KubeIntellect: agente AI para Kubernetes que muestra fallos reales en tiempo real
El proyecto muestra cómo un asistente AI identifica y gestiona errores en un despliegue de Kubernetes, resaltando la importancia de la verificación humana y la trazabilidad de decisiones.
Demo de fallos en producción
El autor presenta una grabación de 30 s donde un agente AI intenta solucionar un despliegue en crash‑loop. El agente detecta que falta la variable DATABASE_URL, solicita reinicio, lo aprueba y el reinicio falla sin cambiar el error.
Diseño orientado a la confiabilidad
El agente opera con una puerta de aprobación externa: cada acción mutativa pasa por un único punto que devuelve do it, ask a human o refuse. Los detectores son predicados compilados que se activan en cada observación y no consumen tokens. Solo cuando un detector dispara se invoca al LLM, manteniendo el coste bajo.
Registro y auditoría
Todas las decisiones se añaden a un log encadenado por hash, permitiendo reproducir la ejecución sin necesidad de memoria persistente. Los roles (readonly, operator, admin, superadmin) se gestionan por clave y el agente consulta kubectl, Prometheus (PromQL) y Loki (LogQL) para responder en inglés con citas verificables.
Instalación y uso
El código es AGPL‑3.0 y se auto‑hospeda. Instalar:
pip install kubeintellect
Para probar sin instalar, la demo está disponible en kubeintellect.com.
Documentación académica
El esquema de v1 se describe en la Journal of Grid Computing y un preprint está disponible en arXiv:
Código fuente
El repositorio está en GitHub: MSKazemi/kubeintellect. Se encuentra varias generaciones después de la primera publicación.
Relevancia para infraestructuras
Para quienes operan Kubernetes en producción, el proyecto demuestra un enfoque práctico: evitar diagnósticos falsos, exigir aprobación humana y ofrecer trazabilidad completa de cada acción del agente.
