Ai实现k8s pod调度：使用 MCP 服务将 Kagent 与 k8sgpt 进行集成

引言：

在我的 Kagent 系列第一篇文章中，我们讨论了什么是 Kagent、其架构、工作原理，并测试了一个示例 Agent[cite: 1]。在第二篇文章中，我们接触了什么是 MCP、MCP 协议如何工作，并将 Kagent 与 Grafana MCP 服务进行了集成[cite: 1]。

在本博客中，我们将讨论 Kagent 与 k8sgpt 的集成[cite: 1]。我也写过一篇关于 k8sgpt 的文章[cite: 1]。如果您对此还不了解，请先阅读该文章[cite: 1]。

如果您是初学者，建议您先复习之前的博客，因为本文是之前内容的延伸[cite: 1]。

简而言之 — K8sgpt 是一个借助内置分析器来帮助发现 K8s 集群问题的项目，它利用大语言模型（LLM）作为“大脑”，为这些问题提供合理的推导和解决方案[cite: 1]。

我们在本博客中要实现的目标：

Press enter or click to view image in full size

前置条件：

我不想重复赘述[cite: 1]。请参考之前的博客，并确保在继续之前已完成以下准备工作[cite: 1]：

Vagrant 虚拟机安装[cite: 1]
RKE2 集群搭建（非强制，您可以使用任何 K8s 集群）[cite: 1]
Cilium 安装（任何 CNI 都可以），创建负载均衡池（loadbalancer pool）和 l2announcement 策略[cite: 1]
Rook Ceph 安装（作为存储解决方案；如果您使用的是云端 K8s，也可以直接使用云存储）[cite: 1]
kagent 安装[cite: 1]
kagent 升级（已在第二篇博客中讲解）[cite: 1]

注意： 我使用的是 Google Gemini 模型（flash 或 pro）[cite: 1]。如果您使用的是其他提供商，请确保相应地更新配置值[cite: 1]。

完成上述所有操作后，您应该能够访问 kagent 的 Dashboard[cite: 1]。

在我的环境中，kagent UI / Dashboard 的访问地址是 192.168.31.202:8080[cite: 1]。

正如您在上面的截图中所见，由于我们禁用了默认 Agent，因此目前没有可用的 Agent[cite: 1]。

我们将在稍后部署 k8sgpt agent[cite: 1]。

在 MCP 模式下安装 k8sgpt 服务：

让我们以 MCP 模式安装 k8sgpt 服务[cite: 1]。

创建一个名为 “k8sgpt-mcpdeployment.yaml” 的文件，内容如下：[cite: 1]

---  
apiVersion: v1  
kind: Namespace  
metadata:  
  name: k8sgpt  
---  
apiVersion: v1  
kind: ServiceAccount  
metadata:  
  name: k8sgpt  
  namespace: k8sgpt  
---  
apiVersion: rbac.authorization.k8s.io/v1  
kind: ClusterRole  
metadata:  
  name: k8sgpt-analyzer  
rules:  
  - apiGroups: \["*"\]  
    resources: \["*"\]  
    verbs: \["get", "list", "watch"\]  
---  
apiVersion: rbac.authorization.k8s.io/v1  
kind: ClusterRoleBinding  
metadata:  
  name: k8sgpt-analyzer-binding  
roleRef:  
  apiGroup: rbac.authorization.k8s.io  
  kind: ClusterRole  
  name: k8sgpt-analyzer  
subjects:  
  - kind: ServiceAccount  
    name: k8sgpt  
    namespace: k8sgpt  
---  
apiVersion: apps/v1  
kind: Deployment  
metadata:  
  name: k8sgpt-mcp  
  namespace: k8sgpt  
spec:  
  replicas: 1  
  selector:  
    matchLabels:  
      app: k8sgpt-mcp  
  template:  
    metadata:  
      labels:  
        app: k8sgpt-mcp  
    spec:  
      serviceAccountName: k8sgpt  
      containers:  
        - name: k8sgpt  
          image: ghcr.io/k8sgpt-ai/k8sgpt:v0.4.24  
          args:  
            - serve  
            - --mcp  
            - --mcp-http  
            - --mcp-port=8089  
            - -v  
          env:  
          - name: K8SGPT_MODEL  
            value: gemini-2.5-flash  
          - name: K8SGPT_BACKEND  
            value: googlevertexai  
---  
apiVersion: v1  
kind: Service  
metadata:  
  name: k8sgpt-mcp  
  namespace: k8sgpt  
spec:  
  selector:  
    app: k8sgpt-mcp  
  ports:  
    - name: mcp  
      port: 8089  
      targetPort: 8089  
  type: ClusterIP

