Введение
DevOps-инженер сегодня — это человек, который одновременно пишет Dockerfile, отлаживает падающие поды, чинит пайплайны и описывает инфраструктуру в Terraform. И часто всё это — под давлением: продакшен лежит, релиз горит, а ты в сотый раз гуглишь синтаксис kubectl describe pod. LLM не заменят инженера, но могут взять на себя рутину: сгенерировать рабочий конфиг, объяснить ошибку в логах, предложить оптимальный манифест. Главное — правильно сформулировать запрос. В этой подборке — 10 промтов, которые я сам использую в ежедневной работе. Каждый проверен на реальных задачах, от сборки образов до разбора инцидентов.
1. Генерация оптимального Dockerfile
Задача: быстро получить production-ready Dockerfile с многоступенчатой сборкой и минимальным размером образа.
Промт:
Ты — эксперт по Docker. Сгенерируй оптимальный Dockerfile для [язык/фреймворк] приложения. Требования:
- Многоступенчатая сборка (builder + runtime)
- Минимальный базовый образ (например, alpine или distroless)
- Кеширование зависимостей
- Непривилегированный пользователь
- Явное указание версий
- Инструкция HEALTHCHECK
Поясни каждое решение.
Пример использования: для Python-приложения на FastAPI промт выдаст Dockerfile с python:3.12-slim в builder, gcr.io/distroless/python3 в runtime, копированием только requirements.txt для кеша и запуском от пользователя nonroot. Это экономит время на поиск best practices и снижает размер образа в разы.
2. Отладка падающего пода в Kubernetes
Задача: понять, почему под в статусе CrashLoopBackOff, и получить конкретные шаги исправления.
Промт:
Под в Kubernetes падает с ошибкой: [текст ошибки]. Вот вывод `kubectl describe pod`: [вставить]. Вот логи: [вставить]. Проанализируй причину и предложи 3 наиболее вероятных решения. Для каждого укажи команду для проверки и изменения в манифесте.
Пример: под падает с OOMKilled. Промт предложит увеличить resources.limits.memory, проверить утечки через kubectl top pod и добавить livenessProbe с большим initialDelaySeconds. Вместо часа гугления — 5 минут на чтение ответа.
3. Написание Helm-чарта с нуля
Задача: создать Helm-чарт для типового микросервиса с параметризацией.
Промт:
Сгенерируй Helm-чарт для микросервиса [название]. Включи:
- deployment.yaml с переменными для образа, реплик, ресурсов
- service.yaml (ClusterIP)
- ingress.yaml с настройкой хоста
- values.yaml с комментариями
- _helpers.tpl для общих шаблонов
Используй best practices: labels, annotations, securityContext.
Пример: для сервиса auth-service промт создаст структуру чарта, где в values.yaml можно менять image.tag, replicaCount, ingress.host. Это ускоряет онбординг новых сервисов и унифицирует деплой.
4. Пайплайн GitHub Actions для CI/CD
Задача: автоматизировать сборку, тестирование и деплой при пуше в main.
Промт:
Напиши пайплайн GitHub Actions для [язык] проекта. Этапы: линтинг, тесты, сборка Docker-образа, пуш в registry, деплой в Kubernetes. Используй кеширование, матрицу для тестов, секреты для доступа к registry. Добавь условие: деплой только при пуше в main.
Пример: для Node.js-проекта промт сгенерирует .github/workflows/deploy.yml с шагами actions/checkout@v4, actions/setup-node@v4, docker/build-push-action@v5 и kubectl apply. Это закрывает рутину написания пайплайнов с нуля.
5. Terraform для AWS EKS
Задача: описать инфраструктуру для Kubernetes-кластера в AWS.
Промт:
Сгенерируй Terraform-код для создания EKS-кластера в AWS. Включи:
- VPC с публичными и приватными подсетями
- EKS cluster и managed node group
- IAM роли для узлов
- Security groups
- Output с endpoint кластера
Используй модули terraform-aws-modules, версии провайдеров зафиксируй.
Пример: промт выдаст main.tf, variables.tf, outputs.tf с готовыми модулями terraform-aws-modules/eks/aws. Останется только подставить свои значения. Это экономит дни на изучение документации.
6. Разбор инцидента по логам
Задача: быстро найти корень проблемы в потоке логов после сбоя.
Промт:
Ты — SRE. Проанализируй логи инцидента: [вставить фрагмент]. Определи вероятную причину, оцени влияние на пользователей и предложи шаги для устранения. Выдели ключевые ошибки и временные метки.
Пример: в логах видно connection refused к базе данных. Промт укажет на возможный сетевой сбой или падение БД, предложит проверить kubectl get pods -n db и telnet. Это ускоряет постмортем и снижает MTTR.
7. Оптимизация существующего Dockerfile
Задача: уменьшить размер образа и ускорить сборку.
Промт:
Проанализируй Dockerfile: [вставить]. Предложи оптимизации: уменьшение размера, ускорение сборки, безопасность. Для каждого изменения покажи diff и объясни выгоду.
Пример: для образа на 1.2 ГБ промт предложит убрать apt-get upgrade, объединить RUN-инструкции, использовать .dockerignore. Результат — образ на 300 МБ и сборка в 2 раза быстрее.
8. Написание GitLab CI пайплайна
Задача: настроить многоэтапный пайплайн в GitLab CI.
Промт:
Создай .gitlab-ci.yml для [проект]. Этапы: build, test, deploy. Используй кеш, артефакты, переменные окружения. Для деплоя в Kubernetes используй helm upgrade. Добавь правила: deploy только для тега.
Пример: для Python-проекта промт сгенерирует stages с image: python:3.12, кешированием pip, сборкой Docker и деплоем через helm. Это стандартизирует CI/CD и упрощает поддержку.
9. Генерация Kubernetes манифестов
Задача: быстро создать манифесты для деплоя приложения.
Промт:
Сгенерируй Kubernetes манифесты для приложения [название]: Deployment, Service, ConfigMap, Secret. Укажи: 3 реплики, лимиты ресурсов, liveness и readiness пробы, переменные окружения из ConfigMap. Используй apiVersion: apps/v1.
Пример: для web-app промт создаст YAML с корректными отступами и комментариями. Это избавляет от ошибок в синтаксисе и ускоряет разработку.
10. Автоматизация рутинных задач через скрипты
Задача: написать bash-скрипт для бэкапа или мониторинга.
Промт:
Напиши bash-скрипт для [задача]. Требования: обработка ошибок, логирование, параметры через флаги. Используй set -euo pipefail.
Пример: скрипт для бэкапа etcd в Kubernetes: промт сгенерирует команды etcdctl snapshot save, ротацию бэкапов и отправку в S3. Это автоматизирует рутину и снижает риск человеческой ошибки.
Заключение
Промты — это не замена опыту, а ускоритель. Они берут на себя рутину: генерацию конфигов, анализ логов, написание пайплайнов. Но помните: LLM может ошибаться, поэтому всегда проверяйте результат в staging. Начните с одного промта из списка, адаптируйте под свой стек и постепенно внедряйте в ежедневную работу. Если хотите глубже прокачать навыки DevOps с AI — изучите наши курсы на asibiont.com, где мы разбираем реальные кейсы автоматизации.
Комментарии