Kagent - Kubernetes AI Agent 관리

이 문서에서는 Kagent를 활용하여 Kubernetes 환경에서 AI 에이전트를 효율적으로 배포하고 관리하는 방법을 다룹니다. Kagent는 Kubernetes Operator 패턴을 기반으로 AI 에이전트의 전체 라이프사이클을 선언적으로 관리할 수 있게 해주는 오픈소스 도구입니다.

개요

Kagent는 Kubernetes 네이티브 방식으로 AI 에이전트를 관리하기 위한 참조 아키텍처입니다. Custom Resource Definition(CRD)을 통해 에이전트, 도구, 워크플로우를 선언적으로 정의하고, Operator가 이를 자동으로 배포 및 관리합니다.

Kagent 프로젝트 상태

Kagent는 Kubernetes 기반 AI 에이전트 관리를 위한 참조 아키텍처 및 디자인 패턴입니다. 공식 오픈소스 프로젝트가 아직 공개되지 않았으므로, 본 문서의 예제는 개념적 구현을 기반으로 합니다. 프로덕션 환경에서는 KubeAI, Seldon Core, KServe 등 검증된 대안을 고려하세요.

대안 솔루션 비교

🔍 Kagent 替代方案比较

解决方案	特性	适用场景
Kagent（参考）	AI 代理专用 CRD，工作流编排	多代理系统，复杂工作流
KubeAI	轻量级 LLM 服务，OpenAI 兼容 API	简单模型服务，快速原型
Seldon Core	MLOps 平台，A/B 测试，金丝雀部署	企业 ML 运维，复杂部署策略
KServe	无服务器推理，自动扩展	事件驱动推理，成本优化

주요 기능

• 선언적 에이전트 관리: YAML 기반 에이전트 정의 및 배포
• 도구 레지스트리: 에이전트가 사용할 도구를 CRD로 중앙 관리
• 자동 스케일링: HPA/KEDA 통합을 통한 동적 확장
• 멀티 에이전트 오케스트레이션: 복잡한 워크플로우를 위한 에이전트 간 협업
• 관측성 통합: LangFuse, OpenTelemetry와의 네이티브 연동

대상 독자

이 문서는 Kubernetes 관리자, 플랫폼 엔지니어, MLOps 엔지니어를 대상으로 합니다. Kubernetes 기본 개념(Pod, Deployment, CRD)에 대한 이해가 필요합니다.

re:Invent 2025 관련 세션

CNS421: Streamline Amazon EKS Operations with Agentic AI — Kagent와 같은 AI 에이전트를 활용한 EKS 클러스터 자동 관리, 실시간 이슈 진단, 자동 복구 방법을 다루는 코드 토크 세션입니다.

주요 내용:

• Model Context Protocol (MCP): AI 에이전트가 AWS 서비스와 통합하기 위한 표준 프로토콜
• 자동화된 인시던트 대응: Pod 장애, 리소스 부족, 네트워크 문제 자동 진단 및 복구
• AWS 서비스 통합: CloudWatch, Systems Manager, EKS API와의 네이티브 연동
• 실전 데모: 실시간 클러스터 문제 해결 시연

세션 영상 보기

Kagent 아키텍처

Kagent는 Kubernetes Operator 패턴을 따르며, Controller, CRD, Webhook으로 구성됩니다.

컴포넌트 설명

组件	角色	描述
Kagent 控制器	协调循环	检测 CRD 更改并将资源协调到所需状态
准入 Webhook	验证/转换	在创建/修改 CRD 时验证并设置默认值
指标服务器	指标收集	暴露代理状态和性能指标
Agent CRD	代理定义	AI 代理的规范、模型和工具配置
Tool CRD	工具定义	定义代理使用的工具（API、搜索等）
Workflow CRD	工作流定义	定义多代理协作工作流

컴포넌트 상호작용

Kagent 설치

사전 요구사항

• Kubernetes 클러스터 (v1.25 이상)
• kubectl CLI 도구
• Helm v3 (Helm 설치 시)
• cert-manager (Webhook TLS 인증서 관리)

cert-manager 필수

Kagent의 Admission Webhook은 TLS 인증서가 필요합니다. 설치 전 cert-manager가 클러스터에 설치되어 있어야 합니다.

