背景

在微服务与云原生架构普及的今天，Kubernetes 生产环境的复杂度呈指数级增长，传统人工巡检方式已难以适应现代运维需求。人工巡检不仅耗时费力，且难以全面覆盖潜在风险，导致环境问题频发，告警系统也常因大量无效告警而背锅。Zadig 与 DeepSeek 的深度协同，首次将 AGI 技术注入 DevOps 全生命周期，推出「AI 环境巡检」功能，通过定时巡检与智能告警，确保环境稳定性，有效减少无效告警，让告警系统真正发挥其价值。

本文将深入剖析 Zadig 如何通过借助 AI 大语言模型能力，优化环境巡检流程，减少无效告警，提升运维效率。

能力概览

Zadig 的 AI 环境巡检功能专为复杂的 Kubernetes 生产环境设计，通过自动化和智能化手段，全面提升环境稳定性与运维效率。其核心能力包括定时自动巡检、智能问题识别与解决方案推荐、即时告警推送等。AI 定期对 Kubernetes 环境进行全方位检查，覆盖资源状态、服务健康度等关键指标，自动识别 Pod 异常、资源不足、配置错误等常见问题，并提供解决方案。巡检结果通过飞书、钉钉、企业微信等即时通讯工具实时推送给相关责任人，确保问题第一时间被发现和处理。Zadig 的 AI 环境巡检不仅大幅降低了人工巡检的成本，还通过持续监控和预防性维护，有效避免了小问题演变为大故障，助力团队快速响应环境问题，保障生产环境的稳定运行。

技术实现

环境巡检功能我们参考了开源项目 K8sGPT 的实现，并使用了该项目中的部分源代码。其核心流程图如下：

当用户在页面上点击环境巡检后，系统首先会从数据库中获取默认的 LLM（大语言模型）并创建一个 LLM Client。接着，系统会使用这个 LLM Client，结合集群 ID、Namespace、并发数量等数据，创建一个分析器。

该分析器会并发地分析 Kubernetes 集群中的各种资源状态，包括 Deployment、Statefulset、Pod、Service、Node 等。具体来说：

• Deployment：检查其 Spec 中定义的副本数量与实际运行的副本数量是否一致。
• Statefulset：检查其对应的 Service 是否存在，以及 VolumeClaimTemplates 中配置的 StorageClass 是否存在。
• Pod：检查 Pod 是否被正常调度、镜像拉取是否成功、Pod 是否处于 Ready 状态等，还会对 Event 事件进行分析。
• Service：检查 Service 是否有的 Endpoints，且状态是否为 Ready。
• PersistentVolumeClaim：检查状态是否正常，并且分析 Event 检查是否 Provision 成功。
• ……

分析完成后，系统会将收集到的异常信息整合，并搭配预先编写的 Prompt 发送给 LLM。LLM 会解释错误原因并提供解决方案。为了提高响应速度，系统还实现了缓存机制。如果请求的错误信息没有变化，则会直接从缓存中获取结果，而无需再次请求 LLM，从而显著减少了响应时间。

核心 Prompt

最后，如果用户配置了定时巡检和通知功能，系统会在定时巡检结束后，将巡检结果发送到用户配置的通知渠道，如飞书、企业微信或钉钉等。

最终效果图

系统通过定时巡检实时监测环境状态，AI 智能分析异常并生成解决方案，同时将预警信息自动推送至 IM 群组。

定时巡检

智能问题识别

消息推送 IM

总结

目前，Zadig 的 AI 环境巡检功能已显著提升运维效率，但在推理模型、资源覆盖和实时响应方面仍有优化空间。未来将通过引入先进推理模型、扩展资源支持、集成 LLM Stream API 等升级，进一步提升分析能力和响应速度，打造更智能的运维体验。