Продвинутый

Как сделать AI‑агент, как ленивый старший разработчик

Алексей Кузнецов
Алексей Кузнецов
Системный администратор17 ноября 2026 г.10 мин чтения

Узнайте, как настроить AI‑агент, который работает как ленивый старший разработчик: минимум кода, максимум предсказуемости.

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

dockerfile
FROM 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:

python
from 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.

yaml
global:
  scrape_interval: 30s
  evaluation_interval: 30s

scrape_configs:
  - job_name: 'ai-agent'
    static_configs:
      - targets: ['ai-agent:9100']
yaml
route:
  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:

yaml
services:
  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.

yaml
name: 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:

bash
git 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:

  1. Контейнер в Docker — простой и быстрый способ, особенно если агент уже упакован в образ.
  2. 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:

bash
docker compose up -d

systemd‑вариант

Создаём отдельный ZFS‑dataset для данных агента:

bash
zfs 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
bash
systemctl 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:

bash
ufw 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.

bash
docker 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:

bash
adduser --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:

bash
ssh-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:

bash
docker 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:

bash
ufw 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:

bash
docker run ... \
  --security-opt apparmor=docker-default \
  ...

Мониторинг прав

Регулярно проверяем, какие пользователи могут выполнить docker exec на контейнере агента:

bash
docker 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.

Поделиться:TelegramX / TwitterVK

Читайте также