iT邦幫忙

2025 iThome 鐵人賽

DAY 26
0

如果覺得文章對你有所啟發,可以考慮用 🌟 支持 Gthulhu 專案,短期目標是集齊 300 個 🌟 藉此被 CNCF Landscape 採納 [ref]

在先前整合 free5GC 實作 5G URLLC 的實驗中讓我意識到,要讓每一個使用者深入的理解 kernel 的行為,並以此基礎找出正確的排程器策略。 是很困難的。換句話說,如果使用者對系統有深刻的了解,那麼他也能考慮自己開發排程器了。

我們的目標是打造一個能夠被廣泛使用的雲原生排程器方案,因此,將 LLM 或 AI 結合一直是我有在思考的可能方案之一。MCP(Model Context Protoco)的出現很大程度地解決了我的問題,因為它讓我能夠:

  • 不需要從頭打造一個 LLM 應用,甚至是專屬的 AI Agent。
  • MCP 廣泛的被現行的 Agents 採用,只要開發一次,就能在多個平台上運作。
  • MCP 的生態圈相當開放,這也意味著 AI Agent 能夠幫我除錯、測試,甚至是開發 MCP 工具。

因此,我透過 GitHub Copilot 加上 SDD(Spec-driven development)的方式為 Gthulhu 快速的打造了一款專屬的 MCP 工具,讓 LLM 與排程器溝通不再只是紙上談兵:

Yes

上面的 DEMO 影片呈現了幾個重點:

  • 一開始 API server 並沒有任何的 scheduling policy 存在
  • 我透過與 Copilot 聊天的方式,請他幫我根據提供的條件提出一個 scheduling policy
  • Gthulhu MCP 成功地與 API Server 溝通,下達了符合我期望的 scheduling policy

因此我們可以預期,當使用者提供給模型足夠完整的 Context,Agent 能夠根據這些資訊推斷我們的系統架構的瓶頸在哪,後續可以再利用 k8s-mcp 等工具篩選出對應的 Pod,最後將匹配的 scheduling policy 套用至 API Server,使 Gthulhu 大大的提供易用性。


上一篇
實作自動化測試流水線
系列文
30 篇文帶你用 eBPF 與 Golang 打造 Linux Scheduler26
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言