Autodiagnósticos
Los Autodiagnósticos generan un diagnóstico impulsado por IA para cualquier recurso administrado por SleakOps. La IA lee los logs y el estado de la infraestructura, identifica la causa raíz y sugiere acciones correctivas — para que pases menos tiempo depurando y más tiempo construyendo.
Preguntas frecuentes
¿Qué son los Autodiagnósticos?
Los Autodiagnósticos son un agente de IA integrado en SleakOps que analiza cualquier recurso — un deployment fallido, un Pod que crashea, una dependencia con problemas de conectividad — y produce un diagnóstico estructurado: qué salió mal, por qué sucedió y qué hacer al respecto.
En lugar de correlacionar manualmente logs, eventos de Kubernetes y estado de infraestructura, obtenés una explicación clara directamente dentro de la consola.
¿Dónde activo un diagnóstico?
La acción Diagnosticar aparece en las páginas de detalle de recursos individuales cuando hay un problema que analizar:
- Deployments y releases
- Proyectos y servicios
- Dependencias
Una vez activado, el diagnóstico se abre como una conversación en la sección Support (/support/), donde podés revisar el análisis de causa raíz y hacer preguntas de seguimiento a la IA.
¿Qué analiza la IA?
Cuando activás un diagnóstico, la IA lee:
- Logs recientes del recurso afectado
- Eventos de Kubernetes en el namespace correspondiente
- Estado actual de la infraestructura (configuraciones, deployments, dependencias)
Correlaciona todas las señales disponibles para identificar la causa raíz, no solo el síntoma.
¿Aplica correcciones automáticamente?
No. Los Autodiagnósticos son de solo lectura. Muestran el diagnóstico y recomiendan acciones, pero todos los pasos de remediación requieren tu aprobación explícita. Vos mantenés el control de cada cambio en tu infraestructura.
¿Qué tan precisos son los resultados?
La IA es más efectiva para patrones de falla comunes: contenedores que crashean, variables de entorno mal configuradas, agotamiento de recursos y problemas de conectividad con dependencias. Para configuraciones muy personalizadas, proporciona el mejor análisis posible basado en las señales disponibles — siempre revisá las recomendaciones antes de aplicarlas en producción.