Helm 차트 설치

Helm을 사용한 설치가 가장 권장되는 방법입니다.

1. Helm 저장소 추가

# Kagent Helm 저장소 추가
helm repo add kagent https://kagent-dev.github.io/kagent
helm repo update

# 사용 가능한 버전 확인
helm search repo kagent --versions

2. 네임스페이스 생성

# Kagent 시스템 네임스페이스 생성
kubectl create namespace kagent-system

# 에이전트 배포용 네임스페이스 생성
kubectl create namespace ai-agents

3. values.yaml 설정

# values.yaml
controller:
  # 컨트롤러 복제본 수 (고가용성)
  replicaCount: 2
  
  # 리소스 설정
  resources:
    requests:
      cpu: 100m
      memory: 128Mi
    limits:
      cpu: 500m
      memory: 512Mi
  
  # 로그 레벨
  logLevel: info
  
  # 메트릭 설정
  metrics:
    enabled: true
    port: 8080

webhook:
  # Webhook 활성화
  enabled: true
  
  # 인증서 설정 (cert-manager 사용)
  certManager:
    enabled: true
    issuerRef:
      name: kagent-selfsigned-issuer
      kind: Issuer

# 모니터링 설정
monitoring:
  # ServiceMonitor 생성 (Prometheus Operator)
  serviceMonitor:
    enabled: true
    namespace: observability
    interval: 30s

# RBAC 설정
rbac:
  create: true

# 서비스 계정
serviceAccount:
  create: true
  name: kagent-controller

# 노드 선택자
nodeSelector:
  kubernetes.io/os: linux

# Tolerations
tolerations: []

# Affinity
affinity:
  podAntiAffinity:
    preferredDuringSchedulingIgnoredDuringExecution:
      - weight: 100
        podAffinityTerm:
          labelSelector:
            matchExpressions:
              - key: app.kubernetes.io/name
                operator: In
                values:
                  - kagent
          topologyKey: kubernetes.io/hostname

4. Helm 설치 실행

# Kagent 설치
helm install kagent kagent/kagent \
  --namespace kagent-system \
  --values values.yaml \
  --wait

# 설치 상태 확인
helm status kagent -n kagent-system

매니페스트 설치

Helm을 사용하지 않는 경우, 매니페스트를 직접 적용할 수 있습니다.

1. CRD 설치

# CRD 매니페스트 다운로드 및 적용
kubectl apply -f https://github.com/kagent-dev/kagent/releases/latest/download/crds.yaml

# CRD 설치 확인
kubectl get crds | grep kagent

예상 출력:

agents.kagent.dev                    2025-02-05T00:00:00Z
tools.kagent.dev                     2025-02-05T00:00:00Z
workflows.kagent.dev                 2025-02-05T00:00:00Z
memorystores.kagent.dev              2025-02-05T00:00:00Z

2. Controller 배포

# kagent-controller.yaml
apiVersion: v1
kind: Namespace
metadata:
  name: kagent-system
---
apiVersion: v1
kind: ServiceAccount
metadata:
  name: kagent-controller
  namespace: kagent-system
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
  name: kagent-controller-role
rules:
  - apiGroups: ["kagent.dev"]
    resources: ["agents", "tools", "workflows", "memorystores"]
    verbs: ["*"]
  - apiGroups: ["kagent.dev"]
    resources: ["agents/status", "workflows/status"]
    verbs: ["get", "update", "patch"]
  - apiGroups: ["apps"]
    resources: ["deployments"]
    verbs: ["*"]
  - apiGroups: [""]
    resources: ["services", "configmaps", "secrets", "pods"]
    verbs: ["*"]
  - apiGroups: ["autoscaling"]
    resources: ["horizontalpodautoscalers"]
    verbs: ["*"]
  - apiGroups: ["keda.sh"]
    resources: ["scaledobjects"]
    verbs: ["*"]
---
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRoleBinding
metadata:
  name: kagent-controller-binding
roleRef:
  apiGroup: rbac.authorization.k8s.io
  kind: ClusterRole
  name: kagent-controller-role
subjects:
  - kind: ServiceAccount
    name: kagent-controller
    namespace: kagent-system
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: kagent-controller
  namespace: kagent-system
spec:
  replicas: 2
  selector:
    matchLabels:
      app: kagent-controller
  template:
    metadata:
      labels:
        app: kagent-controller
    spec:
      serviceAccountName: kagent-controller
      containers:
        - name: controller
          image: ghcr.io/kagent-dev/kagent-controller:latest
          args:
            - --leader-elect=true
            - --metrics-bind-address=:8080
            - --health-probe-bind-address=:8081
          ports:
            - containerPort: 8080
              name: metrics
            - containerPort: 8081
              name: health
          resources:
            requests:
              cpu: 100m
              memory: 128Mi
            limits:
              cpu: 500m
              memory: 512Mi
          livenessProbe:
            httpGet:
              path: /healthz
              port: 8081
            initialDelaySeconds: 15
            periodSeconds: 20
          readinessProbe:
            httpGet:
              path: /readyz
              port: 8081
            initialDelaySeconds: 5
            periodSeconds: 10

