Container Diet
k1lgor · Coding
Container Diet ist ein Open-Source-Kommandozeilentool, das Ihre Docker-Images und Dockerfiles liest und Ihnen dann genau sagt, was Platz verschwendet und wo die Sicherheitslücken sitzen. Es stützt sich auf ein KI-Modell Ihrer Wahl, um die Probleme in klarer Sprache zu erklären und Korrekturen vorzuschlagen, die Sie automatisch anwenden können. Sie können es von Hand ausführen, in eine CI/CD-Pipeline einbinden oder aus Ihrem KI-Editor als MCP-Server aufrufen.
Über Container Diet
Was ist Container Diet
Container Diet ist ein Werkzeug zur Optimierung von Docker-Images, geschrieben in Go. Richten Sie es auf ein Dockerfile oder ein laufendes Image, und es zerlegt die Sache Schicht für Schicht und übergibt die Details an ein KI-Modell zur Prüfung. Das Ergebnis ist keine trockene Checkliste. Die Persönlichkeit des Tools ist die einer schnippischen Ernährungsberaterin, die sich über Ihren aufgeblähten Container lustig macht und Ihnen dann sagt, wie Sie ihn abspecken.
Das Problem, das es löst, kennt jeder, der Container ausliefert. Ein Dockerfile, das vor sechs Monaten noch einwandfrei funktionierte, sammelt langsam Müllschichten, veraltete Basis-Images und lockere Berechtigungen an, die sich stapeln, während niemand genau genug hinsieht. Niemand merkt es, bis das Image 2 GB groß ist und jemand fragt, warum. Dann bricht Hektik aus. Container Diet erkennt das früh, bevor es die Produktion erreicht.
Eine ehrliche Einschränkung vorweg: Das Tool ist KI-gesteuert, also hängt die Qualität seiner Ratschläge davon ab, welches Modell Sie anschließen. Ein kleines lokales Modell über Ollama liefert kostenloses, aber grobes Feedback. Ein Spitzenmodell gibt schärfere Antworten und kostet Sie Tokens. Außerdem ist es eine CLI und ein MCP-Server, keine grafische Oberfläche. Wenn Sie nicht im Terminal leben, gibt es eine Lernkurve.
Erste Schritte
- Installieren Sie die CLI mit
go install github.com/k1lgor/container-diet/cmd/cli@latest, damit die Binärdatei in Ihrem Go-Bin-Pfad landet. - Führen Sie
container-diet init-configaus, um eine Konfigurationsdatei zu erzeugen, öffnen Sie dann~/.config/container-diet/config.yamlund heben Sie die Kommentierung des KI-Anbieters auf, den Sie nutzen möchten. - Fügen Sie den API-Schlüssel Ihres Anbieters ein, oder richten Sie es auf eine lokale Ollama-Instanz, wenn Sie nicht pro Anfrage zahlen möchten.
- Analysieren Sie eine Datei mit
container-diet analyze --dockerfile Dockerfile --auto-fix, um Ratschläge plus ein optimiertesDockerfile.dietzu erhalten. - Fügen Sie
--format jsonhinzu, wenn die Ergebnisse in eine CI-Pipeline oder ein anderes Skript fließen sollen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Container Diet.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Backend- und DevOps-Entwickler, die Docker-Images ausliefern und vor dem Release ein zweites Augenpaar wollen.
- Einzelentwickler, die Container mit knappem Budget betreiben, denn das Tool läuft mit einem lokalen Ollama-Modell kostenlos.
- Teams, die Dockerfiles vereinheitlichen und eine gleichbleibende, automatisierte Prüfung brauchen statt Flickwerk von Fall zu Fall.
Aufgaben
- Die Image-Größe verringern
- Sicherheitsprüfung
- CI/CD-Gates
Szenarien
- Ein altes Dockerfile aufräumen, das über Jahre schneller Patches unübersichtlich geworden ist.
- Ein neues Repository einbinden und prüfen, ob sein Container-Setup irgendeinem vernünftigen Standard folgt.
- Ihren KI-Codeassistenten bitten, ein Dockerfile über die MCP-Integration direkt im Editor zu prüfen.
