LazyBearWorks/memory-bank/productContext.md

Product Context — Зачем существует LazyBear MCP Server

Проблема, которую решает проект

Контекст пользователя

DevOps инженер и разработчики ежедневно работают с:

• Jira — создание, отслеживание, обновление задач
• Confluence — документация, руководства, знания
• Kubernetes — управление контейнерами, деплоями, сетями

Точка боли

Ручная работа: Каждый инструмент требует отдельного CLI вызова:

# Jira CLI
jira issue create --project LAZYBEAR ...

# Confluence CLI  
confluence create --space LAZYBEAR ...

# Kubernetes
kubectl create deployment nginx --image=nginx:latest
kubectl scale deployment nginx --replicas=3

Неэффективно: Много времени тратится на переключение контекста, ввод команд, копирование значений.

Нет единой точки управления: Разрозненные инструменты, неясно что активно и где.

Решение

LazyBear MCP Server объединяет все инструменты в один HTTP сервер:

• Один вызов от IDE вызывает нужное действие
• JSON-параметры вместо сложных CLI флага
• Визуальный мониторинг через TUI
• Локализация на русском языке

Пользовательский опыт

До интеграции:

• 5-10 CLI команд для рутинных задач
• Переключение между терминалами и браузерами
• Потеря контекста между инструментами

После интеграции:

• 1 JSON вызов от IDE решает задачу
• Единая консоль TUI показывает состояние кластера
• Русская локализация для команды RU
• Свободный фокус на логике работы

Целевой пользователь

Persona: DevOps Engineer

Характеристики:

• Работает с Kubernetes кластерами
• Создает и обновляет Jira задачи
• Документирует процессы в Confluence
• Ценит автоматизацию

Цели:

• Минимизировать ручной ввод
• Быстро реагировать на инциденты
• Поддерживать актуальную документацию

Боли:

• Утомительный ручной ввод
• Потеря контекста между инструментами
• Недостаток visibility в работе инструментов

Persona: Developer

Характеристики:

• Работает в IDE (Codex, VS Code)
• Использует AI-ассистенты
• Ценит быструю обратную связь

Цели:

• Автоматизировать рутину через AI
• Быстрый доступ к информации о сервисах

Боли:

• AI не знает состояние K8s/Jira без интеграции
• Потеря времени на setup команд

Успешные сценарии использования

Сценарий 1: Инцидент в Kubernetes

User (via AI): "В поде nginx-abc123 упал. Попробуй рестарт."
↓
AI вызывает: k8sPodsTools/restartPod(name="nginx-abc123")
↓
LazyBear вызывает K8s API
↓
Получает результат
↓
AI сообщает: "Под nginx-abc123 перезапущен"

Сценарий 2: Создание задачи инцидента

User (via AI): "Создать Jira задачу на проблему с nginx"
↓
AI вызывает: jiraTools/createIssue({
  project: "LAZYBEAR",
  summary: "Нестабильность nginx",
  description: "...",
  type: "INCIDENT"
})
↓
Jira задача создана

Сценарий 3: Мониторинг через TUI

User запускает dotnet run
↓
TUI показывает:
- Список deployed деплоев
- Статус подов
- Последние events
- Кнопки действий
- Векторные индексы Qdrant (если используется)

Сценарий 4: Поиск знаний через Qdrant

User (via AI): "Как настроить деплой nginx?"
↓
AI вызывает: qdrantKnowledgeTools/search({
  query: "nginx деплой настройка",
  vector_embedding: [0.1, 0.2, ...]
})
↓
Qdrant возвращает релевантные документы
↓
AI предоставляет из Confluence/документации

Метрики успеха

Метрика	Цель
Время на задачу (Jira)	-50% после интеграции
Время на задачу (K8s)	-70% после интеграции
Время на поиск знаний	-60% с Qdrant
Довольство пользователей	>4.5/5
Количество инцидентов	Снизить на -30%

Нестандартные требования

Локализация

• Первичный язык: Русский (RU)
• Вторичный язык: Английский (EN)
• Переключение: Клавиша L в TUI

TUI First

• Основной интерфейс — консольная панель
• HTTP MCP работает в фоне
• TUI владелец консоли

Swagger для API

• /swagger для документации API
• Для разработчиков клиентов

Этические соображения

• Конфиденциальность: Контенджер не получает реальные секреты
• Transparency: Все действия логируются
• Fallback: K8s config fallback к defaults

---

Документ описывает почему проект существует и как должен работать пользователь.