AI-промты для проектирования баз данных
Опишите домен и нагрузку — получите промт для схемы БД
- Промты с учётом специфики PostgreSQL, ClickHouse и Cassandra
- Готовая структура от сущностей до партиционирования и миграций
- Подсказки по индексам, ключам и планам запросов EXPLAIN
Конструктор промтов для схемы БД
Выберите СУБД и задачу проектирования — получите промт с учётом нагрузки и приоритета качества
Ваш промт появится здесь
Выберите параметры слева — промт обновится автоматически
Проектирование базы данных под новый сервис легко съедает 2–3 дня: нужно собрать требования, прикинуть ER-диаграмму, продумать индексы и заранее понять, где схема треснет под нагрузкой. Готовые промты для ChatGPT и Claude ускоряют этот цикл — вы формулируете задачу один раз, а нейросеть помогает с ER-диаграммой, нормализацией до 3NF, шардированием и партиционированием, подбором индексов и аудитом текущей схемы. Укажите СУБД (PostgreSQL, MongoDB, ClickHouse) и профиль нагрузки (OLTP, OLAP, HTAP) — получите промт, в котором учтены предметная область и приоритет качества: целостность, скорость чтения или горизонтальная масштабируемость. Бесплатный генератор промтов снимает большую часть рутины по описанию контекста и превращает расплывчатые запросы к ИИ в точные ТЗ с чеклистами и SQL-примерами. Заполните форму и получите промт, оптимизированный под вашу задачу — скопируйте его в ChatGPT, Claude или любую другую нейросеть.
Промты для проектирования БД: инструкция
Выберите СУБД, задачу и роль AI
Укажите СУБД, Задачу и Роль AI — это задаст контекст промта под проектирование схемы данных.
Настройте тон и формат вывода
Задайте тон коммуникации и формат вывода. Например: инженерный тон + DDL-скрипт с комментариями к таблицам.
Впишите сущности и ограничения
Опишите Сущности (users, orders) и Ограничения (PII, latency p99 < 80мс) — промт учтёт реальную нагрузку проекта.
Скопируйте промт и запустите AI
Скопируйте готовый промт и вставьте в ChatGPT или Claude — получите схему БД с индексами и миграциями.
Для кого промты по проектированию БД
Генератор помогает backend-разработчикам, DBA, архитекторам и дата-инженерам проектировать БД в ChatGPT и Claude
Junior backend-разработчик
Не знаю, как нормализовать таблицы до 3NF без ошибок
Получайте готовую ER-схему и разбор 3NF за один промт
Middle backend в SaaS-продукте
Мультитенантность ломает запросы, переписываю схему 3-й раз
Генерируйте схему мультитенантности с изоляцией за 10 минут
Senior data engineer ClickHouse
На OLAP-витринах запросы идут по 40 секунд вместо 2
Создавайте денормализованные витрины и индексы под аналитику
Архитектор БД финтех-платформы
Каждый дизайн-ревью схемы платежей съедает 2 рабочих дня
Собирайте архитектуру под OLTP с целостностью за одну сессию
Ещё промты для проектирования БД
Промты дополняют генератор смежными задачами по базам данных. Скопируйте, замените данные в [скобках] и вставьте в ChatGPT или Claude.
Аудит существующей схемы БД с планом рефакторинга
Аудит схемыРоль: Ты Senior Database Engineer с 10 лет опыта в аудите production-баз высоконагруженных систем. Экспертиза: EXPLAIN ANALYZE, pg_stat_statements, ER-моделирование, миграции Flyway и Liquibase. Контекст: Я backend-разработчик в [тип компании]. Проект: [краткое описание продукта]. СУБД: [PostgreSQL 15 / MySQL 8 / другое]. Размер данных: [объём в ГБ], количество таблиц: [N]. Текущие проблемы: [медленные запросы / дубли / отсутствие FK]. Схема во вложении: [DDL или ER-диаграмма]. Задача: Провести аудит схемы, выявить антипаттерны и составить приоритизированный план рефакторинга без даунтайма. Формат вывода: (1) Таблица находок: проблема, таблица/колонка, тип дефекта (нормализация, индексы, типы, FK, naming), риск (high/medium/low). (2) План рефакторинга в 3 волны с миграциями и оценкой часов. (3) Чек-лист проверки после применения миграций. Детали: Опирайся на 3NF, принципы Кодда и рекомендации Use The Index, Luke. Избегай советов с блокирующими ALTER на больших таблицах — предлагай online-миграции через теневые колонки и backfill.
