Container Diet
k1lgor · Programmation
Container Diet est un outil en ligne de commande open source qui lit vos images Docker et vos Dockerfiles, puis vous dit exactement ce qui gaspille de l'espace et où se trouvent les failles de sécurité. Il s'appuie sur un modèle d'IA que vous choisissez pour expliquer les problèmes en langage clair et proposer des correctifs que vous pouvez appliquer automatiquement. Vous pouvez le lancer à la main, l'intégrer à un pipeline CI/CD ou l'appeler depuis votre éditeur d'IA en tant que serveur MCP.
À propos de Container Diet
Qu'est-ce que Container Diet
Container Diet est un outil d'optimisation d'images Docker écrit en Go. Pointez-le vers un Dockerfile ou une image en cours d'exécution, et il décompose le tout couche par couche, puis remet les détails à un modèle d'IA pour une revue. Le résultat n'est pas une liste sèche. La personnalité de l'outil, c'est celle d'une nutritionniste impertinente qui se moque de votre conteneur gonflé, puis vous explique comment le dégraisser.
Le problème qu'il résout est familier à quiconque livre des conteneurs. Un Dockerfile qui fonctionnait bien il y a six mois accumule peu à peu des couches inutiles, des images de base obsolètes et des permissions laxistes qui s'entassent pendant que personne ne regarde d'assez près. Personne ne s'en aperçoit avant que l'image pèse 2 Go et que quelqu'un demande pourquoi. Là, c'est l'alerte générale. Container Diet repère tout ça tôt, avant que ça n'atteigne la production.
Une limite, en toute franchise : l'outil repose sur l'IA, donc la qualité de ses conseils dépend du modèle que vous branchez. Un petit modèle local via Ollama vous donnera un retour gratuit mais sans finesse. Un modèle de pointe offre des réponses plus précises et vous coûte des tokens. Et puis, c'est une CLI et un serveur MCP, pas une interface graphique. Si vous ne vivez pas dans un terminal, il y a une courbe d'apprentissage.
Premiers pas
- Installez la CLI avec
go install github.com/k1lgor/container-diet/cmd/cli@latest, pour que le binaire atterrisse dans votre chemin de binaires Go. - Lancez
container-diet init-configpour générer un fichier de configuration, puis ouvrez~/.config/container-diet/config.yamlet décommentez le fournisseur d'IA que vous voulez utiliser. - Collez la clé API de votre fournisseur, ou pointez vers une instance Ollama locale si vous préférez ne pas payer à la requête.
- Analysez un fichier avec
container-diet analyze --dockerfile Dockerfile --auto-fixpour obtenir des conseils plus unDockerfile.dietoptimisé. - Ajoutez
--format jsonquand vous voulez que les résultats alimentent un pipeline CI ou un autre script.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Container Diet.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Les ingénieurs backend et DevOps qui livrent des images Docker et veulent un deuxième avis avant la mise en production.
- Les développeurs solo qui font tourner des conteneurs avec un budget serré, puisque l'outil est gratuit avec un modèle Ollama local.
- Les équipes qui uniformisent leurs Dockerfiles et ont besoin d'une revue régulière et automatisée plutôt que de correctifs au coup par coup.
Tâches
- Réduire la taille de l'image
- Revue de sécurité
- Garde-fous CI/CD
Cas d'usage
- Nettoyer un Dockerfile hérité devenu chaotique après des années de correctifs rapides.
- Intégrer un nouveau dépôt et vérifier si sa configuration de conteneur suit des standards raisonnables.
- Demander à votre assistant de code IA de revoir un Dockerfile depuis l'éditeur, via l'intégration MCP.
Fonctionnalités clés
Backend d'IA multi-fournisseurs
Container Diet ne vous enferme pas chez un seul fournisseur d'IA. Il embarque des adaptateurs pour 12 fournisseurs ou plus, dont OpenAI, Anthropic, OpenRouter, Groq, DeepSeek, Mistral, xAI, Perplexity, Moonshot et Hugging Face. Vous pouvez aussi le pointer vers un endpoint personnalisé ou le faire tourner entièrement hors ligne via Ollama. Changer, c'est un drapeau, pas une réécriture. Un mot, et c'est fait.
Génération de correctifs automatiques
Le drapeau --auto-fix va au-delà du conseil. Il écrit un fichier Dockerfile.diet à côté de l'original, avec les changements suggérés déjà appliqués. Vous examinez le diff, vous gardez ce qui marche et vous jetez le reste. Cela transforme une liste de reproches en quelque chose que vous pouvez réellement exécuter. Plus besoin de copier-coller des extraits à la main.
