OpenComputer: open‑source AI coding assistant
OpenComputer – open‑source cloud coding agent that runs in your own AWS, GCP or Azure VM, offering a Devin‑like experience with full control.
OpenComputer: open‑source AI coding assistant
Одно виртуальное машину для harness и sandbox
OpenComputer позиционируется как универсальный агент, который можно запустить в любой виртуальной машине, независимо от облака. Это позволяет разделить harness — окружение для разработки и отладки кода, — и sandbox — изолированную среду для тестирования изменений без риска повредить продакшн.
Для этого удобно использовать Docker Compose: один файл описывает сервисы harness (например, редактор, AI‑модель, терминал) и sandbox (тестовые скрипты, изолированный контейнер). Пример docker-compose.yml:
yamlversion: "3.9"
services:
harness:
image: opencomputer/harness:latest
volumes:
- ./harness:/workspace
ports:
- "8080:8080"
environment:
- OC_MODE=development
sandbox:
image: opencomputer/sandbox:latest
volumes:
- ./sandbox:/tests
command: ["python", "-m", "pytest", "/tests"]
Запуск выглядит так:
bashdocker compose up -d
В результате получаем два изолированных контейнера в одной ВМ: harness — полноценный development‑environment, sandbox — тестовый стенд, где каждый измененный файл сразу попадает в изоляцию и не влияет на основные сервисы.
Развёртывание в AWS
-
Создание ВМ
Рекомендуется использовать Ubuntu 22.04 LTS.bashaws ec2 run-instances \ --image-id ami-0abcdef1234567890 \ --instance-type t3.medium \ --key-name my-key \ --security-group-ids sg-0123456789abcdef0 \ --subnet-id subnet-0abcdef1234567890 \ --tag-specifications 'ResourceType=instance,Tags=[{Key=Name,Value=OpenComputerVM}]' -
Подключение и подготовка
bashssh -i my-key.pem ubuntu@<public‑ip> sudo apt update && sudo apt install -y docker.io sudo systemctl enable --now docker -
Запуск OpenComputer
bashdocker pull opencomputer/opencomputer:latest docker run -d \ --name oc \ -p 8080:8080 \ -v /opt/oc/data:/data \ -e OC_MODE=production \ opencomputer/opencomputer:latest -
Настройка безопасности
Откройте только необходимые порты (8080 — API, 22 — SSH) в Security Group.
Готово: ваш OpenComputer‑агент работает в облаке AWS, полностью под вашим контролем.
Развёртывание в GCP
-
Создание витрины
bashgcloud compute instances create oc-gcp \ --machine-type n1-standard-2 \ --image-family ubuntu-2204-lts \ --image-project ubuntu-os-cloud \ --boot-disk-size 100GB \ --metadata docker \ --tags http-server,https-server -
Подготовка Docker
bashgcloud compute ssh oc-gcp --command "sudo apt-get update && sudo apt-get install -y docker.io && sudo systemctl enable --now docker" -
Запуск контейнера
bashdocker pull opencomputer/opencomputer:latest docker run -d \ --name oc \ -p 8080:8080 \ -v /opt/oc/data:/data \ -e OC_MODE=production \ opencomputer/opencomputer:latest -
Доступ
Откройте в браузереhttp://<external‑ip>:8080и proceeds with configuration.
Развёртывание в Azure
-
Создание виртуальной машины
bashaz vm create \ --resource-group myResourceGroup \ --name oc-azure \ --image UbuntuLTS \ --admin-username azureuser \ --generate-ssh-keys \ --size Standard_D2s_v3 -
Настройка Docker
bashaz vm login --name oc-azure --resource-group myResourceGroup ssh azureuser@<public‑ip> sudo apt-get update && sudo apt-get install -y docker.io sudo systemctl enable --now docker -
Запуск OpenComputer
bashdocker pull opencomputer/opencomputer:latest docker run -d \ --name oc \ -p 8080:8080 \ -v /opt/oc/data:/data \ -e OC_MODE=production \ opencomputer/opencomputer:latest -
Проверка
Откройтеhttp://<public‑ip>:8080— интерфейс OpenComputer доступен.
OpenComputer предоставляет одинаковый опыт, будь то локальная лаборатория на Proxmox, облачная виртуалка в AWS, GCP или Azure. Вы получаете полноценный harness — средство разработки, и sandbox — изолированную среду для проверки изменений, что обеспечивает предсказуемость и безопасность ваших проектов.
