La boutique est ouverte

Nous construisons les machines Workstation AI pour les sites web, les agents IA et l'entraînement de LLM — configurez-les et achetez-les en ligne.

Obtenir les prix pro
Produits IA
Labs IAAgents OpenAIAgents ClaudeGrok BotCRM natif Workstation AIMarketingTous les produits
Solutions IA
IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseStations de travail IAMatériel et logiciels NVIDIACalcul accéléré NVIDIAIA privéeCloud privé GPUClusters GPUIA en périphérieIA par secteur
Services IA
Modernisation des plateformesIngénierie numériqueFondations data et IAOpérations autonomesConseil IAAutomatisation DevOpsCybersécuritéDéveloppement logicielCréation d'agentsMise en place MLOpsLocation de GPUCloud privé GPU
À propos
EntrepriseNotre histoirePartenairesTémoignages clients
Centres de données IA
Centres de données IACloud privé GPUClusters GPULocation de GPU
Analyses IASérie JevLabo de benchmarksChoix de modèles
Notes techniques
Documentation
OS LinuxUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
Plateformes cloud d'IAAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryClouds et places de marché GPU
Centres de données IA privésPour les cabinets d'avocatsPour les cabinets comptablesPlateformes sur siteCloud entièrement sécurisé
OutilsRing PromoterJobshout
Actualités
Blog
Nous contacterSe connecter

Stations de travail IA, logiciels multi-agents IA, infrastructure GPU et solutions d'agents intelligents pour les entreprises modernes.

Nous contacter

Solutions IA

IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseIA par secteur

Produits

Tous les produitsCRM & ERP natifs Workstation AIMarketingAgents OpenAIRing PromoterJobshout

Entreprise

À proposEntrepriseCentres de données IAPourquoi WorkstationPartenairesTémoignages clientsTarifsContactTenthMatrix

Ressources

Analyses IANotes techniquesDocumentationOS LinuxPlateformes cloud d'IACentres de données IA privésBlogRechercherPlan du site
Bureau de Belgique
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Lun - Ven : 9h00 - 18h00 CET
+32 492 45 67 46
Siège social au Royaume-Uni
77-79 Marlowes, Hemel Hempstead HP1 1LFItinéraire : prenez la sortie 20 de la M25, Outer LondonN° d'entreprise: 11641870Lun - Ven : 9h00 - 18h00 GMT
+44 7515 356 146
Bureau de l'Inde
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Bureau de Taïwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Lun - Ven : 9 h 00 - 18 h 00, heure de Taïwan (GMT+8)
+886 926 892 701+32 492 45 67 46
Bureau en Estonie
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaLun - Ven : 9 h 00 - 18 h 00, heure d’Estonie (EET)
+32 492 45 67 46

© 2026 Workstation AI. Tous droits réservés.

ConfidentialitéSuppression des donnéesCookiesConditions d'utilisationPlan du site web

NVIDIA, le logo NVIDIA, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX et HGX sont des marques commerciales et/ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d'autres pays. AMD, le logo AMD Arrow, EPYC, Instinct, Ryzen et Threadripper sont des marques commerciales d'Advanced Micro Devices, Inc. Dell et PowerEdge sont des marques commerciales de Dell Inc. ou de ses filiales. Intel et Xeon sont des marques commerciales d'Intel Corporation ou de ses filiales. AMAX, AceleMax et LiquidMax sont des marques commerciales d'AMAX Engineering Corporation. Tous les autres noms de produits, logos et marques appartiennent à leurs propriétaires respectifs. Nous les utilisons uniquement pour identifier les produits que nous décrivons, fournissons ou prenons en charge ; leur utilisation ne signifie pas que leurs propriétaires nous cautionnent.

