Розробка AI-системи автогенерації CI/CD-пайплайнів

Розробка AI-системи автогенерації CI/CD пайплайнів

AI-генерація CI/CD конфігурацій - автоматичне створення GitHub Actions, GitLab CI, файлів Jenkins Pipeline на основі аналізу кодової бази. Система визначає технологічний стек, залежності, тест-фреймворки та генерує оптимальну конфігурацію.

Аналіз кодової бази

class ProjectAnalyzer:
    def analyze(self, repo_path: str) -> ProjectProfile:
        profile = ProjectProfile()

        # Определение языков
        file_counts = Counter()
        for f in glob.glob(f"{repo_path}/**/*", recursive=True):
            ext = Path(f).suffix
            file_counts[ext] += 1
        profile.languages = self._infer_languages(file_counts)

        # Детектирование фреймворков
        profile.frameworks = self._detect_frameworks(repo_path, profile.languages)

        # Тест-фреймворки
        profile.test_frameworks = self._detect_test_frameworks(repo_path)

        # Контейнеризация
        profile.has_dockerfile = Path(f"{repo_path}/Dockerfile").exists()
        profile.has_docker_compose = Path(f"{repo_path}/docker-compose.yml").exists()

        # CI/CD провайдер (если уже настроен)
        if Path(f"{repo_path}/.github/workflows").exists():
            profile.current_ci = "github_actions"
        elif Path(f"{repo_path}/.gitlab-ci.yml").exists():
            profile.current_ci = "gitlab_ci"

        return profile

    def _detect_frameworks(self, path: str, languages: list[str]) -> list[str]:
        frameworks = []
        if "python" in languages:
            if Path(f"{path}/requirements.txt").exists():
                reqs = Path(f"{path}/requirements.txt").read_text()
                if "django" in reqs.lower(): frameworks.append("django")
                if "fastapi" in reqs.lower(): frameworks.append("fastapi")
                if "flask" in reqs.lower(): frameworks.append("flask")
        if "javascript" in languages or "typescript" in languages:
            if Path(f"{path}/package.json").exists():
                pkg = json.loads(Path(f"{path}/package.json").read_text())
                deps = {**pkg.get("dependencies", {}), **pkg.get("devDependencies", {})}
                if "react" in deps: frameworks.append("react")
                if "next" in deps: frameworks.append("nextjs")
        return frameworks

Генерація CI/CD конфігурації

def generate_cicd_config(profile: ProjectProfile, target_ci: str) -> str:
    context = f"""Проект: {profile.languages}
Фреймворки: {profile.frameworks}
Тесты: {profile.test_frameworks}
Dockerfile: {profile.has_dockerfile}
Среды: dev/staging/prod"""

    prompt = f"""Сгенерируй {target_ci} конфигурацию для проекта:

{context}

Требования:
- Тесты при каждом push
- Lint/type check
- Build Docker image при merge в main
- Deploy на staging автоматически, на prod — вручную
- Кэширование зависимостей
- Секреты через environment variables"""

    return llm.generate(prompt, max_tokens=2000)

Приклад згенерованого GitHub Actions

# Типичный результат для FastAPI + pytest + Docker
name: CI/CD Pipeline

on:
  push:
    branches: [main, develop]
  pull_request:
    branches: [main]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with: {python-version: "3.11"}
      - uses: actions/cache@v4
        with:
          path: ~/.cache/pip
          key: ${{ runner.os }}-pip-${{ hashFiles('requirements*.txt') }}
      - run: pip install -r requirements.txt -r requirements-dev.txt
      - run: ruff check . && mypy .
      - run: pytest --cov=app --cov-report=xml
      - uses: codecov/codecov-action@v4

  build-and-push:
    needs: test
    if: github.ref == 'refs/heads/main'
    steps:
      - uses: docker/build-push-action@v5
        with:
          push: true
          tags: ghcr.io/${{ github.repository }}:${{ github.sha }}

  deploy-staging:
    needs: build-and-push
    environment: staging
    steps:
      - run: kubectl set image deployment/app app=ghcr.io/${{ github.repository }}:${{ github.sha }}

Ітеративне покращення

Після першої генерації система вимагає зворотний зв'язок: що працює, що потрібно змінити. LLM уточнює конфігурацію на основі коментарів. Історія змін зберігається – можна відкотитися до попередньої версії.

Валідація згенерованих конфігурацій

Перед застосуванням: синтаксична перевірка (yamllint, actionlint для GitHub Actions), сухий запуск (act для локальної симуляції GitHub Actions), статичний аналіз безпеки (Checkov для виявлення небезпечних патернів).