ClaudeScale
   
智能Kubernetes自动伸缩，像人类SRE一样思考
ClaudeStale使用Claude AI根据指标、模式和上下文做出智能缩放决策，而不仅仅是简单的CPU阈值。
______________________________________________________________________
问题
传统的Kubernetes HPA（水平Pod自动缩放器）是反应式和基于规则的：
- 只有在看到高CPU/内存后才会做出反应
- 没有上下文意识（一天中的时间、模式、趋势）
- 无法解释决策
- 没有主动扩展
结果： 在流量高峰期间，反应时间缓慢，性能可能下降。
______________________________________________________________________
解决方案
ClaudeScale为Kubernetes自动扩展添加了AI智能：
- 积极主动： 交通堵塞前的规模（基于预测/警告）
- 上下文感知： 考虑时间、模式、历史数据
- 可解释： 克劳德解释了为什么它会缩放
- 多因素： 不仅仅是CPU——考虑内存、网络、趋势
- 对话： 与您的基础设施聊天
______________________________________________________________________
建筑
┌─────────────────────────────────────────────────────────┐
│ User │
│ ↓ │
│ Claude Desktop (Chat UI) │
│ ↓ │
│ MCP Server (Python) │
│ ↓ │
│ ┌───────────────┴───────────────┐ │
│ ↓ ↓ │
│ Prometheus API Kubernetes API │
│ (Metrics) (Scaling) │
│ ↓ ↓ │
│ ┌──────────┐ ┌──────────────┐ │
│ │Prometheus│ │ Pods (2-5x) │ │
│ │ Pod │◄──────scrapes────┤ │ │
│ └──────────┘ └──────────────┘ │
└─────────────────────────────────────────────────────────┘______________________________________________________________________
特性
核心能力
- 人工智能驱动决策： Claude分析指标并决定何时/如何扩展
- 实时监控： Prometheus集成CPU、内存和网络
- 智能缩放： 考虑多种因素，而不仅仅是阈值
- 审计跟踪： 每个决定都会被记录和解释
- 安全限值： 最少2个，最多5个经过验证的副本
智能功能
- 主动扩展： 流量冲击前的缩放
- 模式识别： 从历史数据中学习
- 自然语言控制： “10分钟内为高流量做好准备”
- 情境感知： 一天中的时间、趋势、最近的事件
- 成本优化： 不需要时缩小规模
______________________________________________________________________
快速开始
先决条件
- Ubuntu 22.04+或类似的Linux
- Docker已安装并正在运行
- 8GB+内存
- Claude桌面应用程序
安装
# 1. Clone repository
git clone https://github.com/kratosvil/ClaudeScale.git
cd ClaudeScale
# 2. Create virtual environment
python3 -m venv venv
source venv/bin/activate
pip install -r requirements-mcp.txt
# 3. Start Minikube
minikube start --driver=docker --memory=4096 --cpus=2
# 4. Deploy Kubernetes resources
kubectl apply -f k8s-manifests/namespace.yaml
kubectl apply -f k8s-manifests/prometheus-configmap.yaml
kubectl apply -f k8s-manifests/prometheus-deployment.yaml
kubectl apply -f k8s-manifests/grafana-configmap.yaml
kubectl apply -f k8s-manifests/grafana-deployment.yaml
kubectl apply -f k8s-manifests/demo-app.yaml
kubectl apply -f k8s-manifests/demo-app-hpa.yaml
# 5. Start port-forwards (each in separate terminal)
kubectl port-forward -n claudescale svc/prometheus 9090:9090
kubectl port-forward -n claudescale svc/grafana 3000:3000
kubectl port-forward -n claudescale svc/demo-app 8080:80
# 6. Open Claude Desktop and chat!______________________________________________________________________
使用示例
检查群集状态
You: Check my Kubernetes cluster status
Claude: Your cluster is healthy with 4 pods running
(demo-app: 2/2, prometheus: 1/1, grafana: 1/1).分析指标
You: What's the CPU usage?
