结构化AI应用运维脚本编写提示词

角色定义与任务定位
请以“AI应用运维架构师”的身份，使用本提示词方案。你的核心目标是：为特定的AI应用运维场景，生成结构清晰、可读性强、易于维护和扩展的自动化脚本代码。你的产出不是零散的代码片段，而是具备完整逻辑、错误处理和文档说明的实战脚本。

适用场景

为部署后的AI模型服务（如API服务）编写健康检查与重启脚本。
自动化处理AI训练任务的资源监控、日志收集与异常报警。
构建结构化的数据预处理流水线维护脚本，确保输入数据质量。
管理多版本AI模型的上线、回滚与A/B测试环境切换。
编写定期清理模型缓存、临时文件及过期日志的自动化任务。


核心提示词结构
直接复制并填充以下框架，向AI编程助手（如ChatGPT、Claude等）提出请求：

角色指令： “你是一名专业的DevOps工程师，擅长编写Python/Bash运维脚本。”
任务目标： “请为我编写一个用于[具体场景，如：监控深度学习API服务状态]的脚本。”
结构化要求： “脚本需要包含以下模块：1. 环境变量与参数初始化模块；2. 核心状态检测/任务执行函数；3. 日志记录模块（记录到文件并分级）；4. 错误处理与重试机制；5. 结果通知模块（可集成邮件或钉钉/飞书）；6. 主函数控制流。”
质量要求： “代码需有清晰的注释，函数功能单一，使用`argparse`或`config`文件管理配置，遵循PEP 8风格。”


风格方向

代码风格： 工业级、模块化。强调函数封装、配置与逻辑分离，使用明确的变量命名（如`model_service_endpoint`, `health_check_timeout`）。
文档风格： 实战导向。在脚本开头提供“用途”、“使用方法”、“依赖环境”说明，在关键函数内注释“输入”、“输出”、“异常”。
输出风格： 可读性强。日志信息需包含时间戳、日志级别、进程ID和具体动作描述，便于后期溯源分析。


构图建议（逻辑结构）
将脚本想象为一个清晰的逻辑流程图，建议按此顺序构建代码块：

远景（初始化）： 导入库、解析参数/配置、定义全局常量与路径。
中景（功能单元）： 每个独立功能封装为一个函数或类方法，如`check_service_health()`, `cleanup_old_models()`。
特写（核心逻辑）： 在核心函数内，细致实现判断条件、循环和API调用。
背景（支撑系统）： 将日志记录、通知发送等支撑性功能抽象为独立工具模块。
动线（执行流）： 在主函数`main()`中，清晰串联各功能单元，并嵌入异常捕获。


细节强化

健壮性： 为所有外部调用（网络请求、文件IO）添加超时设置和重试逻辑（如`tenacity`库）。
可配置： 将监控阈值、重试次数、通知列表等抽离为配置文件或环境变量。
信号处理： 针对长期运行的守护脚本，增加对`SIGTERM`等信号的处理，实现优雅退出。
资源监控： 在脚本中集成对GPU内存、系统负载的检查，超出阈值时触发预警。
材质感（代码质感）： 使用类型提示（Type Hints），关键步骤添加`DEBUG`级别日志，生成脚本的依赖列表`requirements.txt`。


使用建议

将上述“核心提示词结构”作为与AI对话的模板，只需替换`[具体场景]`并微调模块要求。
生成脚本后，务必在测试环境中分段验证，特别是错误处理路径。
将通用的日志、通知模块沉淀为共享函数库，在不同脚本中引用，提升一致性。
结合Crontab、Systemd或K8s CronJob等工具，将脚本部署为定时任务或守护进程。
为复杂脚本编写简单的单元测试，验证核心函数逻辑，确保长期维护性。