Kstack : Compétence Pack pour Claude Code afin de surveiller et dépanner Kubernetes

Kstack est un pack de compétences pour Claude Code (et d'autres agents de codage IA) qui expose un ensemble de commandes slash pour surveiller et dépanner des clusters Kubernetes. Il se branche sur votre kubeconfig et vos permissions RBAC existants, exécute des outils standard comme kubectl, Kubetail, Trivy, Pluto, et transmet les résultats au LLM pour analyse — visant des réponses rapides et économes en tokens.
Compétences clés
/cluster-status— instantané de santé (redémarrages de pods, état des nœuds, pression sur les ressources)/events— événements récents classés par sévérité/investigate— analyse des causes profondes à travers les événements, les logs et les ressources associées/logs— session tmux partagée traduisant le langage naturel en récupération de logs (via Kubetail)/metrics— métriques CPU, mémoire et autres ressources pour les pods, nœuds, workloads/exec— shell tmux partagé dans un pod, un nœud ou un conteneur de débogage éphémère/audit-security— RBAC, posture de sécurité des pods, renforcement des privilèges/audit-network— vérifications des NetworkPolicy, Service, Ingress, GatewayAPI, DNS et chiffrement/audit-cost— demandes vs. utilisation, sur-provisionnement, capacité inutilisée/audit-outdated— services obsolètes, CVE connus, mises à jour de version disponibles/cleanup— supprime toutes les ressources appartenant à kstack (conteneurs de débogage, clones de pods, tâches watcher)/forget— efface le cache local et la connaissance du cluster
Installation
Installation globale :
curl -sS https://kstack.sh/install | bash
Installation locale dans un projet :
curl -sS https://kstack.sh/install | bash -s -- --local
Par défaut, les compétences sont préfixées par kstack-* ; utilisez --no-prefix pour désactiver. L'installateur détecte automatiquement les agents présents dans votre PATH et installe pour chacun. Les agents pris en charge incluent Claude Code, OpenAI Codex CLI (--agent codex), OpenCode (--agent opencode), Cursor (--agent cursor), Factory Droid (--agent factory), Slate (--agent slate), Kiro (--agent kiro) et Hermes (--agent hermes).
Comment ça marche
Toutes les compétences sont en lecture seule par défaut — les mutations nécessitent une confirmation explicite. Elles respectent votre contexte kubeconfig local et votre RBAC. Si les permissions sont insuffisantes, kstack le signale. Des indicateurs globaux comme --context <ctx> sont pris en charge dans toutes les compétences.
À qui s'adresse-t-il
Développeurs et ingénieurs de plateforme qui utilisent des agents de codage IA et ont besoin d'une surveillance et d'un débogage rapides et en langage naturel des clusters Kubernetes, sans changer de contexte.
📖 Lire la source complète : HN LLM Tools
👀 See Also

OpenClaw en tant qu'interface Infrastructure-as-Code pour la gestion de laboratoire domestique
OpenClaw est passé d'un gadget d'IA à l'interface principale de gestion informatique pour les laboratoires domestiques, exécutant des tâches telles que la configuration de conteneurs Traefik, la création de configurations Dashy et la mise en place d'un accès Tailscale avec accès direct aux machines.

Ouroboros 0.26.0-beta combine Claude et Codex via un serveur MCP
Ouroboros 0.26.0-beta introduit un harnais qui exécute simultanément Claude et Codex, assignant à Claude la clarification de l'intention de l'utilisateur et à Codex l'exécution de tâches bien définies via une architecture de serveur MCP.

Career-Ops Fork Ajoute la Découverte d'Emplois LinkedIn via Apify
Un développeur a bifurqué le système career-ops Claude Code et a ajouté la découverte d'offres d'emploi LinkedIn via Apify, résolvant la principale limitation du projet original qui ne scannait que les pages carrières préconfigurées des entreprises.

PTC construit par l'utilisateur pour Claude Code montre 40 à 65 % d'économie de tokens sur les tâches d'analyse, pas sur l'écriture de code.
Un développeur a créé une implémentation locale de PTC appelée Thalamus pour Claude Code et a analysé 79 sessions réelles, constatant des économies de 40 à 65 % de tokens sur les tâches d'analyse mais des économies quasi nulles sur les tâches d'écriture de code. L'agent a principalement utilisé execute() pour des calculs Python généraux plutôt que pour regrouper des appels d'outils.