Архитектурные особенности и преимущества
Одинарный durable VM, как в Devin
OpenComputer использует один постоянный виртуальный сервер, который сохраняет всё состояние между сессиями. Это позволяет работать с кодом, как в Devin, без необходимости каждый раз заново развертывать окружение.
Для развертывания такой VM удобно применять Terraform — скрипт описывает нужные ресурсы, а при повторных запусках Terraform восстанавливает их без потери данных. Пример — AWS EC2:
hclresource "aws_instance" "opencomputer" { ami = "ami-0abcdef1234567890" instance_type = "c6i.large" subnet_id = aws_subnet.private.id tags = { Name = "opencomputer-vm" } # постоянный диск, привязанный к инстансу root_block_device { volume_size = 200 volume_type = "gp3" } # подключаем дополнительный EBS‑диск для хранения проектов ebs_block_device { device_name = "/dev/sdf" volume_size = 500 volume_type = "gp3" } }
После создания инстанса можно подключиться по SSH и сразу запустить контейнеры:
bashssh -i ~/.ssh/opencomputer_key ubuntu@<public‑ip> docker run -d --name oc-agent -p 8080:80 opencomputer/agent:latest
В отличие от обычных виртуальных машин, где каждый запуск — это «чистый» образ, OpenComputer сохраняет файловую систему, журналы и настройки. Поэтому при повторных подключениях вы видите тот же окружённый набор инструментов, как и в Devin.
Сравнение с Devin – в Devin также используется один durable VM, но OpenComputer даёт полный доступ к конфигурации и возможность самостоятельно менять ресурсы без переустановки образа. Подробнее о подходе к инфраструктуре смотрите в инструментах разработчика.
Гибкая настройка ресурсов и мониторинг
OpenComputer позволяет динамически менять объём CPU, RAM и дискового пространства без перезапуска VM. Это реализуется через API облачных провайдеров (AWS, GCP, Azure) или через Kubernetes‑кластер, если вы используете k3s.
Масштабирование CPU и RAM
Для AWS можно воспользоваться API ModifyInstanceType. Пример — переключение с c6i.large (2 vCPU, 8 GiB) на c6i.xlarge (4 vCPU, 16 GiB):
bashaws ec2 modify-instance-attribute \ --instance-id i-0123456789abcdef0 \ --instance-type c6i.xlarge
Аналогично в GCP:
bashgcloud compute instances set-machine-type INSTANCE_NAME --machine-type n1-standard-4
Мониторинг
OpenComputer поставляется с предустановленным агентом Prometheus, который собирает метрики о нагрузке CPU, памяти, сетевых запросах и дисковом I/O. Пример конфигурации prometheus.yml:
yamlglobal:
scrape_interval: 15s
scrape_configs:
- job_name: 'opencomputer'
static_configs:
- targets: ['<vm‑ip>:9090']
Агент Prometheus можно запустить в Docker:
bashdocker run -d \ --name prometheus \ -p 9090:9090 \ -v /etc/prometheus/prometheus.yml:/etc/prometheus/prometheus.yml \ prom/prometheus
Для визуализации метрик удобно использовать Grafana. Пример дашборда, показывающего загрузку CPU и использование диска:
json{
"panels": [
{
"type": "graph",
"title": "CPU Usage",
"targets": [
{
"expr": "rate(container_cpu_usage_seconds_total{container='oc-agent'}[5m])",
"legendFormat": "CPU usage"
}
]
},
{
"type": "graph",
"title": "Disk Space",
"targets": [
{
"expr": "node_filesystem_avail_bytes{mountpoint=\"/\"}",
"legendFormat": "Available space"
}
]
}
]
}
Эти метрики позволяют быстро реагировать на рост нагрузки и поддерживать предсказуемую работу сервиса.
Практическая точка зрения – если ваш проект требует переменной нагрузки, гибкая настройка ресурсов избавит от необходимости заранее перепровизиировать VM, а мониторинг в реальном времени поможет избежать «пожаров», которые можно было бы предотвратить заранее.
Launch HN: Onlook (YC W25) – open‑source design tool демонстрирует, как открытая архитектура позволяет быстро адаптировать инструменты под свои нужды, что характерно и для OpenComputer.
Сравнение с Devin
Сравнение с Devin
Функциональный набор: автодополнение, планирование задач
OpenComputer копирует Devin‑like опыт, но работает в вашей собственном облаке.