注意： 请根据您使用的模型和后端更新环境变量 K8SGPT_MODEL 和 K8SGPT_BACKEND[cite: 1]。

让我们应用上述 YAML 文件[cite: 1]。

kubectl apply -f k8sgpt-mcpdeployment.yaml

等待 k8s pod 进入运行（Running）状态[cite: 1]。

到目前为止，我们已经实现了如下架构

使用 remotemcpserver CRD 将 k8sgpt mcp 服务与 kagent 进行集成

下一步是使用 remotemcpserver CRD 将部署好的 k8sgpt mcp 服务与 kagent 集成[cite: 1]。Kagent 在安装时自带了一些 CRD，remotemcpserver 就是其中之一[cite: 1]。

创建一个名为 k8sgpt-remotemcpserver.yaml 的文件，内容如下

apiVersion: kagent.dev/v1alpha2  
kind: RemoteMCPServer  
metadata:  
   name: k8sgpt-mcpserver  
   namespace: kagent  
spec:  
  description: k8sgpt MCP Server  
  url: http://k8sgpt-mcp.k8sgpt.svc.cluster.local:8089/mcp   
  sseReadTimeout: 5m0s  
  timeout: 30s

让我们应用上述 YAML 文件[cite: 1]。

kubectl apply -f k8sgpt-remotemcpserver.yaml

正如您在上面的截图中所见，在 kagent 命名空间中创建了一个 remotemcpserver CRD 资源

[

如果您使用 describe 命令查看该 remotemcpserver，它还会列出可用的工具[cite: 1]。

通过这种方式，我们成功将 k8sgpt 服务与 kagent 进行了集成[cite: 1]。

至此，我们已经完成了以下阶段

创建 k8sgpt Agent

下一步是创建一个 Agent，以便我们可以进行交互[cite: 1]。

创建一个名为 “k8sgpt-agent.yaml” 的文件，内容如下

apiVersion: kagent.dev/v1alpha2  
kind: Agent  
metadata:  
  name: k8sgpt-agent  
  namespace: kagent  
spec:  
  declarative:  
    modelConfig: default-model-config  
    stream: true  
    systemMessage: |-  
      You're a helpful agent. Use k8sgpt analyze tool to troubleshoot issues in a kubernetes cluster  
  
      # Instructions  
          - Do not use k8sgpt explain mode at all.  
          - Use k8sgpt analyze tool to troubleshoot issues in a kubernetes cluster.  
          - If user question is unclear, ask for clarification before running any tools  
          - Always be helpful and friendly  
          - If you don't know how to answer the question DO NOT make things up, tell the user "Sorry, I don't know how to answer that" and ask them to clarify the question further  
          - If you are unable to help, or something goes wrong, refer the user to https://kagent.dev for more information or support.  

      # Response format:  
          - ALWAYS format your response as Markdown  
          - Your response will include a summary of actions you took and an explanation of the result  
          - If you created any artifacts such as files or resources, you will include those in your response as well  
    tools:  
    - mcpServer:  
        apiGroup: kagent.dev  
        kind: RemoteMCPServer  
        name: k8sgpt-mcpserver   
        toolNames:  
        - analyze  
      type: McpServer  
  description: this is k8sgpt agent  
  type: Declarative

注意： 如果您仔细观察该 YAML 文件，会发现我们在 tools 字段下引用了之前创建的 remotemcpserver[cite: 1]。

让我们应用上述 YAML 文件

kubectl apply -f k8sgpt-agent.yaml

Press enter or click to view image in full size

上述应用命令会在 kagent 命名空间中创建一个新的 Pod（Agent Pod）[cite: 1]。

请等待该 Pod 变成运行（Running）状态[cite: 1]。

几分钟后，Agent Pod 进入运行状态，Ready 列也确认了这一点

with this we have achieved the below setup(initially shown).

Press enter or click to view image in full size

现在，如果您切换回 kagent 的 GUI 页面，应该会看到一个名为 “k8sgpt-agent” 的 Agent

Press enter or click to view image in full size

点击该 Agent 后，页面会跳转至对话界面，您可以在这里与 Agent 进行聊天或查询[

测试:

现在让我们测试几个场景[cite: 1]。

创建一个名为 “hungrypod.yaml” 的文件，内容如下

  
apiVersion: v1  
kind: Pod  
metadata:  
  labels:  
    run: hungrypod  
  name: hungrypod  
spec:  
  containers:  
  - image: purushothamkdr453/netshoot:v1  
    name: hungrypod  
    resources:  
      requests:  
         cpu: 15 # adjust this value as per your host machine configurations

这里我尝试调度一个需要 15 个 CPU 的 Pod[cite: 1]。在我的环境下，由于底层节点没有足够的 CPU，Pod 将进入 Pending（挂起）状态[cite: 1]。

让我们应用上述文件

kubectl apply -f hungrypod.yaml

Press enter or click to view image in full size

正如您在上面的截图中所见，Pod 进入了 Pending 状态，并且明确指出了原因[cite: 1]。

现在切换回 kagent k8sgpt Dashboard，发送如下查询请求：“Hey — Could you please scan default namespace and analyze if there are any issues”（嘿，能否请你扫描一下 default 命名空间并分析是否存在问题）[cite: 1]。

查询及其响应如下