Container Diet
k1lgor · Programação
O Container Diet é uma ferramenta de linha de comando de código aberto que lê suas imagens Docker e seus Dockerfiles e depois diz exatamente o que está desperdiçando espaço e onde estão os furos de segurança. Ele se apoia em um modelo de IA que você escolhe para explicar os problemas em linguagem simples e sugerir correções que você pode aplicar automaticamente. Você pode executá-lo à mão, encaixá-lo em um pipeline de CI/CD ou chamá-lo do seu editor de IA como servidor MCP.
Sobre Container Diet
O que é o Container Diet
O Container Diet é uma ferramenta de otimização de imagens Docker escrita em Go. Aponte-a para um Dockerfile ou para uma imagem em execução e ela decompõe tudo camada por camada e entrega os detalhes a um modelo de IA para revisão. A saída não é uma lista seca. A personalidade da ferramenta é a de uma nutricionista debochada que zomba do seu contêiner inchado e depois ensina como enxugá-lo.
O problema que ela resolve é familiar para quem publica contêineres. Um Dockerfile que funcionava bem seis meses atrás vai acumulando camadas de entulho, imagens base desatualizadas e permissões frouxas que se empilham enquanto ninguém observa com atenção suficiente. Ninguém percebe até a imagem pesar 2 GB e alguém perguntar por quê. Aí vira um corre-corre. O Container Diet pega isso cedo, antes de chegar à produção.
Uma limitação honesta logo de cara: a ferramenta é movida por IA, então a qualidade dos conselhos depende do modelo que você plugar. Um modelo local pequeno via Ollama rende um retorno gratuito, mas sem meias palavras. Um modelo de ponta dá respostas mais afiadas e custa tokens. Além disso, é uma CLI e um servidor MCP, não uma interface gráfica. Se você não vive no terminal, há uma curva de aprendizado.
Como começar
- Instale a CLI com
go install github.com/k1lgor/container-diet/cmd/cli@latest, para que o binário fique no seu caminho de binários do Go. - Rode
container-diet init-configpara gerar um arquivo de configuração, depois abra~/.config/container-diet/config.yamle descomente o provedor de IA que você quer usar. - Cole a chave de API do seu provedor, ou aponte para uma instância local do Ollama se preferir não pagar por requisição.
- Analise um arquivo com
container-diet analyze --dockerfile Dockerfile --auto-fixpara receber conselhos mais umDockerfile.dietotimizado. - Adicione
--format jsonquando quiser que os resultados alimentem um pipeline de CI ou outro script.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de Container Diet.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Engenheiros de backend e DevOps que publicam imagens Docker e querem um segundo par de olhos antes do lançamento.
- Desenvolvedores solo que rodam contêineres com orçamento apertado, já que a ferramenta funciona de graça com um modelo local do Ollama.
- Equipes que padronizam Dockerfiles e precisam de uma revisão consistente e automatizada em vez de correções improvisadas.
Tarefas
- Enxugar o tamanho da imagem
- Revisão de segurança
- Portões de CI/CD
Cenários
- Limpar um Dockerfile legado que virou bagunça após anos de correções rápidas.
- Integrar um repositório novo e conferir se a configuração de contêiner dele segue algum padrão sensato.
- Pedir ao seu assistente de código com IA que revise um Dockerfile de dentro do editor, por meio da integração MCP.
Principais recursos
Backend de IA com vários provedores
O Container Diet não prende você a um único fornecedor de IA. Ele vem com adaptadores para 12 ou mais provedores, incluindo OpenAI, Anthropic, OpenRouter, Groq, DeepSeek, Mistral, xAI, Perplexity, Moonshot e Hugging Face. Você também pode apontá-lo para um endpoint personalizado ou rodá-lo totalmente offline via Ollama. Trocar é uma flag, não uma reescrita. Uma palavra e pronto.
Geração de correções automáticas
A flag --auto-fix vai além do conselho. Ela escreve um arquivo Dockerfile.diet ao lado do original, com as mudanças sugeridas já aplicadas. Você revisa o diff, mantém o que funciona e joga fora o resto. Transforma uma lista de reclamações em algo que você realmente pode executar. Sem copiar e colar trechos à mão.
