Zabbix и нейросеть Qwen на практике: как промпт с архитектурой даёт рабочий код

Автор цикла из четырёх статей на протяжении нескольких месяцев строил систему анализа событий Zabbix (платформа мониторинга серверов и сервисов) с помощью локальной модели Qwen 3.5:4B. Финальная часть цикла посвящена не теории, а тому, что получилось, когда подготовленный архитектурный каркас начали превращать в код. Весь стек развёрнут на собственном оборудовании, без облачных API и без подписок.

Что понадобится?

• Zabbix с настроенными вебхуками (webhook, автоматическая отправка уведомлений по HTTP)
• Локальная LLM: Qwen 3.5:4B или сопоставимая открытая модель (открытые веса, работает на вашем железе)
• Python 3.10+, библиотеки FastAPI и Pydantic v2
• Redis (быстрая база для очередей сообщений между модулями)
• Docker Compose для запуска всех контейнеров
• Подготовленные документы: техзадание (ТЗ), HLD (High-Level Design, общая схема системы) и LLD (Low-Level Design, детальное описание каждого модуля)
• Время: базовый модуль занимает один рабочий вечер, весь цикл растянулся на несколько месяцев с перерывами

Пошаговая инструкция

1. Подготовьте документы до первого промпта. Напишите ТЗ, составьте HLD на его основе, детализируйте LLD. Можно привлечь нейросеть для LLD, но не полагайтесь на неё полностью. Без этих документов модель смешает роли контейнеров, продублирует ответственность модулей и упростит архитектуру до одного приложения или, наоборот, добавит лишние сущности.

2. Задайте роль, а не задачу. Не пишите «напиши сервис обработки алертов». Вместо этого используйте ролевую модель:

Ты являешься экспертом-программистом Python и должен помогать
инженеру-архитектору в реализации проекта анализа событий Zabbix
локальной моделью Qwen3.5:4B в соответствии со следующим ТЗ, HLD и LLD.

1. Приложите контекст и поставьте точную задачу на один модуль. После ролевого промпта прикрепите ТЗ, HLD, нужный кусок LLD и сформулируйте конкретный шаг. Базовая стратегия: не писать систему целиком, а реализовывать маленькими управляемыми блоками внутри зафиксированной архитектуры.

Контекст:

- есть ТЗ, HLD, LLD;
- архитектура утверждена и менять её не нужно;
- FastAPI, Redis, Docker Compose приняты как основа.

Текущая задача:
реализовать alert-receiver, который:

- принимает webhook от Zabbix;
- проверяет токен;
- валидирует payload;
- нормализует событие;
- пересылает его во внутренний ingest;
- не содержит enrichment, triage, remediation.

Требования:

- Python, Pydantic v2;
- понятная структура модулей;
- без лишних абстракций;
- без изменения общей архитектуры.

Сначала опиши структуру файлов, затем код по файлам.

1. Для доработок формулируйте проблему, требование и формат выдачи. Ключевая находка автора: просите полный файл целиком, а не точечный патч. Иначе модель начинает отвечать фрагментами на полстраницы и ошибается в местах вставки.

Проблема:
alert-receiver принимает webhook даже при неверном токене.

Требование:

- вернуть 401 при неверном токене;
- не передавать событие дальше;
- не менять внешний API.

Собери полный файл main.py целиком, для простой замены.

1. После работающего прототипа запрашивайте рефакторинг отдельным промптом. Например, вынесите доставку уведомлений (Matrix, почта) в отдельный слой, чтобы они не были частью main.py. Это тот случай, где Zabbix и нейросеть вместе дают результат: модель приводит прототип в поддерживаемый вид быстрее, чем вы сделали бы это вручную.

2. Двигайтесь по модулям последовательно. Автор проходил по цепочке: alert-receiver, NormalizedAlertEvent (нормализованная структура события), очередь в Redis, policy для уровней High и Disaster, подавление дублей (suppress), защита от «мерцания» (flap), восстановление (recovery), подключение Matrix, триаж (сортировка событий по критичности).

Следующим логичным шагом будет рефакторинг:
вынести доставку в отдельный слой notification-connectors
внутри проекта, чтобы Matrix и Mail не были частью main.py.
Подготовь отдельный модуль для упрощения внесения изменений.

Что делать с этим прямо сейчас?

Автору Дзена или копирайтеру. Этот подход работает не только для кода. Принцип «роль плюс контекст плюс одна задача плюс формат ответа» применим к любому взаимодействию с нейросетью: генерация структур статей, проверка фактов, подготовка черновиков. Чем точнее рамка, тем меньше галлюцинаций (когда ИИ уверенно выдумывает то, чего не было).

Маркетологу. Zabbix с нейросетью на борту превращает мониторинг из ручной работы в полуавтоматический процесс. Если ваша команда тратит часы на разбор алертов, этот кейс показывает, как сократить рутину без покупки облачных сервисов.

Предпринимателю и системному администратору в РФ. Всё решение работает локально: Qwen доступна для скачивания, Zabbix распространяется свободно, Redis и Docker бесплатны. Никаких санкционных рисков, никаких ежемесячных платежей за API. Из доступных в РФ альтернатив для генерации кода можно также попробовать YandexGPT или GigaChat, хотя автор кейса работал именно с Qwen.

Этот кейс доказывает простую вещь: нейросеть выдаёт рабочий результат не тогда, когда она умнее, а тогда, когда вы точнее.