tke（k8s）集群故障诊断工具（agent+k8sgpt+llm） 使用langchain+本地部署大模型+k8sgpt+企微机器人实现k8s集群的故障智能诊断。

【负责事项】 负责 TKE 产品上百个模块的运维容灾架构梳理、容灾能力建设、应急预案建设、故障大盘建设、演习能力建设（chaosblade）、演习拉通、问题跟踪闭环等。 【成绩】 最终达成目标：单 AZ 故障时 TKE 控制面核心功能自身 3min 内自愈； 2022年获腾讯云“混沌先锋奖”2 次。

【架构设计和各模块功能】 addon-manager：publish 平台的 http 后台模块，使用 Gin 框架，定义了 创建发布单、创建变更审批单、拉取集群列表、拉取组件列表、发布、回滚、变更分发等核心流程的API； addon-frontend：前端控制台； task-manager：publish 平台的实际变更动作下发模块，使用 k8s operator 框架，watch 集群的 task-crd资源，并执行变更、发布前检查、后置检查、发布调度动作； task-crd：包含了一次发布动作中所需要的信息（分批灰度、调度策略、发布通道信息）； ops-center：publish 平台的资源注册模块，与组件管理中心底座kube-apiserver集成，提供相关 crd 自动管控能力，将所有集群相关的云上资源（cluster、nodepool、vpc、subnet、tps）全部 crd 化，由 ops-center 统一管理，并且实时 watch，调用 yunapi 完成资源生命周期管理； argo-cd：argo是开源的cd方案，以Application CRD的方式来抽象云原生应用。在组件进行Helm化后，可以无缝接入argo-cd，来实现自动化的变更动作。 【达成结果】 承载了 2w+ 现网 tke 用户集群的组件发布需求。