# Controller 배포
kubectl apply -f kagent-controller.yaml

설치 검증

설치가 완료되면 다음 명령으로 상태를 확인합니다.

# Controller Pod 상태 확인
kubectl get pods -n kagent-system

# 예상 출력:
# NAME                                 READY   STATUS    RESTARTS   AGE
# kagent-controller-5d4f6b7c8d-abc12   1/1     Running   0          2m
# kagent-controller-5d4f6b7c8d-def34   1/1     Running   0          2m

# CRD 확인
kubectl get crds | grep kagent.dev

# Controller 로그 확인
kubectl logs -n kagent-system -l app=kagent-controller --tail=50

# Webhook 상태 확인 (Helm 설치 시)
kubectl get validatingwebhookconfigurations | grep kagent
kubectl get mutatingwebhookconfigurations | grep kagent

설치 문제 해결

Controller가 시작되지 않는 경우:

1. kubectl describe pod -n kagent-system <pod-name>으로 이벤트 확인
2. RBAC 권한이 올바르게 설정되었는지 확인
3. cert-manager가 정상 동작하는지 확인 (Webhook 사용 시)

Agent CRD 정의

Agent CRD는 AI 에이전트의 모든 설정을 선언적으로 정의합니다.

Agent 리소스 스펙

apiVersion: kagent.dev/v1alpha1
kind: Agent
metadata:
  name: customer-support-agent
  namespace: ai-agents
  labels:
    app: customer-support
    team: support
    environment: production
spec:
  # 에이전트 기본 정보
  displayName: "고객 지원 에이전트"
  description: "고객 문의에 응답하고 티켓을 생성하는 AI 에이전트"
  
  # 모델 설정
  model:
    provider: openai          # openai, anthropic, bedrock, vllm
    name: gpt-4-turbo
    endpoint: ""              # 커스텀 엔드포인트 (vLLM 등)
    temperature: 0.7
    maxTokens: 4096
    topP: 0.9
    frequencyPenalty: 0.0
    presencePenalty: 0.0
    # API 키 참조
    apiKeySecretRef:
      name: openai-api-key
      key: api-key
  
  # 시스템 프롬프트
  systemPrompt: |
    당신은 친절하고 전문적인 고객 지원 에이전트입니다.
    
    ## 역할
    - 고객 문의에 정확하고 도움이 되는 답변 제공
    - 필요시 지식 베이스 검색을 통한 정보 확인
    - 해결되지 않는 문제는 티켓 생성
    
    ## 지침
    - 항상 정중하고 공감하는 태도 유지
    - 모르는 것은 솔직히 인정
    - 민감한 정보 요청 시 본인 확인 절차 안내
  
  # 사용할 도구 목록
  tools:
    - name: search-knowledge-base
    - name: create-ticket
    - name: get-customer-info
  
  # 메모리 설정
  memory:
    type: redis
    config:
      host: redis-master.ai-data.svc.cluster.local
      port: 6379
      database: 0
      ttl: 3600           # 세션 TTL (초)
      maxHistory: 50      # 최대 대화 기록 수
    secretRef:
      name: redis-credentials
      key: password
  
  # 스케일링 설정
  scaling:
    minReplicas: 2
    maxReplicas: 10
    metrics:
      - type: cpu
        target:
          type: Utilization
          averageUtilization: 70
      - type: memory
        target:
          type: Utilization
          averageUtilization: 80
    # KEDA 스케일링 (선택사항)
    keda:
      enabled: true
      triggers:
        - type: prometheus
          metadata:
            serverAddress: http://prometheus.observability.svc:9090
            metricName: agent_active_sessions
            threshold: "50"
            query: sum(agent_active_sessions{agent="customer-support"})
  
