用。

那用什么方式编写命令行应用呢？既然是云原生课程，那就可以模仿 kubectl 这套优秀的命令行工具。通过阅读 kubectl 源码，我们可以得知，其使用的是 Cobra 库。

实际上，Cobra 不仅 kubectl 在用，像是比较出名的包管理工具 Helm 等等也在使用，其已经成为了 Go 语言编写命令行工具的最佳实践。

API 设计

在开篇词中，我提到过，在 AI 时代，API 将成为一等公民。在 GUI 时代，对于 K8s 资源管理系统，API 是前端网页客户端访问后端HTTP Server 的工具。而在 AI 时代，API 将会是 Agent 操作 K8s 的工具。之前聚合在一起为前端服务的 API 将会被打散，形成 “AI 微服务”的应用模式。因此我会以 Go 的 Gin 框架为例，一节课让你快速掌握 HTTP Server 开发。

client-go 进阶用法

常规的用 client-go 增删改查资源，可能许多从事云原生研发的同学都会。例如用 clientSet 获取 Kubernetes 标准资源，用动态客户端获取 CRD 资源等等。但是在本场景中，用户的需求是不确定的，比如用户说：“我要获取 default 命名空间下的 pod 列表”或者“请帮我删除 default 命名空间下的名字叫 foo 的 service”。我们无法预判用户要操作什么 Kubernetes 资源。

因此对于增删改操作，比较好的方法是利用 restMapper 获取到用户待操作资源的 GVR 后，用动态客户端来进行操作，这样可以实现通用化。而对于查操作，用 restMapper 当然也很方便。但如果每一次都通过访问 apiserver 在 Kubernetes 集群拿资源的话，一方面是会对 apiserver 造成流量压力，另一方面是速度会比较慢，因此业界的另一种做法是通过 Informer 机制，将资源缓存到本地，之后的查询全都在缓存中获取。而 Informer 还带有 Watch 机制，可以监听 Add、Delete、Update事件，实时更新缓存内容。

我们会在后面两节课中，对这两种方式都做一下讲解，便于你在实际业务中根据需要自由选择合适的方法。

多集群管理

云原生发展到 2024 年，应该同学们都或多或少的听过或了解云边端多云混合管理这类概念。企业不仅需要管理不同的云环境，还要考虑边缘计算节点和本地基础设施的协同，确保数据流、应用部署和资源调度的高效性与一致性。这种跨云、跨地域、跨平台的管理需求对云原生架构提出了更高的挑战，同时也带来了新的机遇。

在这样的背景下，Karmada 作为一个开源的多集群管理工具，应运而生。Karmada 允许用户在多个 Kubernetes 集群之间实现资源的统一管理与调度，同时提供了高可用性和跨云环境的支持。它不仅帮助企业简化了多集群管理的复杂性，还可以优化资源的使用，提升系统的弹性和可靠性。

我们也会在用自然语言操控 Kubernetes 的项目中介绍和应用该工具。

Prompt 设计

操控 Kubernetes 资源的增删改查中，创建（增）是最为复杂的环节。因为我们需要大模型根据需求生成 Kubernetes 资源 YAML 文件，来用于安装部署。然而，大模型生成的 YAML 文件是否符合要求，往往需要进一步验证和优化。为此，我们可以通过精心设计和调整 prompt 来规范生成内容，确保最终输出的 YAML 文件能够直接用于安装和操作。

如果我直接对通义千问大模型这样说：“我要创建一个k8s pod 镜像名称是nginx”。效果是这样的：

如图所示，大模型会在 YAML 之前，给出一段文字。我们先不讨论 YAML 内容是否正确以及是否满足我们的要求，仅 YAML 前的这段文字，就需要我们用代码去做数据清洗（删除），非常不便。

因此，我们可以通过优化 prompt 来让大模型仅输出 YAML。prompt 如下：

SYSTEM
您是一名虚拟 k8s（Kubernetes）助手，可以根据用户输入生成 k8s yaml。yaml 保证能被 kubectl apply 命令执行。


#Guidelines
- 不做任何解释，只输出命令行或 yaml 内容。


HUMAN
用户输入: {user_input}

我们再次通过通义千问测试：

可以看到这一次，通义千问直接给出了 YAML。

我们在实际业务开发中，其实还可以给出更多的约束规则，来确保大模型生成的 YAML 符合业务需求。例如：

#key point
- 必须为 pod 设置名称和端口，如 80。
- pod 必须有资源，其中必须设置限制和请求。如果未指定，则设置为 512M。
- 必须根据业务系统设置 pod 名称。例如，订单系统的 pod 名称为 order-pod。如果未指定，默认名称为 unkown-pod。

我们再来测试一次：

可以看到，这一次的 YAML 完全是按照我们的要求来的。在实际业务中，这部分规则，我们既可以预先填充，也可以结合 RAG 等知识库，让大模型来帮我们填充。总之，这些规则是可定制的。

验证用户输入是否符合 Kubernetes 资源要求

实际上，在上一步生成 YAML 模板之前，我们还需要做一些验证工作，用于验证用户输入的 prompt 是否是在创建一个正确的资源。例如用户输入：“我要创建一个k8s hello，镜像是nginx”，很显然，在 K8s 中，没有一个资源叫 hello，因此需要 Agent 在这一步调用工具做验证。

那验证方式，其实也很简单，我们只需要通过验证 kind 是否是在当前集群的资源列表中即可。为何要强调当前集群，因为除了K8s 内置资源外，还有自定义资源 CRD。

人类工具

“删库跑路”是 IT 圈的著名黑话，我们都懂其意思。因此当我们做删除资源操作时，是否放心真的交给 Agent 去做，而不再最后确认一遍呢？肯定是不放心的。因此 LangChain 社区开发了一款特殊的工具 HumanTool。即当 Agent 判断某些危险操作需要人类确认时，会调用该工具来寻求人类帮助。我们会在后面的课程中，用 Go 语言复刻一下，试试效果如何。

总结

本节课我带你回顾了几种传统的和 Kubernetes 交互的方式，并解析了其中的原理。那么，在 AI 时代，与时俱进的我们必然要掌握用自然语言“命令行”来操控 Kubernetes，实际上这样的方式也在业界被称作 LUI（语言用户界面，Language User Interface）。

从原理上看，用自然语言操控 Kubernetes 并不复杂，就是借助 Agent 推理和调用工具的能力，来根据用户请求调用相应的工具，完成与 Kubernetes 的交互。但实际上，Agent 只是一个 Copilot，主体业务逻辑还需要我们来思考完善。

这节课，我提到了 kubectl 插件的设计，prompt 模板设计与资源验证，client-go 处理通用资源的方法设计以及人类工具等等，都会在后面的课程中详细介绍。

在生产上，对 Kubernetes 的操作是严肃的，我们只有不断完善业务逻辑和工具细节，才能真正放心的将如此重任交给 AI。

思考题

除了课程中列出的这些设计点，你还能想到哪些点子，能够提升我们这个软件的可用性和安全性吗？

欢迎你在留言区展示你的思考过程，我们一起探讨。如果你觉得这节课的内容对你有帮助的话，也欢迎你分享给其他朋友，我们下节课再见！