Nejčastější dotazy k agentickému příkazovému rozhraní (CLI) pro AKS.

Tento článek obsahuje odpovědi na některé z nejčastějších dotazů k agentickému rozhraní příkazového řádku pro Službu Azure Kubernetes Service (AKS).

Co je agentské rozhraní příkazového řádku pro AKS?

Agentické rozhraní příkazového řádku pro AKS je nástroj příkazového řádku využívající AI, který pomáhá uživatelům AKS efektivně řešit problémy s clustery. Analyzuje telemetrické signály (protokoly, metriky, události), koreluje je napříč infrastrukturou a úlohami a poskytuje užitečné přehledy. Agent přijímá dotazy v přirozeném jazyce jako vstup a vrací diagnostické souhrny, analýzy původní příčiny a návrhy nápravy. Rozhraní příkazového řádku agenta nezahrnuje modely AI, takže pro fungování agenta potřebujete zadat vlastní klíče rozhraní API pro velký jazykový model (LLM).

Co může agentické rozhraní příkazového řádku pro AKS dělat?

Agentické rozhraní příkazového řádku pro AKS funguje jako místní asistent, který interpretuje dotazy v přirozeném jazyce, spouští diagnostické příkazy a vrací užitečné přehledy. Bezproblémově se integruje s nativními nástroji AKS a zdroji telemetrie, jako jsou události Kubernetes, protokoly, Miniaplikace Inspektor, Azure a rozhraní API AKS. Každá z nich je povolena jako sady nástrojů nativně v az aks agent.

Agent respektuje řízení přístupu na základě role Azure (RBAC) a řízení identit, protože dědí oprávnění uživatelů z Azure CLI. Ve výchozím nastavení funguje v režimu jen pro čtení. Můžete nakonfigurovat svého poskytovatele AI (například OpenAI, Azure OpenAI a Anthropic) a model. Agenta můžete také nakonfigurovat tak, aby vystavil výstupy sady nástrojů.

Výstupy az aks agent zahrnují:

  • Syntetizovaná souhrnná odpověď AI na uživatelský dotaz.
  • Analýza původní příčiny s podpůrnými důkazy
  • Návrhy nápravy přizpůsobené osvědčeným postupům AKS
  • Diagnostické trasování a výstupy nástrojů.

Jaké jsou zamýšlené použití agentického rozhraní příkazového řádku pro AKS?

Agentické rozhraní příkazového řádku pro AKS má následující zamýšlené použití:

  • Interaktivní zapojení lidí v clusterech AKS vám pomůže efektivně detekovat, diagnostikovat a řešit problémy.
  • Interakce pouze pro čtení s rozhraními Kubernetes a rozhraním API AKS. Můžete získat informace o prostředcích, porozumět stavu prostředků clusteru AKS a postupovat podle obecných osvědčených postupů Kubernetes a AKS.

Agentické rozhraní příkazového řádku pro AKS není určené k použití jako obecný kód nebo agent AI nad rámec interakcí AKS. Nemůže získat přístup k internetu a odpovídat na obecné otázky.

Agentické rozhraní příkazového řádku pro AKS je optimalizované pro scénáře specifické pro AKS. Integruje se s nástroji, jako jsou kubectl, Azure CLI, Inspektor Gadget a Azure Monitor, ale může dělat chyby. Agent může občas vynechat drobné signály, nesprávně interpretovat hlučnou telemetrii nebo navrhovat zmírnění, která vyžadují lidské ověření. Může například chybně přiřazuje selhání systému DNS (Domain Name System) k zásadám sítě, pokud je původní příčinou chybně nakonfigurovaný nadřazený server DNS. K tomuto scénáři může dojít zejména v případě, že jsou telemetrie neúplná nebo jsou omezená oprávnění.

Abyste se vyhnuli předsudkům automatizace, měli byste s výstupem agenta zacházet jako s užitečným výchozím bodem, a ne jako s konečným verdiktem. Vyniká v odhalování pravděpodobných příčin a vedení vyšetřování, ale lidský dohled je nezbytný. Lidská kontrola je nezbytná v komplexních prostředích nebo prostředích s vysokými sázkami.

Pokud jde o modely AI, doporučujeme použít nasazený model Azure OpenAI, například GPT4o nebo GPTo3. Můžete ho také použít přímo z platformy OpenAI API. Můžete použít libovolného poskytovatele modelu LLM podporovaného specifikacemi rozhraní Open API, jako je Anthropic a Gemini.

Jak bylo vyhodnoceno agentní příkazové rozhraní pro AKS? Jaké metriky se používají k měření výkonu?

Agentické rozhraní příkazového řádku pro AKS se vyhodnocuje prostřednictvím kombinace interních testování a programových hodnocení navržených tak, aby jeho diagnostické schopnosti byly přesné, relevantní a smysluplné.

U programových hodnocení jsme změřili standardní zodpovědné metriky umělé inteligence, jako jsou základní, UPIA a XPIA jailbreak, škodlivý obsah a kvalita konverzací (například soudržnost a plynulost).

