我让 AI 重写运维脚本，5 个场景平均提效 85%

以前写个巡检脚本要 40 分钟，现在 5 分钟。不是 AI 替代我，是它当了我的"专职代码副手"。

01 一个痛苦的周一

那天周一上午，领导扔过来三个需求：

•"把上周 Nginx 日志统计一下，Top IP 和响应码"•"磁盘巡检阈值调到 80%，出个报告"•"今天中午前把 20 台服务器做一次健康检查"

我刚写完一个脚本，又来一个。一个脚本 30-60 分钟，三个脚本我得干到下午。

这不是偶发——我每周平均写 5-8 个运维脚本，真正痛苦的不是不会写，而是写没什么技术含量的重复代码，还总在边界条件和调试上翻车：

后来我试了让 AI 生成脚本——不是"AI 写了我用"，而是我提需求 → AI 出代码 → 我来审核。结果让我自己都吃了一惊。

02 五个真实场景的提效实录

场景 1：Nginx 日志统计 —— 35 分钟 → 3 分钟

需求：统计过去 1 小时 Nginx 访问日志中 Top 10 IP 和响应码分布。

以前：20 分钟写 + 15 分钟调试 awk/sort/uniq 组合，每次都要查 man 手册。

现在：1 分钟写 Prompt，2 分钟审核调整，搞定。

我的 Prompt：

写一个 Bash 脚本，统计 Nginx access.log 中过去 1 小时的：
1. Top 10 访问 IP
2. HTTP 状态码分布
3. 平均响应时间
要求：支持参数化日志路径，包含异常处理，输出格式化表格

AI 生成的脚本（节选）：

#!/bin/bash
LOG_PATH="${1:-/var/log/nginx/access.log}"
TIME_WINDOW=3600

if [ ! -f "$LOG_PATH" ]; then
    echo "错误：日志文件 $LOG_PATH 不存在"
    exit 1
fi

echo "========== Nginx 日志分析报告 =========="
echo "--- Top 10 访问 IP ---"
awk -v cutoff="$CUTOFF_TIME" '...' | sort -k2 -rn | head -10
echo "--- HTTP 状态码分布 ---"
awk '{...}' | sort -k2 -rn | head -10

这类数据处理脚本模式固定，AI 对 awk/sort/uniq 的组合比我翻 man 手册还熟练。

场景 2：磁盘空间巡检 —— 30 分钟 → 5 分钟

需求：巡检所有挂载点，使用率超过 80% 告警，输出巡检报告。

AI 生成只用了 2 分钟 Prompt + 3 分钟调整告警格式：

THRESHOLD="${1:-80}"
df -h | awk 'NR>1 {print $6, $5}' | while read -r mount use; do
    use_num=$(echo "$use" | tr -d '%')
    if [ "$use_num" -ge "$THRESHOLD" ]; then
        echo "⚠️  [告警] $mount 使用率 ${use}"
    else
        echo "✅  [正常] $mount 使用率 ${use}"
    fi
done

场景 3：批量健康检查 —— 45 分钟 → 7 分钟

需求：检查 20+ 台服务器的 HTTP 状态，超时 5 秒，输出汇总表。

传统写法最怕涉及 xargs/timeout/curl 组合的并发逻辑——一个超时处理不好，整个脚本就卡死。

AI 一次性生成，我只需要确认并发参数：

check_health() {
    local url=$1
    local http_code=$(curl -s -o /dev/null -w "%{http_code}" \
        --max-time "$TIMEOUT" "$url" 2>/dev/null)
    if [ "$http_code" = "200" ]; then
        printf "%-35s 正常 %dms\n" "$url" "$duration"
    elif [ "$http_code" = "000" ]; then
        printf "%-35s 超时\n" "$url"
    else
        printf "%-35s 异常 HTTP %s\n" "$url" "$http_code"
    fi
}
export -f check_health
cat "$SERVER_LIST" | xargs -P 10 -I {} bash -c 'check_health "{}"'

场景 4：MySQL 慢查询分析 —— 60 分钟 → 11 分钟

需求：解析 MySQL 慢查询日志，提取 Top SQL 和执行时间分布。

这是 5 个场景中最费手的——mysqldumpslow 功能有限，自己写解析逻辑光调试就要 4-5 轮。AI 一次性搞定了参数化 + 异常处理 + 输出格式。

场景 5：Docker 容器清理 —— 25 分钟 → 3 分钟

# 用途：Docker 资源清理
# 参数：--dry-run 仅预览 | --force 跳过确认

# 1. 已停止的容器
STOPPED=$(docker ps -aq -f status=exited -f status=dead)
# 2. 悬空镜像
DANGLING=$(docker images -f "dangling=true" -q)
# 3. 清理7天前的数据卷
docker volume prune -f --filter "until=168h"
# 4. 预览模式
[ "$DRY_RUN" = true ] && echo "（预览模式）"

03 汇总：39 分钟 → 5.8 分钟

AI 辅助脚本开发不是"AI 生成就直接用"——而是一套完整的流程：需求 → Prompt → 生成 → 审核 → 验证 → 上线。每个环节都不能跳。

04 三个 Prompt 技巧，让 AI 一次出货

技巧 1：结构化 Prompt——「角色+任务+要求+输出」四段式

角色：你是一个资深运维工程师
任务：编写 [具体脚本功能]
要求：
- 语言：Bash/Python
- 参数化：支持命令行参数
- 异常处理：包含错误检查和退出码
- 输出格式：表格化/JSON
- 注释：关键步骤中文注释

技巧 2：迭代优化——首轮 80% 可用，剩下 20% 针对性调

说明

技巧 3：让 AI 自测——生成脚本后马上写测试用例

为上面的脚本写一个测试用例，覆盖：
1. 正常输入场景
2. 文件不存在的异常场景
3. 权限不足的场景
4. 空输入场景

好的 Prompt = 好的脚本。投入 1 分钟写 Prompt，省 30 分钟调试。

05 踩坑指南：这 3 个坑我帮你踩过了

坑 1：AI 生成的脚本直接上生产

现象：AI 脚本本地跑通了，上生产后因为环境差异报错——Shell 版本不同、文件路径不一致、字符集不对。

解决：AI 生成 → 本地测试 → 预发布验证 → 生产执行，三步走不能省。

AI 加速的是"编写"环节，"验证"环节不可省略。

坑 2：Prompt 太笼统

现象：只说"写一个监控脚本"，AI 输出非常通用，完全不实用。

解决：用四段式 Prompt 把需求说清楚。你对需求多清楚，AI 产出就多精准。

坑 3：忽略 Shell 兼容性

现象：Linux 跑通的脚本，在 macOS 上报错。

原因：macOS 的 date/sed/readlink 是 BSD 版，和 GNU 语法不同。

解决：在 Prompt 中标明目标系统，或脚本中加兼容判断。

运维脚本优先确保生产环境兼容，本地调试环境放第二。

06 总结：AI 辅助脚本开发的三个核心价值

•编写时间 ⬇️ 85%：平均从 39 分钟降到 5.8 分钟•错误率 ⬇️ 83%：从 18% 降到 3%（AI 自带边界处理）•文档化 ✅：AI 自动生成注释，不再有"无文档脚本"

适用场景：模式固定的运维脚本（巡检、统计、清理、批量操作） 不适用场景：高度定制化的业务逻辑脚本、对性能要求极高的核心链路脚本

从今天开始，把每天第一个运维脚本的需求扔给 AI。花 1 分钟写 Prompt，5 分钟审核，剩下的时间，去解决那些真正需要你经验的问题。