  # 리소스 제한
  resources:
    requests:
      memory: "512Mi"
      cpu: "250m"
    limits:
      memory: "1Gi"
      cpu: "500m"
  
  # 환경 변수
  env:
    - name: LOG_LEVEL
      value: "info"
    - name: LANGFUSE_ENABLED
      value: "true"
    - name: LANGFUSE_HOST
      value: "http://langfuse.observability.svc:3000"
  
  # 관측성 설정
  observability:
    tracing:
      enabled: true
      provider: langfuse       # langfuse, langsmith, cloudwatch
      sampleRate: 1.0
    metrics:
      enabled: true
      port: 9090
    # CloudWatch Generative AI Observability 설정 (선택사항)
    cloudwatch:
      enabled: false
      region: ap-northeast-2
      namespace: AgenticAI/Agents
  
  # 헬스체크
  healthCheck:
    enabled: true
    path: /health
    port: 8080
    initialDelaySeconds: 10
    periodSeconds: 30

Tool CRD 정의

Tool CRD는 에이전트가 사용할 수 있는 도구를 정의합니다.

apiVersion: kagent.dev/v1alpha1
kind: Tool
metadata:
  name: search-knowledge-base
  namespace: ai-agents
  labels:
    category: retrieval
spec:
  # 도구 유형: api, retrieval, code, human
  type: retrieval
  
  # 도구 설명 (LLM이 도구 선택 시 참조)
  displayName: "지식 베이스 검색"
  description: |
    회사의 지식 베이스에서 관련 문서를 검색합니다.
    고객 문의에 답변하기 위한 정보를 찾을 때 사용하세요.
  
  # Retrieval 설정
  retrieval:
    vectorStore:
      type: milvus
      host: milvus-proxy.ai-data.svc.cluster.local
      port: 19530
      collection: support-knowledge
    embedding:
      provider: openai
      model: text-embedding-3-small
      dimension: 1536
    search:
      topK: 5
      scoreThreshold: 0.7
      filter: ""
  
  # 입력 파라미터 정의
  parameters:
    - name: query
      type: string
      required: true
      description: "검색할 질문 또는 키워드"
    - name: category
      type: string
      required: false
      description: "문서 카테고리 필터 (예: faq, manual, policy)"
      enum: ["faq", "manual", "policy", "all"]
      default: "all"
  
  # 출력 스키마
  output:
    type: array
    items:
      type: object
      properties:
        content:
          type: string
          description: "문서 내용"
        score:
          type: number
          description: "유사도 점수"
        metadata:
          type: object
          description: "문서 메타데이터"
---
apiVersion: kagent.dev/v1alpha1
kind: Tool
metadata:
  name: create-ticket
  namespace: ai-agents
  labels:
    category: api
spec:
  type: api
  
  displayName: "티켓 생성"
  description: |
    고객 문의를 티켓으로 생성합니다.
    에이전트가 직접 해결할 수 없는 문제일 때 사용하세요.
  
  # API 설정
  api:
    endpoint: http://ticketing-service.support.svc:8080/api/v1/tickets
    method: POST
    timeout: 30s
    retries: 3
    headers:
      Content-Type: application/json
    # 인증 설정
    authentication:
      type: bearer
      secretRef:
        name: ticketing-api-token
        key: token
  
  parameters:
    - name: title
      type: string
      required: true
      description: "티켓 제목"
      maxLength: 200
    - name: description
      type: string
      required: true
      description: "문제 상세 설명"
    - name: priority
      type: string
      required: false
      description: "우선순위"
      enum: ["low", "medium", "high", "urgent"]
      default: "medium"
    - name: category
      type: string
      required: true
      description: "문의 카테고리"
      enum: ["billing", "technical", "general", "complaint"]
    - name: customer_id
      type: string
      required: true
      description: "고객 ID"
  
  output:
    type: object
    properties:
      ticket_id:
        type: string
        description: "생성된 티켓 ID"
      status:
        type: string
        description: "티켓 상태"
      created_at:
        type: string
        description: "생성 시간"
---
apiVersion: kagent.dev/v1alpha1
kind: Tool
metadata:
  name: get-customer-info
  namespace: ai-agents
  labels:
    category: api
spec:
  type: api
  
  displayName: "고객 정보 조회"
  description: |
    고객 ID로 고객 정보를 조회합니다.
    고객 확인이 필요할 때 사용하세요.
  
