Представь ситуацию.
Приложение в Kubernetes перестало подключаться к базе. В логах таймауты, сервис не работает.
Ты отправляешь ошибку AI и спрашиваешь, в чём проблема.
AI уверенно отвечает:
Скорее всего, дело в NetworkPolicy. Исходящий трафик заблокирован. Вот исправленный манифест
Причём не просто отвечает, а подробно объясняет, почему это происходит, приводит примеры и предлагает готовое решение.
Выглядит убедительно. Осталось применить.
А что, если NetworkPolicy вообще ни при чём?
Например, приложение пытается подключиться по старому адресу базы.
Но вместо проверки адреса мы меняем сетевые политики. Возможно, даже открываем доступ туда, куда раньше он был закрыт.
Проблему не решили, зато новую потенциально создали)))
И самое неприятное, что ИИ не обязательно выдаст какую-нибудь очевидную дичь.
Наоборот, его неправильный ответ может выглядеть совершенно профессионально.
Правильные термины, рабочий YAML, логичные объяснения, ссылки на документацию.
Только вывод неверный.
А как проверить работу AI, если ты сам не знаешь, какое решение правильное?
На самом деле необязательно заранее знать ответ.
Но нужно понимать, как этот ответ проверить.
Вместо того чтобы сразу применять предложенное исправление, можно задать агенту несколько вопросов:
- На основании каких данных ты сделал такой вывод? Это подтверждённая причина или предположение?
- Какие ещё причины могут давать такую ошибку?
- Как проверить твою гипотезу, ничего не меняя в работающей системе?
- Как убедиться, что исправление действительно решило проблему и не создало новую?
А дальше уже смотреть логи, метрики, конфигурации, проверять сетевую связность и результаты изменений.
Причём важно не просто попросить AI самого себя перепроверить.
Он может столь же убедительно подтвердить собственную ошибку.
Нужны реальные проверки и факты.
И вот здесь инженерная база становится ещё важнее.
Потому что AI может сгенерировать Kubernetes-манифест, но если ты не понимаешь, как работают сервисы, сеть, DNS и политики доступа, оценить его решение будет сложно.
Получается интересный парадокс.
AI позволяет выполнять задачи, до которых раньше у тебя не хватало знаний.
Но одновременно повышает риск незаметно сделать какую-нибудь фигню, потому что ты не понимаешь, что именно он сделал.
И чем больше самостоятельности мы даём агентам, тем серьёзнее эта проблема.
Именно поэтому в DevOps Autopilot мы не ограничиваемся обучением написанию промптов.
В течение 8 недель будем разворачивать и эксплуатировать большую многокомпонентную систему в Kubernetes с помощью AI-агента.
Наша задача научить пользоваться его возможностями, не отключая собственную голову.
Программа DevOps Autopilot
старт 19 октября
📹YouTube | 💬VK | 📲 MAX
1️⃣2️⃣3️⃣4️⃣ обучение
✎ Редакция DevOps Фабрики ✎