ZeroClaw als Alert-Gate: erst verstehen, nicht gleich reparieren

ZeroClaw hilft im Lab bei der Alert-Triage: Symptome einordnen, Clusterzustand prüfen und nächste Schritte vorbereiten. Ein Blick auf lesende Monitoring-Rechte, die Grenzen von Promptregeln und die Frage, wer einen Ausfall der Triage bemerkt.
Table of contents

Ein Storage-Problem löst mehrere Volume-Alerts aus, betroffene Pods melden Fehler, und schließlich fällt ein Dienst aus, dem seine Abhängigkeit fehlt. Das Monitoring arbeitet dabei korrekt. Aus den einzelnen Meldungen ergibt sich aber noch keine Antwort auf die wichtigste Frage: Was ist passiert, und was muss ich jetzt entscheiden?

Dabei soll ZeroClaw in meinem Lab helfen. Als Alert-Gate und lesender Triage-Assistent fragt der Agent den Clusterzustand ab und soll zusammengehörige Symptome einordnen. Bekannte Meldungen soll er zurückhalten, neue relevante Vorfälle verständlich zusammenfassen. Deployments selbst zu reparieren gehört nicht zu seinem Auftrag.

Für diesen Einsatz sind die Grenzen ebenso wichtig wie die Diagnose: Welche Daten darf der Agent lesen, welche Änderungen sind ihm erlaubt? Und wer bemerkt es, wenn ausgerechnet der Assistent schweigt?

Was sich gegenüber den früheren Beiträgen geändert hat#

In der ersten Vorstellung ging es vor allem um die Integration eines Agenten in das GitOps-Lab. Der Migrationsbeitrag beschrieb anschließend Runtime- und Parserprobleme. Hier geht es um den Betrieb Anfang Oktober 2026 und die Grenzen des aktuellen Aufbaus.

Drei Dinge stehen heute stärker im Mittelpunkt:

  1. Die Diagnose bekommt eine eigene Kubernetes-Identität mit lesenden Rechten. Sie hat keine vorgesehenen Schreibrechte auf Workloads und keine Leserechte auf Core-Secrets.
  2. Benachrichtigungen werden gezielt gefiltert. Ein regelmäßig laufender Agent fragt Alerts ab, statt jede Meldung direkt nach Matrix durchzureichen.
  3. Der Agent bekommt keinen SOPS-Schlüssel für die Repository-Secrets. Die Entschlüsselung beim Deployment bleibt Aufgabe von Flux.

Damit haben sich auch die Zugangswege und der Auftrag verändert. Ältere Diagramme mit einem eingebundenen SOPS-Key oder anderen Zugangspfaden gelten für diesen Stand nicht mehr. Frühere Ideen zu automatisierten Wartungsjobs gehen ebenfalls über den heutigen, enger gefassten Auftrag hinaus.

Ein Alert-Gate ist kein weiterer Messwertlieferant#

Prometheus und die übrigen Monitoring-Komponenten entscheiden weiterhin, ob eine Regel feuert. ZeroClaw soll diese Messung nicht durch ein Sprachmodell ersetzen.

Die Arbeitsteilung lautet:

EbeneAufgabe
Exporter, Probes und LogsBeobachtungen erzeugen
Prometheus beziehungsweise Loki-RegelnAus Beobachtungen Alerts ableiten
AlertmanagerAktive Alerts sowie Silence-/Inhibition-Zustand bereitstellen
ZeroClawRelevanz einordnen, Symptome bündeln, lesend nachsehen
MenschEntscheidung treffen, vorgeschlagene Änderung prüfen
Git und FluxFreigegebenen gewünschten Zustand ausrollen

Für den Sweep zählt die gegenwärtig aktive Alertliste, ohne stummgeschaltete oder inhibierte Einträge. Alte Logzeilen und bereits behobene Meldungen sollen keinen Bericht über einen vermeintlich aktuellen Ausfall auslösen.

Das LLM hilft bei der Interpretation. Ob ein Alert noch aktiv ist, muss es dagegen aus dem Monitoring übernehmen und darf es nicht selbst ableiten.