  api:
    endpoint: http://customer-service.crm.svc:8080/api/v1/customers/{customer_id}
    method: GET
    timeout: 10s
    authentication:
      type: bearer
      secretRef:
        name: crm-api-token
        key: token
  
  parameters:
    - name: customer_id
      type: string
      required: true
      description: "조회할 고객 ID"
      pattern: "^[A-Z0-9]{8}$"
  
  output:
    type: object
    properties:
      id:
        type: string
      name:
        type: string
      email:
        type: string
      tier:
        type: string
      created_at:
        type: string

Memory 설정

에이전트의 대화 컨텍스트와 상태를 저장하기 위한 메모리 설정입니다.

apiVersion: kagent.dev/v1alpha1
kind: MemoryStore
metadata:
  name: agent-memory-redis
  namespace: ai-agents
spec:
  # 메모리 유형: redis, postgres, in-memory
  type: redis
  
  # Redis 설정
  redis:
    host: redis-master.ai-data.svc.cluster.local
    port: 6379
    database: 0
    # TLS 설정
    tls:
      enabled: true
      secretRef:
        name: redis-tls-cert
    # 인증
    auth:
      secretRef:
        name: redis-credentials
        passwordKey: password
  
  # 메모리 정책
  policy:
    # 세션 TTL
    sessionTTL: 3600
    # 최대 대화 기록
    maxConversationHistory: 100
    # 메모리 압축 (긴 대화 요약)
    compression:
      enabled: true
      threshold: 50
      model: gpt-3.5-turbo
    # 장기 메모리 설정
    longTermMemory:
      enabled: true
      vectorStore:
        type: milvus
        collection: agent-memories

Scaling 설정

에이전트의 자동 스케일링을 위한 상세 설정입니다.

# HPA 기반 스케일링
scaling:
  minReplicas: 2
  maxReplicas: 20
  
  # 스케일링 동작 설정
  behavior:
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
        - type: Percent
          value: 10
          periodSeconds: 60
    scaleUp:
      stabilizationWindowSeconds: 0
      policies:
        - type: Percent
          value: 100
          periodSeconds: 15
        - type: Pods
          value: 4
          periodSeconds: 15
      selectPolicy: Max
  
  # 메트릭 기반 스케일링
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 70
    - type: Resource
      resource:
        name: memory
        target:
          type: Utilization
          averageUtilization: 80
    # 커스텀 메트릭
    - type: Pods
      pods:
        metric:
          name: agent_requests_per_second
        target:
          type: AverageValue
          averageValue: "100"

Agent 라이프사이클 관리

에이전트 배포 절차

1. 사전 준비

# 네임스페이스 생성
kubectl create namespace ai-agents

# API 키 시크릿 생성
kubectl create secret generic openai-api-key \
  --namespace ai-agents \
  --from-literal=api-key='sk-your-api-key-here'

# Redis 인증 정보 시크릿 생성
kubectl create secret generic redis-credentials \
  --namespace ai-agents \
  --from-literal=password='your-redis-password'

2. Tool 리소스 배포

# Tool CRD 적용
kubectl apply -f tools/search-knowledge-base.yaml
kubectl apply -f tools/create-ticket.yaml
kubectl apply -f tools/get-customer-info.yaml

# Tool 상태 확인
kubectl get tools -n ai-agents

3. Agent 리소스 배포

# Agent CRD 적용
kubectl apply -f agents/customer-support-agent.yaml

# 배포 상태 확인
kubectl get agents -n ai-agents

# 상세 상태 확인
kubectl describe agent customer-support-agent -n ai-agents

4. 배포 검증

# 생성된 리소스 확인
kubectl get deployments -n ai-agents
kubectl get services -n ai-agents
kubectl get hpa -n ai-agents

# Pod 상태 확인
kubectl get pods -n ai-agents -l app=customer-support-agent

# 로그 확인
kubectl logs -n ai-agents -l app=customer-support-agent --tail=100

# 에이전트 엔드포인트 테스트
kubectl port-forward svc/customer-support-agent 8080:8080 -n ai-agents

# 다른 터미널에서 테스트
curl -X POST http://localhost:8080/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "안녕하세요, 결제 문의드립니다."}'

업데이트 절차

에이전트 설정을 변경하고 업데이트하는 절차입니다.

