Как сделать AI‑агент, как ленивый старший разработчик
Узнайте, как настроить AI‑агент, который работает как ленивый старший разработчик: минимум кода, максимум предсказуемости.
Принцип ленивого разработчика в AI‑агенте
Определение «ленивого» подхода
Ленивый подход — это когда AI‑агент выполняет повторяющиеся, предсказуемые операции, используя минимальный набор команд и конфигураций, а не пытается решить каждую задачу с нуля.
Он опирается на готовые шаблоны, автоматизирует рутинные действия и оставляет пространство для того, чтобы человек мог сосредоточиться на более сложных вопросах.
Пример: агент читает список файлов и генерирует скрипт резервного копирования.
bash#!/usr/bin/env bash
#генерация скрипта резервного копирования
cat <<'EOF' > backup.sh
#!/usr/bin/env bash
src="/data"
dst="/backup"
mkdir -p "$dst"
cp -a "$src/"* "$dst/"
EOF
chmod +x backup.sh
Такой подход описан в руководстве Как заставить AI‑агент вести себя как ленивый старший разработчик.
Польза минимизма в коде
Минимизм в коде повышает предсказуемость, упрощает отладку и ускоряет цикл разработки.
Меньше строк — меньше места для ошибок, быстрее проверка работы, легче поддерживать в репозитории.
Сравним два варианта:
Минимальный скрипт
bash#!/usr/bin/env bash
cp -r /data/* /backup/
Развернутый Docker‑контейнер
dockerfileFROM alpine RUN apk add --no-cache rsync COPY --chown=app:app /data /data CMD ["rsync", "-a", "/data/", "/backup/"]
Во‑первых, простой bash‑скрипт требует одной команды и не требует построения образа.
Справедливо и с точки зрения ресурсов: меньше слоёв, меньше места на диске, быстрее старт.
Минимализм также упрощает интеграцию с Claude Code plugin — модель генерирует нужный фрагмент кода, а вы просто применяете его, не вникая в детали реализации.
Оптимизация производительности агент‑ха́рнс, как показано в проекте affaan-m/ECC, часто достигается именно за счёт сокращения избыточного кода.
В итоге, небольшие, понятные и предсказуемые решения делают работу AI‑агента надёжной и удобной.
Конфигурация AI‑агента без лишних действий
Выбор фреймворка и плагина
Для минимального кода и предсказуемого поведения удобно взять LangChain + плагин claude‑code. LangChain уже поддерживает загрузку контекста, цепочки промптов и простую интеграцию с Claude Code Plugin (открытая реализация — claude‑code‑plugin).
Установка выглядит так:
bash# виртуальное окружение (рекомендовано)
python -m venv venv
source venv/bin/activate
# основной фреймворк и плагин
pip install langchain[all] claude-code
После установки создаём простой скрипт‑запуск (agent_start.py):
python# agent_start.py
import os
from langchain_community.llms import Claude
from langchain_core.prompts import PromptTemplate
from langchain.agents import load_tools, initialize_agent, AgentType
# путь к конфигурационному файлу (см. ниже)
CONFIG_PATH = os.getenv("AGENT_CONF", "agent_config.yaml")
# загрузка конфигурации
with open(CONFIG_PATH) as f:
cfg = yaml.safe_load(f)
# инициализация LLM
llm = Claude(
api_key=cfg["api_key"],
model=cfg.get("model", "claude-1"),
)
# шаблон системного промпта – «ленивый старший разработчик»
system_prompt = PromptTemplate(
input_variables=["task"],
template="Ты — ленивый, но опытный старший разработчик. Выполняй задачу с минимумом кода и максимальной предсказуемостью. Описывай каждое действие, но не пиши лишних комментариев."
)
# загрузка инструментов (например, git, docker, kubectl)
tools = load_tools(["git", "docker", "kubectl"], llm=llm)
# создание агента
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=False,
prompt=system_prompt,
)
if __name__ == "__main__":
import sys
if len(sys.argv) > 1:
task = " ".join(sys.argv[1:])
else:
task = "Покажи текущий статус кластера Kubernetes"
agent.run(task)
Почему именно LangChain + claude‑code?
