Kelos：把 AI 编程智能体装进 Kubernetes

一、AI 编程智能体的"后半生"问题

你用 Claude Code 解决过一个棘手的重构需求，那种"一句话就让 AI 替你改代码"的感觉很爽。但爽完之后，问题来了——

如果你想让 AI 自动去做这些事呢？

比如：GitHub 上有人提了 issue，就自动派一个 AI 智能体去分析、想办法、甚至提 PR；每次有代码合并，自动跑一遍审查；每周定时让 AI 帮你整理技术债……

这时候，"打开终端、粘贴命令、等待输出"这种交互模式就不够用了。你需要的是一个系统，能把 AI 智能体当作"可编排、可观测、可控制的自动化服务"来运行。

这就是 Kelos 要解决的问题。

---

二、Kelos 是什么

Kelos 是一个 Kubernetes 原生的 AI 编程智能体编排框架。它的核心思路很直接：把 AI 智能体和它运行所需的环境打包成 Kubernetes 资源，用 YAML 定义，用 kubectl 管理。

这不是"用 K8s 运行 Claude Code"这么简单。Kelos 定义了四类核心 Kubernetes CRD（自定义资源），让 AI 智能体的生命周期管理完全融入 K8s 生态：

资源类型	作用	类比 K8s 原生资源
Task	单次智能体执行任务	Job
Workspace	Git 仓库工作区，智能体的"磁盘"	PVC（持久卷）
AgentConfig	智能体的指令、工具、MCP 服务器配置	ConfigMap + Secret
TaskSpawner	事件驱动，自动创建 Task	Ingress / CronJob 的混合体

Kelos 自己用 Kelos 驱动开发——仓库中有 self-development 目录，记录了 Kelos 团队如何用 Kelos 来审查 PR、更新文档、自动修复 CI 等。这是一个典型的"吃自己的狗粮"案例。

---

三、核心工作流解析

Task：智能体执行单元

Task 是 Kelos 的核心执行单元。创建一个 Task，等价于在 K8s 集群里启动一个临时 Pod，运行指定的 AI 智能体：

apiVersion: kelos.dev/v1alpha2
kind: Task
metadata:
  name: fix-auth-bug-001
spec:
  worker:
    type: claude-code
    model: opus
    image: ghcr.io/kelos-dev/claude-code:latest
  workspaceRef:
    name: main-repo
  prompt: "修复 auth.go 中的 token 刷新 bug"

Task 运行结束后，Kelos 自动记录：分支名、commit SHA、PR URL、token 消耗量——这些信息不需要你写任何解析脚本。

Workspace：隔离的 Git 工作区

Workspace 定义了智能体在哪个 Git 仓库里工作，以及用什么凭证访问：

apiVersion: kelos.dev/v1alpha2
kind: Workspace
metadata:
  name: main-repo
spec:
  git:
    url: https://github.com/yourorg/main-repo
    credentialsRef:
      name: github-token
  persistent: true  # 多次 Task 共享同一克隆

一个 Workspace 可以被多个 Task 引用，实现多步骤流水线（如：分析 → 实现 → 测试 → 审查）。

TaskSpawner：事件驱动的自动化触发

这是 Kelos 最有价值的能力——把 GitHub Issue、PR、Cron 定时器、webhook 变成触发 Task 的信号：

apiVersion: kelos.dev/v1alpha2
kind: TaskSpawner
metadata:
  name: issue-auto-worker
spec:
  source:
    githubIssues:
      repository: yourorg/main-repo
      labels: ["needs-implementation"]
      actor: kelos
  template:
    prompt: "实现 Issue: {{.issue.title}}"
    workspaceRef:
      name: main-repo
    agentConfigRef:
      name: claude-code-default

支持的事件源包括：GitHub Issues、GitHub PR（open/update/review）、Cron 定时、Linear issues、Jira、通用 HTTP webhook。

---

四、架构设计：K8s Operator 模式

Kelos 的实现完全遵循 Kubernetes Operator 模式，核心组件以独立的二进制文件部署：

组件	职责
kelos-controller	监听 Task/AgentConfig/Workspace 等 CRD 变化，创建对应的 K8s Job
kelos-spawner	负责 TaskSpawner 的事件监听和 Task 创建
kelos-worker-runner	在 Pod 内运行 AI 智能体，负责日志上报和结果捕获
kelos-webhook-server	接收外部 webhook（GitHub、Linear 等）并触发 TaskSpawner
kelos-slack-server	Slack 通知服务
ghproxy	GitHub API 代理（规避速率限制）

这些组件通过 Helm Chart 或 kelos install 一键部署到 kelos-system 命名空间。所有智能体都运行在 ephemeral（临时）Pod 中，没有任何智能体可以直接访问宿主机——这从根本上解决了 AI 智能体的安全问题。

---

五、技术栈与代码质量

Kelos 完全使用 Go 开发（go.mod 显示 Go 1.25），技术栈非常纯粹：

• Kubernetes 客户端：k8s.io/client-go、controller-runtime（v0.23）
• CRD 代码生成：sigs.k8s.io/controller-tools 自动生成 deepcopy、schema 等
• 测试框架：Ginkgo + Gomega（行为驱动测试），e2e 测试使用 Ginkgo CLI
• HTTP 客户端：go-github/v66
• CLI 框架：spf13/cobra（kelos CLI）
• 异步任务：robfig/cron（定时任务）
• 可观测性：Prometheus client_golang + Zap 日志

代码质量方面，仓库中有完整的 CI 流程（.github/workflows/ci.yaml），make test 运行单元测试，make test-e2e 运行端到端测试。README 文档非常详细，包含了 Quick Start、多场景示例（14 个）和完整的 Reference 文档。

---

六、部署难度与适用场景

Kelos 不适合个人开发者的快速实验，原因很明确：

1. 必须有 Kubernetes 集群（v1.27+），本地开发可以用 kind（Kudos in Docker）
2. 需要理解 Kubernetes CRD 和 Operator 模式
3. 智能体需要真实凭证（GitHub Token、Claude API Key 等）
4. 没有 Web UI，完全通过 YAML 和 CLI 管理

但对于平台工程团队和 DevOps 团队，Kelos 提供了极好的集成能力：

• 用 kubectl 管理所有 AI 任务，天然融入现有运维体系
• 支持分支互斥、任务依赖、TTL 自动清理等企业级功能
• 通过 Helm Chart 一键部署，支持 GitOps 工作流

---

七、行业意义与局限

Kelos 代表了一个趋势：AI 智能体正在从"个人辅助工具"进化为"可编排的自动化服务"。当智能体需要在生产环境中大规模运行时，Kubernetes 的资源管理、调度、监控能力是不可替代的。

局限方面：

• 对个人开发者门槛较高，需要 K8s 集群
• 目前支持的智能体类型（Claude Code、OpenAI Codex、Gemini、Cursor、OpenCode）取决于 Kelos 内置镜像，需要自己构建自定义智能体镜像
• 没有原生 Web UI，任务管理依赖 kubectl 或 kelos CLI

---

总结：Kelos 是一个面向平台工程师的 Kubernetes-native AI 智能体编排框架。它用 YAML 取代交互式命令，用 CRD 取代脚本，用 K8s Job 取代临时终端。如果你的团队已经在用 Kubernetes 并且希望规模化 AI 自动化，Kelos 值得深入研究。如果只是个人想体验 AI 编程，当前的门槛还比较高。