Der aktuelle Datenpfad ist Pull, nicht Push#

Im Lab fragt ZeroClaw den Alertmanager selbst ab. Der Zugang läuft über den Kubernetes-API-Proxy und die lesende Monitoring-Identität. Damit muss die Alertmanager-Oberfläche für diesen Zweck nicht zusätzlich öffentlich erreichbar sein.

flowchart LR MET[Metriken und Log-Regeln] --> AM[Alertmanager] Z[ZeroClaw Sweep] -->|"GET über Kubernetes-Service-Proxy"| AM Z -->|lesende Diagnose| API[Kubernetes API] Z --> MEM[Incident-Notizen] Z -->|"neuer relevanter Vorfall"| MX[Matrix] MX --> HUMAN[Mensch] HUMAN --> REVIEW[Review / Freigabe] REVIEW --> GIT[Git] GIT --> FLUX[Flux]

Die aktive Alertmanager-Konfiguration routet Benachrichtigungen nach null. Der frühere direkte Matrix-Receiver ist nicht aktiv. Das betrifft auch Critical-Alerts; es gibt derzeit keinen separaten Critical-Bypass, der den Agenten überspringt.

Die Abfrage erfolgt nicht alle fünf Minuten: Der Sweep ist stündlich zur Minute 15 konfiguriert:

1[cron.alert_sweep.schedule]
2expr = "15 * * * *"
3kind = "cron"
4tz = "Europe/Berlin"

Aus diesem Zeitplan lässt sich keine garantierte maximale Reaktionszeit ableiten. Verzögerungen beim Scheduler, bei Modellaufrufen, API-Zugriff und Zustellung kommen hinzu. Ein Alert direkt nach einem Sweep wartet zunächst auf den nächsten Lauf. Kurzlebige Alerts können zwischen zwei Abfragen bereits wieder verschwinden.

Das ist kein Pager-Ersatz mit garantierter Zustellung. Der aktuelle Lab-Pfad hat keinen unabhängigen direkten Critical-Fallback nach Matrix. Wer harte Alarmierungsfristen braucht, sollte dringende Alerts deterministisch zustellen und KI-Triage zusätzlich einsetzen, nicht als einzige Schranke davor.

Der fehlende unabhängige Zustellweg ist damit eine wesentliche Betriebsgrenze dieses Aufbaus.

Was der Sweep entscheiden soll#

Der konfigurierte Auftrag ordnet die Severity-Labels fest zu:

Alert-LabelTriage-StufeErwartetes Verhalten
criticalP1Einen neuen aktiven Vorfall melden
warningP2Neue oder sich ausbreitende Vorfälle melden; Bekanntes bündeln
infoP3Dokumentieren und später zusammenfassen, keine unmittelbare Meldung

Diese Zuordnung soll auch dann gelten, wenn einzelne Messwerte auffällig wirken. Ein Informationshinweis wird nicht allein durch eine große Prozentzahl zum P1. Passt die Einstufung fachlich nicht, muss die Severity der Regel überprüft werden. Der Agent soll sie nicht bei jeder Antwort neu festlegen.

Dazu kommen drei Verhaltensregeln:

  • zusammengehörige Alerts zu einem Vorfall gruppieren;
  • anhand von Cluster und Alertname gegen bereits bekannte Meldungen abgleichen;
  • jeden triagierten Vorfall in einem monatlichen Incidentlog notieren.

Wenn keine neue handlungsrelevante Meldung entsteht, lautet die Antwort NO_REPLY. Ein erfolgreich gelaufener Cron soll keinen zusätzlichen Statusbericht erzeugen. So bleibt der Chat für Meldungen reserviert, die tatsächlich Aufmerksamkeit brauchen.

Wichtig: Das ist ein Auftrag, kein bewiesener Algorithmus#

Die Gruppierung und Deduplikation sind im derzeitigen Aufbau Modellanweisungen. Der öffentliche Lab-Stand definiert dafür keinen separaten deterministischen Incident-Controller mit atomaren Zustandsübergängen, festem Dedupe-Fenster und quittierter Exactly-once-Zustellung.

Das Incidentlog ist keine transaktionale Queue; die Matrix-Auslieferung steht ausdrücklich auf best_effort.

Die Regeln beschreiben also, was der Agent tun soll. Sie garantieren weder, dass ein Vorfall nur einmal erscheint, noch, dass keine Meldung verloren geht. Für belastbare Zustellsemantik wäre eine zusätzliche deterministische Schicht nötig.

Ein brauchbarer Triage-Bericht trennt Befund und Hypothese#

Nehmen wir ein bewusst erfundenes Beispiel: Eine Anwendung ist nicht verfügbar, mehrere Pods warten auf Volumes, und gleichzeitig gibt es einen Storage-Alert.

Eine schlechte Zusammenfassung wäre:

Storage kaputt. Ich starte die Pods neu.

