DevOps — это профессия, в которой рутина пожирает время быстрее, чем инциденты в проде. Пока вы пишете Dockerfile для очередного микросервиса, кто-то уже настраивает GitHub Actions, а Kubernetes молча роняет поды с OOMKilled. ChatGPT в 2026 году — не замена инженеру, а ускоритель: он генерирует манифесты, объясняет ошибки и превращает размытые задачи в конкретные команды. Главное — правильно формулировать промты.
Эта подборка — практический набор запросов, которые я использую в ежедневной работе. Каждый промт — с задачей, примером и объяснением, как адаптировать под свой стек. Фокус на актуальные инструменты: Kubernetes Gateway API, OpenTofu, GitHub Actions и GitLab CI, observability через OpenTelemetry.
Базовый уровень: Docker и первые шаги
1. Dockerfile с многоступенчатой сборкой
Задача: быстро получить безопасный и лёгкий образ для Python/Node.js приложения.
Промт:
Ты — senior DevOps-инженер. Напиши многоступенчатый Dockerfile для [Python 3.12 / Node.js 20] приложения. Требования: базовый образ alpine или distroless, non-root пользователь, кеширование зависимостей через слой COPY requirements.txt, финальный образ < 200 МБ. Объясни каждую инструкцию и укажи, какие практики безопасности применены.
Пример результата: ChatGPT выдаёт Dockerfile с FROM python:3.12-slim AS builder, установкой зависимостей в /install, копированием в python:3.12-alpine и USER app. В конце — пояснение, почему --no-cache-dir и --chown важны для безопасности.
Подсказка: добавьте «проверь на соответствие CIS Docker Benchmark» — получите чек-лист.
2. Разбор ошибки сборки
Задача: сборка падает с непонятной ошибкой.
Промт:
Вот лог ошибки Docker build: [вставить лог]. Объясни причину простыми словами, предложи 2–3 варианта исправления с командами. Укажи, как предотвратить ошибку в будущем.
Пример результата: ИИ определяет, что npm ci падает из-за отсутствия package-lock.json, предлагает добавить COPY package*.json ./ перед установкой и зафиксировать версию Node.
Продвинутый уровень: Kubernetes и CI/CD
3. Манифест Deployment с probes и ресурсами
Задача: создать production-ready Deployment.
Промт:
Сгенерируй Kubernetes Deployment и Service для приложения [имя, образ, порт]. Добавь livenessProbe, readinessProbe, startupProbe, requests/limits, securityContext (runAsNonRoot, readOnlyRootFilesystem). Объясни, почему выбраны такие таймауты.
Пример результата: YAML с resources.requests.cpu: 100m, readOnlyRootFilesystem: true, startupProbe.failureThreshold: 30. ИИ поясняет, что startupProbe защищает медленно стартующие приложения от преждевременного рестарта.
4. Отладка падающего пода
Задача: под в статусе CrashLoopBackOff.
Промт:
Под падает с CrashLoopBackOff. Вот вывод `kubectl describe pod` и `kubectl logs --previous`: [вставить]. Дай пошаговый план диагностики, начиная с самых вероятных причин. Укажи команды для проверки каждой гипотезы.
Пример результата: ИИ перечисляет: проверка exit code (OOMKilled → увеличить limits), проверка ConfigMap/Secret, проверка прав serviceAccount. Даёт команды kubectl get events --sort-by=.lastTimestamp и kubectl top pod.
5. GitHub Actions workflow
Задача: CI/CD пайплайн с тестами, сборкой образа и деплоем.
Промт:
Напиши GitHub Actions workflow для [стек]. Этапы: линтеры, тесты, сборка Docker-образа, пуш в GHCR, деплой в Kubernetes через kubectl. Используй кеширование, matrix strategy для версий, secrets для токенов. Объясни, как защитить workflow от выполнения из fork-репозиториев.
Пример результата: YAML с permissions: contents: read, actions/cache@v4, docker/build-push-action@v6. ИИ напоминает про pull_request_target и риски инъекций в ${{ github.event.pull_request.title }}.
6. GitLab CI с OpenTofu
Задача: пайплайн для инфраструктуры.
Промт:
Создай .gitlab-ci.yml для OpenTofu: fmt, validate, plan на merge request, apply на main. Используй remote state в S3-совместимом хранилище с блокировкой через DynamoDB. Добавь manual approval перед apply.
