О чём курс

OTUS разбирает применение ИИ в DevOps: от анализа инфраструктуры, метрик и логов до диагностики проблем и выполнения авторизованных операций. На сквозном проекте вы создадите AI DevOps-агента для работы с инфраструктурой.

Что вы изучите

Вы разберёте применение ИИ при работе с Terraform и Ansible, создании и оптимизации CI/CD, эксплуатации Kubernetes и расследовании production-инцидентов. Отдельное внимание уделено анализу метрик, логов и распределённых трассировок, а также автоматизации реагирования на инциденты.

В курсе используются Cursor, Claude Code, GitHub Copilot и CLI-инструменты. Вы познакомитесь с MCP и созданием ИИ-агентов, которые взаимодействуют с Git, Kubernetes, CI/CD и инфраструктурой и выполняют многошаговые задачи.

Раздел о безопасности охватывает аудит IaC и конфигураций, защиту контейнеров и Kubernetes, управление секретами и контроль действий агентов в production. Вы также разберёте защиту ИИ-инструментов от ошибок, утечек данных и атак.

Для кого курс

Курс рассчитан на специалистов, которые уже работают с инфраструктурой: DevOps-инженеров, разработчиков, участвующих в развёртывании и эксплуатации сервисов, системных администраторов и инженеров эксплуатации.

Для обучения нужен опыт работы от года в DevOps, системном администрировании, разработке или эксплуатации. Также необходимы уверенное владение Linux, Git и принципами CI/CD, опыт работы с Docker, базовые знания Terraform или Ansible и Kubernetes, знакомство с мониторингом, логированием, Bash или Python.

Проект и практика

На протяжении курса вы создаёте и развиваете собственного ИИ-агента. Он работает с данными инфраструктуры и мониторинга, помогает определить причину инцидента и предлагает действия для её устранения. В проекте агент также выполняет авторизованные DevOps-операции.

Домашние задания и выпускной проект формируют портфолио с кейсами по Terraform, Ansible, CI/CD, Kubernetes, мониторингу и ИИ-агентам. Среди практических задач: настройка pipeline, диагностика Kubernetes, создание дашборда и алерта, проверка безопасности и подготовка отчёта об инциденте.

Как устроено обучение

Курс рассчитан на три месяца. Вебинары доступны в записи дважды в неделю; продолжительность каждого составляет два академических часа, или полтора астрономических часа. Домашнее задание выдают в среднем раз в две недели, на выполнение отводится 3–5 часов.

Заключительный месяц отведён проектной работе: вы выбираете тему и создаёте проект на основе знаний, полученных на курсе. Завершать его за месяц необязательно.