Analyse des couches d'images Docker
Au-delà des Dockerfiles, l'outil inspecte de vraies images. Il peut lire depuis votre démon local, tirer depuis un registre avec --remote ou récupérer automatiquement une image manquante. Vous obtenez une décomposition du poids de chaque couche, ce qui est le moyen le plus rapide de trouver le gras dans un conteneur que vous n'avez pas construit vous-même. Quelle couche est la coupable ? Le rapport vous le dit sans détour.
Serveur MCP pour les éditeurs d'IA
Container Diet fait aussi office de serveur Model Context Protocol, si bien que des assistants comme Claude Desktop, Cursor, Claude Code et Codex peuvent l'appeler directement. Il expose quatre outils, dont un qui renvoie des métriques rapides de l'image sans consommer de tokens d'IA. Aucune clé API n'entre dans la configuration MCP, puisque le serveur les lit dans votre fichier de configuration existant.
Sortie JSON prête pour le CI/CD
Ajoutez --format json et l'analyse revient sous forme de données structurées avec le texte du conseil et le correctif généré. C'est le format qu'il vous faut quand un pipeline doit interpréter des résultats et décider s'il valide ou fait échouer une build. Pas besoin de décortiquer un pavé de sortie de terminal bavarde, ni de gymnastique avec des expressions régulières pour extraire l'essentiel.
Réglages configurables et hiérarchisés
La configuration se charge depuis trois endroits par ordre de priorité : un drapeau --config, un fichier au niveau du projet .container-diet/config.yaml et un fichier global dans ~/.config/container-diet/config.yaml. Les entrées suivantes écrasent les précédentes, ce qui veut dire qu'un dépôt peut porter ses propres choix de fournisseur et de modèle tout en retombant sur vos valeurs par défaut globales. C'est un détail, mais ça évite aux équipes de se disputer pour savoir quels réglages l'emportent.
Avantages et inconvénients
Avantages
- Entièrement gratuit et open source, sans frais par siège, puisque vous fournissez votre propre clé d'IA.
- Fonctionne avec le fournisseur d'IA que vous payez déjà, y compris une installation Ollama locale gratuite.
- La sortie de correctif automatique fait gagner du temps réel par rapport à la lecture des conseils et à l'édition manuelle du Dockerfile.
- Le support MCP vous laisse revoir des conteneurs depuis un éditeur d'IA sans changer d'outil.
Inconvénients
- C'est uniquement une CLI, donc qui attend un tableau de bord visuel sera déçu.
- La sortie de l'IA vaut ce que vaut le modèle que vous configurez, et les modèles plus faibles peuvent manquer des problèmes subtils.
- L'usage gratuit exige quand même une clé de fournisseur ou un modèle local, donc il y a une configuration avant la première exécution.
Questions fréquentes
Oui. L'outil est sous licence MIT et open source. Votre seul coût est ce que facture le fournisseur d'IA que vous choisissez, et c'est zéro si vous faites tourner un modèle local via Ollama.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Container Diet.
Alternatives à Container Diet
Forefront
Forefront · ProgrammationForefront est une plateforme web pour construire avec de l'IA open source. Elle vous laisse affiner les principaux modèles de langage open source sur vos propres données, évaluer leurs performances et les exécuter via une API ou les exporter pour les héberger vous-même. Les développeurs qui veulent le confort d'une plateforme fermée mais tiennent à rester propriétaires de leurs modèles et de leurs données sont le public visé ici.
Startkit
StartKit.AI · ProgrammationStartkit est un boilerplate pour créer des produits SaaS d'IA et des wrappers d'IA. Voyez-le comme un boilerplate de startup IA avec les parties ennuyeuses déjà branchées : authentification, paiements Stripe et Lemon Squeezy, limites d'usage, e-mail transactionnel et un kit de démarrage d'API IA qui parle à OpenAI, Anthropic, Groq ou Llama. Vous clonez le dépôt, fixez votre prix et attaquez la partie du produit pour laquelle les gens paient vraiment. Il repose sur Next.js au-dessus de React et Tailwind, donc une bonne partie du code boilerplate vous semble déjà familière.
Testim
Tricentis · ProgrammationTestim est une plateforme d'automatisation des tests dopée à l'IA, qui sert à créer et exécuter des tests de bout en bout sur des applications web, mobiles et Salesforce. Elle s'appuie sur l'apprentissage automatique pour garder les tests stables quand une interface change, alors les équipes passent moins de temps à réparer des sélecteurs cassés. Pas mal pour un outil de tests automatisés que vous pouvez utiliser dès aujourd'hui. Vous créez des tests en enregistrant des actions dans un navigateur, puis vous ajoutez du JavaScript quand vous avez besoin de plus de contrôle. C'est un choix solide pour une équipe QA bien occupée.