Eine hilfreiche Triage würde dagegen so aussehen:

 1Befund:
 2Mehrere Workloads warten auf ihre Volumes; ein Storage-Alert ist aktiv.
 3
 4Zusammenhang:
 5Die Anwendungsfehler könnten eine Folge der Storage-Störung sein.
 6Einzelne Pod-Neustarts beheben deren Ursache nicht.
 7
 8Nächste Prüfung:
 9Volume-/CSI-Events und den Zustand der betroffenen Storage-Komponenten prüfen.
10
11Entscheidung:
12Keine automatische Reparatur. Befunde bestätigen, dann gezielt eingreifen.

Das Beispiel zeigt den gewünschten Aufbau einer Antwort, keinen mitgeschnittenen Vorfall und keine gemessene Modellleistung. Die Ausgabe muss erkennen lassen, was tatsächlich abgefragt wurde, welche Schlüsse daraus folgen und welche anderen Erklärungen möglich bleiben.

Liefert ein Tool-Aufruf keine hilfreichen Befunde, muss diese Lücke sichtbar bleiben. Im früheren Betrieb hatten Modellwahl und fehlerhaftes Tool-Parsing bereits gezeigt, wie unmittelbar diese technischen Details die Diagnose beeinflussen.

Die harte Grenze liegt an der Identität#

Der Diagnosezugang verwendet ein eigenes kubeconfig mit ServiceAccount-Token statt eines administrativen Clientzertifikats. Die vorgesehene Rolle kombiniert Kubernetes view mit gezielten Erweiterungen, etwa für Nodes, PersistentVolumes, Plattform-CRDs und lesende Service-Proxy-Abfragen.

Damit kann der Agent die Fragen beantworten, die bei Triage tatsächlich auftauchen:

  • Welcher Workload ist nicht bereit?
  • Was melden Events und zugängliche Logs?
  • Welcher Flux-Reconcile hängt?
  • Was sagen Datenbank-, Storage- oder Netzwerk-Conditions?
  • Welche Alerts sind gerade aktiv?

Die Monitoring-Rolle enthält keine Mutationsverben und keine Core-Secret-Freigabe. Ein geplanter Deployment-Patch oder ein gewöhnliches kubectl exec gehört nicht zu diesem Diagnosezugang.

Eine schematische Zusatzregel sieht beispielsweise so aus:

1# Ausschnitt, nicht die vollständige Rolle
2rules:
3  - apiGroups: [""]
4    resources: [nodes, persistentvolumes]
5    verbs: [get, list, watch]
6  - apiGroups: [""]
7    resources: [services/proxy]
8    verbs: [get]

Diese Grenze setzt der API-Server anhand der verwendeten Identität durch. Damit ist sie belastbarer als eine reine Prompt-Anweisung, keine Veränderungen vorzunehmen.

Die Monitoring-Rolle ist allerdings nicht auf das absolute Minimum begrenzt. Der Service-Proxy-Zugriff reicht über Prometheus und Alertmanager hinaus; mehrere Nicht-Core-API-Gruppen sind breit lesbar. Außerdem ist view aggregierbar. Änderungen an Rollen und CRDs erfordern deshalb eine erneute Prüfung der effektiven Rechte.

„Keine Secret-Leserechte“ braucht einen präzisen Geltungsbereich#

Die Aussage gilt für die dedizierte Monitoring-Identität. Sie bedeutet nicht, dass der gesamte ZeroClaw-Pod keine Zugangsdaten besitzt oder keinerlei Kubernetes-Schreibrechte haben kann.

Die Runtime braucht eigene Credentials: für Matrix, die Modellanbieter und ihre weiteren Integrationen. Daneben hat der Tailscale-Sidecar eine separate Pod-Identität, um seinen Zustand zu speichern. Deren aktuelle Role darf Secrets im eigenen Namespace anlegen, lesen und aktualisieren; sie ist breiter als der eine benötigte Zustandsspeicher.

Aus den öffentlichen Manifesten lässt sich daher keine vollständige Secret-Isolation der gesamten Agentenlaufzeit ableiten. Ob und wie Agententools diese zweite Identität erreichen können, wurde damit noch nicht zur Laufzeit getestet. Die Aufteilung auf mehrere Container allein belegt nicht, dass das Token ausschließlich dem Sidecar zugänglich ist.

Hier bleibt Härtungsarbeit offen. Die lesende Monitoring-Rolle ist trotzdem eine sinnvolle Grenze, sofern man ihren Geltungsbereich präzise beschreibt:

  • „Für Diagnose ist eine Identität ohne Secret-Leserechte vorgesehen.“
  • „Die gesamte Runtime ist gegenüber sämtlichen Secrets technisch abgeschottet.“

Belegt ist die erste Aussage, nicht die zweite.

