@piotr_minkowski:我构建了一个运行在 Kubernetes 上的 AI 软件工厂。提交一个 issue 或评审一个 PR,然后 GitHub webhook 就会触发 Tekto…

X AI KOLs Timeline 工具

摘要

一个运行在 Kubernetes/OpenShift 上的开源「AI 软件工厂」,通过 GitHub webhook 和 Tekton Triggers 启动 OpenCode 编码代理,该代理调用集群内由 vLLM 提供服务的 Qwen 模型,将 issue 和 PR 评论转化为 pull request。

我构建了一个运行在 Kubernetes 上的 AI 软件工厂。提交一个 issue 或评审一个 PR,然后 GitHub webhook 就会触发 Tekton。Tekton 拉取上下文并在流水线中启动一个代理。该代理与同一集群中的 vLLM 模型进行对话。看看它是如何实现的 👉 https://t.co/GuOcRRbold https://t.co/9T2pEsibwQ
查看原文
查看缓存全文

缓存时间: 2026/11/20 16:07

我构建了一个运行在 Kubernetes 上的 AI 软件工厂。提交一个 issue 或者审查一个 PR,GitHub webhook 就会触发 Tekton。Tekton 拉取上下文并在流水线中启动一个 agent。该 agent 与同一集群中的 vLLM 模型对话。看看它是如何实现的 👉 https://t.co/GuOcRRbold https://t.co/9T2pEsibwQ — # piomin/ai-software-factory 来源:https://github.com/piomin/ai-software-factory # Kubernetes / OpenShift 上的 AI 软件工厂 一个自托管的“软件工厂“,能够将 GitHub issue 和评论转化为 Pull Request。GitHub 事件由 Tekton Triggers 接收,作为 Tekton 流水线执行,并由一个编码 agent(OpenCode (https://opencode.ai))处理,该 agent 与由 vLLM (https://docs.vllm.ai) 在同一集群 GPU 节点上提供的开源模型对话。除调用 GitHub 外,没有任何数据离开集群。 AI 软件工厂概览 工厂一览:GitHub、OpenShift 上的 Tekton,以及 vLLM 上的编码 agent 和模型。 GitHub(issue、评论、审查) │ webhook ▼ OpenShift Route ──► EventListener(Tekton Triggers) ├─ github interceptor(HMAC 签名校验) └─ cel interceptor(谁 / 什么 / 哪些事件被允许) │ TriggerBinding ─► TriggerTemplate ─► PipelineRun │ ┌─────────────────────────────────────────┘ ▼ print-event ─► fetch-skills ─► prepare ─► plan ─► agent ─► verify ─► publish │ │ │ │ │ │ OCI artifact 克隆 + plan,作为 OpenCode 构建、提交、推送,(技能、agent) 分支 评论 + vLLM 测试、修复 PR、回复 (Qwen) ## 它能做什么 | 流水线 | 触发条件 | 执行内容 | |—|—|—| | issue-agent | 新建 issue(issues / opened) | 将清单计划发布为 issue 评论,在新分支上实现该 issue,开启 Pull Request,启用自动合并并回复总结。 | | issue-comment-agent | 以 @ai 开头的 issue 评论 | 将该评论视为指令。提问会得到回答;变更请求会得到计划、分支和 Pull Request。 | | pr-comment-agent | Pull Request 审查或审查评论 | 读取整个 PR 对话,将请求的更改推送到 PR 分支(或回答问题),并在 PR 上回复。 | 每个触发器仅接受 author_association 为 OWNER 或 MEMBER 的用户事件,并忽略机器人。Fork 以及已关闭的 issue 或 Pull Request 会被跳过。 ## 为什么选择这些技术 | 技术 | 原因 | |—|—| | Kubernetes / OpenShift | 一个平台搞定一切:流水线、agent 和模型。每次 agent 运行都是一个隔离的 Pod,因此多个 agent 可以并行运行,由调度器进行调度。GPU 节点、Secrets、RBAC 和网络策略都是内置的。 | | Tekton | Kubernetes 原生 CI。Tekton Triggers 可以将 GitHub webhook 直接转化为 PipelineRun,并提供签名校验和 CEL 过滤器。每次运行都是一个被记录的对象,可以重试、查看日志和统计耗时。 | | vLLM | 通过连续批处理实现高吞吐量推理,因此多个并行 agent 可以共享一个 GPU 部署。它提供 OpenAI 兼容的 API,支持工具调用和张量并行,并在集群内运行开源模型。 | | 开源模型(Qwen) | 代码和 issue 文本永远不会离开集群,没有按 token 计费的成本,并且只需修改一个配置项即可更换模型。 | | OpenCode | 开源编码 agent,可与任何 OpenAI 兼容的端点配合使用,因此不会将工厂绑定到单一模型供应商。权限在配置文件中声明。 | | GitHub App | 使用短期安装令牌代替个人访问令牌,具有细粒度权限和独立的机器人身份。 | | OCI artifact 用于技能 | 技能和子 agent 进行版本管理,并与镜像从同一个 registry 拉取,无需额外基础设施。 | ## 展示 此处描述的方法正在一个示例应用仓库中使用:piomin/ai-software-factory-showcase (https://github.com/piomin/ai-software-factory-showcase)。