Accueil / Notes techniques / Technology
KubernetesDevOpsAIOpsOpen Source

KubePilot : CoPilot, Pilot et AutoPilot pour des incidents Kubernetes plus rapides

Brief technique : boucle d'incident à trois modes, installation (source/Helm/Docker/iOS), rails de sécurité AutoPilot, MCP, runbooks et liste de contrôle de production

12 août 2026Technology7 min read

KubePilot est un cockpit de dépannage Kubernetes open source construit par le Workstation équipe d’ingénierie. Il combine le diagnostic assisté par l'IA (Copilote), navigation dans les clusters de style SRE (Pilote) et les mesures correctives dépendantes des règles (Pilote automatique) afin que les équipes de plateforme, SRE et DevOps passent des signaux bruyants à une solution sûre, sans jongler avec les onglets kubectl en cours d'incident. Site produit : kubepilot.org. Source: github.com/bwalia/kubepilot.

Couverture KubePilot — CoPilot Pilot AutoPilot

Navigation. Blog compagnon : résumé de l'entreprise. En rapport: GitOps avec ArgoCD et Flux, Kubeflow + CD Argo, LLM sur Kubernetes, MCP OAuth et coffre-fort.
Résumé des agents.
  • Quoi: Cockpit K8 open source — CoPilot (AI RCA) + Pilot (navigateur SRE) + AutoPilot (fixateur fermé).
  • OMS: Équipes SRE, DevOps, plateforme/AIOps qui ont besoin d'un MTTR plus rapide avec une automatisation vérifiable.
  • Courir: binaire serve sur :8383, carte Helm, Docker (ghcr.io/kubepilot/kubepilot), compagnon iOS.
  • IA : LLM locaux via Ollama ; Invite de copie ; Serveur MCP sur :9090.
  • Sécurité: valeurs par défaut du pilote en lecture seule ; AutoPilot désactivé/fonctionnement à sec/actif ; seuils de confiance ; listes de blocage ; coupe-circuit ; registre des décisions.

1. Regardez la procédure pas à pas

youtu.be/CsiJWpfncqA —Balinder Walia, Workstation.

2. Le problème que KubePilot résout

Les clusters modernes émettent plus de signaux que les humains ne peuvent trier sur une seule page : CrashLoops, ImagePullBackOff, OOMKills, pression des nœuds, sondes floconneuses et dérive YAML. La réponse typique s'étend sur :

  • kubectl historique et scripts shell,
  • une interface utilisateur de navigateur (Lens / Rancher / tableau de bord),
  • se connecte à un troisième outil,
  • une discussion LLM avec YAML collé (et pas d'authentification de cluster).

Cette fragmentation brûle des minutes alors que les minutes représentent le SLA. KubePilot réduit la boucle en un seul cockpit : repérer → demander → vérifier → corriger.

Boucle d'incident à trois modes

3. Mode A — CoPilot (dépannage assisté par IA)

CoPilot est la surface RCA automatisée et en langage naturel :

  • Posez des questions opérationnelles dans un anglais simple (« pourquoi le paiement CrashLooping est-il en production ? »).
  • Un clic Analyse IA sur les pods et les événements problématiques.
  • Analyse des causes profondes avec chaînes de preuves, confiance, risque, commandes suggérées, correctifs YAML et étapes suivantes.
  • Détection d'anomalies pour les modèles CrashLoop, MOO, ImagePull et la pression des nœuds.
  • Copier l'invite pour réutiliser l'invite de diagnostic exacte avec votre modèle préféré.
  • Conçu pour Ollama / modèles locaux afin que le contexte du cluster puisse rester sur votre réseau.