Hinzu kommt, dass auch Logs, ConfigMaps oder Custom Resources versehentlich vertrauliche Werte enthalten können. Der fehlende Zugriff auf die Secret-API macht diese Daten nicht automatisch unbedenklich. Weil der Assistent Text an einen Modellanbieter sendet, muss auch die Datenweitergabe bewusst begrenzt bleiben.

Shell-Autonomie ist nicht Cluster-Autonomie#

ZeroClaw bekommt eine weitgehend freie Shell für Analyse und Git-Arbeit. Pipes, Subshells und Werkzeuge gehören zum vorgesehenen Ablauf. Eine bloße Liste „harmloser Befehle“ wäre ohnehin keine robuste Autorisierungsgrenze.

Die gewünschte Sicherheitskonstruktion ist deshalb: Werkzeuge dürfen analysieren; die Diagnose-Credentials begrenzen den API-Zugriff. Promptregeln legen zusätzlich fest, dass der Bot keine Reparatur ausführt. Sie ersetzen jedoch weder RBAC noch die Prüfung anderer erreichbarer Credentials.

„Schreibgeschützt“ bezieht sich dabei auf den Diagnosezugang, nicht auf jede Tätigkeit des Agenten. Er darf Incident-Notizen schreiben, seinen Workspace bearbeiten, Matrix-Nachrichten senden und Änderungen als Radicle-Patch vorschlagen. Die unmittelbare Reparatur des Clusterzustands über die Monitoring-Identität ist dagegen weder vorgesehen noch erlaubt.

Für den regulären Änderungsweg bleibt es bei:

1Diagnose → Änderungsvorschlag → menschliches Review → Merge → Flux

Für Änderungen auf main ist weiterhin ein menschliches Review vorgesehen. Ein brauchbarer Patch spart Vorarbeit, ersetzt aber nicht die fachliche Prüfung.

Netzwerkzugang und API-Recht sind zwei verschiedene Prüfungen#

Der vorgesehene Kubernetes-Pfad führt über einen Userspace-Tailscale-Sidecar und den nativen tailnet-operator-Ingress . Das kubeconfig nutzt einen verifizierten TLS-Namen, die Cluster-CA und den vorgesehenen SOCKS5-Pfad.

Dabei sind drei Fragen unabhängig voneinander zu prüfen:

  1. Darf die Bot-Identität den API-Eingang im Tailnet erreichen?
  2. Ist der TLS-Endpunkt tatsächlich der erwartete?
  3. Welche Kubernetes-Aktionen erlaubt das Token?

Ein vorhandenes Credential reicht ohne Netzwerkfreigabe nicht aus. Das zeigt auch Talos: Ein älterer lesender Zugang ist noch eingebunden, der aktuelle Tailnet-Ingress erlaubt dem Bot aber keinen Talos-Zugriff.

Die Tailnet-Regeln begrenzen allerdings nicht automatisch sämtliche direkten Pod-Netzwerkpfade. Im ZeroClaw-Namespace ist derzeit keine eigene NetworkPolicy deklariert. Der vorgesehene API-Zugriff über das Tailnet beweist deshalb nicht, dass alle anderen Egress-Pfade technisch ausgeschlossen sind. Für die Sicherheitsbewertung müssen diese Pfade einzeln betrachtet werden.

Wer bemerkt, dass die Triage blind ist?#

Der Sweep erwartet in jedem erreichbaren Cluster den dauerhaft feuernden Watchdog. Scheitert die Alertmanager-Abfrage oder fehlt dieser Eintrag, soll ZeroClaw einen P1 über verlorene Monitoring-Sicht melden. Eine leere Liste darf nicht einfach als „gesund“ gelten.

Das deckt nicht jeden Ausfall ab. Bereits als unerreichbar ausgesonderte Cluster soll der aktuelle Prompt still überspringen. Bei einem vollständigen Ausfall des Bots steht auch dessen eigener Meldeweg nicht mehr zuverlässig zur Verfügung.

Deshalb gibt es zusätzlich einen externen Monitoring-Deadman. Ein separater CronJob prüft Prometheus, den Watchdog und Alertmanager-Readiness und sendet nur bei Erfolg ein Lebenszeichen an Healthchecks.io außerhalb des Clusters.

