Rancher 集群巡检（多 Agent 并行版）

对 Kubernetes 集群做健康巡检，采用多 Agent 并行架构，6 个维度同时执行，显著提升巡检速度和覆盖深度。

架构概览

用户请求 → Skill 识别巡检类型 → 并行启动维度 Agent → 汇总报告
                                    ├─ cluster-info-inspector   (集群信息)
                                    ├─ node-health-inspector    (节点健康)
                                    ├─ capacity-inspector       (资源容量)
                                    ├─ workload-inspector       (工作负载)
                                    ├─ event-inspector          (异常事件)
                                    └─ system-inspector         (系统组件)

可用 Sub-Agent（6 个维度 Agent）

1. rancher-cluster-info-inspector

维度: 集群基础信息 检查项: 集群状态、K8s 版本、项目数量、命名空间数量、Provider 信息

2. rancher-node-health-inspector

维度: 节点健康 检查项: Ready 状态、MemoryPressure、DiskPressure、PIDPressure、Taints/Cordoned、kubelet 版本一致性

3. rancher-capacity-inspector

维度: 资源容量 检查项: CPU/内存请求/限制/使用率、Pod 数量、过度分配检测

4. rancher-workload-inspector

维度: 工作负载健康 检查项: Deployment/StatefulSet/DaemonSet 可用性、异常 Pod、高重启 Pod

5. rancher-event-inspector

维度: 异常事件 检查项: Warning 事件、OOMKilling、FailedScheduling、Evicted、高频重复事件

6. rancher-system-inspector

维度: 系统组件 检查项: CoreDNS、kube-proxy、metrics-server、cattle-agent、fleet-agent、Ingress Controller

决策树

用户请求：
├─ "集群巡检" / "cluster inspection" / "健康检查" / "集群体检"
│  └─ 并行启动 6 个维度 Agent（完整巡检）
│
├─ "快速检查" / "quick check" / "简单看看集群状态"
│  └─ 并行启动 3 个维度 Agent（cluster-info + node-health + event）
│
├─ "节点巡检" / "检查所有节点" / "node inspection"
│  └─ 并行启动 2 个维度 Agent（node-health + capacity）
│
├─ "工作负载巡检" / "应用健康检查" / "workload inspection"
│  └─ 并行启动 2 个维度 Agent（workload + event）
│
├─ "事件巡检" / "检查异常事件" / "event inspection"
│  └─ 启动 1 个维度 Agent（event）
│
├─ "系统组件巡检" / "检查系统组件" / "system inspection"
│  └─ 启动 1 个维度 Agent（system）
│
├─ "巡检所有集群" / "全部集群体检" / "inspect all clusters"
│  └─ 获取集群列表 → 为每个集群并行启动 6 个维度 Agent
│
├─ "变更前检查" / "pre-change check"
│  └─ 并行启动 6 个维度 Agent（完整巡检，记录基线）
│
└─ "变更后检查" / "post-change check"
   └─ 并行启动 6 个维度 Agent（完整巡检，与基线对比）

并行执行模式

模式 1: 单集群完整巡检（6 Agent 并行）

用户: "对 production 集群做一次完整巡检"

→ 步骤 1: 确定集群 ID（如需要，使用 cluster_list 搜索）
→ 步骤 2: 同时启动 6 个维度 Agent
  Agent 1: rancher-cluster-info-inspector（集群 c-abc123）
  Agent 2: rancher-node-health-inspector（集群 c-abc123）
  Agent 3: rancher-capacity-inspector（集群 c-abc123）
  Agent 4: rancher-workload-inspector（集群 c-abc123）
  Agent 5: rancher-event-inspector（集群 c-abc123）
  Agent 6: rancher-system-inspector（集群 c-abc123）
→ 步骤 3: 汇总 6 个维度报告，计算整体评分，生成完整巡检报告

模式 2: 多集群并行巡检（N 集群 × 6 Agent）

用户: "巡检所有集群"