Análise de camadas de imagens Docker
Além dos Dockerfiles, a ferramenta inspeciona imagens reais. Ela pode ler do seu daemon local, puxar de um registro com --remote ou buscar automaticamente uma imagem ausente. Você recebe um detalhamento do peso de cada camada, que é o caminho mais rápido para achar a gordura em um contêiner que você não construiu. Qual camada é a culpada? O relatório diz sem rodeios.
Servidor MCP para editores de IA
O Container Diet também funciona como servidor do Model Context Protocol, então assistentes como Claude Desktop, Cursor, Claude Code e Codex podem chamá-lo direto. Ele expõe quatro ferramentas, incluindo uma que devolve métricas rápidas da imagem sem gastar tokens de IA. Nenhuma chave de API entra na configuração do MCP, já que o servidor as lê do seu arquivo de configuração existente.
Saída JSON pronta para CI/CD
Adicione --format json e a análise volta como dados estruturados com o texto do conselho e a correção gerada. Esse é o formato que você quer quando um pipeline precisa interpretar resultados e decidir se aprova ou reprova uma build. Sem interpretar um bloco de saída tagarela do terminal e sem malabarismo com expressões regulares para extrair o que interessa.
Configurações em camadas e ajustáveis
A configuração carrega de três lugares em ordem de prioridade: uma flag --config, um arquivo no nível do projeto .container-diet/config.yaml e um arquivo global em ~/.config/container-diet/config.yaml. As entradas posteriores substituem as anteriores, o que significa que um repositório pode carregar suas próprias escolhas de provedor e modelo e ainda recorrer aos seus padrões globais. É uma coisa pequena, mas evita que as equipes discutam sobre quais ajustes vencem.
Prós e contras
Prós
- Totalmente gratuito e de código aberto, sem taxa por assento, já que você fornece sua própria chave de IA.
- Funciona com o provedor de IA que você já paga, incluindo uma configuração local gratuita do Ollama.
- A saída de correção automática economiza tempo real em comparação com ler conselhos e editar o Dockerfile à mão.
- O suporte a MCP deixa você revisar contêineres de dentro de um editor de IA sem trocar de ferramenta.
Contras
- É só uma CLI, então quem espera um painel visual vai se decepcionar.
- A saída da IA é tão boa quanto o modelo que você configurar, e modelos mais fracos podem deixar passar problemas sutis.
- O uso gratuito ainda exige uma chave de provedor ou um modelo local, então há configuração antes da primeira execução.
Perguntas frequentes
Sim. A ferramenta tem licença MIT e é de código aberto. Seu único custo é o que o provedor de IA escolhido cobrar, e isso é zero se você rodar um modelo local via Ollama.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a Container Diet.
Alternativas a Container Diet
Forefront
Forefront · ProgramaçãoO Forefront é uma plataforma web para construir com IA de código aberto. Você ajusta os principais modelos de linguagem de código aberto com seus próprios dados, avalia o desempenho deles e os roda por uma API ou os exporta para hospedar por conta própria. Desenvolvedores que querem a conveniência de uma plataforma fechada, mas fazem questão de ser donos dos modelos e dos dados, são o público-alvo aqui.
Startkit
StartKit.AI · ProgramaçãoStartkit é um boilerplate para criar produtos de SaaS com IA e wrappers de IA. Pense nele como um boilerplate para startups de IA com as partes chatas já conectadas: autenticação, pagamentos com Stripe e Lemon Squeezy, limites de uso, e-mail transacional e um kit inicial de API de IA que conversa com OpenAI, Anthropic, Groq ou Llama. Você clona o repositório, define seu preço e começa pela parte do produto que as pessoas realmente pagam. Ele é feito em Next.js sobre React e Tailwind, então boa parte do código boilerplate já parece familiar.
Testim
Tricentis · ProgramaçãoO Testim é uma plataforma de automação de testes com IA para criar e executar testes de ponta a ponta em aplicações web, mobile e Salesforce. Ele se apoia no aprendizado de máquina para manter os testes estáveis quando uma interface muda, então as equipes gastam menos tempo consertando seletores quebrados. Nada mal para uma ferramenta de testes automatizados que você pode começar a usar hoje. Você cria testes gravando ações no navegador e depois adiciona JavaScript quando precisa de mais controle. É uma escolha sólida para equipes de QA ocupadas.