El equipo de SREGym ha presentado un pipeline de diagnóstico impulsado por Jev que opera sin agentes de lenguaje de gran escala (LLM). Este sistema automatizado recopila y organiza evidencia técnica de clústeres Kubernetes, como objetos, eventos y registros de pods, para alimentar a Jev. A diferencia de las versiones anteriores que utilizaban LLMs para generar diagnósticos, este enfoque permite a Jev seleccionar la causa raíz más probable y las observaciones de soporte entre un conjunto limitado de opciones, reduciendo la latencia y el coste computacional.
En una evaluación rigurosa de 21 fallos de SREGym-Lite, el pipeline superó el 76,2% de los diagnósticos (80 de 105 intentos) con un tiempo mediano de 14,6 segundos. Los resultados mostraron una consistencia notable: en 18 de los 21 fallos, los cinco intentos independientes obtuvieron la misma puntuación, aunque no se garantizó que el modelo siguiera la misma ruta de razonamiento en cada ejecución. El coste estimado de inferencia para cada intento fue de 0,15 dólares, utilizando 3,48 millones de tokens de entrada. La implementación del pipeline está disponible públicamente en GitHub, ofreciendo una alternativa eficiente para la depuración de incidentes en entornos de producción complejos.