AI-промты для управления техническим долгом
Опишите систему и цель — получите план выплаты техдолга
- Связывает каждый пункт долга с бизнес-метрикой и SLO
- Готовые форматы: реестр, ADR, executive-бриф
- Учитывает источники SonarQube, Git-hotspots и postmortem
Конструктор промтов по техдолгу
Выберите тип долга, задачу и горизонт — получите готовый промт под вашу команду и цель
Ваш промт появится здесь
Выберите параметры слева — промт обновится автоматически
Технический долг в крупных продуктах копится годами, и CTO тратит недели на то, чтобы собрать разрозненные данные из SonarQube, Jira и git-истории в понятную бизнесу картину. Готовые промты для ChatGPT и Claude сокращают эту рутину: нейросеть помогает провести инвентаризацию и каталог долга, приоритизировать задачи по WSJF и собрать план рефакторинга на квартал или год. Укажите тип долга (архитектурный, код-долг, инфраструктурный) и бизнес-цель — ускорение time-to-market или снижение cloud-costs — и получите промт, готовый к вставке в ChatGPT, Claude или YandexGPT. Такой подход снимает большую часть ручной аналитики и даёт аргументы для защиты бюджета перед правлением. Бесплатный генератор промтов GUSAROV превращает шаблоны в рабочий инструмент автоматизации: заполните форму и получите промт, оптимизированный под вашу задачу.
Промты для техдолга: инструкция за 4 шага
Выберите роль AI, тип долга и задачу
Укажите Роль AI, Тип долга и Задачу, а также Горизонт и Бизнес-цель — это задаст фокус промта под техдолг.
Задайте тон и формат вывода
Выберите инженерно-прагматичный тон и формат (например, roadmap по кварталам) — подойдёт для отчёта CTO совету.
Опишите Продукт, Боли и Ограничения
Впишите Продукт, Боли и Ограничения: стек, частоту инцидентов, бюджет capacity — промт учтёт реалии команды.
Скопируйте промт и запустите в AI
Скопируйте готовый промт и вставьте в ChatGPT или Claude — получите план работы с техническим долгом.
Для кого промты по техническому долгу
Генератор помогает CTO, техлидам, архитекторам и Principal Engineer управлять техдолгом с AI
CTO быстрорастущего SaaS
Совет директоров требует оценку legacy, а у меня нет цифр на руках
Получайте финансовую оценку техдолга для борда за один вечер
Техлид продуктовой команды
Спринт за спринтом откладываю рефакторинг — долг растёт снежным комом
Составляйте план рефакторинга на спринт по данным SonarQube за 15 минут
Senior-архитектор в enterprise
Архитектурный долг размазан по 40 сервисам — не знаю, с чего начать
Стройте каталог архдолга по C4 и ADR с приоритизацией по WSJF
Principal Engineer по платформе
Инциденты в проде повторяются, а postmortem превращаются в братскую могилу
Находите hotspots по git-истории и инцидентам для квартального плана
Ещё промты по техническому долгу
Промты дополняют генератор смежными задачами по техдолгу. Скопируйте, замените данные в [скобках] и вставьте в ChatGPT или Claude.
Аудит культуры работы с техдолгом в инженерной команде
Культурный аудитРоль: Ты Principal Engineer с 12 лет опыта в управлении техническим долгом в продуктовых компаниях. Экспертиза: Accelerate (DORA), SPACE framework, практики Google Engineering Productivity. Контекст: Я CTO в [тип компании — SaaS/fintech/marketplace]. Команда: [число инженеров] человек, [число команд] squad'ов. Текущие практики: [как сейчас учитывается техдолг — Jira-тег/отдельный бэклог/никак]. Метрики DORA: [deployment frequency], [lead time], [change failure rate], [MTTR]. Сигналы проблем: [жалобы инженеров/рост инцидентов/отток]. Задача: Провести аудит инженерной культуры вокруг техдолга и выдать план изменений на [горизонт — квартал/полугодие]. Формат вывода: (1) Таблица 'Симптом → Корневая причина → Рекомендация' на 8–12 строк. (2) Диагноз по 5 осям: видимость долга, приоритизация, бюджет времени, ownership, метрики. Оценка 1–5 с обоснованием. (3) Roadmap изменений: 3 инициативы с KPI и ответственными. Детали: Опирайся на Westrum typology и DORA. Избегай общих советов вида 'выделите время на рефакторинг' — давай конкретику с процентами бюджета и ритуалами.
