k8s-autoscaling

Skill do zarządzania autoskalowaniem klastrów Kubernetes. Konfiguruj skalowanie poziome (HPA) na podstawie metryk CPU, skalowanie pionowe (VPA) do optymalizacji zasobów oraz skalowanie sterowane zdarzeniami (KEDA) z możliwością skalowania do zera. Zweryfikuj status metryk, sprawdź rekomendacje zasobów i zarządzaj KEDA ScaledObjects bezpośrednio z Claude'a. Idealne dla inżynierów DevOps i administratorów klastrów, którzy chcą zautomatyzować zarządzanie pojemnością bez ręcznych interwencji.

1. Zainstaluj kubectl-mcp-server z repozytorium rohitg00 i włącz skill k8s-autoscaling w konfiguracji Claude'a. Skill będzie automatycznie aktywny, gdy wspomnimy HPA, VPA, KEDA lub słowa kluczowe takie jak "autoscale" czy "scale to zero".

2. Przed skonfigurowaniem HPA zweryfikuj, że metrics-server jest uruchomiony w klastrze — użyj narzędzia get_resource_metrics, aby sprawdzić dostępność metryk. To jest krok krytyczny, bo HPA bez metryk nie będzie działać.

3. Upewnij się, że Twoje pody mają ustawione resource requests (CPU i pamięć) — użyj describe_pod, aby sprawdzić konfigurację. HPA potrzebuje tych wartości do obliczenia procentu wykorzystania.

4. Dla skalowania poziomego (HPA) zastosuj manifest YAML z minReplicas, maxReplicas i metryką (np. CPU na 70% wykorzystania). Użyj kubectl_apply do wdrożenia i get_hpa do weryfikacji statusu.

5. Jeśli potrzebujesz skalowania sterowanego zdarzeniami (np. kolejka RabbitMQ, Kafka), użyj keda_detect_tool, aby sprawdzić, czy KEDA jest zainstalowany, a następnie keda_scaledobjects_list_tool i keda_scaledobject_get_tool do zarządzania ScaledObjects.

6. Dla optymalizacji zasobów (skalowanie pionowe) sprawdź rekomendacje VPA za pomocą get_resource_recommendations — narzędzie pokaże, jakie limity CPU i pamięci byłyby optymalne dla Twoich podów.