Чек-лист code review миграций БД для команды
Code reviewРоль: Ты технический лид с 8 лет опыта ревью миграций в командах из 10+ backend-разработчиков. Экспертиза: Flyway, Alembic, gh-ost, pt-online-schema-change, zero-downtime deployments. Контекст: Я тимлид в команде, работающей с [СУБД и версия]. Стек миграций: [инструмент миграций]. Размер критичных таблиц: [строк в млн]. SLA сервиса: [время простоя в минутах]. Типичные PR с миграциями содержат: [ALTER TABLE / новые индексы / изменение типов]. Задача: Составить исчерпывающий чек-лист для code review миграций БД, который джуны и мидлы смогут применять самостоятельно. Формат вывода: (1) Блок 'Безопасность схемы': 8–12 пунктов с примерами ДО/ПОСЛЕ. (2) Блок 'Производительность и блокировки' с упоминанием lock_timeout и CONCURRENTLY. (3) Блок 'Обратная совместимость' для expand-contract паттерна. (4) Критерии блокировки мерджа (hard stop). Детали: Учитывай специфику [PostgreSQL/MySQL]. Для каждого пункта давай одну строку правила и пример опасной миграции. Избегай общих фраз вроде 'проверьте всё внимательно'.
Сравнение СУБД под конкретный кейс с матрицей решений
Выбор СУБДРоль: Ты архитектор данных с 12 лет опыта выбора СУБД для стартапов и энтерпрайза. Экспертиза: TPC-бенчмарки, CAP-теорема, cost-модели облачных провайдеров AWS RDS и Yandex Managed Databases. Cтекст: Я backend-разработчик проектирую новый сервис в [домен: маркетплейс/финтех/IoT]. Ожидаемая нагрузка: [RPS на чтение], [RPS на запись]. Объём данных через год: [ТБ]. Требования: [consistency/latency p99/SLA]. Бюджет инфраструктуры: [$ в месяц]. Команда знает: [стек СУБД]. Задача: Сравнить 3–4 кандидата СУБД и дать обоснованную рекомендацию с учётом рисков. Формат вывода: (1) Матрица сравнения: строки — [PostgreSQL, MongoDB, ClickHouse, Redis или другие], столбцы — модель данных, консистентность, масштабирование, стоимость, сложность эксплуатации, оценка 1–5. (2) Сценарии, где каждая СУБД выигрывает. (3) Итоговая рекомендация с 3 рисками и митигациями. Детали: Опирайся на реальные ограничения из документации. Избегай маркетинговых формулировок. Указывай версии СУБД.
Генерация тестовых данных и сценариев нагрузочного тестирования
Load testingРоль: Ты Senior SRE с 7 лет опыта нагрузочного тестирования БД. Экспертиза: pgbench, sysbench, k6, JMeter, генерация реалистичных датасетов через Faker и mimesis. Контекст: Я backend-разработчик тестирую схему БД перед релизом. СУБД: [PostgreSQL/MySQL/MongoDB]. Ключевые таблицы: [users, orders, events] с ожидаемой кардинальностью [N записей]. Паттерн нагрузки: [OLTP/OLAP/HTAP]. Целевые метрики: p99 [мс], throughput [TPS]. Продакшн-профиль: [доля read/write, распределение ключей]. Задача: Сформировать план нагрузочного тестирования и описать генерацию реалистичных тестовых данных. Формат вывода: (1) SQL или pseudo-код для генерации датасета с учётом zipfian-распределения для горячих ключей. (2) Таблица сценариев: имя, микс операций, длительность, критерий успеха. (3) Список метрик для сбора: latency p50/p95/p99, locks, buffer hit ratio, replication lag. (4) Шаблон отчёта по итогам прогона. Детали: Опирайся на методологию USE (Utilization, Saturation, Errors) Брендана Грегга. Избегай равномерных распределений там, где в проде они не встречаются.
6 правил промтов для проектирования БД
Используйте эти правила, чтобы получать рабочие схемы и DDL для баз данных в ChatGPT и Claude
Задайте узкую роль DBA-эксперта
Вместо 'Ты разработчик' укажите: 'Ты Senior DBA с 8 годами опыта PostgreSQL и проектирования OLTP-схем под нагрузку 10k RPS'. ИИ включит нужный стек.
Указывайте нагрузку и объёмы
Давайте в промте RPS, соотношение read/write, размер таблиц, рост в год и SLA по latency. Без 'write-heavy 5k TPS, 500GB/год' модель даст усреднённую схему без индексов и партиций.
Запрашивайте ER-диаграмму и DDL
Просите вывод в виде Mermaid erDiagram + готовый DDL с CONSTRAINT, индексами и FK. Пример: 'Сначала ER в Mermaid, затем CREATE TABLE для PostgreSQL 16 с партиционированием по дате'.