→ 步骤 1: 调用 cluster_list 获取所有集群
→ 步骤 2: 为每个集群同时启动 6 个维度 Agent
  集群 production (c-abc123): 6 个维度 Agent
  集群 staging (c-def456):    6 个维度 Agent
  集群 dev (c-ghi789):        6 个维度 Agent
  （共 18 个 Agent 并行运行）
→ 步骤 3: 分别汇总每个集群的巡检报告
→ 步骤 4: 生成多集群巡检总览

模式 3: 快速巡检（3 Agent 并行）

用户: "快速检查一下 production 集群"

→ 并行启动 3 个维度 Agent：
  Agent 1: rancher-cluster-info-inspector
  Agent 2: rancher-node-health-inspector
  Agent 3: rancher-event-inspector
→ 汇总报告（仅含 3 个维度）

模式 4: 指定命名空间巡检

用户: "巡检 production 集群的 app 和 monitoring 命名空间"

→ 并行启动维度 Agent（传入 namespaces 参数）：
  Agent 1: rancher-workload-inspector（namespaces: ["app", "monitoring"]）
  Agent 2: rancher-event-inspector（namespaces: ["app", "monitoring"]）
→ 聚焦指定命名空间的检查结果

模式 5: 变更前后对比巡检

用户: "做一次变更前巡检"

→ 并行启动 6 个维度 Agent（完整巡检）
→ 保存报告作为基线

用户（变更后）: "做变更后检查"

→ 并行启动 6 个维度 Agent（完整巡检）
→ 与之前的基线对比，高亮变化项

工作流

步骤 1: 识别巡检类型

• 完整巡检 vs 快速巡检 vs 专项巡检？
• 单集群 vs 多集群？
• 是否指定命名空间？

步骤 2: 获取集群信息

如果用户提供集群名称而非 ID：

→ 使用 cluster_list（name: "关键词"）搜索
→ 获取匹配的集群 ID

如果用户要求巡检”所有集群”：

→ 使用 cluster_list 获取完整列表

步骤 3: 并行启动维度 Agent

完整巡检（6 Agent 并行）：

// 同时启动 6 个维度 Agent
const tasks = [
  Task({
    subagent_type: "general-purpose",
    description: "巡检集群基础信息",
    prompt: `你是 rancher-cluster-info-inspector。对集群 ${cluster}（${name}）执行集群基础信息巡检。检查集群状态、K8s 版本、项目和命名空间概况。返回标准化维度报告（含 dimension、score、status、items、issues、recommendations）。`
  }),
  Task({
    subagent_type: "general-purpose",
    description: "巡检节点健康",
    prompt: `你是 rancher-node-health-inspector。对集群 ${cluster}（${name}）执行节点健康巡检。检查 Ready 状态、Conditions、Taints、kubelet 版本一致性。返回标准化维度报告。`
  }),
  Task({
    subagent_type: "general-purpose",
    description: "巡检资源容量",
    prompt: `你是 rancher-capacity-inspector。对集群 ${cluster}（${name}）执行资源容量巡检。检查 CPU/内存请求/限制/使用率、Pod 数量、过度分配。返回标准化维度报告。`
  }),
  Task({
    subagent_type: "general-purpose",
    description: "巡检工作负载",
    prompt: `你是 rancher-workload-inspector。对集群 ${cluster}（${name}）执行工作负载健康巡检。检查 Deployment/StatefulSet/DaemonSet 可用性、异常 Pod。返回标准化维度报告。`
  }),
  Task({
    subagent_type: "general-purpose",
    description: "巡检异常事件",
    prompt: `你是 rancher-event-inspector。对集群 ${cluster}（${name}）执行异常事件巡检。检查 Warning 事件、OOMKilling、FailedScheduling 等关键事件。返回标准化维度报告。`
  }),
  Task({
    subagent_type: "general-purpose",
    description: "巡检系统组件",
    prompt: `你是 rancher-system-inspector。对集群 ${cluster}（${name}）执行系统组件巡检。检查 kube-system、cattle-system 核心组件状态。返回标准化维度报告。`
  })
];
const results = await Promise.all(tasks);

