Разработка бэкенда без тимлида — это не только код, но и архитектурные решения, ревью, документация и деплой. Постоянно отвлекать коллег или искать ответы в Stack Overflow долго. На помощь приходят большие языковые модели (LLM). Но чтобы получить от них толк, нужны точные промты — инструкции, которые учитывают контекст, стек и ограничения. В этой подборке — 12 проверенных промтов для FastAPI, Django и Node.js. Они охватывают проектирование схемы БД, генерацию кода, тестирование, рефакторинг и развёртывание. Каждый промт — готовый к копированию шаблон с пояснением и примером. Мы не обещаем чудес: LLM ошибаются, но с правильно составленным промтом они экономят часы работы и помогают избежать типичных ошибок.
1. Генерация схемы БД из описания предметной области
Задача: быстро получить SQL-схему или модели ORM по текстовому описанию сущностей и связей.
Промт:
Ты — опытный проектировщик баз данных. На основе описания предметной области ниже создай схему БД в третьей нормальной форме (3НФ).
Описание: {{описание}}
Требования:
- Используй PostgreSQL.
- Для каждой таблицы укажи первичный ключ, внешние ключи, типы данных и ограничения (NOT NULL, UNIQUE, CHECK).
- Добавь индексы для внешних ключей и полей, по которым часто будет поиск.
- Выведи SQL-запросы CREATE TABLE и комментарии к каждому решению.
- Если есть неоднозначности, задай уточняющие вопросы.
Пример использования: описание «Интернет-магазин: товары, категории, заказы, пользователи, отзывы». LLM предложит таблицы с связями многие-ко-многим, внешними ключами и индексами. Проверьте, что каскадные удаления не приведут к потере данных.
Совет: после генерации попросите LLM объяснить, почему выбраны те или иные типы и ограничения — это помогает выявить ошибки.
2. Генерация моделей FastAPI + SQLAlchemy
Задача: превратить SQL-схему в модели SQLAlchemy и Pydantic-схемы для FastAPI.
Промт:
Ты — разработчик Python с опытом FastAPI и SQLAlchemy 2.0. По предоставленной SQL-схеме сгенерируй:
1. Модели SQLAlchemy с использованием декларативного стиля и типизации (Mapped, mapped_column).
2. Pydantic-схемы для валидации входящих данных (Create, Update, Read).
3. Пример CRUD-эндпоинта для одной сущности с использованием Depends.
Схема: {{SQL-схема}}
Учти:
- Используй асинхронный движок (asyncpg).
- Для связей примени relationship с lazy="selectin".
- В Pydantic используй ConfigDict(from_attributes=True).
- Добавь docstring к каждой модели и эндпоинту.
Пример: для таблиц users и orders LLM создаст классы User и Order с аннотациями типов и корректными relationship. Проверьте, что в Pydantic-схемах нет циклических ссылок.
Совет: если LLM предлагает устаревший синтаксис (например, declarative_base), уточните версию SQLAlchemy в промте.
3. Написание Django-моделей и миграций
Задача: автоматически создать Django-модели и миграции по описанию.
Промт:
Ты — Django-разработчик. Создай модели Django для следующего описания:
{{описание}}
Требования:
- Используй поля с правильными типами (CharField, TextField, ForeignKey, ManyToManyField и т.д.).
- Добавь Meta-класс с verbose_name, ordering и constraints (если нужно).
- Для связей ManyToMany укажи through, если есть дополнительные поля.
- Сгенерируй файл миграций (makemigrations) — опиши, какие изменения будут в миграции.
- Предложи команды для применения миграций.
Пример: описание «Блог: статьи, авторы, теги, комментарии». LLM создаст модели Article, Author, Tag, Comment с полями created_at, updated_at и связями. Убедитесь, что для тегов используется ManyToManyField, а для комментариев — ForeignKey с on_delete=CASCADE.
Совет: попросите LLM также сгенерировать admin.py для удобного управления.
4. Создание REST API на Node.js (Express) с валидацией
Задача: сгенерировать каркас REST API с маршрутами, контроллерами и валидацией.
Промт:
Ты — Node.js разработчик. Создай REST API на Express для сущности "Задача" (Task) со следующими полями: id (UUID), title (строка, обязательное), description (текст), completed (булево), createdAt (дата).
Требования:
- Используй express, uuid, celebrate (или Joi) для валидации.
- Раздели код на файлы: routes, controllers, models (можно in-memory).
