В прошлом посте мы обсуждали любимую фразу опытного инженера:
Да я быстрее сам сделаю
Это про историю с 502-й ошибкой. Когда проще самому посмотреть логи и починить сервис, чем объяснять AI-агенту, где искать проблему и что ему вообще разрешено делать.
Но AI ведь можно использовать очень по-разному.
Один инженер просит ChatGPT/Claude объяснить ошибку в YAML. Другой уже не пишет конфиги руками. А у третьего агент сам разбирается с инфраструктурой, готовит PR и прогоняет проверки.
И все трое говорят, что активно используют AI в работе 😁
Давай проверим, насколько далеко ты продвинулся.
Собрали небольшой чек-лист из 8 пунктов. От самого простого до полноценной работы с инфраструктурой через AI-агентов.
Отмечай, что уже делаешь.
1. Использую AI вместо Google
Что означает ошибка? Какой флаг у kubectl? Почему контейнер не стартует?
Вместо поисков по форумам спрашиваю нейросеть. Получаю ответ, проверяю и иду дальше.
2. AI пишет за меня код и конфиги
Dockerfile, bash-скрипты, Terraform, Kubernetes-манифесты. Описываю задачу, получаю готовый вариант, что-то исправляю руками.
Вроде уже неплохо. Время экономится, пальцы отдыхают
3. Поручаю агенту задачу целиком
Не копирую кусочки кода из чата, а запускаю Клод прямо в проекте.
Агент сам изучает репозиторий, находит нужные файлы, вносит изменения, запускает проверки и готовит PR.
Мне остаётся разобраться, что он там наделал.
4. Умею поставить задачу так, чтобы не пришлось всё переделывать
Не просто разберись, почему сервис падает.
А объяснить, что должно работать, где искать информацию, что менять нельзя и по каким признакам мы поймём, что проблема решена.
5. Настроил агента под свой проект
У него есть инструкции, скиллы, правила работы с репозиторием и доступ к нужным источникам информации.
Например, можно попросить его развернуть тестовый Kubernetes-кластер с нуля. И он знает, что делать, даже если вчерашний кластер давно удалён.
6. Умею ограничивать AI не только словами
Агенту можно сколько угодно повторять не трогай прод.
А можно настроить hooks, RBAC и IAM так, чтобы он физически не мог выполнить запрещённые операции.
И проверить, действительно ли ограничения работают. Потому что между агент обещал ничего не ломать и агент не может ничего сломать довольно большая разница
7. Умею проверять и контролировать изменения агента
Агент принёс PR на несколько сотен строк. Тесты зелёные. Красота!
Но почему он выбрал именно такое решение? Не нарушил ли архитектуру? Что произойдёт при следующем обновлении?
Умею разбирать чужие дифы, находить ошибки, выстраивать автоматические проверки и организовывать изменения через GitOps.
8. Могу доверить AI эксплуатацию целой системы
Не одного контейнера, а полноценной инфраструктуры.
Kubernetes, приложения, базы данных, очереди, CI/CD, мониторинг, алерты, бэкапы.
И я могу проверить результат, восстановить инфраструктуру с нуля и даже сказать, сколько времени и денег на всё это ушло.
Ну что, сколько галочек получилось из восьми?
Если остановился на первых двух-трёх, AI уже помогает тебе работать быстрее. Но до полноценного AI-driven DevOps ещё есть куда расти.
И самое интересное, что всё это не обязательно годами осваивать на собственных ошибках.
Мы собрали эти навыки в одну практическую программу DevOps Autopilot
19 октября стартуем. Впереди 8 недель практики.
За это время будем с нуля разворачивать в облаке большую многокомпонентную систему и постепенно превращать её в полноценную платформу.
Причём одну и ту же систему предстоит развернуть трижды:
- сначала напрямую через Kubernetes;
- затем через GitOps с ArgoCD и Kustomize;
- потом с использованием Helm.
И всё это с одним правилом:
Никаких ручных изменений и ручных коммитов.
Только через AI-агента.
Программа и запись на DevOps Autopilot
А теперь признавайтесь, сколько пунктов закрыли?
Особенно интересно послушать тех, кто уже добрался до 6–8. Как у вас всё это устроено на реальных проектах?
📹YouTube | 💬VK | 📲 MAX
1️⃣2️⃣3️⃣4️⃣ обучение
✎ Редакция DevOps Фабрики ✎