Подготовка презентации техдолга для совета директоров
Board deckРоль: Ты VP Engineering с 10 лет опыта защиты инженерных бюджетов перед board и инвесторами. Экспертиза: storytelling по Minto Pyramid, финансовое моделирование техдолга, перевод инженерных метрик в P&L. Контекст: Я технический директор в [стадия компании — Series B/C, pre-IPO]. Продукт: [краткое описание]. Накопленный техдолг: [основные области — монолит/legacy-БД/устаревший стек]. Запрашиваемый бюджет: [сумма или % R&D]. Аудитория борда: [CEO, CFO, 2 инвестора, независимый директор]. Возражения в прошлом: [типичные — 'почему сейчас', 'что если не делать']. Задача: Подготовить структуру презентации на 12–15 слайдов, обосновывающую инвестицию в выплату техдолга. Формат вывода: (1) Storyline по Minto: главный тезис + 3 поддерживающих аргумента. (2) Поcлайдовая раскладка: заголовок, ключевое сообщение, тип визуала, данные. (3) Q&A-блок: 8 острых вопросов борда с тезисными ответами. Детали: Переводи инженерные термины в бизнес-язык (выручка, риск, time-to-market). Используй сценарный анализ 'делаем / не делаем'. Избегай жаргона SonarQube/cyclomatic complexity без расшифровки.
Обучающий воркшоп для команды по распознаванию техдолга
ВоркшопРоль: Ты Senior-архитектор и фасилитатор с 8 лет опыта проведения инженерных воркшопов. Экспертиза: Event Storming, Team Topologies, Wardley Mapping для техдолга. Контекст: Я техлид в [тип продукта]. Команда: [число инженеров], уровни [junior/middle/senior распределение]. Стек: [языки/фреймворки]. Проблема: команда не отличает 'плохой код' от стратегического техдолга, всё летит в один бэклог. Длительность воркшопа: [2/4/8 часов]. Формат: [офлайн/Miro/гибрид]. Задача: Спроектировать воркшоп, после которого команда умеет классифицировать техдолг по матрице Мартина Фаулера (deliberate/inadvertent × prudent/reckless) и договариваться о приоритетах. Формат вывода: (1) Тайминг по блокам: теория, упражнение, дискуссия, рефлексия. (2) 3 практических кейса на материале команды с инструкциями фасилитатору. (3) Чек-лист артефактов на выходе: классификация, топ-10 записей в бэклог, соглашения команды. Детали: Интегрируй квадрант Фаулера и concept of 'technical debt interest'. Избегай лекционного формата — минимум 60% времени на практику.
Бенчмаркинг практик управления техдолгом против конкурентов и big tech
БенчмаркРоль: Ты CTO-консультант с 15 лет опыта бенчмаркинга инженерных практик scale-up против big tech. Экспертиза: анализ инженерных блогов (Netflix, Stripe, Shopify), State of DevOps Report, публичные post-mortem. Контекст: Я CTO в [индустрия, стадия]. Размер инженерки: [число человек]. Наши практики техдолга: [краткое описание — fix-it weeks/10% time/отдельный squad]. Конкуренты и ориентиры: [2–3 компании — публичные кейсы]. Болевые точки: [конкретные — долгий релиз/частые инциденты]. Задача: Сделать бенчмарк наших практик против 4 референсов и выдать gap-анализ с приоритизированными изменениями. Формат вывода: (1) Сравнительная таблица 'Практика × Мы × Референс 1–4' по 8 измерениям (бюджет времени, ownership, метрики, инструменты, ритуалы, документация, автоматизация, культура). (2) Gap-анализ: топ-5 разрывов с оценкой усилий 1–5 и impact 1–5. (3) Рекомендации на [горизонт] с конкретными первыми шагами. Детали: Ссылайся на публичные источники (инженерные блоги, конференции, книги типа 'Software Engineering at Google'). Избегай карго-культа — учитывай масштаб и стадию компании.
6 правил промтов для техдолга
Используйте эти правила, чтобы получать точные планы работы с техдолгом в ChatGPT и Claude
Задайте роль инженера-архитектора
Вместо «Ты CTO» пишите: «Ты staff-инженер с 10+ годами рефакторинга legacy-монолитов на Java и опытом миграции на микросервисы». ИИ подтянет паттерны Strangler Fig.
Указывайте метрики техдолга
Дайте цифры: code coverage 42%, cyclomatic complexity 28, SQALE rating D, lead time 14 дней, change failure rate 22%. Без них ИИ выдаст абстрактные советы вместо плана.
Запрашивайте вывод в ICE или WSJF
Просите таблицу беклога долга с ICE-скорингом или WSJF (Cost of Delay / Job Size). Формат: компонент, тип долга, impact, effort, приоритет, квартал закрытия.
