技能介绍

要解决的问题

在 Kubernetes 集群中，Pod 失败往往不是单一原因：镜像拉取失败、探针超时、资源不足、调度约束、配置变更或节点异常都可能表现出类似症状。值班同学若只凭经验临时拼凑 kubectl describe pod、kubectl logs、事件信息和历史变更，容易漏掉关键上下文，也会把排查过程变成一次性脚本。这个技能要解决的，是把集群状态转成可复查、可交接的运行手册，让常见故障有步骤可依。

它的工作方式

核心能力 是读取集群当前状态，并基于 kubectl 与 Kubernetes API 的信息生成操作手册。它不替代人工判断，而是把已有状态整理成逐步排查指南，重点覆盖常见的 Pod 失败模式。

工作流大致是：

获取目标对象状态：如 Pod、工作负载、命名空间和相关事件。
汇总失败线索：镜像、探针、资源、调度、控制器期望状态等信号。
按步骤组织手册：先确认现象，再执行只读检查，最后给出需要谨慎处理的恢复动作。
输出可执行路径：强调命令、检查点和验证方式，方便交接和复盘。

适用边界与注意点

它适合作为 排障起点，而不是自动修复系统。生成结果依赖集群权限、API 返回状态和对象配置；若权限不足或状态缺失，手册可能不完整。运行手册中的操作应先在测试环境验证，涉及删除、重启、扩缩容或修改 spec 的动作需要人工确认。遇到安全事件、数据损坏或多集群级联故障时，应结合审计日志、备份和平台团队支持。环境本身需要可用的容器运行条件，如上游说明中提到的 Docker environment。