Tyto testy nám pomáhají identifikovat mezery v uvažování, integraci nástrojů a okamžité provedení. Základní metrika úspěchu je přesnost diagnostiky agenta a relevance doporučení. Identifikoval agent správně hlavní příčinu a navrhl akční, kontextově podložená opatření?

Provádíme interní odhalování chyb a red team testy, abychom pečlivě testovali chování agenta v různých scénářích. Kontrolujeme snížení stavu uzlů, selhání DNS, přerušení upgradu a problémy s plánováním podů.

Rozpoznáváme dynamickou povahu interakcí s agentskou umělou inteligencí a vítáme vaši zpětnou vazbu v rámci verze Preview. Zpětnou vazbu můžete sdílet přímo s námi na adrese aksagentcli@service.microsoft.com. Můžete také otevřít problém GitHubu.

Jaká jsou omezení agentického rozhraní příkazového řádku pro AKS? Jak můžu minimalizovat účinek těchto omezení při používání systému?

Agentické rozhraní příkazového řádku pro AKS je výkonné a účelné pro diagnostiku a řešení problémů v clusterech AKS. Má několik důležitých omezení, o které byste měli vědět, abyste zajistili efektivní a zodpovědné použití:

  • Schopnost agenta přistupovat k datům a analyzovat je přímo závislá na vašich oprávněních a dostupnosti telemetrie. Pokud nemáte dostatečná přístupová práva nebo pokud chybí nebo nejsou neúplné zdroje telemetrie, jako jsou protokoly, metriky nebo události, nemusí být agent schopen vygenerovat přesnou nebo úplnou diagnostiku.
  • Systém podléhá omezením tokenů při zpracování velkých datových sad, jako jsou metriky časových řad. Tato omezení můžou omezit hloubku nebo šířku analýzy ve složitých scénářích řešení potíží.
  • V aktuálním stavu MVP nabízí rozhraní příkazového řádku agenta omezenou podporu spravovaných prostředí Azure. Některé pracovní postupy, jako je integrace upozornění služby Azure Monitor, nemusí být plně podporované.

Pokud chcete minimalizovat účinek těchto omezení, můžete provést několik proaktivních kroků:

  • Ujistěte se, že jsou správně nakonfigurované požadované diagnostické nástroje, jako je Azure Monitor, aby pomohly agentům přistupovat k bohatší telemetrii a provádět komplexnější diagnostiku.
  • Rozšiřte možnosti agentického rozhraní příkazového řádku pomocí azure Model Context Protocol (MCP) nebo serverů AKS MCP. Další informace najdete v tématu Integrace serveru AKS MCP s příkazovým rozhraním agentic CLI pro AKS.
  • K zajištění nejlepších možných výsledků použijte nejnovější modely generování nebo modely pro obecné účely, jako jsou GPT4o a GPTo3. Agentické rozhraní příkazového řádku pro AKS neobsahuje zahrnuté modely AI.

Jaké provozní faktory a nastavení umožňují efektivní a zodpovědné použití agentického rozhraní příkazového řádku pro AKS?

Pokud chcete efektivně a zodpovědně používat agentské rozhraní příkazového řádku pro AKS, hraje klíčovou roli několik provozních nastavení. Agent je standardně navržený tak, aby fungoval v režimu jen pro čtení, který zajišťuje bezpečnou diagnostiku bez provedení změn v clusteru. Pokud jsou potřeba operace zápisu, jako je nasazení debugovacích podů nebo provádění nápravných kroků, vyžadují explicitní schválení uživatele, aby se zachovala kontrola uživatele a minimalizovaly se nezamýšlené účinky.

Agent běží místně na vašem počítači a podporuje také vlastní poskytovatele AI. Z tohoto důvodu můžete nakonfigurovat vlastní klíče rozhraní LLM API. Toto nastavení zajišťuje, že můžete integrovat schválené AI poskytovatele a koncové body do vaší organizace. Veškeré zpracování dat probíhá místně, aby se zachovala ochrana osobních údajů v datech a v souladu s podnikovými standardy zabezpečení.

Agent také nabízí konfigurovatelná nastavení podrobností, pomocí kterých můžete přepínat mezi stručnými souhrny a podrobnými diagnostickými výstupy v závislosti na vašich potřebách. Tato flexibilita podporuje shromažďování jak rychlých přehledů, tak úplné transparentnosti v odůvodnění agenta a provádění nástrojů.

Integrace s identitou Azure a RBAC dále zajišťuje, že agent přistupuje jenom k prostředkům, které máte oprávnění k zobrazení. Toto omezení zjednodušuje nastavení a vynucuje zabezpečené přístupové hranice. Tato nastavení společně vytvářejí zabezpečené prostředí s vědomím ochrany osobních údajů a uživatelem řízené prostředí pro řešení potíží s clustery AKS pomocí AI.

