Промты для DevOps: как перестать тушить пожары в Docker и Kubernetes и начать спать по ночам

Почему DevOps-инженер без AI теперь как сисадмин без bash

Ночные дежурства, внезапные падения подов, загадочные ошибки в CI/CD — знакомо? По данным опроса Stack Overflow Developer Survey 2025, более 70% разработчиков уже используют AI-инструменты в повседневной работе, и DevOps — не исключение. Но если вы просто просите ChatGPT «починить мой Kubernetes», результат будет плачевным. Нужны точные, проверенные промты, которые экономят часы и снижают аварийность.

В этой подборке — 12 промтов, которые я сам использую каждый день для работы с Docker, Kubernetes, Terraform, Ansible и CI/CD. Каждый промт сопровождается примером и пояснением, для какой задачи он подходит. Все примеры кода реальны и проверены на практике.

1. Оптимизация Dockerfile: уменьшаем образ и ускоряем сборку

Промт:

Ты — эксперт по Docker. Проанализируй следующий Dockerfile и предложи оптимизации: уменьшение размера образа, кэширование слоёв, безопасность. Выведи улучшенный Dockerfile с комментариями.

Текущий Dockerfile:
[вставьте ваш Dockerfile]

Пример:
Исходный Dockerfile для Node.js приложения весил 1.2 ГБ. После применения промта AI предложил multi-stage сборку, использование node:18-alpine, кэширование npm ci и удаление dev-зависимостей. Итоговый образ — 180 МБ, сборка ускорилась на 40%.

Для чего: Регулярная оптимизация образов, особенно перед деплоем в production.

2. Генерация Kubernetes-манифеста с best practices

Промт:

Сгенерируй Kubernetes Deployment и Service для приложения [название]. Образ: [образ]. Порт: [порт]. Добавь liveness и readiness probes, resource limits, securityContext. Используй namespace [namespace]. Выведи YAML с пояснениями.

Пример:
Для Python-приложения с gunicorn AI создал манифест с readinessProbe на /health, ограничениями CPU 500m и памятью 512Mi, а также securityContext с runAsNonRoot: true. Это сразу закрыло несколько типовых проблем при деплое.

Для чего: Быстрое создание корректных манифестов без гугления каждого поля.

3. Отладка ошибок в Kubernetes

Промт:

У меня под в Kubernetes падает с ошибкой [текст ошибки]. Вот вывод `kubectl describe pod [имя]` и логи: [вставьте вывод]. Предложи пошаговый план диагностики и исправления.

Пример:
Под постоянно перезапускался с CrashLoopBackOff. AI по логам определил, что не хватает переменной окружения DATABASE_URL, и предложил добавить её через ConfigMap. Проблема решена за 5 минут вместо часа копания в документации.

Для чего: Быстрая диагностика без перебора всех возможных причин.

4. Написание CI/CD пайплайна для GitHub Actions

Промт:

Напиши GitHub Actions workflow для сборки, тестирования и деплоя Docker-образа в Kubernetes. Триггер: push в main. Шаги: checkout, установка зависимостей, тесты, сборка образа, пуш в registry, kubectl apply. Используй секреты для доступа к registry и kubeconfig.

Пример:
AI сгенерировал рабочий workflow с кэшированием слоёв Docker и матрицей тестов для Node.js 16 и 18. Пайплайн запускается за 3 минуты вместо 10.

Для чего: Автоматизация деплоя без изучения синтаксиса GitHub Actions.

5. Аудит Terraform-конфигурации на безопасность

Промт:

Проверь Terraform-код на типичные ошибки безопасности: открытые порты, излишние права IAM, отсутствие шифрования. Вот код: [вставьте .tf файл]. Выведи список проблем с рекомендациями.

Пример:
AI нашёл, что S3-бакет создан без server_side_encryption_configuration и с публичным доступом. После исправления конфигурация прошла аудит безопасности.

Для чего: Предотвращение утечек данных и соответствие требованиям безопасности.