快速巡检（3 Agent 并行）：

const tasks = [
  Task({ ... description: "巡检集群基础信息", prompt: "rancher-cluster-info-inspector ..." }),
  Task({ ... description: "巡检节点健康", prompt: "rancher-node-health-inspector ..." }),
  Task({ ... description: "巡检异常事件", prompt: "rancher-event-inspector ..." })
];

多集群巡检（N × 6 Agent 并行）：

const clusters = await cluster_list();
const tasks = clusters.flatMap(c => [
  Task({ ... prompt: `rancher-cluster-info-inspector for ${c.id}` }),
  Task({ ... prompt: `rancher-node-health-inspector for ${c.id}` }),
  Task({ ... prompt: `rancher-capacity-inspector for ${c.id}` }),
  Task({ ... prompt: `rancher-workload-inspector for ${c.id}` }),
  Task({ ... prompt: `rancher-event-inspector for ${c.id}` }),
  Task({ ... prompt: `rancher-system-inspector for ${c.id}` })
]);
const results = await Promise.all(tasks);
// 按集群分组汇总

步骤 4: 汇总巡检报告

• 收集所有维度 Agent 的返回结果
• 汇总评分概览表格
• 合并各维度的详细检查结果
• 合并问题清单（按严重程度排序）
• 合并改进建议（按优先级排序）
• 计算整体评分（取各维度最低分）

响应格式

单集群巡检报告

## 集群巡检报告: production (c-abc123)

### 巡检概览
- 巡检时间: 2025-01-15 10:30
- 巡检范围: 完整巡检（6 维度并行）
- **整体评分: B（良好）**

### 评分概览
| 维度 | Agent | 评分 | 状态 |
|------|-------|------|------|
| 集群基础信息 | cluster-info-inspector | A | ✅ 正常 |
| 节点健康 | node-health-inspector | B | ⚠️ 注意 |
| 资源容量 | capacity-inspector | A | ✅ 正常 |
| 工作负载健康 | workload-inspector | B | ⚠️ 注意 |
| 异常事件 | event-inspector | A | ✅ 正常 |
| 系统组件 | system-inspector | A | ✅ 正常 |

### 问题清单
| 严重程度 | 维度 | 问题 | 建议 |
|----------|------|------|------|
| ⚠️ | 节点健康 | node-5 NotReady | 检查 kubelet |
| ⚠️ | 工作负载 | 2 个 Pod CrashLoopBackOff | 查看日志 |

### 改进建议
1. **[紧急]** 修复 node-5
2. **[建议]** 排查崩溃 Pod

多集群巡检总览

## 多集群巡检总览

| 集群 | 评分 | 集群信息 | 节点 | 容量 | 工作负载 | 事件 | 系统 | 关键问题 |
|------|------|----------|------|------|----------|------|------|----------|
| production | B | ✅ | ⚠️ | ✅ | ⚠️ | ✅ | ✅ | 1 节点 NotReady |
| staging | A | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | 无 |
| dev | C | ✅ | ⚠️ | ⚠️ | ⚠️ | ⚠️ | ✅ | 容量不足 |

### 集群详情
[各集群独立巡检报告...]

巡检范围 → Agent 映射速查表

巡检最佳实践

1. 日常巡检：每天执行 quick 巡检（3 Agent），关注节点和事件
2. 周巡检：每周执行 full 巡检（6 Agent），覆盖所有维度
3. 变更巡检：重大变更前后各做一次 full 巡检，对比差异
4. 事件驱动：收到告警后执行对应专项巡检
5. 多集群：定期对所有集群做 full 巡检，生成健康趋势

错误处理

• 维度 Agent 失败: 在报告中标注该维度为”巡检失败”，不影响其他维度评分
• metrics-server 未安装: capacity-inspector 跳过实际使用率，报告中注明
• 集群不可达: 标记为巡检失败，报告集群连接问题
• 权限不足: 各 Agent 尽可能巡检可访问资源，注明权限限制
• 数据不完整: 基于可用数据生成报告，标注缺失项

与其他技能的关系