Фиксируйте нормальную форму и СУБД
Уточняйте целевую НФ (обычно 3НФ для OLTP, денормализация для OLAP) и точную версию СУБД. Шаблон: 'PostgreSQL 16, 3НФ с денормализацией агрегатов в materialized view'.
Итерируйте через запросы плана
После схемы просите: 'покажи EXPLAIN ANALYZE для топ-5 запросов и предложи индексы' или 'добавь soft delete и audit-поля по шаблону created_at/updated_by'. Так схема доводится до прода.
Избегайте абстрактных запросов
До: 'спроектируй БД для интернет-магазина'. После: 'схема для маркетплейса, 2М SKU, 50k заказов/день, PostgreSQL 16, нужны партиции orders по месяцам и GIN-индекс по атрибутам товара'.
FAQ: промты для проектирования БД
Промты для проектирования базы данных — это структурированные запросы к нейросети, которые задают роль (Junior DBA, архитектор БД), СУБД (PostgreSQL, MySQL, MongoDBН, ClickHouse), задачу (ER-диаграмма, нормализация до 3NF) и профиль нагрузки (OLTP, OLAP, HTAP). Такой промт превращает ChatGPT в цифрового напарника по схеме данных: вы описываете домен вроде E-commerce маркетплейса, а ИИ возвращает DDL-скрипты, индексы и связи между таблицами. В отличие от абстрактного запроса 'сделай БД', шаблон указывает приоритет — целостность данных или скорость чтения, поэтому ответ сразу учитывает constraints и partitioning. Скопируйте готовый промт из генератора и вставьте в ChatGPT — получите схему за минуту.
Откройте генератор, выберите роль 'Архитектор баз данных', СУБД PostgreSQL, задачу 'ER-диаграмма', предметную область 'SaaS с мультитенантностью' и приоритет 'Целостность данных'. Вставьте итоговый промт в ChatGPT — нейросеть вернёт сущности tenants, users, subscriptions, плюс схему изоляции через tenant_id с row-level security. Добавьте в запрос указание на shared-database/shared-schema или database-per-tenant, чтобы ChatGPT выбрал стратегию партиционирования. Для валидации попросите сгенерировать Mermaid-код ER-диаграммы и проверьте связи 1:N и M:N. Если нужны миграции, попросите Alembic или Flyway-скрипты. Попробуйте прямо сейчас — промт соберётся за 30 секунд.
Backend-разработчику генератор экономит 2-4 часа на каждой новой схеме и убирает риск типовых ошибок в индексах и нормализации. Вместо ручного описания контекста в Claude вы за минуту собираете промт с ролью Senior Data Engineer, СУБД ClickHouse и задачей 'Индексы и планы запросов' для OLAP-аналитики. Claude вернёт рекомендации по ORDER BY, PARTITION BY и materialized views с обоснованием по cardinality. Для финтеха и платежей генератор подставит приоритет 'Целостность данных', и нейросеть предложит двухфазный коммит и strict serializable изоляцию. Это превращает промт из разовой подсказки в воспроизводимый шаблон для всей команды. Используйте генератор бесплатно — он покрывает PostgreSQL, MySQL и MongoDB.
Промты для OLTP фокусируют нейросеть на низкой латентности транзакций, узких таблицах и B-tree индексах, а OLAP-промты — на колоночном хранении, агрегатах и денормализации. В OLTP-шаблоне вы указываете PostgreSQL или MySQL, профиль 'высокочастотный' и приоритет 'Скорость записи' — Claude предложит партиционирование по дате, covering-индексы и UPSERT-паттерны. Для OLAP выбираете ClickHouse, приоритет 'Скорость чтения' — нейросеть вернёт MergeTree, SummingMergeTree и pre-aggregated projections. Гибридный HTAP-промт комбинирует оба подхода через CDC и отдельные реплики. Разница принципиальна: один и тот же вопрос в ChatGPT без контекста даст усреднённый ответ, а специализированный промт — production-ready решение. Скопируйте нужный шаблон из генератора.
Промты генератора работают во всех основных нейросетях: ChatGPT, Claude, Gemini, YandexGPT, GigaChat и DeepSeek. ChatGPT и Claude сильнее в сложных схемах — например, в проектировании финтех-БД с ACID-транзакциями и выборе уровня изоляции Serializable. Gemini хорошо справляется с ClickHouse и OLAP-запросами благодаря большому контексту. YandexGPT и GigaChat оптимальны для RU-команд: они корректно работают с кириллицей в названиях доменов и учитывают требования 152-ФЗ по персональным данным. Шаблон промта универсален — меняется только модель. Для DDL на 10+ таблиц берите Claude Sonnet, для быстрых ER-диаграмм — ChatGPT, для локального контура — GigaChat. Вставьте промт в любую нейросеть и сравните результаты.