TKE Skill + AI Copilot 实践记录

TKE Skill + AI Copilot 实践记录

🤔 为什么要做这件事

作为 TKE 的产品经理，我一直在思考：AI 编程助手时代，用户管理 Kubernetes 集群的体验能不能更简单？

理想场景是这样的：

用户: 把当前项目部署到 TKE 集群 cls-xxx
AI: 好的，已完成部署！访问地址是 http://x.x.x.x

一句话，AI 全搞定。不需要手动写 Dockerfile、不需要配置 kubeconfig、不需要写 K8s YAML。

为了验证这个想法，我决定用自己的 TKE Workshop 项目来实测一下。

---

🎯 目标和工具

期望达成的效果

1. ✅ 一句话部署：用户说”部署到 TKE”，AI 自动完成所有步骤
2. ✅ 智能排障：Pod 有问题时，AI 自动分析并给出建议
3. ✅ 端到端闭环：从代码到运行，无需人工干预

使用的工具组合

工具	作用	来源
TKE Skill	腾讯云 TKE 平台操作（集群管理、获取 kubeconfig）	CodeBuddy 内置
kubernetes-mcp-server	K8s 集群内操作（部署、日志、Helm）	开源 MCP Server
本地 Docker	构建镜像	本地环境
TCR 个人版	托管镜像	腾讯云免费服务

坦白说，看到需要组合这么多工具，我心里就有点打鼓了。

---

🛠️ 实际动手过程

第一步：配置工具

TKE Skill 配置（比较简单）：

# 配置腾讯云凭证
export TENCENTCLOUD_SECRET_ID="xxx"
export TENCENTCLOUD_SECRET_KEY="xxx"

kubernetes-mcp-server 配置：

编辑 ~/.codebuddy/mcp.json：

{
  "mcpServers": {
    "kubernetes": {
      "command": "npx",
      "args": ["-y", "kubernetes-mcp-server@latest"]
    }
  }
}

这一步其实还好，按照文档配置就行。

第二步：尝试部署

我信心满满地说：

把 TKE Workshop 项目部署到集群 cls-1l0io2fu

然后… AI 开始了它的”自主发挥”：

AI 执行流程:
  1. [TKE Skill] 获取 kubeconfig ✅
  2. [保存文件] 把 kubeconfig 写到本地 ✅
  3. [分析项目] 这是个文档站点项目，需要 Dockerfile ✅
  4. [生成文件] 创建 Dockerfile ✅
  5. [终端] docker build... ❌ 报错
  6. [修复] 换个基础镜像... ✅
  7. [终端] docker build... ✅
  8. [终端] docker push... ❌ 没登录 TCR
  9. [提示] 需要先登录 TCR...
  10. [手动] 我去控制台获取登录命令...
  11. [终端] docker push... ✅
  12. [kubernetes-mcp] 创建 Deployment... ❌ 404
  13. [排查] kubeconfig 路径不对...
  14. [修复] 重新配置...
  15. [kubernetes-mcp] 创建 Deployment... ✅
  16. [验证] Pod 状态... ✅ Running

实际上经历了好几轮对话才完成部署。😅

第三步：问题诊断

最大的问题是：TKE Skill 和 kubernetes-mcp 是两个独立的工具，中间的数据流转全靠 AI “猜”。

举个例子：

TKE Skill 获取的 kubeconfig:
  → AI 需要自己决定保存到哪个路径
  → kubernetes-mcp 需要读取这个路径
  → 如果路径不一致，就 404

这个过程完全依赖 AI 的"自主发挥"，没有标准流程。

---

😕 真实遇到的问题

问题 1：能力割裂

TKE Skill 只能做”一半”的事：

能力	TKE Skill	kubernetes-mcp	备注
获取 kubeconfig	✅	-	但用户需要手动保存
部署 Deployment	❌	✅	TKE Skill 不支持
查看 Pod 日志	❌	✅	TKE Skill 不支持
查看 Events	❌	✅	TKE Skill 不支持
镜像推送	❌	❌	都不支持

这意味着：装好 TKE Skill，你还是什么都做不了，必须再装 kubernetes-mcp。

问题 2：kubeconfig 流转不顺畅

TKE Skill: 这是 kubeconfig 内容
AI: 我保存到 ~/.kube/config...（自己决定的）
kubernetes-mcp: 我默认读 ~/.kube/config...（可能不一致）

中间全靠 AI 自己协调，容易出错。

问题 3：镜像构建/推送是断点

项目代码 → [构建镜像] → [推送镜像] → [部署到 K8s]
               ❌ 没有自动化     ❌ 没有自动化

目前需要：

1. 手动登录 TCR（去控制台拿命令）
2. 手动 docker build
3. 手动 docker push

这和”一句话部署”的理想差太远了。

---

🎯 最终实现的效果

经过一番折腾，最终还是成功部署了。但过程比我预期的复杂很多。

实际步骤：

# 1. 手动登录 TCR（一次性）
docker login ccr.ccs.tencentyun.com -u xxx

# 2. AI 构建和推送
AI: docker build -t tke-workshop:v1 .
AI: docker tag tke-workshop:v1 ccr.ccs.tencentyun.com/virgil/tke-workshop:v1
AI: docker push ccr.ccs.tencentyun.com/virgil/tke-workshop:v1