- Добавь обработку ошибок и middleware для логирования.
- Напиши примеры запросов curl для проверки.
- Предложи структуру папок.
Пример: LLM создаст файлы app.js, routes/tasks.js, controllers/taskController.js с валидацией через Joi. Вы получите работающий API за несколько минут.
Совет: уточните, что нужна асинхронная обработка и централизованный обработчик ошибок.
5. Генерация тестов для FastAPI (pytest)
Задача: написать тесты для эндпоинтов, чтобы убедиться в корректности.
Промт:
Ты — QA-инженер, специализирующийся на FastAPI. Напиши pytest-тесты для следующих эндпоинтов:
{{список эндпоинтов и их поведение}}
Требования:
- Используй TestClient из fastapi.testclient.
- Для каждого эндпоинта проверь успешный сценарий, невалидные данные и отсутствие авторизации (если применимо).
- Используй фикстуры для создания тестовой БД (SQLite in-memory).
- Добавь параметризацию для проверки граничных случаев.
- Убедись, что тесты изолированы и не зависят от порядка выполнения.
Пример: для эндпоинта POST /items/ LLM сгенерирует тесты на создание, отсутствие обязательного поля, неверный тип данных. Вы сможете сразу запустить их и увидеть, где код не соответствует ожиданиям.
Совет: попросите LLM также сгенерировать фикстуру для очистки БД после каждого теста.
6. Рефакторинг кода: улучшение читаемости и производительности
Задача: оптимизировать существующий код, сделать его более поддерживаемым.
Промт:
Ты — senior-разработчик. Проанализируй следующий код и предложи рефакторинг:
```python
{{код}}
Цели:
- Улучшить читаемость (имена переменных, разбиение на функции).
- Устранить дублирование.
- Повысить производительность (например, избежать N+1 запросов в ORM).
- Добавить обработку ошибок.
Выведи список проблем и исправленный код с комментариями.
**Пример:** если в коде Django есть запросы в цикле, LLM предложит использовать `select_related` или `prefetch_related`. Проверьте, что изменения не ломают логику.
**Совет:** всегда запускайте тесты после рефакторинга.
## 7. Генерация Dockerfile и docker-compose для проекта
**Задача:** упаковать приложение в контейнеры для локальной разработки и продакшена.
**Промт:**
Ты — DevOps-инженер. Создай Dockerfile и docker-compose.yml для проекта на {{стек}} (например, FastAPI + PostgreSQL + Redis).
Требования:
- Dockerfile: multi-stage сборка, использование официального образа Python 3.11-slim, установка зависимостей через poetry или pip, запуск через uvicorn/gunicorn.
- docker-compose: сервисы app, db, redis, volumes для персистентности, переменные окружения через .env.
- Добавь healthcheck для каждого сервиса.
- Опиши, как собрать и запустить.
**Пример:** для FastAPI LLM предложит Dockerfile с копированием `pyproject.toml`, установкой зависимостей и запуском `uvicorn app.main:app --host 0.0.0.0`. В compose добавит depends_on и healthcheck.
**Совет:** проверьте, что версии образов актуальны и не используйте тег `latest` в продакшене.
## 8. Настройка CI/CD пайплайна (GitHub Actions)
**Задача:** автоматизировать тестирование и деплой.
**Промт:**
Ты — инженер по автоматизации. Напиши GitHub Actions workflow для проекта на {{язык/фреймворк}}.
Требования:
- Триггер: push в ветку main и pull_request.
- Шаги: установка зависимостей, запуск линтера (flake8/black или eslint), тесты (pytest/jest), сборка Docker-образа.
- Деплой на сервер (например, через SSH) после успешных тестов в main.
- Используй секреты для хранения паролей и ключей.
- Добавь кеширование зависимостей для ускорения.
**Пример:** для Python LLM создаст workflow с шагами `actions/checkout`, `actions/setup-python`, `pip install`, `pytest`, `docker build`. Для деплоя — шаг с `appleboy/ssh-action`.
**Совет:** не храните секреты в репозитории, используйте GitHub Secrets.
## 9. Генерация OpenAPI-спецификации и документации
**Задача:** получить Swagger/OpenAPI документацию для API.
**Промт:**
Ты — технический писатель. На основе следующих эндпоинтов (описание) создай OpenAPI 3.0 спецификацию в формате YAML.
Эндпоинты: {{список}}
Требования:
- Опиши каждый эндпоинт: метод, путь, параметры, тело запроса, ответы с кодами и схемами.
