Seminar GoCD – Agenten, Ressourcen, Umgebungen und Elastic Agents

Dieses Seminar konzentriert sich auf die Ausführungsseite von GoCD. Vermittelt wird, wie Jobs auf passende Agenten gelenkt, Umgebungen sauber getrennt und Lastspitzen über Elastic Agents kontrolliert abgefangen werden. Der Stoff ist bewusst auf zwei Tage ausgelegt, weil neben der reinen Konfiguration auch der operative Zusammenhang zwischen Ressourcen, Scheduling, Profilen und Laufzeitverhalten praktisch geübt wird.

Zielsetzung
Erarbeitet wird ein belastbarer Betriebsansatz für statische und dynamische Agentenpools. Nach dem Seminar ist klar, wie Agenten registriert, segmentiert, überwacht und für unterschiedliche Pipeline-Typen passend bereitgestellt werden.

Schwerpunkte

• Aufbau des Zusammenspiels zwischen Server, lokalen Agenten und extern bereitgestellten Agenten
• Registrierung, Freigabe, Sperrung, Wartung und kontrollierte Wiederinbetriebnahme von Agenten
• Ressourcenmodellierung für Jobs und saubere Zuordnung von Fähigkeiten zu Ausführungsumgebungen
• Abgrenzung von Umgebungen und Umgang mit Überschneidungen zwischen Teams und Delivery-Strecken
• Vererbung und Einsatz von Umgebungsvariablen auf Environment-, Pipeline-, Stage- und Job-Ebene
• Dimensionierung von Agentenpools für Build, Test, Paketierung und Deployment
• Einführung in Elastic Agents mit Cluster Profiles, Elastic Agent Profiles und Job-Zuordnung
• Fehlerbilder bei Scheduling, Ressourcenmismatch, blockierten Jobs und überlasteten Agenten

Praxis
Im praktischen Teil werden Jobs mit Ressourcen versehen, Umgebungen sauber getrennt, Agentenzuordnungen geprüft und ein Szenario mit dynamischer Agentenbereitstellung konzeptionell und technisch durchgespielt.

Adressaten
Geeignet für Build- und Release-Verantwortliche, DevOps-Teams, Plattformadministration und technische Projektleitungen, die GoCD nicht nur bedienen, sondern unter Last sauber betreiben wollen.

Nutzen
Das Seminar reduziert typische Fehlplanungen: zu grobe Agentenpools, unklare Ressourcenvergabe, schlecht trennbare Umgebungen und teure Überprovisionierung. Statt Trial-and-Error entsteht ein strukturierter, nachvollziehbarer Scheduling- und Skalierungsansatz.