설정 변경 및 적용

# 현재 설정 확인
kubectl get agent customer-support-agent -n ai-agents -o yaml

# 설정 수정 (에디터 사용)
kubectl edit agent customer-support-agent -n ai-agents

# 또는 파일 수정 후 적용
kubectl apply -f agents/customer-support-agent.yaml

롤링 업데이트 모니터링

# 업데이트 상태 모니터링
kubectl rollout status deployment/customer-support-agent -n ai-agents

# Pod 교체 상태 확인
kubectl get pods -n ai-agents -l app=customer-support-agent -w

# 이벤트 확인
kubectl get events -n ai-agents --sort-by='.lastTimestamp' | grep customer-support

카나리 배포 (선택사항)

apiVersion: kagent.dev/v1alpha1
kind: Agent
metadata:
  name: customer-support-agent-canary
  namespace: ai-agents
  labels:
    app: customer-support
    version: canary
spec:
  # 새로운 모델 또는 설정으로 테스트
  model:
    provider: openai
    name: gpt-4o  # 새 모델
    temperature: 0.5
  
  # 최소 복제본으로 테스트
  scaling:
    minReplicas: 1
    maxReplicas: 2
  
  # 나머지 설정은 동일...

롤백 절차

문제 발생 시 이전 버전으로 롤백하는 절차입니다.

Deployment 롤백

# 롤아웃 히스토리 확인
kubectl rollout history deployment/customer-support-agent -n ai-agents

# 특정 리비전 상세 확인
kubectl rollout history deployment/customer-support-agent -n ai-agents --revision=2

# 이전 버전으로 롤백
kubectl rollout undo deployment/customer-support-agent -n ai-agents

# 특정 리비전으로 롤백
kubectl rollout undo deployment/customer-support-agent -n ai-agents --to-revision=2

# 롤백 상태 확인
kubectl rollout status deployment/customer-support-agent -n ai-agents

Agent CRD 롤백

# 이전 버전의 Agent CRD 적용
kubectl apply -f agents/customer-support-agent-v1.yaml

# 또는 Git에서 이전 버전 복원
git checkout HEAD~1 -- agents/customer-support-agent.yaml
kubectl apply -f agents/customer-support-agent.yaml

롤백 주의사항

• 롤백 전 현재 상태를 백업하세요
• 데이터베이스 스키마 변경이 있었다면 데이터 호환성을 확인하세요
• 롤백 후 모든 기능이 정상 동작하는지 테스트하세요

멀티 에이전트 오케스트레이션

복잡한 작업을 여러 에이전트가 협업하여 처리하는 워크플로우를 정의합니다.

에이전트 간 통신

워크플로우 정의

Workflow CRD를 사용하여 멀티 에이전트 워크플로우를 정의합니다.

apiVersion: kagent.dev/v1alpha1
kind: Workflow
metadata:
  name: research-report-workflow
  namespace: ai-agents
spec:
  displayName: "리서치 리포트 생성 워크플로우"
  description: "주제에 대한 리서치를 수행하고 분석 리포트를 생성합니다"
  
  # 워크플로우 입력
  input:
    - name: topic
      type: string
      required: true
      description: "리서치 주제"
    - name: depth
      type: string
      required: false
      default: "standard"
      enum: ["quick", "standard", "deep"]
  
  # 워크플로우 단계 정의
  steps:
    # 1단계: 정보 수집
    - name: research
      agent: research-agent
      input:
        topic: "{{ .input.topic }}"
        sources: ["web", "academic", "news"]
      output:
        - name: research_data
          path: ".result.data"
      timeout: 300s
      retries: 2
    
    # 2단계: 데이터 분석 (병렬 실행)
    - name: analyze-trends
      agent: analysis-agent
      dependsOn: [research]
      input:
        data: "{{ .steps.research.output.research_data }}"
        analysis_type: "trend"
      output:
        - name: trend_analysis
          path: ".result"
      parallel: true
    