Wichtigste Funktionen
KI-Backend mit mehreren Anbietern
Container Diet bindet Sie nicht an einen KI-Anbieter. Es bringt Adapter für 12 oder mehr Anbieter mit, darunter OpenAI, Anthropic, OpenRouter, Groq, DeepSeek, Mistral, xAI, Perplexity, Moonshot und Hugging Face. Sie können es auch auf einen eigenen Endpunkt richten oder über Ollama komplett offline betreiben. Ein Wechsel ist ein Flag, keine Neuentwicklung. Ein Wort, und fertig.
Automatische Korrekturen
Das Flag --auto-fix geht über den Ratschlag hinaus. Es schreibt eine Datei Dockerfile.diet neben das Original, mit bereits angewandten Änderungen. Sie prüfen den Diff, behalten, was funktioniert, und werfen den Rest weg. So wird aus einer Liste von Beschwerden etwas, das Sie wirklich ausführen können. Kein Kopieren und Einfügen von Schnipseln per Hand.
Analyse der Schichten von Docker-Images
Über Dockerfiles hinaus untersucht das Tool echte Images. Es kann aus Ihrem lokalen Daemon lesen, mit --remote aus einer Registry ziehen oder ein fehlendes Image automatisch holen. Sie bekommen eine Aufschlüsselung, was jede Schicht wiegt, und das ist der schnellste Weg, das Fett in einem Container zu finden, den Sie nicht selbst gebaut haben. Welche Schicht ist der Übeltäter? Der Bericht sagt es Ihnen direkt.
MCP-Server für KI-Editoren
Container Diet dient zugleich als Server des Model Context Protocol, sodass Assistenten wie Claude Desktop, Cursor, Claude Code und Codex es direkt aufrufen können. Es stellt vier Werkzeuge bereit, darunter eines, das schnelle Image-Kennzahlen liefert, ohne KI-Tokens zu verbrauchen. Keine API-Schlüssel landen in der MCP-Konfiguration, da der Server sie aus Ihrer bestehenden Konfigurationsdatei liest.
JSON-Ausgabe für CI/CD
Fügen Sie --format json hinzu, und die Analyse kommt als strukturierte Daten mit dem Ratgebertext und der erzeugten Korrektur zurück. Das ist das Format, das Sie wollen, wenn eine Pipeline Ergebnisse auswerten und entscheiden muss, ob ein Build durchgeht oder fehlschlägt. Kein Zerpflücken eines Blocks geschwätziger Terminal-Ausgabe und keine Regex-Akrobatik, um das Nützliche herauszuziehen.
Konfigurierbare, geschichtete Einstellungen
Die Konfiguration lädt aus drei Orten in dieser Rangfolge: ein Flag --config, eine Datei auf Projektebene .container-diet/config.yaml und eine globale Datei unter ~/.config/container-diet/config.yaml. Spätere Einträge überschreiben frühere, was bedeutet, dass ein Repository eigene Anbieter- und Modellwahl tragen und trotzdem auf Ihre globalen Vorgaben zurückfallen kann. Es ist eine Kleinigkeit, aber sie erspart Teams den Streit darüber, wessen Einstellungen gewinnen.
Vor- und Nachteile
Vorteile
- Völlig kostenlos und Open Source, ohne Gebühr pro Arbeitsplatz, da Sie Ihren eigenen KI-Schlüssel mitbringen.
- Funktioniert mit dem KI-Anbieter, den Sie ohnehin bezahlen, einschließlich eines kostenlosen lokalen Ollama-Setups.
- Die Auto-Fix-Ausgabe spart echte Zeit im Vergleich zum Lesen von Ratschlägen und manuellem Bearbeiten des Dockerfiles.
- Die MCP-Unterstützung lässt Sie Container direkt in einem KI-Editor prüfen, ohne das Werkzeug zu wechseln.
Nachteile
- Es ist nur eine CLI, wer also ein visuelles Dashboard erwartet, wird enttäuscht.
- Die KI-Ausgabe ist nur so gut wie das Modell, das Sie konfigurieren, und schwächere Modelle können subtile Probleme übersehen.
- Auch die kostenlose Nutzung braucht einen Anbieterschlüssel oder ein lokales Modell, es gibt also Einrichtung vor dem ersten Lauf.
Häufige Fragen
Ja. Das Tool steht unter MIT-Lizenz und ist Open Source. Ihre einzigen Kosten sind das, was Ihr gewählter KI-Anbieter verlangt, und das ist null, wenn Sie ein lokales Modell über Ollama betreiben.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Container Diet.
Alternativen zu Container Diet
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.