体系结构
该系统被设计为一个分层多智能体生态系统。它使用一个中央主管 (Liz)来协调多个专门的AI代理的请求，每个代理连接到一个或多个MCP（模型上下文协议）服务器。
组件
主管 (Liz)
Liz是系统的入口点和用户体验的协调者。Liz并不是直接执行每个技术任务，而是充当一个智能路由器。
-
分析用户的提示以确定所需的领域（例如，安全、配置或车队）。
-
咨询`AIAgentConfig`元数据以选择最合适的专门代理来完成任务。
-
跟踪用户在Rancher UI中的位置，并确保相关的集群、名称空间和资源元数据传递给下游代理，以提供“上下文感知”的响应。
专门的AI代理（“团队”）
专门代理是系统的主力军。每个代理都是其特定领域智能的协调者。它使用大语言模型（LLM）作为推理引擎，而代理本身提供结构、协调和安全执行操作。
-
LLM（推理引擎）：
-
解释以自然语言表达的用户输入。
-
执行推理：将复杂请求分解为更小的步骤。
-
决定接下来应该发生什么（继续推理与采取行动）。
-
将工具的输出合成成清晰、易于人类理解的响应。
-
-
代理（协调者）：
-
用ReAct（推理+行动）模式包装LLM。
-
决定何时让 LLM 继续推理或何时根据指示采取行动。
-
根据 LLM 的指示调用外部工具（通过 MCP 服务器）。
-
通过将用户的 Rancher 词元传递给 MCP 服务器进行身份验证和授权，确保安全的交互。
-
MCP 服务器
MCP 服务器充当 ReAct Agent 与 Rancher 和 Kubernetes API 之间的安全受控网关。其功能包括：
-
暴露工具：它提供了一组定义良好、安全的工具（API 端点），供 ReAct Agent 调用。这些工具抽象了直接与 Rancher/Kubernetes API 交互的复杂性。
-
与 Rancher 的交互：它将代理的工具调用转换为适当的 API 请求，发送到 Rancher 管理服务器，根据需要检索或修改资源。
工作原理（流程）
-
用户请求：用户通过 UI 扩展提交查询。
-
主管路由: Liz 确定意图并将查询及 UI 上下文路由到专门的代理（例如，车队代理）。
-
LLM 推理:专门代理的 LLM 解释请求，推理问题，并提出行动计划。
-
代理执行:如果计划需要外部操作，代理将使用用户的安全词元调用适当的 MCP 服务器工具。
-
响应制定:LLM 获取工具输出并制作出连贯、易于理解的响应。
-
最终响应: Liz 将代理的综合答案返回给 UI。