- LangChain — зрелый, широко поддерживаемый фреймворк, легко подключает любые CLI‑инструменты.
- claude‑code — плагин, который умеет генерировать и применять патчи, управлять Docker‑контейнерами и взаимодействовать с Kubernetes без написания собственного кода.
Ссылка на подробную инструкцию по выбору фреймворка: Ponytail: Как заставить AI‑агент вести себя как ленивый старший разработчик.
Для повышенной производительности можно использовать оптимизированный форк affaan‑m/ECC – он уменьшает оверхед при работе с большими контекстами: affaan-m/ECC: оптимизация производительности агент‑ха́рнс.
Настройка автозапуска и контекста
Автозапуск через systemd
После того как скрипт готов, его удобно запускать как сервис. Создаём unit‑файл /etc/systemd/system/ai‑agent.service:
ini[Unit]
Description=AI‑агент «ленивого старшего разработчика»
After=network.target
[Service]
Type=simple
WorkingDirectory=/opt/ai-agent
ExecStart=/opt/ai-agent/venv/bin/python /opt/ai-agent/agent_start.py
Environment="AGENT_CONF=/opt/ai-agent/agent_config.yaml"
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.target
bash# включаем и стартуем сервис
sudo systemctl daemon-reload
sudo systemctl enable ai-agent.service
sudo systemctl start ai-agent.service
Проверить статус можно командой systemctl status ai-agent.service. При необходимости логируем в journalctl -u ai-agent.service -f.
Ограничение контекста
Ленивый старший разработчик работает лучше, когда его «вид» ограничен до текущего проекта. Для этого создаём файл agent_context.yaml:
yaml# agent_context.yaml
project_root: /opt/ai-agent
allowed_tools:
- git
- docker
- kubectl
- python
- pip
context_size_mb: 50 # ограничиваем объём подгружаемого кода
Загрузка контекста в скрипте:
pythonfrom langchain_core.context import Context
def load_context(cfg):
ctx = Context()
ctx.add_files([cfg["project_root"] + "/*.py", cfg["project_root"] + "/Dockerfile"])
# ограничиваем размер, если требуется
ctx.trim(max_tokens=cfg.get("context_size_mb", 50) * 1024)
return ctx
# в main‑блоке
if __name__ == "__main__":
ctx = load_context(cfg)
agent = initialize_agent(
tools,
llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=False,
prompt=system_prompt,
context=ctx,
)
# …
Таким образом, агент «видит» только те файлы и инструменты, которые действительно нужны, а лишний код не загружается в память – плюс повышается предсказуемость поведения.
Ссылка на материал о упрощении работы агентов: Ponytail: оптимизация работы AI‑агентов через упрощение.
Если потребуется более детальная настройка автозапуска (например, перезапуск при изменении конфигурации), достаточно добавить ExecReload= и KillSignal= в unit‑файл, но базовый вариант выше покрывает большинство сценариев.
Если у вас остались вопросы – проверьте логи сервиса и убедитесь, что путь к agent_config.yaml указан без опечаток.
Оптимизация работы через предсказуемость
### Мониторинг и алерты
Во-первых, предсказуемость AI‑агента начинается с понимания его текущего состояния. Без мониторинга любые «залипающие» задачи могут превратиться в скрытые сбои, которые трудно отследить. На практике я использую Prometheus для сбора метрик и Alertmanager для оповещений.
yamlglobal:
scrape_interval: 30s
evaluation_interval: 30s
scrape_configs:
- job_name: 'ai-agent'
static_configs:
- targets: ['ai-agent:9100']
yamlroute:
receiver: 'slack'
group_by: ['alertname', 'instance']
receivers:
- name: 'slack'
slack_configs:
- api_url: 'https://hooks.slack.com/services/XXX/YYY/ZZZ'
channel: '#alerts'
send_resolved: true
Справедливость правил задаётся через match‑выражения, например, тревога срабатывает, если средняя задержка http_request_duration_seconds превышает 500 мс в течение 5 минут:
yaml- alert: HighLatency
expr: histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)) > 0.5
for: 5m
labels:
severity: warning
annotations:
summary: "High latency on AI‑agent"
description: "95‑й перцентиль задержки HTTP‑запросов превысил 500 мс."