Пример результата: пайплайн с image: ghcr.io/opentofu/opentofu:latest, when: manual для apply и rules для запуска plan только на MR.
Экспертный уровень: инфраструктура и инциденты
7. Terraform/OpenTofu модуль
Задача: переиспользуемый модуль для VPC или EKS.
Промт:
Напиши модуль OpenTofu для [ресурс: VPC с публичными/приватными подсетями / EKS-кластер]. Требования: переменные с validation, outputs, поддержка нескольких AZ, теги через default_tags. Добавь пример использования и объясни, какие ресурсы создаются и почему.
Пример результата: variables.tf с validation { condition = can(regex(...)) }, main.tf с for_each по AZ, outputs.tf с ARN подсетей. ИИ предупреждает о лимитах NAT Gateway и стоимости.
8. Kubernetes Gateway API
Задача: заменить Ingress на Gateway API.
Промт:
Покажи, как мигрировать с Ingress на Kubernetes Gateway API для приложения [имя]. Нужны HTTPRoute с host-based routing и TLS через cert-manager. Объясни разницу между GatewayClass, Gateway и HTTPRoute, приведи манифесты.
Пример результата: GatewayClass с controller example.com/gateway-controller, Gateway с listener на 443 и HTTPRoute с parentRefs. ИИ поясняет, что Gateway API — это CRD-стандарт SIG Network, заменяющий Ingress.
9. Observability через OpenTelemetry
Задача: добавить трейсинг и метрики.
Промт:
Настрой OpenTelemetry для [сервис на Python/Go]: экспорт трейсов в OTLP-эндпоинт, метрики через Prometheus exporter. Покажи код инструментирования, конфиг Collector и пример запроса в Grafana Tempo. Объясни, что такое span, trace и context propagation.
Пример результата: код с opentelemetry-instrumentation-fastapi, конфиг otel-collector с receivers: otlp, exporters: otlphttp. ИИ объясняет разницу между head-based и tail-based sampling.
10. Разбор инцидента в проде
Задача: постмортем после сбоя.
Промт:
Помоги провести разбор инцидента: [описание, таймлайн, логи, метрики]. Составь постмортем по шаблону: summary, impact, timeline, root cause, action items. Отдели симптомы от причины. Предложи 5 метрик для раннего обнаружения похожих проблем.
Пример результата: структурированный документ с root cause: connection pool exhaustion, action items с owner и deadline, метрики pg_pool_wait_seconds и http_5xx_rate.
11. Оптимизация costs в Kubernetes
Задача: снизить расходы на кластер.
Промт:
Проанализируй [вывод kubectl top nodes/pods, конфиги requests/limits]. Найди перевыделенные ресурсы, предложи VPA/HPA-настройки и spot-инстансы. Оцени потенциальную экономию в процентах с оговорками.
Пример результата: ИИ указывает на поды с requests.cpu: 2 при потреблении 200m, рекомендует VPA в режиме Off для сбора рекомендаций и PriorityClass для spot-нод.
12. Промт-ревью инфраструктурного кода
Задача: второй взгляд на PR.
Промт:
Выступи в роли ревьюера Terraform/Helm-кода. Проверь [код] на: безопасность (открытые порты, IAM), идемпотентность, читаемость, отсутствие хардкода. Дай замечания с приоритетом (blocker/major/minor) и предложи исправления.
Пример результата: список замечаний: blocker: security_group ingress 0.0.0.0/0 на 22, major: отсутствует lifecycle prevent_destroy для БД, minor: переменные без description.
Как адаптировать промты под свой стек
Ключевой приём — добавлять контекст: версию инструмента, облако, ограничения. Вместо «напиши Dockerfile» — «напиши Dockerfile для Go 1.23 с CGO_ENABLED=0, деплой в AWS ECS Fargate». Чем конкретнее ввод, тем меньше итераций. И всегда проверяйте сгенерированные манифесты: ИИ ошибается в мелочах — отступы YAML, устаревшие API-версии, несуществующие поля. Используйте kubectl apply --dry-run=server и tofu validate перед применением.
Промты не отменяют дежурств, но сокращают время на рутину: генерацию boilerplate, объяснение ошибок, черновики постмортемов. Начните с одного-двух промтов из базового уровня, адаптируйте под свои сервисы — и постепенно стройте личную библиотеку запросов. Инфраструктура как код начинается с инфраструктуры как текста — и ChatGPT здесь неплохой соавтор, если держать его в рамках.
Комментарии