Événements de cluster et dépannage de l'IA

4. Mode B — Pilote (navigateur de dépannage SRE)

Pilot est un atelier en lecture seule de style Lens/Rancher pour la vérification avant mutation :

  • Parcourez les déploiements, les StatefulSets, les DaemonSets, les travaux, les services, les entrées, les ConfigMaps, les secrets et les PVC.
  • Pod Workbench : présentation, conteneurs, événements, journaux, YAML nettoyé, nombre de redémarrages, temps de disponibilité.
  • Jauges de ressources de cluster en direct (CPU, mémoire, disque) – compatibles Longhorn le cas échéant.
  • Canevas de topologie de service : Entrée → Service → Charge de travail → Pod avec couleurs d'état et ports.
  • Classification IP des nœuds LAN, WAN et tunnel (par exemple WireGuard / flanelle) – pas seulement l'adresse de superposition.
  • Tunnels de transfert de port depuis l'interface utilisateur ; Téléchargement de kubeconfig multicluster et changement de contexte sans redémarrage.

Présentation du tableau de bord pilote avec jauges et adresses IP des nœuds

5. Mode C — AutoPilot (fixateur AI avec rails de sécurité)

AutoPilot ferme la boucle avec une auto-réparation vérifiable – jamais « YOLO apply » par défaut :

Contrôle But
Modes : arrêt / marche à sec / actifPrévisualiser avant d'appliquer ; garder l'automatisation garée en cas de besoin
Sols de confianceIgnorez les RCA à faible confiance au lieu de deviner
Listes de blocage d'espaces de noms et listes d'autorisation d'actionsProtéger les espaces de noms kube-system / prod ; limiter les types de mutations
Temps de recharge et plafonds horairesPrévenir les tempêtes de remédiation
Couper l'interrupteurPause en un clic pour les opérateurs
Grand livre de décisionsExécuté, ignoré, remonté, échoué — piste d'audit
Escalade de code CRApprobation humaine pour les actions risquées

Anomalie AutoPilot dans le flux de travail de correction audité

6. Carte complète des fonctionnalités (de kubepilot.org)

  • Runbooks prédéfinis : sept flux de travail de diagnostic avisés ; runbooks YAML personnalisés avec rechargement à chaud fsnotify (les ID utilisateur remplacent les éléments intégrés).
  • Historique durable de RCA : SQLite intégré en option (WAL, pas de CGO) avec conservation des rapports et des anomalies lors des redémarrages.
  • Alertes et chronologie : avertissements, événements, anomalies, RCA comme chronologie des opérations consultable ; Cartes d'incident Slack en option.
  • Puce de santé IA : sachez que Ollama est prêt avant qu’un incident n’en dépende.
  • Valeurs par défaut axées sur la sécurité : authentification facultative, navigation en lecture seule, portes de mutation, politiques CORS.
  • Protocole de l'agent MCP : serveur MCP intégré pour l'orchestration d'agents multiclusters et l'accès par programmation.
  • Compagnon iOS natif : Application SwiftUI – cartes de santé, pods, journaux, RCA, Face ID, widgets, intentions Siri/App.

7. Options d'installation

Prérequis pour les builds sources : Go 1.22+, Node.js 18+, un cluster accessible + kubeconfig ; Ollama recommandé pour l'IA locale.

7.1 Construire à partir des sources

git clone https://github.com/bwalia/kubepilot.git
cd kubepilot
make dashboard-install
make dashboard
make build
KUBEPILOT_KUBECONFIG="$HOME/.kube/config" ./dist/kubepilot serve --dashboard-port=8383
# Dashboard/API: http://localhost:8383
# MCP server: :9090

7.2 Helm (installation du cluster)

helm repo add kubepilot https://bwalia.github.io/kubepilot
helm repo update
helm upgrade --install kubepilot kubepilot/kubepilot \
  -n kubepilot --create-namespace
kubectl port-forward svc/kubepilot -n kubepilot 8080:8080
# Open http://localhost:8080

Également pris en charge : NodePort, Ingress (+ cert-manager TLS), LoadBalancer et remplacements de valeurs – voir le graphique README sur GitHub.

