Jangan Biarkan Model Menulis YAML: Remediasi GitOps Deterministik dengan Diff Minimal dari Perubahan Field yang Diusulkan LLM

Memisahkan maksud semantik dari penyuntingan sintaksis untuk otomasi GitOps yang aman dan tanpa pengawasan

Pruthvi Davineni· 2026· DOI 10.48550/arXiv.2609.00227

Masalah inti

Agen LLM semakin banyak digunakan untuk mendiagnosis insiden dan mengusulkan remediasi di sistem produksi. Dalam alur kerja GitOps, menerapkan perbaikan memerlukan penyuntingan berkas konfigurasi yang dikendalikan versi, biasanya manifes Kubernetes. Implementasi intuitif—membiarkan model menulis berkas yang disunting atau diff terpadu—adalah pendekatan pertama yang dijangkau praktisi. Karya ini mengevaluasi pilihan tersebut pada manifes Kubernetes nyata dan menemukan bahwa tidak ada strategi generasi teks yang aman untuk otomasi tanpa pengawasan. Penulis berargumen untuk memisahkan keputusan semantik (sumber daya, field, dan nilai mana yang diubah) dari tindakan sintaksis menyunting berkas, dan menyajikan kontrak penerapan deterministik yang fail-closed untuk remediasi GitOps. Kontribusinya dibatasi pada penerapan setia dari perubahan yang diketahui; apakah perubahan itu sendiri benar tetap menjadi tanggung jawab tinjauan PR manusia.

Diff terpadu tidak aman untuk otomasi tanpa pengawasan. Di bawah patching ketat, hampir tidak ada yang diterapkan, tetapi ini adalah artefak dari kekakuan. Alat toleran seperti GNU patch menerapkan 96% diff, namun secara diam-diam salah menerapkan sekitar 1 dari 7 (14-20%) tanpa sinyal kesalahan. Penulisan ulang berkas penuh bergantung pada kapabilitas: model kecil merusak berkas, sedangkan model frontier biasanya benar tetapi non-deterministik—secara diam-diam menghilangkan field atau mengubah tetangga pada beberapa eksekusi—dan harus meregenerasi seluruh berkas, dengan biaya O(ukuran berkas) per suntingan. Sebaliknya, pipeline deterministik mencapai penerapan yang benar dan deterministik terlepas dari model, dengan diff minimal serta format dan komentar yang terjaga. Biaya generasi adalah O (1) per suntingan, karena model hanya mengeluarkan maksud terstruktur alih-alih berkas penuh atau diff.

Agen LLM semakin banyak digunakan untuk mendiagnosis insiden dan mengusulkan remediasi di sistem produksi. Dalam alur kerja GitOps, menerapkan perbaikan memerlukan penyuntingan berkas konfigurasi yang dikendalikan versi, biasanya manifes Kubernetes. Implementasi intuitif—membiarkan model menulis berkas yang disunting atau diff terpadu—adalah pendekatan pertama yang dijangkau praktisi. Karya ini mengevaluasi pilihan tersebut pada manifes Kubernetes nyata dan menemukan bahwa tidak ada strategi generasi teks yang aman untuk otomasi tanpa pengawasan. Penulis berargumen untuk memisahkan keputusan semantik (sumber daya, field, dan nilai mana yang diubah) dari tindakan sintaksis menyunting berkas, dan menyajikan kontrak penerapan deterministik yang fail-closed untuk remediasi GitOps. Kontribusinya dibatasi pada penerapan setia dari perubahan yang diketahui; apakah perubahan itu sendiri benar tetap menjadi tanggung jawab tinjauan PR manusia.

Evaluasi membandingkan dua strategi generasi teks yang digerakkan LLM dengan pipeline deterministik yang diusulkan. Pertama, diff terpadu diuji dengan patching ketat dan patching toleran (GNU patch). Kedua, penulisan ulang berkas penuh dinilai pada model kecil dan model frontier. Alternatif yang diusulkan membuat agen hanya mengeluarkan maksud perubahan field terstruktur. Pipeline deterministik kemudian mengindeks manifes berdasarkan (kind, name), menemukan rentang karakter tepat dari skalar target menggunakan penanda posisi node parser YAML, dan mengganti hanya rentang itu pada teks mentah. Karena berkas tidak pernah diserialisasi ulang, diff menjadi minimal secara konstruksi, format dan komentar terjaga, dan suntingan benar serta deterministik terlepas dari model, dengan biaya generasi O (1) . Implementasinya dirilis sebagai KubeAstra (Apache-2.0) bersama sebuah benchmark.

Temuan ini menyoroti cacat mendasar dalam mengandalkan generasi teks LLM untuk penyuntingan berkas sintaksis di GitOps. Tingkat kesalahan penerapan diam-diam sebesar 14-20% di bawah patching toleran sangat berbahaya karena tidak memberikan sinyal kesalahan, berpotensi menyebabkan penyimpangan konfigurasi atau gangguan yang tidak terdeteksi. Penulisan ulang berkas penuh, meskipun kadang benar, bersifat non-deterministik dan skalanya buruk terhadap ukuran berkas. Pemisahan tanggung jawab yang diusulkan—LLM untuk maksud semantik, pipeline deterministik untuk penerapan sintaksis—mengatasi masalah ini dengan membuat suntingan fail-closed dan minimal secara konstruksi. Pendekatan ini sejalan dengan prinsip hak istimewa paling sedikit untuk otomasi: model mengusulkan, tetapi sistem deterministik yang memutuskan. Penulis mengimplementasikannya di KubeAstra dan merilis benchmark, memberikan fondasi untuk penelitian lebih lanjut. Klaimnya dibatasi pada penerapan setia dari perubahan yang diketahui; kebenaran perubahan itu sendiri tetap menjadi tanggung jawab manusia selama tinjauan PR. Karya ini menyarankan agar sistem remediasi berbasis LLM di masa depan mengadopsi kontrak penerapan deterministik serupa untuk memastikan keamanan dan keandalan.

Praktisi dan peneliti ilmu komputer

Membuka konten member…