- Используй components для переиспользуемых схем.
- Добавь примеры значений.
- Укажи securitySchemes, если требуется аутентификация.
**Пример:** для CRUD задач LLM сгенерирует YAML с путями `/tasks`, `/tasks/{id}` и схемами Task. Вы можете сохранить его и подключить к Swagger UI.
**Совет:** проверьте, что спецификация валидна с помощью валидатора OpenAPI.
## 10. Помощь в написании сложных SQL-запросов
**Задача:** составить оптимальный запрос с джойнами и агрегациями.
**Промт:**
Ты — эксперт по SQL (PostgreSQL). Напиши запрос для следующей задачи:
{{описание задачи, например: "Найти топ-10 пользователей по сумме заказов за последний месяц, с указанием количества заказов и средней суммы"}}
Схема БД:
{{таблицы и связи}}
Требования:
- Используй JOIN, GROUP BY, ORDER BY, LIMIT.
- Добавь комментарии к сложным частям.
- Предложи индексы для ускорения запроса.
- Объясни план выполнения (EXPLAIN ANALYZE) — какие индексы будут использованы.
**Пример:** LLM напишет запрос с `JOIN orders ON users.id = orders.user_id`, `WHERE orders.created_at >= NOW() - INTERVAL '1 month'`, `GROUP BY users.id` и `ORDER BY total DESC LIMIT 10`. Проверьте, что агрегации корректны.
**Совет:** всегда тестируйте запрос на реальных данных и смотрите EXPLAIN.
## 11. Аудит безопасности кода
**Задача:** выявить уязвимости (SQL-инъекции, XSS, небезопасная аутентификация).
**Промт:**
Ты — эксперт по безопасности приложений. Проведи аудит следующего кода на предмет уязвимостей:
```{{язык}}
{{код}}
Проверь:
- SQL-инъекции (использование параметризованных запросов).
- XSS (экранирование вывода).
- CSRF (защита форм).
- Небезопасное хранение паролей (хеширование).
- Утечки данных в логах.
Для каждой найденной проблемы опиши риск и предложи исправление с кодом.
Пример: если в коде Django используется raw() с конкатенацией строк, LLM укажет на SQL-инъекцию и предложит использовать параметры. Проверьте, что исправления не ломают функциональность.
Совет: используйте этот промт перед каждым релизом.
12. Генерация README и документации для проекта
Задача: создать понятное описание проекта для новых участников.
Промт:
Ты — технический писатель. Составь README.md для проекта на {{стек}}.
Информация о проекте: {{краткое описание, основные функции, как запустить, зависимости}}
Требования:
- Заголовок и краткое описание.
- Установка и запуск (пошагово).
- Примеры использования (curl или скриншоты).
- Структура проекта.
- Как запустить тесты.
- Лицензия.
- Контакты для связи.
Пример: для FastAPI-проекта LLM создаст README с командами uvicorn, pytest, описанием эндпоинтов. Вы сэкономите время на документации.
Совет: попросите LLM также сгенерировать CONTRIBUTING.md.
13. Помощь в отладке ошибок
Задача: найти причину ошибки по логам или стеку вызовов.
Промт:
Ты — опытный разработчик. Помоги отладить ошибку.
Контекст: {{описание ситуации, что делали}}
Текст ошибки:
{{стектрейс}}
Код, который привел к ошибке (если есть):
```{{язык}}
{{код}}
Предложи возможные причины и шаги для исправления. Если нужно, задай уточняющие вопросы.
**Пример:** ошибка `sqlalchemy.exc.MissingGreenlet` в FastAPI часто возникает из-за ленивой загрузки в асинхронном контексте. LLM подскажет использовать `selectinload` или `joinedload`.
**Совет:** всегда прикладывайте стектрейс полностью — LLM лучше анализирует.
## 14. Создание микросервисной архитектуры
**Задача:** спроектировать взаимодействие между сервисами.
**Промт:**
Ты — архитектор микросервисов. Предложи архитектуру для приложения {{описание}}.
Требования:
- Раздели на сервисы по бизнес-возможностям (например, аутентификация, заказы, платежи).
- Опиши взаимодействие: синхронное (REST/gRPC) и асинхронное (очереди).
- Укажи, какие данные хранятся в каждом сервисе.
- Предложи способы обеспечения отказоустойчивости (retry, circuit breaker).
- Нарисуй схему в текстовом виде (mermaid или ASCII).