Ponytail: оптимизация работы AI‑агентов через упрощение предлагает свести количество метрик до минимума, что упрощает их агрегацию и уменьшает нагрузку на систему. Это согласуется с моей практикой: мониторю только два‑три ключевых показателя — задержка, количество ошибок и статус процесса.
С практической точки зрения, если агент работает в контейнере, удобно добавить health‑check в docker-compose.yml:
yamlservices:
ai-agent:
image: my/ai-agent:latest
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:8080/health"]
interval: 1m
timeout: 10s
retries: 3
Эти простые проверки позволяют Alertmanager быстро определить, когда агент «заснул», и инициировать автоматический рестарт.
Автоматическое тестирование и откат
С точки зрения надёжности, любой код, который выполняет AI‑агент, должен проходить тесты перед тем, как попасть в продакшн. Я использую GitHub Actions для запуска unit‑ и integration‑тестов, а при неудаче применяю git revert для отката изменений.
yamlname: CI
on:
push:
branches: [ main ]
pull_request:
jobs:
test:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Set up Python
uses: actions/setup-python@v4
with:
python-version: '3.11'
- name: Install dependencies
run: pip install -r requirements.txt
- name: Run unit tests
run: pytest tests/unit
- name: Run integration tests
run: pytest tests/integration
Если интеграционные тесты падают, workflow автоматически создаёт PR с откатом последнего коммита:
bashgit revert HEAD --no-edit git push origin HEAD^:refs/pull/123/head
Для более сложных сценариев, когда требуется откат конфигураций, я применяю Ansible‑playbook, который возвращает файлы в известное состояние:
yaml- name: Restore previous config
ansible.builtin.command: git checkout {{ previous_commit }} -- /etc/ai-agent/
args:
chdir: /opt/ai-agent
become: true
Show HN: db-branch – ZFS DB branches in seconds for AI & CI описывает, как быстро создавать изолированные среды для тестов, что полностью укладывается в концепцию «автоматического тестирования и отката». Используя такие ветки, я могу проверять новые версии агента без риска повредить основную инфраструктуру.
affaan-m/ECC: оптимизация производительности агент‑ха́рнс демонстрирует, как профилирование и оптимизация запросов к базе данных снижают нагрузку на агент, делая его более предсказуемым. В сочетании с автоматическим тестированием это даёт уверенность в том, что изменения не приведут к регрессии.
В итоге, мониторинг и алерты обеспечивают своевременное обнаружение отклонений, а автоматическое тестирование и откат гарантируют, что любые изменения вносятся в контролируемой и откатываемой среде. Это фундаментальная часть предсказуемой работы AI‑агента, позволяющая ему вести себя как ленивый, но надёжный старший разработчик.
Интеграция с инфраструктурой и безопасность
### Размещение в домашней лаборатории
Разместить AI‑агент в домашней лаборатории — это вопрос выбора уровня изоляции и удобства управления. На практике я использую один из двух подходов:
- Контейнер в Docker — простой и быстрый способ, особенно если агент уже упакован в образ.
- Сервис systemd на отдельном виртуальном образе — даёт более предсказуемый стек и легче интегрируется с мониторингом.
Docker‑вариант
yaml# docker-compose.yml
version: "3.9"
services:
lenivyy-agent:
image: ghcr.io/your-registry/lenivyy-agent:latest
restart: unless-stopped
user: "1000:1000" # запуск от не-root пользователя
cap_drop:
- ALL # отключаем лишние capabilities
networks:
- agent_net
volumes:
- zfs_data:/data # монтируем ZFS‑dataset для хранения
environment:
- LOG_LEVEL=info
- AGENT_WORKDIR=/data
networks:
agent_net:
driver: bridge
volumes:
zfs_data:
Запуск:
bashdocker compose up -d
systemd‑вариант
Создаём отдельный ZFS‑dataset для данных агента:
bashzfs create -o mountpoint=/var/lib/lenivyy-agent rpool/agent_data
Файл юнита /etc/systemd/system/lenivyy-agent.service:
ini[Unit]
Description=Lazy AI Agent
After=network.target
[Service]
Type=simple
User=lenivyy
Group=lenivyy
ExecStart=/usr/bin/docker run --rm \
--name lenivyy-agent \
--user 1000:1000 \
--cap-drop ALL \
--network agent_net \
-v /rpool/agent_data:/data \
ghcr.io/your-registry/lenivyy-agent:latest
Restart=on-failure
RestartSec=10
[Install]
WantedBy=multi-user.target
bashsystemctl daemon-reload
systemctl enable --now lenivyy-agent
Сетевая изоляция
Для предсказуемости рекомендую разместить агент в отдельной VLAN или в отдельном bridge‑сети Docker. Пример правила ufw:
bashufw allow from 192.168.10.0/24 to any port 8080
ufw deny in on eth0 to any port 22
Пример размещения на Raspberry Pi
Если агент отвечает только за периферийные задачи (например, автосбор логов), удобно запускать его в контейнере на Raspberry Pi, подключив к домашнему серверу по NFS.
