Если вы до сих пор думаете, что ИИ в DevOps — это только генерация YAML-файлов, вы отстали. Я сам долго скептически относился к LLM в инфраструктуре, пока не начал использовать их для реальных задач: от разбора инцидентов до оптимизации Terraform. В этом материале — десять промтов, которые я реально применяю в работе. Они сэкономили мне часы, а иногда и дни. Никакой воды, только практика.
1. Генерация Dockerfile с учётом лучших практик
Один из самых частых запросов — создать Dockerfile, который не раздувает образ и не содержит уязвимостей. Промт должен требовать от ИИ не просто код, а объяснение каждого шага.
Промт:
«Создай production-ready Dockerfile для Python-приложения на FastAPI. Учитывай: использование официального образа python:3.12-slim, создание непривилегированного пользователя, установку зависимостей через pip с --no-cache-dir, многоступенчатую сборку, healthcheck, минимальное количество слоёв. Объясни каждую инструкцию и укажи, какие CVE можно избежать»
Пример результата:
ИИ предложил многоступенчатую сборку, где в первом стейдже ставятся зависимости, во втором — только рантайм. Плюс он добавил HEALTHCHECK с curl и указал, что apt-get лучше не использовать для рантайма, чтобы уменьшить поверхность атаки.
2. Написание Terraform-модуля с нуля
Terraform — это мощь, но писать модули с нуля — боль. Промт ниже помогает сгенерировать модуль для AWS S3 с бакетами, политиками и версионированием.
Промт:
«Напиши Terraform-модуль для создания S3-бакета в AWS с поддержкой версионирования, шифрования AES-256 и блокировки публичного доступа. Используй провайдер aws версии 5.x. Добавь outputs: bucket_id, bucket_arn. Код должен соответствовать best practices HashiCorp»
Пример:
ИИ сгенерировал модуль с переменными bucket_name, environment, и ресурсами aws_s3_bucket, aws_s3_bucket_versioning, aws_s3_bucket_server_side_encryption_configuration. Всё работало с первого раза.
3. Отладка CI/CD пайплайна
Когда пайплайн падает, а логи невнятные, ИИ может стать отличным ассистентом. Дайте ему контекст — и получите вероятную причину.
Промт:
«У меня падает GitHub Actions workflow на шаге npm build. Ошибка: "Module not found: Can't resolve 'fs/promises'". Вот YAML конфигурация: [вставить]. Проанализируй и предложи исправление»
Пример:
ИИ сразу заметил, что используется Node 14, а fs/promises стабильно доступен только с Node 14.18. Решение — обновить раннер до Node 20. Время на дебаг сократилось с часа до 5 минут.
4. Оптимизация Kubernetes-манифестов
Написать деплоймент — просто, но оптимизировать его под ресурсы и безопасность — задача для эксперта. Промт ниже помогает выявить слабые места.
Промт:
«Проанализируй этот Kubernetes Deployment YAML [вставить]. Укажи: проблемы с resource requests/limits, securityContext, readinessProbe, livenessProbe. Предложи оптимизированную версию с объяснениями»
Пример:
ИИ указал, что нет livenessProbe, а requests слишком высокие. Он предложил добавить initialDelaySeconds: 5, periodSeconds: 10 и снизить CPU до 100m. Это сократило расходы на кластер.
5. Написание Ansible-плейбука
Ansible — стандарт для конфигурации. Но писать плейбуки с нуля — рутина. Этот промт автоматизирует процесс.
Промт:
«Создай Ansible-плейбук для установки Nginx на Ubuntu 22.04, настройки виртуального хоста для домена example.com и включения HTTPS через certbot. Используй модули apt, template, service. Укажи переменные и структуру каталогов»
Пример:
ИИ сгенерировал плейбук с ролями, шаблонами и хендлерами. Всё, что осталось — скопировать и запустить.
6. Генерация PromQL-запросов для мониторинга
PromQL — мощный, но синтаксис легко забыть. Промт помогает писать запросы для Prometheus и Grafana.
Промт:
«Напиши PromQL-запрос для отображения 95-го перцентиля времени ответа HTTP-запросов за последние 5 минут. Метрика: http_request_duration_seconds. Учитывай гистограмму и используй функцию histogram_quantile»
Пример:
ИИ выдал: histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)). Работает.
7. Анализ логов и поиск аномалий
Когда логи — это гигабайты, ИИ помогает выделить главное.
Промт:
«Вот фрагмент логов приложения [вставить]. Найди аномалии, ошибки, предупреждения. Сгруппируй по типу и предложи возможные причины»
Пример:
ИИ нашёл повторяющиеся ошибки подключения к БД и предположил, что пул соединений исчерпан. Помогло быстро локализовать проблему.
8. Объяснение ошибок в IAM-политиках
IAM — это боль. Промт помогает разобраться в политиках доступа.
Промт:
"У меня есть IAM-политика, которая не работает. Вот JSON: [вставить]. Объясни, почему пользователь не может получить доступ к S3, и исправь"
Пример:
ИИ заметил, что в Resource указан arn:aws:s3:::my-bucket, но не arn:aws:s3:::my-bucket/*, из-за чего доступ к объектам невозможен. Исправил.
9. Написание скриптов для автоматизации рутины
Бэкапы, очистка логов, ротация — всё это можно автоматизировать с помощью ИИ-сгенерированных скриптов.
Промт:
«Напиши bash-скрипт для ежедневного бэкапа PostgreSQL базы данных в S3 с помощью pg_dump и aws cli. Добавь сжатие, ротацию (хранить 7 дней), и отправку уведомления в Slack через webhook»
Пример:
Скрипт получился компактным, с функциями для ошибок и логирования. Я добавил его в cron — работает.
10. Оптимизация затрат в облаке
Облачные счета растут незаметно. ИИ может помочь найти неоптимальные ресурсы.
Промт:
«Проанализируй этот Terraform-код [вставить]. Найди ресурсы, которые можно оптимизировать по стоимости: например, заменить gp2 на gp3, уменьшить размер инстансов, включить auto-scaling. Предложи изменения»
Пример:
ИИ нашёл три EBS-тома gp2, которые можно перевести на gp3, и предложил снизить тип инстанса с t3.large до t3.medium для dev-среды. Экономия — около 30%.
Заключение
Эти десять промтов — не магия, а инструменты. Они не заменят вас, но сэкономят часы на рутине. Главное — давать ИИ контекст и проверять результат. Я рекомендую сохранить эту подборку и использовать её как отправную точку. Адаптируйте промты под свои задачи — и увидите, как ИИ станет вашим надёжным ассистентом в DevOps.
Если у вас есть свои проверенные промты — делитесь в комментариях, обсудим!
Комментарии