メニュー
Agent 또는 skill의 프로덕션 배포를 canary 1% → 10% → 50% → 100% 4단계로 자동 진행한다. 각 단계는 continuous-eval 통과와 SLO 준수를 gate로 하며 circuit breaker가 SLO 위반을 감지하면 즉시 이전 단계로 자동 롤백한다. 100% 승격은 사람 승인이 필수다.
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
생성 전(pre-generation) grounding 레이어. 온톨로지 엔티티(Spec/ADR/Deployment/Agent/Skill/Incident/Budget/Risk)를 작성하기 전에 지식 그래프를 질의해 기존 정의·enum·전례·결정 이유를 확인함으로써 drift를 소스에서 차단한다. adr-0001-graphify-knowledge-wiki 결정에 따라 Graphify(MIT)를 런타임 질의 substrate로 사용하며, Graphify 미가용 시 raw 스키마/docs 읽기로 graceful degradation 한다.
알려진 장애 패턴에 대해 사전 정의된 Runbook 기반 자동 복구를 실행한다. RCA 결과 또는 incident-response의 가설을 입력으로 받아 매칭되는 remediation playbook을 선택하고, 복구 전/후 상태를 검증하며, 실패 시 에스컬레이션한다. SEV2/3만 자동 복구 대상이며 SEV1은 사람 전용이다.
인시던트 발생 시 관련 메트릭·로그·이벤트·변경 이력을 자동 수집하고 인과 관계를 추론하여 근본 원인을 식별한다. 타임라인 기반 이벤트 상관관계 분석, 변경-장애 매핑, 의존성 그래프 탐색을 수행하며 RCA 보고서를 자동 생성한다.
SLI 메트릭을 자동 수집하여 SLO 대비 추적하고, Error Budget 소진율에 따라 배포 게이트를 제어한다. 번다운 차트 생성, 예측 기반 SLO 위반 사전 경고, Error Budget 정책(freeze/slow-down/normal) 자동 적용을 수행하며 continuous-eval의 품질 게이트를 보완한다.
CloudWatch 메트릭과 Prometheus 시계열 데이터에서 통계적 이상 징후를 자동 탐지하여 incident-response의 입력 소스로 제공한다. 베이스라인 학습(7일 이동 평균 + 3σ), 다변량 상관 분석, 계절성 보정을 수행하며 탐지된 anomaly를 severity 분류하여 알람을 생성한다.
과거 트래픽 패턴과 시계열 예측을 기반으로 리소스 수요를 사전 예측하고 스케일링을 권고한다. 시간대별/요일별 계절성 분석, 이벤트 기반 수요 급증 예측, 비용 대비 성능 최적 구성 제안을 수행하며 cost-governance와 연동하여 예산 범위 내 스케일링을 보장한다.
SOC 職業分類に基づく
| name | autopilot-deploy |
| description | Agent 또는 skill의 프로덕션 배포를 canary 1% → 10% → 50% → 100% 4단계로 자동 진행한다. 각 단계는 continuous-eval 통과와 SLO 준수를 gate로 하며 circuit breaker가 SLO 위반을 감지하면 즉시 이전 단계로 자동 롤백한다. 100% 승격은 사람 승인이 필수다. |
| argument-hint | [deployment-target, e.g. rag-qa-agent:v2.3.1] |
| user-invocable | true |
| model | claude-sonnet-4-6 |
| allowed-tools | Read,Grep,Bash,mcp__cloudwatch,mcp__prometheus |
| ontology | {"produces":["Deployment"],"consumes":["Spec","ADR"],"references":["Budget"]} |
continuous-eval golden dataset를 통과했고 프로덕션 반영이 필요할 때self-improving-loop가 생성한 PR이 머지되어 canary 검증이 필요할 때사용 제외:
cost-governance가 예산 초과 veto를 건 배포.incident-response가 SEV1 상태로 freeze한 클러스터.agent_request_latency_seconds, agent_error_rate, agent_tokens_total).@latest 금지, PyPI 버전 pin 필수).continuous-eval 리포트가 pass 상태여야 합니다..omao/plans/slo/${target}.yaml)이 존재해야 합니다.각 단계는 트래픽 비율 상승 → 30분 soak → SLO 검증 → gate 통과 시 다음 단계 순서로 진행됩니다. 4단계 전체는 약 2~3시간 소요됩니다.
