Если вы DevOps-инженер или SRE, вы знаете: половина рабочего дня уходит не на взлом сложных проблем, а на рутину — переписывание одних и тех же Terraform-модулей, разбор алертов, которые оказываются ложными, и медитацию над дашбордами Grafana. К 2026 году AI-промты стали не просто модным словом, а реальным инструментом, который берет на себя значительную часть этой работы. Я собрал 12 промтов, которые использую сам и которые проверены в бою. Здесь нет абстрактных "помоги написать код" — только конкретные, рабочие формулировки, которые экономят часы.
1. Генератор Terraform-модулей: от задачи к коду
Проблема: Каждый раз писать однотипные модули для создания ресурсов — скучно и медленно.
Промт: "Создай модуль Terraform для AWS EC2 Auto Scaling Group. Требования: параметризация по типу инстанса, минимальному/максимальному размеру, VPC-подсетям; поддержка launch template с user_data; теги для стоимости. Используй переменные с типами и description. Выведи output: ARN, ID, имя ASG."
Результат: Через 30 секунд вы получаете рабочий модуль с переменными, выходными данными и комментариями. Остается только скопировать и адаптировать под свой проект. Это особенно полезно, когда нужно быстро набросать инфраструктуру для нового сервиса.
2. Автогенерация Dockerfile и docker-compose
Проблема: Настройка Docker для нового приложения — это всегда подбор базового образа, оптимизация слоев, настройка healthcheck.
Промт: "Напиши Dockerfile для Node.js приложения (Express, порт 3000). Требования: multi-stage build, использование alpine-образа, установка только production-зависимостей, non-root пользователь, HEALTHCHECK. Также создай docker-compose.yml для запуска с PostgreSQL."
Результат: Получаете готовые файлы, которые сразу работают. Экономия времени — до 40 минут на проект. Пример реального использования: в нашем стартапе мы сгенерировали Dockerfile для трех микросервисов за один вечер, вместо двух дней ручной настройки.
3. Инспектор kubectl: диагностика пода, который не стартует
Проблема: Под в CrashLoopBackOff, логи невнятные, глаза уже слипаются.
Промт: "У меня под 'api-gateway' в namespace 'prod' в CrashLoopBackOff. Вот его описание и логи: [вставьте]. Проанализируй возможные причины, дай команды для диагностики (kubectl describe, logs, exec) и предложи исправление. Важно: не предлагай просто перезапустить под."
Результат: ИИ анализирует логи, находит типичные ошибки (например, неправильные env vars) и дает конкретные команды. В моем случае он подсказал, что проблема в отсутствии переменной DATABASE_URL, и как это исправить через ConfigMap.
4. Проектировщик SLI/SLO: от метрик к соглашению
Проблема: Нужно определить SLO для сервиса, но неясно, какие SLI выбрать.
Промт: "Предложи SLI и SLO для REST API с целевой доступностью 99.9%. Опиши, как измерять каждый SLI (Prometheus-метрики), какие окна агрегации использовать, и как настроить алерты (Prometheus Alertmanager). Дай примеры PromQL-запросов."
Результат: ИИ генерирует таблицу SLI/SLO с метриками и запросами. Это отличная отправная точка для обсуждения с командой. Например, для доступности он предложил: (sum(rate(http_requests_total{status!~"5.."}[30d])) / sum(rate(http_requests_total[30d]))) * 100.
5. Создатель Prometheus-алертов: от симптома к правилу
Проблема: Нужно быстро настроить алерт на высокую ошибку 5xx, но не хочется лезть в документацию.
Промт: "Создай Prometheus alerting rule для HTTP 5xx ошибок. Условие: если доля 5xx ответов > 5% за 5 минут, alert severity=critical. Включи аннотации summary и description. Также предложи выражение для алерта на высокую задержку p99 > 500ms за 10 минут."
Результат: Получаете готовый YAML-фрагмент. Пример: groups: - name: http_errors rules: - alert: High5xxRate expr: (sum(rate(http_requests_total{status=~"5.."}[5m])) by (service) / sum(rate(http_requests_total[5m])) by (service)) > 0.05 for: 5m labels: severity: critical annotations: summary: "High 5xx rate" description: "..."
6. Разборщик инцидентов: постмортем за 15 минут
Проблема: После инцидента нужно написать постмортем, но все детали уже стерлись из памяти.
Промт: "Составь постмортем по шаблону: краткое описание, хронология, первопричина, воздействие, действия, извлеченные уроки, план действий. Вот факты: [вставьте]. Выдели, что можно улучшить в процессе."
Результат: ИИ структурирует разрозненные факты в связный документ. Это экономит часы и помогает ничего не упустить.
7. Генератор GitLab CI/CD пайплайнов
Проблема: Настройка CI/CD с нуля — это много рутины: этапы, кэширование, артефакты.
