Większość inżynierów DevOps żyje w wygodnym świecie, w którym infrastruktura powstaje z kodu, konteneryzacja rozwiązuje problemy zależności, a środowiska można dowolnie replikować. Co się jednak dzieje, gdy trafiasz do ekosystemu wartego miliardy dolarów, gdzie środowiska konfiguruje się ręcznie, GitFlow przypomina drogowy labirynt, a deployment zależy od „nadziei”?
Anna Wałach-Dudzic podczas prelekcji SO/DO odczarowała mit bezbolesnego dostarczania oprogramowania w chmurze Salesforce. Zobacz, z jakimi patologiami walczy Salesforce DevOps, dlaczego AI potrafi bezczelnie zhalucynować pipeline i jak za pomocą sprytnej ucieczki w Pythona oraz Playwright zaoszczędzić tygodnie żmudnej, manualnej pracy.
Podczas gdy klasyczny DevOps buduje środowiska od zera, inżynier pracujący z Salesforce operuje na zamkniętym, gotowym „pudełku” dostarczonym przez dostawcę. Jak podkreśla Anna Wałach-Dudzi, metadata coverage platformy rzadko osiąga 100%, co w praktyce oznacza, że automatyzacja za pomocą CLI ma swoje sztywne granice, a procesy release managementu regularnie wymagają… ręcznego wyklikiwania zmian w panelu administracyjnym. Prawdziwym wyzwaniem okazuje się jednak zarządzanie zespołem. W tym ekosystemie administratorami zostają często osoby bez technicznego backgroundu (np. świetni expartnerzy biznesowi), dla których pojęcia takie jak GitFlow czy konflikty merge’owania to czarna magia. Efekt? Przepychanki wersjami, branches odpowiadające sztywnym środowiskom i permanentna walka o spójność kodu.
Naciski na wdrażanie sztucznej inteligencji w codziennej pracy inżyniera bywają zwodnicze. Pierwsze starcie Anny z AI zakończyło się spektakularną porażką – model z pełnym przekonaniem zhalucynował nieistniejące komponenty dla systemu Bitbucket, co wydłużyło prostą konfigurację statycznej analizy kodu z 4 godzin do dwóch dni. Kluczem do sukcesu okazała się zmiana strategii: zamiast zmuszać AI do operowania w niszowych, zamkniętych narzędziach chmurowych, prelegentka zaczęła zaprzęgać je do zadań opartych na uniwersalnych technologiach, takich jak Python i Playwright. Gdy w krytycznym momencie z trzech środowisk testowych nagle usunięto 150 pól, AI w ciągu kilku minut wygenerowało bezbłędny skrypt automatyzujący przeglądarkę, który przez dwie godziny przywracał dane, podczas gdy inżynier mógł skupić się na merytorycznym udziale w konferencji.
Aby sztuczna inteligencja stała się realnym wsparciem, a nie źródłem awarii, konieczne jest wdrożenie twardych zasad inżynierii promptów. Pierwszą z nich jest wymuszenie na agencie (np. w środowisku Cursor) trybu planowania – rozpisanie kroków przed dotknięciem jakiejkolwiek linii kodu drastycznie ogranicza ryzyko zniszczenia struktury projektu. Co więcej, kluczowa pozostaje zasada pełnej odpowiedzialności człowieka za generowany kod. Ślepe pushowanie skryptów, których architekt nie rozumie, to prosta droga do katastrofy (np. przypadkowego usunięcia infrastruktury na AWS). Współczesna rola DevOpsa ewoluuje z bezmyślnego klepania powtarzalnego kodu w stronę koncepcyjnego projektowania, zarządzania wyjątkami i optymalizacji procesów na poziomie ludzkim.
Wdrażanie AI w automatyzacji to sztuka precyzyjnego planowania i wyboru właściwych narzędzi. Jeśli chcesz przestać walczyć z halucynacjami modeli i zacząć pisać bezpieczne, powtarzalne skrypty:
Pełny kalendarz wydarzeń i rejestracja na stronie: https://www.sysopspolska.pl/
Obejrzyj pełne nagranie z prelekcji: DevOps vs AI – doświadczenia praktyka – Anna Wałach-Dudzic
Nadchodzące eventy
Znajdź nas na:
Dochód z działalności komercyjnej jest przeznaczony na realizację celów statutowych Fundacji SysOps/DevOpsPolska.
