Нейросеть для DevOps: конфиги, скрипты и разбор инцидентов

Нейросеть для DevOps полезна там, где работа состоит из текстов с жёсткой структурой: Dockerfile, пайплайны CI, манифесты, Terraform, shell-скрипты, логи. Модель быстро пишет черновик и находит в чужом конфиге очевидные ошибки. Опасность не в том, что она ошибётся, а в том, что результат вы примените к настоящей инфраструктуре без проверки. Ниже: какие задачи имеет смысл поручать, как построить границы безопасности и как это выглядит в коде.

Что поручать модели

Dockerfile. Попросите собрать образ для вашего приложения, а затем отдельным запросом проверить его: порядок слоёв и кэш сборки, запуск не от root, лишние пакеты, размер образа, закреплённые версии базовых образов. Результат прогоняйте через docker build и линтер, а не принимайте на веру.

CI/CD. Черновик workflow для GitHub Actions или GitLab CI, перенос конфигурации с одной системы на другую, объяснение, почему падает шаг. Для таких задач модели нужен сам конфиг и фрагмент лога с ошибкой.

Terraform и манифесты. Написание модуля по описанию, ревью terraform plan, поиск небезопасных настроек (открытые порты, публичные бакеты). Важно: модель смотрит на текст плана, но не знает вашей реальной инфраструктуры сверх того, что вы ей показали.

Скрипты. Bash и Python для рутины: ротация логов, сбор метрик, проверка сертификатов. Просите безопасные по умолчанию варианты (set -euo pipefail, проверка аргументов, режим «сухого запуска»).

Разбор логов и инцидентов. Структурировать хронологию, предложить гипотезы по фрагментам логов, составить черновик постмортема. Главное правило: не отправляйте логи целиком, сначала отфильтруйте и сожмите их по времени, уровню и шаблонам сообщений.

Документация. Runbook по инциденту, описание архитектуры по конфигам, README к репозиторию с инфраструктурой.

Чего не поручать без человека

• Применять изменения (terraform apply, kubectl apply, миграции) на боевом окружении.
• Принимать решения о доступах и сетевой политике без ревью.
• Работать с реальными секретами и дампами с персональными данными.

Причина проста: модель может уверенно предложить неверную команду. Цена ошибки в разработке это упавший тест, в продакшне это простой или потеря данных.

Границы безопасности для агента

Если вы используете агентный инструмент (Claude Code↗ или аналогичный), который сам выполняет команды, закладывайте защиту до первого запуска.

1. Отдельное окружение. Агент работает в песочнице, на тестовом стенде или в копии репозитория, а не на рабочей машине с доступом к проду.
2. Минимальные права. Учётные данные только для чтения: terraform plan и kubectl get вместо apply и delete. Облачные ключи выдавайте с ограничением по ресурсам.
3. Нет боевых секретов в окружении агента. Если переменные окружения содержат токены от прода, агент может их прочитать и случайно отправить модели. Используйте отдельные тестовые значения.
4. Подтверждение опасных команд. Не включайте режим «разрешить всё». Чтение файлов и запуск линтеров разрешайте постоянно, всё остальное подтверждайте. Как это настраивается, смотрите в документации используемого инструмента.
5. Применяет человек. Агент готовит изменение и показывает дифф или план, а apply выполняете вы или пайплайн после ревью.
6. Секреты в промпте. Перед отправкой логов и конфигов удаляйте токены, пароли, внутренние адреса. Автоматизируйте это, как в примере ниже.

Ключ API, которым пользуется агент, тоже ограничьте: отдельный ключ, дневной лимит в долларах и список разрешённых моделей: как поставить лимит↗. Агент в цикле без лимита может израсходовать бюджет: как ограничить расход↗.

Пример: ревью плана Terraform перед apply

Скрипт читает вывод terraform plan, вычищает похожее на секреты и просит модель найти рискованные изменения. Это ревью-помощник, а не замена человека.

import re
import subprocess
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")

SECRET = re.compile(r"(?i)(password|secret|token|api[_-]?key)\s*[=:]\s*\S+")

def redact(text: str) -> str:
    return SECRET.sub(lambda m: m.group(1) + " = [REDACTED]", text)

plan = subprocess.run(
    ["terraform", "plan", "-no-color"],
    capture_output=True, text=True, timeout=600,

Цену подсчитаем. Допустим, вывод плана занимает 20 000 токенов, ответ 2 000. Формула: вход × цена входа + выход × цена выхода, цены на 18 октября 2026. Для gpt-6.1-sol (0,27 / 1,32 за 1M): 0,02 × 0,27 + 0,002 × 1,32 = 0,0054 + 0,00264 = $0,00804. Для claude-sonnet-5-5 (0,4 / 2): 0,02 × 0,4 + 0,002 × 2 = 0,008 + 0,004 = $0,012. Если планов десять в день, это порядка десяти центов. Свежие цены всегда в ответе GET https://api.zukko.pro/v1/models.

Регулярные выражения для вычистки секретов несовершенны: они ловят типовые шаблоны, но не гарантируют, что ничего не пропущено. Для чувствительных репозиториев используйте специализированные сканеры секретов.

Подбор модели

Для черновиков конфигов и работы с логами дорогая модель нужна не всегда. Практичный порядок: сначала дешёвая из каталога (например, deepseek-v4.1-flash или glm-5.3-flash), и на эскалацию переходите, если результат неверен: каскад моделей↗. Для сложных вещей вроде многошаговой отладки пайплайна попробуйте claude-sonnet-5-5 или claude-opus-5-5. Сила моделей по индексу Artificial Analysis: deepseek-v4.1-flash — 39, glm-5.3-flash — 42, claude-sonnet-5-5 — 48, claude-opus-5-5 — 58; это не гарантия качества именно на ваших конфигах, проверяйте на реальных примерах.

Подключение: создайте ключ в кабинете↗, для Claude Code используйте адрес без /v1, для OpenAI-совместимых клиентов https://api.zukko.pro/v1. Доступ из России идёт через шлюз, оплата: СБП, карта MasterCard или криптовалюта.

Частые вопросы

Можно ли дать агенту доступ к продакшну, если он умный?

Нет. Умная модель всё равно может ошибиться, а цена ошибки на проде несоизмерима. Давайте права только на чтение и тестовые стенды, применяйте изменения сами.

Как проверить, что Dockerfile от модели хороший?

Соберите образ, запустите контейнер, прогоните линтер Dockerfile и сканер уязвимостей. Затем сравните размер образа и время сборки с предыдущим вариантом.

Что делать с секретами в логах?

Вычищайте перед отправкой модели: автоматически, как в примере, и выборочно вручную. Для регулярной работы подключите специализированный сканер секретов.

Заменит ли нейросеть DevOps-инженера?

Нет, она ускоряет черновую работу. Проектирование, ответственность за доступы и решения на проде остаются за человеком.