Промт: "Создай .gitlab-ci.yml для Python-проекта: этапы lint, test, build, deploy. Используй образ python:3.12-slim, кэшируй pip, после тестов сохраняй артефакты (pytest отчеты). Deploy на AWS ECS через aws cli. Включи правила запуска для main и merge requests."
Результат: Рабочий пайплайн, который можно сразу запустить. ИИ учтет best practices, такие как использование $CI_COMMIT_REF_NAME для тегов.
8. Аналитик логов: поиск иголки в стоге сена
Проблема: В логах тысячи строк, но нужно найти ошибки, связанные с конкретным запросом.
Промт: "Вот фрагмент логов приложения: [вставьте]. Найди все ошибки, связанные с таймаутами, сгруппируй их по типу, укажи частоту и возможную причину. Также предложи grep-команду для поиска подобных ошибок в будущем."
Результат: ИИ быстро находит паттерны, например, "TimeoutException" в 30% случаев, и предлагает команду: grep "TimeoutException" app.log
| awk '{print $5}' | sort | uniq -c | sort -rn.
9. Оптимизатор стоимости облака (FinOps)
Проблема: Счета за AWS растут, но непонятно, что резать.
Промт: "У нас есть отчет AWS Cost Explorer по сервисам за последний месяц. Проанализируй потенциальные возможности экономии: idle ресурсы, неправильные типы инстансов, неиспользуемые EBS-тома. Предложи конкретные шаги и примерные цифры экономии (в процентах)."
Результат: ИИ генерирует список рекомендаций, например, "снизить тип инстанса с m5.large до m5.xlarge нецелесообразно, а вот удалить неиспользуемые снапшоты — экономия до 20%".
10. Генератор плейбуков для инцидентов
Проблема: Каждый раз при инциденте команда действует хаотично.
Промт: "Создай плейбук для инцидента 'Высокая нагрузка на БД'. Включи: триггеры (алерты), шаги для диагностики (запросы к БД, мониторинг), эскалации, временные меры (скейлинг, кэширование), и шаги для постоянного решения."
Результат: Документ, который можно положить в Runbook и использовать при следующем инциденте. Это ускоряет MTTR.
11. Конвертер Ansible-плейбуков в Terraform
Проблема: Миграция с Ansible на Terraform — боль.
Промт: "Преобразуй этот Ansible-плейбук [вставьте] в эквивалентный Terraform-конфиг для AWS. Учти: установка пакетов, настройка файлов, запуск служб. Выведи код с комментариями."
Результат: ИИ создает Terraform-код, который воспроизводит ту же конфигурацию. Это не всегда идеально, но хорошая отправная точка.
12. Построитель Grafana-дашбордов
Проблема: Нужен дашборд для мониторинга Kubernetes, но лень писать JSON.
Промт: "Сгенерируй JSON для Grafana-дашборда: мониторинг Kubernetes (CPU, память, сеть, ошибки). Используй Prometheus-метрики (container_cpu_usage_seconds_total, container_memory_working_set_bytes). Включи панели с графиками, таблицами и алертами."
Результат: Готовый JSON, который можно импортировать в Grafana. Правда, иногда требует доработки, но база есть.
13. Документатор API: OpenAPI-спецификация из кода
Проблема: Написать OpenAPI-спецификацию для существующего REST API — это часы работы.
Промт: "Создай OpenAPI 3.0 спецификацию для этого FastAPI-приложения [вставьте код]. Включи все эндпоинты, схемы запросов/ответов, используй правильные типы. Выведи YAML."
Результат: ИИ анализирует код и генерирует спецификацию. Экономия времени — до 2 часов.
14. Ментор по безопасности: аудит конфигурации
Проблема: Нужно проверить, нет ли дыр в безопасности.
Промт: "Проведи аудит этого Terraform-кода на предмет уязвимостей безопасности: открытые порты, слабые пароли, неправильные IAM-политики. Дай рекомендации по улучшению с примерами кода."
Результат: ИИ находит потенциальные проблемы, например, security group с 0.0.0.0/0 для SSH, и предлагает ограничить доступ.
15. Ассистент по Runbook: автогенерация шагов
Проблема: Нет runbook для типовых задач.
Промт: "Составь runbook для развертывания нового сервиса в Kubernetes. Включи: предварительные проверки, создание namespace, деплой, проверка статуса, откат. Дай команды kubectl."
Результат: Понятная инструкция, которую можно использовать как чек-лист.
Как это работает: главные правила
- Будьте конкретны: чем больше деталей, тем лучше результат.
- Вставляйте контекст: логи, конфиги, ошибки — все это помогает.
- Итеративно уточняйте: первый ответ не всегда идеален, задавайте уточняющие вопросы.
Попробуйте эти промты в своей работе — и вы заметите, как рутина отступает, освобождая время для действительно сложных задач. Если у вас есть свои проверенные промты — делитесь в комментариях!
Комментарии