Jak můžu poskytnout zpětnou vazbu nebo získat pomoc s agentickým rozhraním příkazového řádku pro AKS?

Můžete poskytnout zpětnou vazbu nebo získat pomoc s agentickým rozhraním příkazového řádku pro AKS prostřednictvím několika kanálů:

Co jsou moduly plug-in a jak je agentické rozhraní příkazového řádku pro AKS používá?

V kontextu agentického rozhraní příkazového řádku pro AKS jsou moduly plug-in modulární rozšíření, která vylepšují možnosti diagnostiky agenta integrací externích nástrojů, zdrojů dat a logiky specifické pro doménu do pracovních postupů pro řešení potíží. Tyto moduly plug-in umožňují agentům přecházet nad rámec provádění statických příkazů a začlenit dynamické důvody pro scénáře. Agent podporuje následující typy modulů plug-in:

  • Integrace sad nástrojů: Možnosti agenta můžete rozšířit pomocí sad nástrojů, které se připojují k platformám pozorovatelnosti, jako jsou Prometheus, Datadog a Azure Monitor. Tyto sady nástrojů zveřejňují metriky, protokoly a výstrahy, které může agent dotazovat a analyzovat v reálném čase. Sada nástrojů Prometheus může například umožnit agentu načíst trendy využití procesoru a paměti pro neúspěšný pod. Integrace služby Azure Monitor může zobrazovat nedávné výstrahy nebo protokoly aktivit relevantní pro problém se stavem uzlu.
  • Servery MCP: Servery Model Context Protocol fungují jako zprostředkovatelé, kteří zpřístupňují diagnostické nástroje a šablony výzev agentům AI. V agentu rozhraní příkazového řádku pro AKS poskytují servery MCP strukturovaný přístup k prostředkům Kubernetes a Azure. Agent poté může spouštět příkazy jako kubectl describe a az aks show nebo dokonce nasazovat debugovací pody. Tyto servery také pomáhají standardizovat způsob vyvolání nástrojů a způsob vrácení dat, což usnadňuje škálování funkcí agenta napříč prostředími.

Jaká data můžou agentská rozhraní příkazového řádku pro AKS poskytovat modulům plug-in? Jaká oprávnění mají moduly plug-in?

Všechny pluginy jsou pouze v režimu pull. Nástroje umožňují agentickému rozhraní příkazového řádku pro AKS načíst data z různých zdrojů nebo použít vlastní runbooky, které vkládá jako součást výzvy LLM ke zlepšení svých diagnostických možností. Jediný vnější tok dat směřuje k modelům AI, které se připojují k agentickému rozhraní příkazového řádku pro AKS.

K jakým druhům problémů může dojít při použití agentického rozhraní příkazového řádku pro AKS s povolenými moduly plug-in?

Při použití agentického rozhraní příkazového řádku pro AKS s moduly plug-in může dojít k několika typům problémů, které můžou ovlivnit spolehlivost nebo přesnost prostředí pro řešení potíží.

Jednou z běžných výzev je nesprávné vyvolání nástrojů kvůli chybně nakonfigurovaným příkazům. Pluginy se často spoléhají na šablony výzev, které vedou ke zdůvodnění AI a vybírání nástrojů. Dokonce i malé chyby v logice výzvy nebo struktuře můžou vést k nesprávným nástrojům, které se aktivují, nebo správné nástroje používané v nesprávném kontextu. Výsledkem může být zavádějící diagnostika nebo neúplná šetření.

Dalším rizikem je generování vytvoření falešných nebo nesprávných výstupů, zejména pokud pluginy vrací neúplná, zastaralá nebo nejednoznačná data. V takových případech se AI může pokusit doplňovat mezery s věrohodně znějícími, ale nesprávnými vysvětleními. K chybám může dojít také v případě, že chybí telemetrie nebo když se modul plug-in používá v konfiguraci clusteru, který nepodporuje. Privátní cluster může například chybět přístup k určitým rozhraním API nebo nástrojům.

Pokud chcete tato rizika zmírnit, zahrnuje agentské rozhraní příkazového řádku pro AKS několik bezpečnostních opatření. Podrobné protokolování a zasílání zpráv o chybách vám může pomoct přesně zjistit, jaké nástroje byly vyvolány, jaká data se vrátila a jak ji AI interpretovala. Hlášení usnadňují odhalování a opravu problémů. Pokud máte podezření, že způsobují problémy nebo vrací nespolehlivé data, můžete také ručně přepsat nebo zakázat konkrétní moduly plug-in.

Jasná dokumentace a podpora komunity jsou nakonec nezbytné pro vývoj a údržbu modulů plug-in. Dobře zdokumentované moduly plug-in s příklady, poznámky k kompatibilitě verzí a známá omezení vám pomůžou pochopit, jak je používat zodpovědně a přispívat vylepšeními v případě potřeby. Použití modelů LLM nejnovější generace od předních poskytovatelů umělé inteligence také snižuje riziko nesprávných informací.

Související obsah

  • Poslední aktualizace v