Claude: Current CPU usage is at 85% utilization
(0.17 cores avg). This is high - I recommend scaling.主动扩展
You: We're expecting 3x traffic in 10 minutes
Claude: I'll scale proactively to 4 replicas now to
prepare for the spike. This gives you 2x capacity
headroom and prevents performance degradation.生成报告
You: Create a scaling report
Claude: [Generates comprehensive markdown report with
state, metrics, actions, and recommendations]______________________________________________________________________
MCP工具
ClaudeStale为Claude AI提供了4个工具：
| 工具 | 目的 | 示例 |
|---|---|---|
claudescale_get_current_state | 查看部署和副本 | “显示群集状态” |
claudescale_get_metrics | 查询Prometheus的CPU/内存 | “检查CPU使用情况” |
claudescale_scale_deployment | 放大/缩小（2-5个副本） | “扩展到4个Pod” |
claudescale_generate_report | 创建审计报告 | “生成报告” |
______________________________________________________________________
ClaudeScale与HPA
| 特征 | HPA（原生K8s） | ClaudeScale（AI） |
|---|---|---|
| 决策逻辑 | 简单阈值（CPU>50%） | 多因素AI推理 |
| 时机 | 反应性（尖峰后） | 主动性（尖峰前） |
| 可解释性 | 无 | 完整解释 |
| 情境感知 | 否 | 是（时间、模式、趋势） |
| 预测 | 否 | 是 |
| 自定义指标 | 有限 | 任何普罗米修斯指标 |
| 对话式 | 否 | 是（自然语言） |
______________________________________________________________________
演示场景
场景1：反应式扩展
- 产生高CPU负载：
bash scripts/stress-until-scale.sh - 让克劳德检查并缩放
- 克劳德检测到85%的CPU→ 比例尺2→3 副本
- 解释：“检测到高利用率，正在增加容量”
场景2：主动扩展
- 告诉克劳德：“预计5分钟后交通会激增”
- 克劳德量表2→4 立即复制副本
- 流量到达时，CPU保持在50%（而没有扩展时为90%）
场景3：成本优化
- 交通流量下降
- 请Claude进行优化
- 克劳德量表4→2 复制品：“优化成本效益”
______________________________________________________________________
项目结构
ClaudeScale/
├── mcp-server/ # MCP Server (Python)
│ ├── server.py # Entry point FastMCP
│ ├── config.py # Configuration (.env)
│ ├── tools/
│ │ └── scaling_tools.py # 4 MCP tools
│ └── utils/
│ ├── kubernetes_client.py # kubectl wrapper
│ └── prometheus_client.py # Prometheus wrapper
├── k8s-manifests/ # Kubernetes YAML files
│ ├── namespace.yaml
│ ├── rbac.yaml
│ ├── prometheus-*.yaml
│ ├── grafana-*.yaml
│ └── demo-app*.yaml
├── monitoring/ # Grafana dashboards & configs
├── scripts/ # Automation scripts
│ ├── stress-until-scale.sh # Stress test
│ ├── watch-autoscaling.sh # Monitor HPA
│ ├── test-mcp-server.sh # Automated tests
│ └── generate-load.sh # HTTP load generator
├── docs/ # Documentation
└── README.md______________________________________________________________________
安全
- RBAC： 具有最低权限的ServiceAccount（列表、获取、补丁部署）
- 命名空间隔离： 专用命名空间中的所有资源
claudescale - 副本限制： 硬最小值（2）和最大值（5），以防止失控结垢
- 只读指标： Prometheus查询是只读的
- 审计跟踪： 所有记录的动作都有推理
______________________________________________________________________
测试
# Automated tests
./scripts/test-mcp-server.sh
# Load test (trigger scaling)
./scripts/stress-until-scale.sh
# Monitor in real-time
./scripts/watch-autoscaling.sh______________________________________________________________________
监控
Grafana仪表板
kubectl port-forward -n claudescale svc/grafana 3000:3000
# Open: http://localhost:3000 (admin/admin)普罗米修斯
kubectl port-forward -n claudescale svc/prometheus 9090:9090
# Open: http://localhost:9090______________________________________________________________________
许可证
MIT许可证-请参阅 许可证 文件
______________________________________________________________________
作者
牛瘟
- github： @牛瘟
- DevOps工程师——AWS、Terraform、Kubernetes、AI/DevOps集成
______________________________________________________________________
致谢
- Claude AI和MCP协议的拟人化
- Kubernetes和CNCF社区
- 普罗米修斯项目
______________________________________________________________________
*旨在展示人工智能基础设施自动化的未来*