- Перечисли технологии для реализации (FastAPI, RabbitMQ, Redis и т.д.).
**Пример:** для интернет-магазина LLM предложит сервисы: `auth`, `catalog`, `orders`, `payments`, `notifications`. Взаимодействие через REST и очередь для событий.
**Совет:** начните с монолита, а микросервисы выделяйте по мере необходимости.
## 15. Написание скрипта миграции данных
**Задача:** перенести данные из старой схемы в новую без потерь.
**Промт:**
Ты — инженер по данным. Напиши скрипт на Python для миграции данных из старой таблицы {{старая_таблица}} в новую {{новая_таблица}}.
Старая схема: {{описание}}
Новая схема: {{описание}}
Требования:
- Используй SQLAlchemy или psycopg2.
- Обрабатывай возможные ошибки (дубликаты, отсутствующие значения).
- Выполняй миграцию пакетами, чтобы не перегружать БД.
- Логируй процесс.
- Предложи план отката.
**Пример:** при добавлении нового поля `full_name` в users нужно разбить `name` на `first_name` и `last_name`. LLM напишет скрипт с регулярками и обработкой исключений.
**Совет:** всегда делайте бэкап перед миграцией.
## 16. Генерация конфигурации Nginx для продакшена
**Задача:** настроить обратный прокси и балансировку.
**Промт:**
Ты — системный администратор. Напиши конфигурацию Nginx для продакшен-сервера с приложением на {{стек}}.
Требования:
- Настрой проксирование запросов к приложению (uvicorn/gunicorn на localhost:8000).
- Включи gzip-сжатие, кеширование статики.
- Настрой HTTPS с Let's Encrypt (certbot).
- Добавь security-заголовки (HSTS, X-Content-Type-Options).
- Ограничь размер тела запроса.
- Настрой логирование.
**Пример:** LLM создаст конфиг с `server_name example.com`, `location / { proxy_pass http://127.0.0.1:8000; }`, настройками SSL и редиректом с HTTP на HTTPS.
**Совет:** проверьте конфиг через `nginx -t` перед перезагрузкой.
## 17. Создание системы логирования и мониторинга
**Задача:** настроить сбор логов и метрик для отслеживания состояния.
**Промт:**
Ты — DevOps-инженер. Предложи стек для логирования и мониторинга приложения на {{стек}}.
Требования:
- Сбор логов: структурированные логи (JSON) с уровнями.
- Централизованное хранение (ELK, Loki, Grafana).
- Метрики: Prometheus + Grafana, экспорт метрик из приложения.
- Алертинг: правила для уведомлений об ошибках и высокой нагрузке.
- Примеры конфигураций для приложения (например, middleware для FastAPI).
**Пример:** для FastAPI LLM предложит использовать `prometheus-fastapi-instrumentator` и `structlog` для JSON-логов. Настроит дашборд в Grafana.
**Совет:** начните с простого — логи в файл и базовые метрики, затем масштабируйте.
## 18. Финальная проверка перед деплоем (чек-лист)
**Задача:** убедиться, что всё готово к продакшену.
**Промт:**
Ты — тимлид. Составь чек-лист для проверки бэкенд-приложения перед деплоем в продакшен.
Стек: {{стек}}
Включи пункты:
- Переменные окружения (секреты не в коде).
- Настройки безопасности (DEBUG=False, ALLOWED_HOSTS).
- Миграции БД (применены, протестированы).
- Статика и медиа (собраны, отдаются через Nginx).
- Логирование и мониторинг.
- Резервное копирование БД.
- Healthcheck-эндпоинты.
- CI/CD пайплайн работает.
- Нагрузочное тестирование (хотя бы базовое).
```
Пример: LLM создаст список из 15–20 пунктов с пояснениями. Используйте его как финальный фильтр.
Совет: сохраните чек-лист в репозитории и обновляйте по мере роста проекта.
Эти промты — не волшебная палочка, а инструмент, который экономит время и снижает количество ошибок. Главное — проверять результаты, которые выдаёт LLM: запускать тесты, смотреть логи, читать сгенерированный код. Комбинируйте промты, адаптируйте под свой проект и не забывайте про ревью — даже если тимлида нет, критический взгляд на код необходим. Начните с одного-двух промтов, например, с генерации схемы БД и Dockerfile, и постепенно внедряйте остальные. Так вы построите надёжный бэкенд без лишнего стресса.
Комментарии