Укажите тип долга и горизонт
Разделяйте по матрице Фаулера: deliberate vs inadvertent, prudent vs reckless. Шаблон: «Архитектурный долг в payment-сервисе, горизонт 2 квартала, бюджет 20% capacity команды».
Итерируйте через follow-up запросы
После первого ответа уточняйте: «Распиши Strangler Fig для модуля биллинга на 3 спринта, с критериями отката и метриками SLO/SLI на каждом этапе миграции».
Избегайте запросов без бизнес-цели
До: «Как убрать техдолг в проекте?». После: «Как снизить MTTR с 4ч до 1ч и lead time с 14 до 5 дней за Q3, имея 6 инженеров и feature freeze запрещён».
FAQ: промты для техдолга
Промты для управления техническим долгом — это структурированные запросы к нейросети, которые помогают инвентаризировать, приоритизировать и планировать рефакторинг legacy-кода. В ChatGPT такие промты задают роль Техлида или Principal Engineer, тип долга (архитектурный, код-долг, инфраструктурный, тестовый), источник данных (отчёт SonarQube, ADR, C4-диаграммы, git-hotspots) и горизонт планирования — спринт, квартал или год. На выходе получаете каталог долга с оценкой WSJF, привязкой к бизнес-целям вроде ускорения time-to-market или снижения cloud-costs. Готовые шаблоны экономят часы ручной работы аналитика. Скопируйте промт из бесплатного генератора GUSAROV и вставьте в ChatGPT — каталог техдолга появится за минуты.
Откройте генератор GUSAROV, выберите роль Senior-архитектор, тип долга «архитектурный», задачу «План рефакторинга», источник «ADR и C4-диаграммы» и горизонт «квартал». ChatGPT вернёт пошаговый план: декомпозиция монолита по bounded context, strangler fig pattern, миграция модулей по приоритету hotspot-файлов из git-истории. Claude дополнительно построит карту рисков и оценит влияние на инциденты в проде по данным postmortem. Промт включает критерии готовности, метрики прогресса (cyclomatic complexity, coverage, MTTR) и связку с бизнес-целью — например, подготовкой к масштабированию x10. Скопируйте готовый шаблон, добавьте контекст вашего стека и вставьте в Claude или ChatGPT — план рефакторинга на квартал готов.
CTO получает инструмент, который превращает разрозненные жалобы команд в управляемый бэклог техдолга с цифрами для совета директоров. Вместо ручной приоритизации нейросеть применяет WSJF, считает стоимость legacy в человеко-месяцах и связывает каждую задачу с бизнес-целью — снижением инцидентов, ускорением релизов или сокращением cloud-costs. ChatGPT за минуты собирает картину по отчётам SonarQube, git-hotspots и postmortem, которую аналитик готовил бы неделю. Это даёт CTO scale-up аргументы для защиты бюджета на рефакторинг и прозрачный roadmap на полугодие. Попробуйте бесплатный генератор GUSAROV — получите пакет промтов под задачи Principal Engineer и Техлида за один клик.
Промты для архитектурного долга работают с высокоуровневыми артефактами — ADR, C4-диаграммами, картой bounded context — и нацелены на декомпозицию монолита, развязку сервисов и подготовку к масштабированию. Промты для тестового долга оперируют покрытием, мутационным тестированием, flaky-тестами и пирамидой Cohn, фокусируясь на снижении инцидентов в проде и MTTR. Архитектурные горизонты — полугодие или год, тестовые — спринт и квартал. В Claude удобно прорабатывать архитектурные сценарии благодаря большому контексту, в ChatGPT быстрее генерировать тест-кейсы и стратегии coverage. Источники данных тоже разные: для архитектуры — ADR и hotspots, для тестов — отчёты SonarQube и баг-трекер. Используйте генератор GUSAROV, чтобы выбрать нужный тип под задачу.
Промты совместимы со всеми основными нейросетями: ChatGPT, Claude, Gemini, YandexGPT, GigaChat и DeepSeek. ChatGPT и Claude дают самые глубокие планы рефакторинга и анализ C4-диаграмм благодаря большому контекстному окну — до 200k токенов, что важно при загрузке отчётов SonarQube целиком. Gemini хорошо справляется с визуализацией зависимостей и оценкой cloud-costs в GCP-стеке. YandexGPT и GigaChat подходят для команд с требованиями 152-ФЗ и размещением данных в РФ — они корректно работают с русскоязычными ADR и postmortem. Шаблоны GUSAROV написаны нейтрально и не зависят от платформы. Скопируйте промт из бесплатного генератора и вставьте в любую доступную нейросеть — результат сопоставим.