트래픽의 1%를 candidate 버전으로 라우팅합니다. 이 단계의 목적은 런타임 실패(CrashLoopBackOff, image pull error, RBAC 거부)를 빠르게 감지하는 것입니다.
kubectl argo rollouts set image rollout/${TARGET} \
agent=${REGISTRY}/${TARGET}:${VERSION}
kubectl argo rollouts promote rollout/${TARGET} --stage canary-1
통과 조건:
rate(agent_errors_total{version="$VERSION"}[5m]) < 0.01 (에러율 1% 미만)histogram_quantile(0.99, agent_request_latency_seconds_bucket) < 5.0 (P99 5초 미만)트래픽 10% 전환. 이 단계에서는 continuous-eval를 1회 inline 실행하여 품질 지표를 확인합니다.
kubectl argo rollouts promote rollout/${TARGET} --stage canary-10
/continuous-eval ${TARGET}:${VERSION} --mode canary
통과 조건 (Stage 1 조건 + 다음):
faithfulness ≥ baselineanswer_relevance ≥ baselinetoxicity == 0 (tolerance 0)pii_leakage == 0 (tolerance 0)트래픽 50% 전환. 본격적인 프로덕션 부하에 노출되므로 soak 시간을 60분으로 늘립니다.
통과 조건:
user_feedback_positive_ratio ≥ baseline × 0.95본 skill은 50% 단계까지 자동 진행하며 100% 승격은 사람 승인을 요구합니다. GitHub Issue comment 또는 Slack approval workflow로 명시적 승인 후 다음 명령을 실행합니다.
kubectl argo rollouts promote rollout/${TARGET} --full
각 단계에서 다음 조건 중 하나가 감지되면 즉시 이전 단계로 롤백합니다.
| 트리거 | 임계값 | 반응 |
|---|---|---|
| 에러율 spike | rate(errors) > 5 × baseline for 2m | 즉시 롤백 + SEV2 trigger |
| Latency regression | P99 > 2 × baseline for 5m | 즉시 롤백 + SEV3 trigger |
| Evaluation regression | continuous-eval faithfulness < baseline - 5pp | 즉시 롤백 + SEV3 trigger |
| Toxicity/PII positive | 1건 이상 | 즉시 롤백 + SEV1 trigger |
| Pod crash loop | pod_restart_total > 3 within 10m | 즉시 롤백 + 인프라 팀 호출 |
롤백은 kubectl argo rollouts abort rollout/${TARGET} 로 실행되며 이전 stable revision으로 자동 복귀합니다.
본 skill은 진행 상태를 .omao/state/autopilot-deploy/${target}.json 에 실시간 기록합니다.
{
"target": "rag-qa-agent",
"version": "v2.3.1",
"current_stage": "canary-50",
"started_at": "2026-04-21T10:15:00Z",
"stage_history": [
{"stage": "canary-1", "started": "10:15Z", "completed": "10:45Z", "result": "pass"},
{"stage": "canary-10", "started": "10:45Z", "completed": "11:15Z", "result": "pass"}
],
"circuit_breaker_status": "armed",
"awaiting_human_approval": false
}
incident-response skill은 이 파일을 읽어 SEV1/SEV2 이벤트 발생 시 circuit_breaker_status를 tripped로 갱신하고 본 skill의 진행을 중단시킵니다.
Input: /autopilot-deploy rag-qa-agent:v2.3.1
Output (성공):
[10:15Z] Stage 1 (canary-1): STARTED
[10:45Z] Stage 1: PASS (error_rate=0.002, p99_latency=3.1s)
[10:45Z] Stage 2 (canary-10): STARTED
[11:12Z] continuous-eval: faithfulness=0.89 ≥ baseline 0.87 PASS
[11:15Z] Stage 2: PASS
[11:15Z] Stage 3 (canary-50): STARTED
[12:15Z] Stage 3: PASS (user_feedback_positive=0.73 ≥ 0.71)
[12:15Z] AWAITING HUMAN APPROVAL for 100% promotion
Review at: https://grafana.example.com/d/rollout/rag-qa-agent
Approve via: gh issue comment <issue-id> --body "/approve-promotion"
Output (회귀):
[10:15Z] Stage 1 (canary-1): STARTED
[10:22Z] CIRCUIT BREAKER TRIPPED: error_rate=0.08 > 0.01 threshold
[10:22Z] Automatic rollback initiated
[10:23Z] Rolled back to v2.3.0 (previous stable)
[10:23Z] SEV2 incident opened: see .omao/state/incident/sev2-20260421-1023.json