7.3 Docker

docker run --rm -p 8383:8383 -p 9090:9090 \
  -v "$HOME/.kube:/root/.kube:ro" \
  ghcr.io/kubepilot/kubepilot:latest \
  serve --dashboard-port=8383

Compagnon iOS 7.4

cd ios
brew install xcodegen
./generate.sh
open KubePilot.xcodeproj
# Point the app at http://<server-ip>:8383

8. Modèle opérationnel recommandé

  1. Jour 0 : exécuter Pilot en lecture seule sur un cluster non-prod ; fil Ollama ; confirmer la puce de santé AI.
  2. Jour 1 : utilisez CoPilot AI Analyze sur les pods défectueux connus ; comparez RCA à vos runbooks ; réglez l'invite de copie sur votre équipe LLM.
  3. Jour 2 : activer AutoPilot dans essai à sec seulement; examiner le grand livre des décisions pendant une semaine.
  4. Jour 3+ : promouvoir les espaces de noms sélectionnés comme actifs avec des listes autorisées strictes, des niveaux de confiance et des alertes Slack ; garder le système Kube bloqué.
  5. Toujours: kill switch répété ; Chemin du code CR pour les mutations à risque ; Outils MCP derrière l'authentification (voir notre briefing sur la sécurité des agents).

9. Liste de contrôle de production

  • ☐ Authentification activée pour tout tableau de bord accessible par le réseau.
  • ☐ AutoPilot démarre en mode essai ; actif uniquement après la révision du grand livre.
  • ☐ La liste de blocage des espaces de noms comprend les espaces de noms système/partagés.
  • ☐ Les plafonds horaires et les temps de recharge sont fixés en dessous des seuils de tempête.
  • ☐ Ollama (ou chemin LLM approuvé) surveillé via la santé de l'IA.
  • ☐ Intégration Slack ou pager pour les anomalies de haute gravité.
  • ☐ GitOps possède toujours l'état souhaité — AutoPilot est un correcteur tactique, et non un substitut à Argo CD/Flux.
  • ☐ Sorties vedettes et titres : github.com/bwalia/kubepilot.

10. Pourquoi Workstation propose cette open source

Workstation crée des plates-formes d'automatisation pour de véritables équipes opérationnelles. KubePilot est notre pari que L'AIOps ne fonctionne que lorsque le diagnostic et la remédiation partagent une même piste de preuves - et lorsque l'automatisation est contrôlée comme un SRE humain, cela déclencherait un changement. Nous le publions sous open source afin que les équipes de plateforme puissent l'exécuter sur leurs propres réseaux, étendre les runbooks et câbler les agents MCP sans dépendance vis-à-vis d'un fournisseur.

Commencez à kubepilot.org, cloner le dépôt, et regardez la procédure pas à pas sur YouTube. Résumé du compagnon : article de blog.

Partager cet article

Plus dans Technology

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Ce qui tient sur un GPU RTX 5080 ou RTX 5090 Laptop, le calcul de mémoire, les modèles ouverts qui valent la peine, la configuration d'Ubuntu 26.04 avec la pile NVIDIA, Ollama, llama.cpp et vLLM, les assistants de code, l'affinage LoRA, la sécurité, et quand passer le travail sur un serveur

Lire la suite
Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Des éléments probants à la place des preuves, en environ 400 lignes de Python avec une sortie réelle : métriques par segment avec intervalles bootstrap et contrat de réussite ou d'échec, tests de propriétés et métamorphiques avec Hypothesis, calibration et prédiction conforme, contrats Pydantic et évaluations de non-régression pour les sorties LLM, contrôles de dérive, barrière en CI et vérification exacte d'un petit réseau de neurones

Lire la suite
TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

Installer torchcurves, ajuster et dimensionner une courbe, choisir entre B-spline et Legendre ainsi que l’application d’entrée, construire une courbe de calibration monotone et un modèle additif sur des données tabulaires, comparer avec SciPy, scikit-learn, un KAN et un MLP, exporter les coefficients en JSON, tester et exploiter en production, avec des sorties réelles

Lire la suite