# 3. AI 获取 kubeconfig
AI: [TKE Skill] get_kubeconfig(cluster_id="cls-1l0io2fu")

# 4. AI 部署资源
AI: [kubernetes-mcp] resources_create_or_update(Deployment)
AI: [kubernetes-mcp] resources_create_or_update(Service)

# 5. AI 验证
AI: [kubernetes-mcp] pods_list() → 3 个 Pod Running

最终效果：

• ✅ 部署成功，服务可访问
• ⚠️ 过程需要多轮对话
• ⚠️ 需要手动配置 TCR 登录

---

💭 真实感受和反思

做得好的地方

1. TKE Skill 的基础能力是 OK 的：获取 kubeconfig、查看集群信息都没问题
2. kubernetes-mcp 很强大：Pod 操作、Helm 管理、Events 查看都支持
3. 组合起来确实能完成任务：虽然麻烦，但最终能部署成功

需要改进的地方

1. TKE Skill 应该是端到端的：装一个 Skill 就能完成所有 TKE 操作
2. kubeconfig 应该自动管理：用户不需要关心保存在哪里
3. 镜像操作应该内置：TCR 登录、推送应该是 TKE Skill 的一部分
4. kubectl 操作应该内置：部署、查看日志不应该依赖外部工具

对用户的影响

如果我是一个普通用户，看到”TKE Skill”：

• 期望：装上就能用，一句话部署到 TKE
• 现实：还要装 kubernetes-mcp，还要配 TCR，还要多轮对话

这个落差太大了。

---

🔧 改进建议

我把完整的改进建议整理成了一份文档，核心观点：

TKE Skill 应该成为”TKE 全能助手”

当前状态：TKE API 查询器（查集群、获取 kubeconfig）

期望状态：TKE 端到端运维工具

P0 必须支持的能力

# kubectl 操作（TKE Skill 内部管理 kubeconfig）
tke kubectl --cluster-id cls-xxx get pods
tke kubectl --cluster-id cls-xxx apply -f deployment.yaml
tke kubectl --cluster-id cls-xxx logs pod/xxx

# Pod 操作
tke pods-list --cluster-id cls-xxx
tke pods-logs --cluster-id cls-xxx --pod xxx

P1 强烈建议的能力

# 排障
tke events --cluster-id cls-xxx
tke describe --cluster-id cls-xxx --resource pod --name xxx

# TCR 集成
tke tcr-login --region ap-guangzhou
tke tcr-push --image xxx --namespace xxx

核心原则

用户装好 TKE Skill 后，应该能直接说：

把当前项目部署到 TKE 集群 cls-xxx

TKE Skill 自己完成：

1. 分析项目，生成 Dockerfile
2. 构建镜像
3. 推送到 TCR
4. 获取 kubeconfig（内部完成）
5. 生成 K8s YAML
6. 部署资源
7. 验证 Pod 状态
8. 返回访问地址

不需要：

• ❌ 额外安装 kubernetes-mcp-server
• ❌ 手动配置 TCR 登录
• ❌ 多轮对话反复调整

---

📊 时间投入

阶段	预期时间	实际时间
配置工具	5 分钟	15 分钟
首次部署	1 分钟	30 分钟
排障和调整	-	20 分钟
总计	6 分钟	65 分钟

说实话，如果我直接手动 kubectl apply，可能 10 分钟就搞定了。😂

---

🎉 总结

核心结论

TKE Skill 目前只是”半个能力”，必须配合 kubernetes-mcp-server 才能完成基本的部署和运维场景。

这不符合用户的预期——用户装一个”TKE Skill”，期望的是它能搞定所有 TKE 相关的事情。

给 TKE Skills 研发的建议

1. 扩展 K8s 集群内操作：kubectl apply/get/delete、Pod 日志、Events
2. 内置 kubeconfig 管理：用户无需感知，TKE Skill 自己处理
3. 集成 TCR 操作：登录、推送、列出镜像
4. 提供高级命令：tke deploy --cluster-id xxx 一键完成所有步骤

这个实验的价值

虽然体验不如预期，但这次实验帮我：

1. 深入理解了 AI + K8s 运维的工具链
2. 明确了 TKE Skill 的改进方向
3. 产出了可复用的部署流程文档

---

🔗 相关资源

• TKE Skill + kubernetes-mcp 集成指南
• POC 场景示例
• TKE Skill 改进建议

---

📝 关于这篇文章

这篇文章基于真实的部署实验撰写，记录了使用 TKE Skill + AI Copilot 部署项目的完整过程。

写这篇文章的目的：

1. 如实记录体验，给 TKE Skills 研发提供改进参考
2. 帮助其他用户了解当前工具的能力边界
3. 探索 AI + K8s 运维的最佳实践

说实话：AI 编程助手 + K8s 运维这个方向很有价值，但目前的工具链还不够成熟。期待 TKE Skill 未来能做到真正的”一句话部署”。