Der externe Check hilft bei Cluster- oder Monitoring-Ausfällen. Er prüft aber nicht, ob ZeroClaw den letzten Sweep korrekt ausgeführt, ein Modell geantwortet oder Matrix die Nachricht zugestellt hat. Ein grüner Deadman ist somit kein Beweis für einen funktionierenden vollständigen Alert-Gate-Pfad.

Der interne ZeroClaw-Heartbeat ergänzt diese Überwachung um eine Selbstbeobachtung. Als unabhängiger Ersatzkanal eignet er sich nicht, weil er denselben Agenten und dieselbe Zustellung benötigt.

Modelle und Kosten: begrenzen statt auf Vernunft hoffen#

Der aktuelle Standard- und Monitoringpfad verwendet Ollama Cloud mit kimi-k2.6:cloud. Als terminaler Fallback ist ein Codex-Pfad konfiguriert. Das erhöht die Chance, dass ein einzelnes Providerproblem nicht jede Analyse beendet; es löst keine Ausfälle von Kubernetes-Zugang, Scheduler oder Matrix.

Die Runtime hat Grenzen für Kontext, Ausgabe, Tool-Iterationen und Aktionen pro Stunde. Hinzu kommen virtuelle Kostenbudgets mit Blockierung, wenn die lokale Rechnung ihr Limit erreicht.

„Virtuell“ ist dabei wichtig: Die Zähler verwenden hinterlegte Preise als Begrenzungsmechanismus. Sie sind weder eine Live-Abrechnung der Provider noch ein Nachweis dafür, welche Subscription-Kontingente tatsächlich noch frei sind.

Diese Limits sollen vor allem endlose Analyseschleifen verhindern. Fehlen belastbare Befunde, hilft es nicht, dieselbe Abfrage immer wieder neu zu formulieren. Der Agent muss dann auch zu dem Ergebnis kommen können: Die vorhandenen Befunde reichen nicht; ein Mensch muss entscheiden.

Was sich ohne Live-Zugriff überprüfen lässt#

Das Lab enthält Regressionstests für die Zusatzrolle und den kubeconfig-Generator. Sie prüfen unter anderem unzulässige Verben, Secret-Freigaben, unerwünschte Wildcards sowie falsche Endpunkte, Proxys und deaktivierte TLS-Prüfung.

So werden auch unbeabsichtigte Folgen kleiner RBAC- oder Zugangsänderungen sichtbar. Die Prüfung bleibt jedoch auf diese Diagnose-Identität begrenzt. Sie belegt weder sämtliche aggregierten Clusterrechte noch die Isolation der separaten Pod-Identität.

Ebenso müsste ein echter Zustelltest einen definierten Vorfall durch den gesamten Pfad verfolgen: Alert aktiv, Sweep ausgeführt, Analyse abgeschlossen, Nachricht angekommen. Ein sauber gerendertes TOML beweist nur, dass die gewünschte Konfiguration existiert.

Fazit: weniger Entscheidungen automatisieren, mehr Entscheidungen vorbereiten#

Der sinnvolle Platz für ZeroClaw ist für mich zwischen Rohsignal und menschlicher Entscheidung. Dort kann ein Agent Zusammenhänge herausarbeiten, redundante Meldungen bündeln und den nächsten Untersuchungsschritt vorbereiten, ohne selbst die Plattform zu reparieren.

Die lesende Monitoring-Identität und der Verzicht auf einen SOPS-Key sind dafür wichtige Grenzen. Sie machen aber weder die gesamte Runtime secretfrei noch den promptgesteuerten Alert-Pfad zu einem zuverlässigen Pager. Die breitere Sidecar-Berechtigung, die stündliche Abfrage und der fehlende unabhängige Critical-Bypass bleiben Teil des aktuellen Bildes.

Für mich liegt der Nutzen darin, Urteilsarbeit gezielt zu unterstützen und operative Autorität bewusst getrennt zu halten. ZeroClaw soll die Befunde für eine Entscheidung verbessern, ohne diese Entscheidung selbst zu übernehmen. An diesem Anspruch muss sich der weitere Betrieb messen lassen.

Quellenstand: öffentliche Lab-Konfiguration Anfang Oktober 2026. Maßgeblich sind docs/ZEROCLAW.md, zeroclaw.toml, die Alertmanager-Konfiguration, Monitoring-RBAC und Pod-Rollen im Lab-Repository . Die Aussagen beschreiben Konfiguration und ihre Grenzen, keine während des Schreibens durchgeführte Live-Sicherheitsprüfung.