Другие авторы

  • Анатолий Бень
  • Михаил Чугунов

Программа обучения

  • ИИ как рабочий инструмент DevOps:
    • В этом модуле вы познакомитесь с возможностями ИИ в DevOps и сформируете базовый workflow работы с ИИ-инструментами для инфраструктурных и production-задач.
    • Тема 1: ИИ для DevOps: что действительно можно автоматизировать
    • Тема 2: ИИ-инструменты и агентный workflow DevOps-инженера
    • Тема 3: Промптинг для инфраструктуры и production-задач // ДЗ
  • ИИ + Infrastructure as Code:
    • В этом модуле вы рассмотрите, как использовать ИИ для создания, настройки, анализа и аудита инфраструктуры, описанной через Terraform и Ansible.
    • Тема 1: Terraform + ИИ: инфраструктура из требований
    • Тема 2: Ansible + ИИ: автоматизация конфигурации
    • Тема 3: ИИ-аудит инфраструктуры и IaC // ДЗ
  • ИИ + CI/CD:
    • В этом модуле вы изучите применение ИИ на этапах создания, оптимизации, диагностики и выпуска изменений через CI/CD.
    • Тема 1: ИИ для создания и оптимизации CI/CD
    • Тема 2: ИИ как CI/CD Troubleshooting Engineer
    • Тема 3: ИИ в Release Engineering // ДЗ
  • ИИ + Kubernetes и эксплуатация:
    • В этом модуле вы изучите использование ИИ для управления Kubernetes, расследования production-проблем и анализа производительности инфраструктуры.
    • Тема 1: ИИ для Kubernetes
    • Тема 2: ИИ для Production Troubleshooting
    • Тема 3: ИИ для анализа производительности и ресурсов // ДЗ
  • ИИ + Observability:
    • В этом модуле вы рассмотрите применение ИИ для анализа метрик, логов и трассировок, обнаружения проблем и автоматизации реагирования на инциденты.
    • Тема 1: ИИ + Prometheus и Grafana
    • Тема 2: ИИ + логи и распределённая трассировка
    • Тема 3: ИИ Incident Response и AIOps // ДЗ
  • ИИ-агенты для DevOps:
    • В этом модуле вы изучите создание ИИ-агентов, способных взаимодействовать с DevOps-инструментами и выполнять инженерные задачи через tool calling и MCP.
    • Тема 1: ИИ Agent для DevOps
    • Тема 2: MCP и подключение ИИ к инфраструктуре
    • Тема 3: Production DevOps Copilot // ДЗ
  • ИИ Security и безопасная эксплуатация ИИ в DevOps:
    • В этом модуле вы рассмотрите защиту IaC, контейнеров, Kubernetes, CI/CD и ИИ-агентов от ошибок, утечек данных и атак на ИИ-инструменты.
    • Тема 1: ИИ для анализа защищённости IaC и конфигураций
    • Тема 2: ИИ для безопасности контейнеров и Kubernetes
    • Тема 3: ИИ для защиты CI/CD и управления секретами
    • Тема 4: Безопасное использование ИИ в DevOps и защита от ИИ-атак // ДЗ
  • Проектная работа:
    • Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц.
    • Тема 1: Выбор темы и организация проектной работы // Проектная работа
    • Тема 3: Защита проектных работ и подведение итогов курса
  • Практические задания:
      1. Задачи:
      • Выберите один из бесплатных вариантов: Локальная модель через Ollama (например, llama3.1 или mistral) и CLI-инструмент aichat или ellama
      • Расширение VS Code Continue с подключением к Ollama или Groq API
      • Бесплатный веб-доступ к ChatGPT / Claude (для ручного копирования промптов)
      • Подключите выбранный инструмент к вашему GitLab-репозиторию (через CLI или расширение)
      • Создайте файл prompts/base_prompts.md, содержащий: Промпт для объяснения ошибки в логах CI/CD
      • Промпт для генерации простого Dockerfile
      • Промпт для проверки Terraform-конфигурации на безопасность
      • Добавьте файл конфигурации для выбранного инструмента (например, .aichat/config.yaml или .continue/config.yaml), в котором пропишите базовые правила (system prompt), например: «Я DevOps-инженер, работаю с Kubernetes и Terraform. Отвечай кратко и по делу»
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть папка homework/01-ai-setup/, содержащая:
        • prompts/base_prompts.md
        • Конфигурационный файл выбранного инструмента (например, .continue/config.yaml или .aichat/config.yaml)
        • README.md с описанием установки и использования
      1. Задачи:
      • Напишите .gitlab-ci.yml в корне репозитория, включающий этапы: Build — сборка Docker-образа (или подготовка артефакта)
      • Test — запуск простого теста (например, lint или проверка конфигурации)
      • Deploy — применение Terraform (или kubectl) для развёртывания
      • Используйте бесплатные AI для генерации и оптимизации pipeline (например, для настройки кэша, параллелизма, выбора раннера)
      • Добавьте шаг проверки безопасности: запуск tfsec или trivy (оба бесплатны и работают в GitLab CI)
      • Убедитесь, что pipeline успешно выполняется на вашем self-hosted GitLab (можно использовать shell executor или docker)
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть:
        • .gitlab-ci.yml в корне
        • homework/03-ci-cd/README.md с описанием AI-оптимизации и использованных промптов
        • Скриншот успешного прохождения pipeline в self-hosted GitLab
      1. Задачи:
      • Создайте Kubernetes manifests (Deployment, Service) для вашего приложения (можно сгенерировать AI). Разверните их в minikube / kind
      • Намеренно внесите ошибку (например, укажите несуществующий образ или недостаточно ресурсов)
      • Соберите диагностическую информацию: kubectl describe pod, kubectl logs, kubectl get events
      • Используя бесплатный AI (локальный или веб), проанализируйте вывод и определите причину ошибки
      • Исправьте манифесты и проверьте, что под запускается