本指南中的 GitHub App 已安装在该仓库中,仓库中还有一个 AGENTS.md 文件,包含 agent 遵循的规则。浏览其已关闭的 issue 和已合并的 Pull Request,即可看到工厂的实际运行情况:新 issue 上的计划评论、机器人开启的 Pull Request、人工批准以及自动合并。本文 README 中的 GitHub 截图均来自该仓库。 ## 事件流程 每张图跟踪一个事件从 GitHub 经过 OpenShift 集群(Route、EventListener、agents 命名空间中的 PipelineRun)到达 vLLM 上的模型(ai 命名空间),再返回 GitHub。数字表示主要交互的顺序。橙色边框的步骤(plan、agent)是编码 agent 运行的位置:流水线使用的 OpenCode,或可选的 Claude Code 镜像。Quay.io 仅提供技能 artifact。OpenCode 和 Claude Code 图标为简笔画,非官方 logo。 ### 场景 1:新 issue 场景 1:新 issue ### 场景 2:对 issue 的评论 场景 2:对 issue 的评论 ### 场景 3:Pull Request 审查 场景 3:Pull Request 审查 ## 仓库结构 . ├── agents/ agent:镜像和共享配置 │ ├── Dockerfile.opencode agent 镜像的参考 Dockerfile(流水线从 Quay 拉取) │ ├── Dockerfile 使用 Claude Code 的相同工具链(可选,流水线不使用) │ └── configmap-agent-config.yaml OpenCode 配置(模型、权限)和 GitHub App 令牌脚本 ├── tekton/ 流水线及其触发器 │ ├── pipeline-*.yaml 三个 Tekton 流水线 │ ├── triggerbinding-*.yaml 将 webhook 负载映射到流水线参数 │ ├── triggertemplate-*.yaml 创建 PipelineRun │ ├── eventlistener-new-issue.yaml 单个 EventListener,包含四个触发器及其过滤器 │ ├── task-*.yaml 共享任务:fetch-skills、verify-build、report-failure │ ├── resourcequota-agents.yaml 可选的并行运行上限 │ ├── route-new-issue.yaml GitHub webhook 的公开 HTTPS 端点 │ └── serviceaccount-*.yaml、rolebinding-*.yaml EventListener 的服务账号和 RBAC ├── secrets/ 仅含占位符的 Secret 骨架(切勿提交真实值) │ └── secret-github-app.yaml、secret-github-webhook-secret.yaml、secret-hf-token.yaml、... ├── ai/ 模型:qwen38-flash 和 qwen3-coder 的缓存卷、Deployment 和 Service └── docs/ ├── diagrams/ 三个事件流程的 SVG 图 └── images/ README 中使用的截图 使用的命名空间:ai 用于模型,agents 用于流水线和触发器。 ## 1. 前提条件 ### 1.1 集群和 GPU 节点 - 一个 OpenShift 集群(构建基于 ROSA),且有权限安装 Operator。 - 至少一个 GPU 机器池。ai/ 中的每个模型部署请求 2 块 GPU(--tensor-parallel-size=2)、180 GiB 内存和一个 300 GiB 缓存卷。两个部署默认 replicas: 0;除非你有 4 块 GPU,否则一次只运行一个。 - 模型 manifest 容忍 nvidia.com/gpu:NoSchedule 污点。如果你的 GPU 节点使用不同的污点,请修改 ai/ 中的 tolerations。 - 检查点为 NVFP4 量化。请查看所用 GPU 代际对应的 vLLM 发行说明,因为 FP4 内核主要面向 Blackwell GPU。 - 一个支持 ReadWriteOnce 的默认 StorageClass(manifest 中使用 gp3-csi)。 - 能访问 registry.redhat.io 以获取 vLLM 镜像(集群拉取 Secret 通常已覆盖)。 ### 1.2 Operator 按以下顺序从 OperatorHub 安装: 1. Node Feature Discovery Operator。安装后创建一个 NodeFeatureDiscovery 实例(默认值即可)。它会为具有 NVIDIA 硬件的节点打标签。 2. NVIDIA GPU Operator。安装后创建默认的 ClusterPolicy。它会在 GPU 节点上安装驱动、容器工具包和设备插件。 3. Red Hat OpenShift Pipelines(Tekton Pipelines 和 Tekton Triggers)。它提供 github 和 cel 集群 interceptor 以及 pipeline 服务账号。 OpenShift 控制台中已安装的 Operator 已安装的 Operator:Node Feature Discovery、NVIDIA GPU Operator 和 Red Hat OpenShift Pipelines。 验证: bash # GPU 节点已被发现并声明了 GPU oc get nodes -l feature.node.kubernetes.io/pci-10de.present=true oc describe node | grep -A2 'nvidia.com/gpu' # Tekton 正在运行 oc get pods -n openshift-pipelines oc get clusterinterceptors GPU 节点声明 nvidia.com/gpu 一个 GPU 节点在其 capacity 和 allocatable 列表中具有 nvidia.com/gpu 资源。 ### 1.3 本地工具 oc,可选 tkn 和 gh。podman 和 oras 仅在你自行构建 agent 镜像或发布自己的技能 artifact(第 4 节)时需要。 ### 1.4 命名空间 bash oc new-project ai oc new-project agents ## 2. GitHub ### 2.1 创建 GitHub App 创建一个 GitHub App(Settings → Developer settings → GitHub Apps),设置: - 仓库权限:Contents 读写、Pull requests 读写、Issues 读写、Metadata 只读。 - 订阅事件:Issues、Issue comment、Pull request review、Pull request review comment。 - Webhook:留到之后再配置(第 7 节);你需要先获取 route 主机名。现在设置一个 webhook secret(你将把它存储为 github-webhook-secret)。 GitHub App 仓库权限 GitHub App 的仓库权限:Contents、Pull requests 和 Issues 设为读写。 GitHub App 事件订阅 应用订阅的事件:Issues、Issue comment、Pull request review 和 Pull request review comment。 该应用以其自身的机器人用户身份运行。流水线通过铸造短期安装令牌以应用身份进行身份验证,因此不需要个人访问令牌。 ### 2.2 安装应用并收集标识符 1. 将应用安装到工厂应工作的仓库(或多个仓库)上。 2. 收集以下信息: - App ID:显示在应用设置页面上。 - Installation ID:打开安装后,https://github.com/settings/installations/ 末尾的数字。 - Private key:在应用设置页面生成一个,并保留 .pem 文件。 GitHub App 设置页面 应用的设置页面:App ID 显示在 About 下方。 ### 2.3 仓库设置 - 在仓库设置中启用 Allow auto-merge。流水线调用 gh pr merge --auto。自动合并仅在分支保护要求审查或检查时才会等待,因此请在默认分支上配置分支保护。没有分支保护,Pull Request 会立即合并。 分支保护和自动合并设置 仓库设置:已启用 Allow auto-merge,并有一条分支保护规则要求审查和状态检查。 - 在每个目标仓库中放置一个 AGENTS.md。agent 会遵循它。典型内容:编码规范、“不要编辑 target/”、如何构建和测试项目,以及运行测试并如实报告结果的指示。agent 完成后没有任何东西会验证代码,因此这些规则就是质量门禁。 ### 2.4 提交身份 流水线将提交作者设置为 ai-software-factory-agent[bot],邮箱类似 5642464+ai-software-factory-agent[bot]@users.noreply.github.com。请将 publish 步骤中 GIT_AUTHOR_* 和 GIT_COMMITTER_* 变量中的名称和数字替换为你的应用 slug 和机器人用户 ID: bash gh api "/users/%5Bbot%5D" --jq .id ## 3. OpenShift 上的 Secrets secrets/ 目录仅包含带有占位符的 Secret 骨架。切勿提交真实值:填写本地副本(或改用 oc create secret)然后应用。 GitHub App 凭据(secrets/secret-github-app.yaml)。用于铸造短期安装令牌。将私钥保留为多行块: yaml apiVersion: v1 kind: Secret metadata: name: github-app namespace: agents type: Opaque stringData: app-id: "" installation-id: "" private-key.pem: | -----BEGIN RSA PRIVATE KEY----- -----END RSA PRIVATE KEY----- bash oc apply -f secrets/secret-github-app.yaml Webhook Secret(secrets/secret-github-webhook-secret.yaml)。GitHub App 中的 webhook secret 必须设置相同的值。EventListener 使用它来校验每次投递: yaml apiVersion: v1 kind: Secret metadata: name: github-webhook-secret namespace: agents type: Opaque stringData: secret: "" bash oc apply -f secrets/secret-github-webhook-secret.yaml Hugging Face 令牌(secrets/secret-hf-token.yaml)。模型部署使用它下载权重: yaml apiVersion: v1 kind: Secret metadata: name: hf-token namespace: ai type: Opaque stringData: token: "" bash oc apply -f secrets/secret-hf-token.yaml 相同的 Secret 也可以不通过文件创建,例如: bash oc create secret generic github-app -n agents \ --from-literal=app-id= \ --from-literal=installation-id= \ --from-file=private-key.pem=./.pem secrets/secret-claude-github-secrets.yaml(ANTHROPIC_API_KEY、GH_TOKEN)仅在你运行基于 Claude Code 的变体时需要。