Промты для Docker и Kubernetes: как LLM переводит docker-compose в манифесты и чинит деплой

Пайплайны пишутся наугад, билд падает за 40 минут до релиза, а terraform plan выдаёт 200 строк, в которых страшно что-то менять. Знакомо? LLM могут стать вашим вторым пилотом в DevOps, если задавать правильные промты. Вот 12 проверенных шаблонов, которые я использую ежедневно.

1. Генерация GitHub Actions workflow с кэшем и матрицей

Промт:

Сгенерируй GitHub Actions workflow для Node.js проекта. Требования:
- Триггер: push в main и pull_request
- Матрица: версии Node 18, 20, 22
- Кэширование зависимостей npm
- Шаги: установка, линтинг, тесты, сборка
- Артефакты сборки сохранять на 7 дней

Пример использования: LLM выдаёт готовый YAML с actions/cache@v4, strategy.matrix. Экономит 20 минут ручного написания.

2. Разбор лога упавшего job

Промт:

Ты — DevOps-инженер. Вот лог упавшего GitHub Actions job (вставь лог). Найди корневую причину и предложи исправление. Укажи строку с ошибкой.

Пример: Лог с npm ERR! code ERESOLVE → LLM объясняет конфликт зависимостей и советует npm install --legacy-peer-deps.

3. Перевод docker-compose в Kubernetes манифесты

Промт:

Преобразуй этот docker-compose.yml в набор Kubernetes манифестов (Deployment, Service, ConfigMap). Сохрани переменные окружения и порты. Добавь livenessProbe и readinessProbe.

Пример: Сервис с PostgreSQL и Redis → готовые YAML для kubectl apply.

4. Объяснение terraform plan человеческим языком

Промт:

Вот вывод terraform plan (вставь). Объясни, какие ресурсы будут созданы, изменены или удалены, и какие риски это несёт. Выдели критичные изменения.

Пример: План с изменением aws_security_group → LLM предупреждает об открытии порта 22 для всех.

5. Написание healthcheck и rollback-стратегии

Промт:

Для деплоймента Kubernetes напиши манифест с healthcheck (liveness и readiness) и опиши стратегию rollback при неудачном обновлении. Учти, что приложение стартует 30 секунд.

Пример: LLM добавляет initialDelaySeconds: 30 и kubectl rollout undo.

6. Генерация Dockerfile с многоступенчатой сборкой

Промт:

Создай оптимальный Dockerfile для Python-приложения с multi-stage сборкой. Используй python:3.12-slim, установи зависимости из requirements.txt, скопируй код, запусти gunicorn. Минимизируй размер образа.

Пример: LLM предлагает кэширование слоёв и .dockerignore.

7. Диагностика ошибок в Terraform state

Промт:

Terraform выдаёт ошибку "resource already exists". Объясни причину и предложи шаги для импорта существующего ресурса в state.

Пример: Пошаговая инструкция terraform import aws_instance.example i-1234567890abcdef0.

8. Настройка кэширования в CI для ускорения сборки

Промт:

Проанализируй мой workflow (вставь YAML). Предложи, как добавить кэширование для ускорения сборки на 30%. Укажи, какие шаги кэшировать и как настроить ключи.

Пример: LLM советует кэшировать ~/.npm и node_modules с ключом по хешу package-lock.json.

9. Генерация Helm-чарта для микросервиса

Промт:

Создай скелет Helm-чарта для микросервиса на Go. Включи Deployment, Service, Ingress, values.yaml с параметрами реплик и образа. Добавь шаблоны для переменных окружения.

Пример: LLM выдаёт структуру чарта и готовые шаблоны.

10. Анализ безопасности пайплайна

Промт:

Проверь мой GitHub Actions workflow на уязвимости: секреты в открытом виде, небезопасные действия, отсутствие проверки подписи. Дай рекомендации.

Пример: LLM находит echo ${{ secrets.TOKEN }} и советует использовать add-mask.

11. Написание скрипта для миграции базы данных в CI

Промт:

Напиши bash-скрипт для применения миграций базы данных (Flyway) в пайплайне. Учти обработку ошибок и логирование. Скрипт должен запускаться только при пуше в main.

Пример: LLM добавляет set -e и проверку статуса.

12. Объяснение сложного Terraform модуля

Промт:

Вот код Terraform модуля (вставь). Объясни, что он делает, какие входные и выходные переменные, и как его использовать в другом проекте. Приведи пример вызова.

Пример: LLM разбирает модуль VPC и показывает пример с source = "./modules/vpc".

Эти промты помогают сократить время на рутину и избежать ошибок. Главное — давать LLM конкретный контекст и проверять результат. А для углубления в тему изучите наши статьи по юнит-тестам с LLM и цифровой гигиене.

← Все статьи

Спросить AI по этой статье

Задайте вопрос по этой статье — ASI Biont ответит, опираясь на её текст.

Читайте также

Цифровая гигиена за вечер: как найти утечки персональных данных и удалить информацию о себе из интернета

27 октября 2026

Юнит-тесты на Python с LLM: 12 промтов от pytest-фикстур до Hypothesis, которые закрывают непокрытые ветки

27 октября 2026

Full-Stack AI Engineer: как RAG-пайплайны, векторные базы данных и развертывание LLM на самом деле работают в продакшене

28 октября 2026

CIPM / CIPP/E — Управление конфиденциальностью и GDPR (IAPP): как статистика правоприменения GDPR превращает риск несоответствия требованиям в статью бюджета

28 октября 2026

Сверка актов вручную или промптом: где LLM экономит бухгалтеру часы, а где создаёт риски

12 ноября 2026

Полный курс программирования на Python: «Python с нуля» — от переменных до веб-приложений

28 октября 2026

Основы Computer Science: алгоритмы и структуры данных — кому подходит курс, а кому нет

11 ноября 2026

Деловая переписка на английском: шаблоны, которые работают, и ошибки, которые дорого стоят

29 октября 2026

Поступление в вуз на бюджет: стратегия выбора и пошаговый план для абитуриента и родителей

29 октября 2026