    - name: analyze-sentiment
      agent: analysis-agent
      dependsOn: [research]
      input:
        data: "{{ .steps.research.output.research_data }}"
        analysis_type: "sentiment"
      output:
        - name: sentiment_analysis
          path: ".result"
      parallel: true
    
    # 3단계: 리포트 작성
    - name: write-report
      agent: writer-agent
      dependsOn: [analyze-trends, analyze-sentiment]
      input:
        research: "{{ .steps.research.output.research_data }}"
        trends: "{{ .steps.analyze-trends.output.trend_analysis }}"
        sentiment: "{{ .steps.analyze-sentiment.output.sentiment_analysis }}"
        format: "markdown"
      output:
        - name: report
          path: ".result.document"
    
    # 4단계: 검토 및 수정
    - name: review
      agent: reviewer-agent
      dependsOn: [write-report]
      input:
        document: "{{ .steps.write-report.output.report }}"
        criteria: ["accuracy", "clarity", "completeness"]
      output:
        - name: final_report
          path: ".result.reviewed_document"
  
  # 워크플로우 출력
  output:
    report: "{{ .steps.review.output.final_report }}"
    metadata:
      research_sources: "{{ .steps.research.output.research_data.sources }}"
      analysis_summary: "{{ .steps.analyze-trends.output.trend_analysis.summary }}"
  
  # 오류 처리
  errorHandling:
    # 단계 실패 시 동작
    onStepFailure: retry
    maxRetries: 3
    # 전체 워크플로우 실패 시
    onWorkflowFailure: notify
    notificationChannel:
      type: slack
      webhook:
        secretRef:
          name: slack-webhook
          key: url
  
  # 타임아웃 설정
  timeout: 1800s  # 30분
  
  # 동시 실행 제한
  concurrency:
    maxConcurrent: 5
    policy: queue  # queue, reject, replace

워크플로우 실행

# 워크플로우 정의 적용
kubectl apply -f workflows/research-report-workflow.yaml

# 워크플로우 실행 (WorkflowRun 생성)
cat <<EOF | kubectl apply -f -
apiVersion: kagent.dev/v1alpha1
kind: WorkflowRun
metadata:
  name: research-run-001
  namespace: ai-agents
spec:
  workflowRef:
    name: research-report-workflow
  input:
    topic: "2024년 AI 트렌드 분석"
    depth: "deep"
EOF

# 실행 상태 확인
kubectl get workflowruns -n ai-agents

# 상세 상태 확인
kubectl describe workflowrun research-run-001 -n ai-agents

# 실행 로그 확인
kubectl logs -n ai-agents -l workflow-run=research-run-001 --tail=100

워크플로우 모니터링

# 워크플로우 상태 확인
apiVersion: kagent.dev/v1alpha1
kind: WorkflowRun
metadata:
  name: research-run-001
status:
  phase: Running  # Pending, Running, Succeeded, Failed
  startTime: "2025-02-05T10:00:00Z"
  steps:
    - name: research
      phase: Succeeded
      startTime: "2025-02-05T10:00:00Z"
      completionTime: "2025-02-05T10:03:00Z"
    - name: analyze-trends
      phase: Running
      startTime: "2025-02-05T10:03:00Z"
    - name: analyze-sentiment
      phase: Running
      startTime: "2025-02-05T10:03:00Z"
    - name: write-report
      phase: Pending
    - name: review
      phase: Pending
  conditions:
    - type: Initialized
      status: "True"
    - type: Running
      status: "True"

운영 가이드

모니터링 설정

# ServiceMonitor for Prometheus
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: kagent-agents
  namespace: observability
spec:
  selector:
    matchLabels:
      kagent.dev/monitored: "true"
  namespaceSelector:
    matchNames:
      - ai-agents
  endpoints:
    - port: metrics
      interval: 15s
      path: /metrics
---
# PrometheusRule for Alerts
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  name: kagent-alerts
  namespace: observability
spec:
  groups:
    - name: kagent-agent-alerts
      rules:
        - alert: AgentHighErrorRate
          expr: |
            sum(rate(agent_request_errors_total[5m])) by (agent) /
            sum(rate(agent_request_total[5m])) by (agent) > 0.05
          for: 5m
          labels:
            severity: critical
          annotations:
            summary: "에이전트 {{ $labels.agent }} 오류율 증가"
            description: "오류율이 5%를 초과했습니다. 현재: {{ $value | humanizePercentage }}"
        