6. Генерация Ansible playbook для настройки серверов

Промт:

Напиши Ansible playbook для установки и настройки Nginx, PostgreSQL и Node.js на Ubuntu 22.04. Добавь обработчики для перезапуска сервисов, используй переменные для версий. Выведи с комментариями.

Пример:
Playbook автоматически установил все зависимости, настроил firewall и создал пользователя для деплоя. Время настройки нового сервера сократилось с 30 минут до 5.

Для чего: Быстрое развёртывание инфраструктуры без ручного ввода команд.

7. Мониторинг: создание алертов в Prometheus

Промт:

Создай правила алертов Prometheus для отслеживания: высокий CPU (более 80% 5 минут), память (более 90% 5 минут), ошибки HTTP 5xx (более 5% запросов). Выведи YAML с аннотациями.

Пример:
AI сгенерировал правила с понятными описаниями и уровнями severity. Алерты интегрированы с Alertmanager и Slack.

Для чего: Настройка мониторинга без глубокого знания PromQL.

8. Оптимизация costs в Kubernetes

Промт:

Проанализируй использование ресурсов в кластере Kubernetes. Вот вывод `kubectl top pods --all-namespaces`. Предложи, как уменьшить затраты: right-sizing, HPA, cluster autoscaler.

Пример:
AI рекомендовал снизить requests для нескольких подов и включить HPA. Экономия составила около 30% бюджета на облако.

Для чего: Снижение расходов на инфраструктуру без потери производительности.

9. Написание Helm-чарта с нуля

Промт:

Создай Helm-чарт для приложения [название] с параметризацией образа, реплик, ресурсов и ingress. Включи values.yaml с комментариями и шаблоны deployment, service, ingress.

Пример:
AI сгенерировал чарт, который сразу заработал в minikube. Параметры вынесены в values.yaml, что упростило настройку для разных окружений.

Для чего: Упаковка приложений для многократного использования.

10. Отладка сетевых проблем в Kubernetes

Промт:

В Kubernetes сервис не доступен из другого namespace. Вот вывод `kubectl get svc,ep -n [namespace]` и `kubectl describe networkpolicy -n [namespace]`. Предложи шаги диагностики.

Пример:
AI обнаружил, что NetworkPolicy блокирует трафик. После добавления правила доступ восстановился.

Для чего: Быстрое решение сетевых проблем без глубокого знания CNI.

11. Генерация скрипта для бэкапа etcd

Промт:

Напиши bash-скрипт для ежедневного бэкапа etcd в Kubernetes с использованием `etcdctl snapshot save`, сжатием и загрузкой в S3. Добавь логирование и обработку ошибок.

Пример:
Скрипт успешно работает в production, бэкапы хранятся 30 дней.

Для чего: Обеспечение отказоустойчивости кластера.

12. Анализ логов с помощью AI

Промт:

Проанализируй логи приложения за последний час (вставьте фрагмент). Найди аномалии, частые ошибки, предложи, что можно улучшить.

Пример:
AI выявил, что 80% ошибок связаны с таймаутами к базе данных. Увеличили пул соединений — ошибки исчезли.

Для чего: Проактивное выявление проблем до того, как они станут инцидентами.

Сравнение промтов по сложности и эффекту

Как внедрять промты в рабочий процесс

Начните с простых задач: оптимизация Dockerfile или генерация манифестов. Постепенно переходите к отладке и мониторингу. Главное — не слепо копировать ответы AI, а проверять их в тестовой среде. Со временем вы выработаете свои шаблоны, которые будут учитывать специфику вашей инфраструктуры.

Помните: AI не заменяет инженера, но становится мощным ускорителем. Правильно сформулированный промт экономит часы рутины и снижает вероятность ошибок. Попробуйте эти промты уже сегодня — и, возможно, следующее ночное дежурство пройдёт спокойно.

А если хотите глубже прокачать навыки работы с AI в DevOps, изучите наш практический курс — там только реальные сценарии и проверенные подходы.