      • Сохраните процесс диагностики и исправления в docs/troubleshooting-k8s.md с указанием, какие данные вы отправляли AI и какой ответ получили
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть:
        • Папка k8s/ с манифестами (Deployment, Service)
        • docs/troubleshooting-k8s.md с описанием процесса диагностики
        • Скриншоты kubectl describe, kubectl logs, kubectl get events до и после исправления
      1. Задачи:
      • Установите Prometheus и Grafana в тот же кластер (можно через Helm)
      • Настройте сбор метрик с вашего приложения (например, через kube-state-metrics и node-exporter)
      • Используйте бесплатный AI для генерации PromQL-запросов: Загрузка CPU пода
      • Количество HTTP-ошибок (если есть)
      • Использование памяти
      • Создайте дашборд в Grafana (можно через UI или экспортировать JSON) и сохраните его в observability/grafana-dashboard.json
      • Настройте один алерт (например, на CPU > 80%) и сохраните правило в observability/alert-rules.yaml
      • Задокументируйте, как AI помог составить запросы (в observability/README.md)
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть папка observability/, содержащая:
        • grafana-dashboard.json
        • alert-rules.yaml
        • README.md с описанием AI-генерации запросов и настройки
        • Скриншоты дашборда и сработавшего алерта
      1. Задачи:
      • Установите и запустите бесплатные сканеры: Trivy для Docker-образа из ДЗ 3
      • Tfsec или checkov для Terraform-кода из ДЗ 2
      • Kubescape или kube-bench для Kubernetes-конфигураций из ДЗ 4
      • Используйте AI (локальный / веб) для интерпретации результатов сканирования: какие проблемы критические, как их исправить
      • Исправьте все критические и высокие уязвимости (или обоснуйте, почему их можно игнорировать)
      • Составьте отчёт security/audit-report.md, включив: Список найденных проблем
      • Действия, выполненные для исправления
      • Скриншоты / выводы команд
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть:
        • security/audit-report.md с описанием найденных проблем и исправлений
        • Логи работы сканеров (trivy, tfsec / checkov, kubescape / kube-bench)
        • Исправленные файлы из предыдущих ДЗ
      1. Задачи:
      • Напишите скрипт на Python (или bash + curl), который: Принимает webhook от Grafana (или имитирует вызов с тестовым алертом)
      • Собирает информацию: kubectl get pods, kubectl describe pod, kubectl logs затронутого пода
      • Отправляет собранный контекст в бесплатную LLM (через Ollama API или Groq API) с промптом «Проанализируй возможные причины инцидента и предложи шаги»
      • Выводит ответ в консоль или сохраняет в файл
      • Используйте один из бесплатных API-ключей (Groq предоставляет бесплатный лимит) или локальный Ollama
      • Добавьте конфигурацию и инструкцию по запуску в agent/README.md
      • Продемонстрируйте работу на примере алерта из ДЗ 5 (можно сымитировать алерт, отправив webhook вручную)
      • Формат сдачи:
        • Ссылка на GitLab-репозиторий, в котором есть папка agent/, содержащая:
        • Исходный код агента (Python или bash)
        • README.md с инструкцией по запуску
        • Пример работы: лог или скриншот, где агент получил алерт, собрал данные и вывел анализ
        • Файл с примером сформированного отчёта об инциденте
    • Что должно получиться:
      • Единый GitLab-репозиторий, в котором интегрированы все артефакты домашних заданий:
      • Terraform-конфигурация
      • CI/CD pipeline в self-hosted GitLab
      • Kubernetes-манифесты
      • Мониторинг (Prometheus + Grafana) с дашбордом и алертами
      • Отчёт по безопасности
      • AI-агент, который по алерту собирает данные, обращается к LLM и формирует отчёт об инциденте
      • Документация по развёртыванию и использованию
    • Обязательные компоненты:
      • Terraform-код для инфраструктуры (ДЗ 2)
      • GitLab CI/CD pipeline с этапами build, test, security, deploy (ДЗ 3)
      • Kubernetes manifests и документация по устранению неполадок (ДЗ 4)
      • Prometheus / Grafana с дашбордом и алертами (ДЗ 5)
      • Отчёт по безопасности и исправленные уязвимости (ДЗ 6)
      • AI-агент (ДЗ 7), который: Принимает алерт из Grafana
      • Собирает метрики, логи, состояние pod’ов через kubectl
      • Отправляет данные в локальную / бесплатную LLM и получает анализ
      • Записывает результат в docs/incidents/YYYY-MM-DD-alert.md или отправляет в чат (по желанию)
      • Инструкция по развёртыванию всего стека (README.md в корне)
    • Формат сдачи:
      • Ссылка на GitLab-репозиторий. В репозитории должны быть:
Складчина создана 21 ноября 2026 г.

Запишитесь бесплатно — цена упадёт для всех

У автора этот материал стоит 90 250 ₽. В складчине сумму делят на всех: чем больше участников, тем меньше взнос каждого.

  1. 1 Оставляете email

    Без оплаты и без карты. Пришлём, как занять место в складчине на нашем основном сайте.

  2. 2 Складчина набирает людей

    Сейчас 2 участника и взнос 52 924 ₽. Ещё 1 человек — и он опустится до 49 990 ₽.

  3. 3 Открывается сбор

    Присылаем итоговую цену. Устроит — платите и получаете материалы. Нет — просто не платите.

  • 105 848 ₽ 1 уч.
  • 52 924 ₽ 2 уч. сейчас
  • 49 990 ₽ 3 уч. цель

Запись ни к чему не обязывает: платите, только если итоговый взнос вас устроит.

Теги курса

Инструменты
49 990 ₽ Записаться бесплатно