Комментарии 6
Насколько информативнее и достовернее этот инструмент, чем детерминированные валидаторы вроде kubectl-validate, на ваш взгляд?
Я бы сказал, что это разные инструменты, но они дополняют друг друга. Если проводить аналогию с обычным кодом, то kubectl-validate это статический анализатор, который не может сообщить о проблемах окружения в рантайме.
Да, но Кубер у нас декларативный. В рантайме разве что логи динамические и метрики, которые сейчас в OpenTelemetry собираются. Не пробовали ли k8sgpt для поиска аномалий на большом объеме данных? Мне кажется, что спанами он подавится :) А логами?
Декларативно задаётся желаемое состояние, но при переходе из одного декларативного состояния в другое могут быть проблемы с окружением.
Я не уверен, что k8sgpt обучен на логах и метриках, там слишком большая вариативность. Скорее похоже на то, что модель обучена по ресурсам Events и по статусам встроенных ресурсов, где как раз отражаются проблемы окружения.
Все так, k8sgpt смотрит на состояние ресурсов и events, а потом просто рекомендует самостоятельно посмотреть еще и логи) Даже в примере, когда в логах пода явно была указана проблема, утилита не опиралась на эти данные при выдаче рекомендации по устранению.
Первичный оптимизм после чтения заголовка плавно скатился в жгучий пессимизм... Пользы около нуля, только запутать могут, особенно новичков, принимающих все за чистую монету.
Один плюс: раз все равно новички лезут в модели, то тут хотя бы контекст и промпт за них делают...
Обзор k8sgpt: как искусственный интеллект помогает обучать DevOps-инженеров