bashdocker run -d \ --name pi-agent \ --restart unless-stopped \ -v /mnt/nfs/agent_data:/data \ ghcr.io/your-registry/lenivyy-agent:latest
### Управление доступом и правами
Контроль доступа — ключевой момент, особенно если агент имеет возможность выполнять команды на серверах. Ниже проверенные мной практики.
Пользовательский контекст
Создаём отдельного пользователя, под которым будет работать агент, и запрещаем root‑доступ:
bashadduser --system --group --home /var/lib/lenivyy-agent lenivyy
usermod -aG docker lenivyy # если нужен docker
В Docker‑композе указываем user: "1000:1000" (UID/GID), а в systemd‑юните — User=lenivyy.
SSH‑ключи и авторизация
Генерируем ключ только для агента и добавляем его в authorized_keys нужного сервера:
bashssh-keygen -t ed25519 -f /home/lenivyy/.ssh/agent_id_ed25519 -N ""
cat /home/lenivyy/.ssh/agent_id_ed25519.pub >> /home/lenivyy/.ssh/authorized_keys
chmod 600 /home/lenivyy/.ssh/authorized_keys
Ограничение возможностей Docker
Помимо --cap-drop ALL можно явно отключить ненужные возможности:
bashdocker run ... \
--security-opt no-new-privileges:true \
--cap-add CAP_NET_BIND_SERVICE \
--cap-drop CAP_SYS_ADMIN \
--cap-drop CAP_MKNOD \
--cap-drop CAP_SETFCAP
Фаерволл и сегментация
Если агент доступен по HTTP/HTTPS, ограничиваем входящий трафик только с доверенных IP‑адресов:
bashufw allow from 10.0.0.0/8 to any port 8080 ufw deny 8080
SELinux/AppArmor
Для дополнительной гарантии можно включить профиль AppArmor в Docker:
bashdocker run ... \ --security-opt apparmor=docker-default \ ...
Мониторинг прав
Регулярно проверяем, какие пользователи могут выполнить docker exec на контейнере агента:
bashdocker exec lenivyy-agent id
Если виден root, пересоздаём контейнер с более ограниченным пользователем.
Пример политики доступа в Ansible (для автоматизации)
yaml- name: Create agent user
user:
name: lenivyy
system: yes
group: lenivyy
home: /var/lib/lenivyy-agent
shell: /usr/sbin/nologin
- name: Add agent SSH key
authorized_key:
user: lenivyy
state: present
key: "{{ lookup('file', 'files/agent_id_ed25519.pub') }}"
Ponytail: оптимизация работы AI‑агентов через упрощение — материал, который подробно описывает, как уменьшить количество кода и повысить предсказуемость, что полностью согласуется с подходами, описанными в этом разделе.
affaan-m/ECC: оптимизация производительности агент‑ха́рнс — полезен, если требуется дополнительная настройка производительности в контексте домашней лаборатории.
Show HN: db-branch – ZFS DB branches in seconds for AI & CI — показывает, как эффективно использовать ZFS‑branches для хранения данных агента, что удобно в домашней инфраструктуре.
Ponytail: Как заставить AI‑агент вести себя как ленивый старший разработчик — вводный материал, который задаёт основную концепцию «ленивого» поведения, откуда берутся идеи в данном разделе.