OpenCode 流水线不使用它。默认的 agent 镜像和技能 artifact 从 quay.io/pminkows 拉取。如果你将它们托管在自己的私有 Quay 仓库中,请创建镜像拉取 Secret 并关联: bash oc create secret docker-registry quay-pull -n agents \ --docker-server=quay.io --docker-username= --docker-password= oc secrets link pipeline quay-pull --for=pull -n agents ## 4. 容器镜像和技能 ### 4.1 Agent 镜像 流水线从 Quay 拉取现成的 agent 镜像 quay.io/pminkows/opencode:latest,因此按照本指南操作无需构建任何东西。它在 prepare、plan、agent 和 publish 步骤中运行。agents/Dockerfile.opencode 作为参考包含在内,展示镜像包含的内容:OpenCode、GitHub CLI、JDK、Maven、skaffold 和 kubectl。 dockerfile FROM registry.access.redhat.com/ubi9/nodejs-22 USER 0 RUN dnf install -y git jq tar gzip \ && dnf clean all RUN npm install -g opencode-ai # GitHub CLI ARG GH_VERSION=2.83.2 RUN curl -fsSL \ "https://github.com/cli/cli/releases/download/v${GH_VERSION}/gh_${GH_VERSION}_linux_amd64.tar.gz" \ -o /tmp/gh.tar.gz \ && tar -xzf /tmp/gh.tar.gz -C /tmp \ && cp /tmp/gh_${GH_VERSION}_linux_amd64/bin/gh /usr/local/bin/gh \ && rm -rf /tmp/gh* # Skaffold(构建并将应用部署到 Kubernetes) ARG SKAFFOLD_VERSION=2.25.0 RUN curl -fsSL \ "https://storage.googleapis.com/skaffold/releases/v${SKAFFOLD_VERSION}/skaffold-linux-amd64" \ -o /usr/local/bin/skaffold \ && chmod +x /usr/local/bin/skaffold # kubectl(skaffold 部署时使用) ARG KUBECTL_VERSION=1.37.2 RUN curl -fsSL \ "https://dl.k8s.io/release/v${KUBECTL_VERSION}/bin/linux/amd64/kubectl" \ -o /usr/local/bin/kubectl \ && chmod +x /usr/local/bin/kubectl # OpenJDK 25(Eclipse Temurin) RUN mkdir -p /opt/java \ && curl -fsSL \ "https://api.adoptium.net/v3/binary/latest/25/ga/linux/x64/jdk/hotspot/normal/eclipse" \ | tar -xz -C /opt/java --strip-components=1 ENV JAVA_HOME=/opt/java # Maven ARG MAVEN_VERSION=3.9.11 RUN mkdir -p /opt/maven \ && curl -fsSL \ "https://repo.maven.apache.org/maven2/org/apache/maven/apache-maven/${MAVEN_VERSION}/apache-maven-${MAVEN_VERSION}-bin.tar.gz" \ | tar -xz -C /opt/maven --strip-components=1 ENV MAVEN_HOME=/opt/maven ENV PATH="${JAVA_HOME}/bin:${MAVEN_HOME}/bin:${PATH}" USER 1001 agents/Dockerfile 是一个变体,用 Claude Code(npm install -g @anthropic-ai/claude-code)代替 OpenCode,并且不包含 JDK 和 Maven。它是可选的,流水线不使用。 仅当你需要不同的配置(另一个 JDK、额外的 CLI、其他工具链)时,修改 Dockerfile,构建并推送你自己的镜像,然后让流水线指向它: bash podman build -f agents/Dockerfile.opencode -t quay.io//opencode: agents/ podman push quay.io//opencode: sed -i 's#quay.io/pminkows/opencode:latest#quay.io//opencode:#g' tekton/pipeline-*.yaml 镜像中包含 skaffold 和 kubectl,以便 agent 可以将应用部署到 Kubernetes。它们默认什么都不做:agent Pod 没有 kubeconfig 或 RBAC。授予这些权限是一个独立且涉及安全的步骤,而且 skaffold 还需要一个构建器(Jib

相似文章

我的家庭实验室AI开发平台

Hacker News Top

作者描述如何在家庭实验室中搭建一个AI开发平台,使用带有Git访问权限的OpenCode Web UI,通过PR审查和GitOps部署实现对Docker服务的AI辅助维护。

Mastra Factory

Product Hunt

Mastra Factory 作为由AI代理驱动的开源软件交付环境发布,将问题接收、规划、实施和拉取请求审查集成到一个Web应用程序中,以实现精简的开发流程。