使用说明

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