        - alert: AgentHighLatency
          expr: |
            histogram_quantile(0.99, 
              sum(rate(agent_request_duration_seconds_bucket[5m])) by (agent, le)
            ) > 30
          for: 5m
          labels:
            severity: warning
          annotations:
            summary: "에이전트 {{ $labels.agent }} 응답 지연"
            description: "P99 지연 시간이 30초를 초과했습니다"
        
        - alert: AgentPodNotReady
          expr: |
            kube_deployment_status_replicas_ready{deployment=~".*-agent"} /
            kube_deployment_status_replicas{deployment=~".*-agent"} < 0.5
          for: 5m
          labels:
            severity: critical
          annotations:
            summary: "에이전트 Pod 가용성 저하"
            description: "{{ $labels.deployment }}의 Ready Pod가 50% 미만입니다"

로깅 설정

# 에이전트 로깅 ConfigMap
apiVersion: v1
kind: ConfigMap
metadata:
  name: agent-logging-config
  namespace: ai-agents
data:
  logging.yaml: |
    version: 1
    disable_existing_loggers: false
    formatters:
      json:
        class: pythonjsonlogger.jsonlogger.JsonFormatter
        format: "%(asctime)s %(name)s %(levelname)s %(message)s"
    handlers:
      console:
        class: logging.StreamHandler
        formatter: json
        stream: ext://sys.stdout
    loggers:
      kagent:
        level: INFO
        handlers: [console]
        propagate: false
      langchain:
        level: WARNING
        handlers: [console]
        propagate: false
    root:
      level: INFO
      handlers: [console]

트러블슈팅

일반적인 문제 해결

问题	原因	解决方案	严重性
Pod CrashLoopBackOff	API 密钥错误，内存不足	验证密钥，增加资源	高
高延迟	模型响应延迟，网络问题	调整超时，更换模型	中
工具执行失败	端点错误，认证失败	验证工具配置，刷新密钥	高
扩展不工作	指标收集失败，HPA 配置错误	检查 Prometheus 连接，验证 HPA	中

디버깅 명령어

# 에이전트 상태 상세 확인
kubectl describe agent <agent-name> -n ai-agents

# Pod 이벤트 확인
kubectl get events -n ai-agents --field-selector involvedObject.name=<pod-name>

# 컨테이너 로그 확인 (이전 컨테이너 포함)
kubectl logs <pod-name> -n ai-agents --previous

# 실시간 로그 스트리밍
kubectl logs -f -l app=<agent-name> -n ai-agents

# Pod 내부 접속
kubectl exec -it <pod-name> -n ai-agents -- /bin/sh

# 네트워크 연결 테스트
kubectl run debug --rm -it --image=curlimages/curl -- \
  curl -v http://customer-support-agent.ai-agents.svc:8080/health

결론

Kagent를 활용하면 Kubernetes 환경에서 AI 에이전트를 선언적으로 관리할 수 있습니다. 주요 이점은 다음과 같습니다:

• 선언적 관리: YAML 기반 에이전트 정의로 GitOps 워크플로우 지원
• 자동화된 운영: Operator 패턴을 통한 자동 복구 및 스케일링
• 표준화: CRD를 통한 에이전트 정의 표준화
• 확장성: Kubernetes 네이티브 스케일링 메커니즘 활용
• 관측성: 통합 모니터링 및 추적 지원

다음 단계

• Agentic AI Platform 아키텍처 - 전체 플랫폼 설계
• Agent 모니터링 - LangFuse 통합 가이드
• GPU 리소스 관리 - 동적 리소스 할당

참고 자료

• Kagent 개념 및 디자인 패턴 (참조 아키텍처)
• KubeAI - Kubernetes AI Platform
• Seldon Core - MLOps Platform
• KServe - Serverless Inference
• Kubernetes Operator Pattern
• Custom Resource Definitions
• Horizontal Pod Autoscaler
• KEDA Documentation
• re:Invent 2025 CNS421 - Streamline EKS Operations with Agentic AI
• CloudWatch Generative AI Observability