Автодополнение реализовано через встроенный language‑server, который подключается к Docker‑контейнеру с языковыми сервисами.
bash# Запуск контейнера с предварительно собранным LSP
docker run -d --name oc-lsp \
-v $(pwd)/language-servers:/lsp \
opencomputer/lsp:latest
После старта клиент‑инструмент (например, oc-cli) автоматически подключается и предлагает завершение кода:
bashoc-cli complete --file src/main.py --position 27
Планирование задач происходит через oc plan, который анализирует текущий репозиторий, выявляет зависимости и формирует список шагов:
yaml# .opencomputer/plan.yaml
project: my‑service
steps:
- name: "Сборка образа"
command: "docker build -t my‑service ."
- name: "Запуск тестов"
command: "docker run --rm my‑service pytest"
- name: "Деплой"
command: "oc deploy --env prod"
Во‑первых, oc plan генерирует план, а во‑вторых, вы можете модифицировать его вручную, добавив условия (if‑блоки) для более сложных сценариев.
Сравнение с Devin показывает, что OpenComputer даёт тот же набор функций, но полностью под контролем пользователя: вы выбираете облако, VM‑размер и параметры доступа.
Инструменты разработчика — подробнее о работе с LSP и CLI‑утилитами.
Ограничения: отсутствие официальных плагинов, ограниченный UI
В отличие от Devin, OpenComputer пока не поставляется с официальными плагинами для IDE, CI/CD или сторонних сервисов. Поддержка плагинов реализуется через пользовательские Docker‑образы, которые подключаются к основному контейнеру через API:
bash# Пример кастомного плагина, который отправляет уведомления в Slack
docker build -t oc-slack-notifier ./plugins/slack
docker run -d --name oc-notifier \
-e SLACK_WEBHOOK=https://hooks.slack.com/... \
oc-slack-notifier
UI ограничен веб‑интерфейсом, который позволяет просматривать планы и логи, но не предоставляет визуального редактора кода. Для расширения функциональности часто используют комбинацию oc-cli и привычных редакторов (VS Code, Neovim).
Если вам нужен более гибкий UI, стоит рассмотреть интеграцию с Onlook, который предоставляет набор визуальных инструментов, но требует отдельной настройки.
Show HN: Kapso – Iterative Learning from Enterprise Data — пример того, как можно добавить итеративный слой к OpenComputer через кастомные плагины.
С практической точки зрения, отсутствие готовых плагинов значит, что команда должна самостоятельно пакетировать нужные функции, что повышает порог входа, но обеспечивает полную свободу настройки.
Безопасность GitBook: разбор утечки и инцидента — рекомендации по защите ваших контейнеров и секретов при работе с OpenComputer.
Инцидент с GitBook: чеклист действий для команд — полезный чек‑лист при развертывании в продакшн‑окружениях.
Таким образом, OpenComputer предлагает Devin‑like опыт с полной властью над инфраструктурой, но требует более активного участия в расширении функциональности через собственные плагины и настройку UI.
Практические сценарии внедрения
Практические сценарии внедрения
Когда мы говорим о подобных агентах, важно понимать: это не просто «умный чат», а полноценный участник процесса, которому вы доверяете выполнение операций в вашей инфраструктуре. С практической точки зрения, OpenComputer полезен там, где нужно делегировать рутину, не теряя контроля над кодом и данными.
Автоматизация разработки в команде
В командной работе основной проблемой часто становится не написание кода, а его подготовка: написание тестов, обновление зависимостей или рефакторинг под новые стандарты. OpenComputer может выступать в роли «автономного джуниора», который берет на себя эти задачи.
Например, вы можете поставить задачу агенту проверить все текущие Pull Request на соответствие вашему стилю кодирования или обновить версии библиотек в package.json или requirements.txt. Поскольку агент работает в вашей виртуальной машине, он имеет доступ к локальному окружению и может сразу запустить тесты, чтобы убедиться, что обновление ничего не сломало.
Для предсказуемости процесса я рекомендую использовать Git-ветки для каждой задачи агента. Это позволяет избежать ситуации, когда ИИ вносит изменения напрямую в main.
Пример типичного рабочего процесса:
- Агент создает новую ветку:
git checkout -b feature/update-dependencies. - Выполняет обновление и установку пакетов.
- Запускает тестовый фреймворк (например,
pytestилиnpm test). - Если тесты прошли, делает коммит и пушит ветку.
Если вы только выбираете инструменты разработчика, обратите внимание, что интеграция агента в Git-flow делает процесс разработки более линейным и менее зависимым от человеческого фактора при выполнении типовых операций.
Интеграция с существующими CI/CD пайплайнами
Самое интересное начинается, когда мы выносим работу агента за пределы локальной машины и встраиваем его в CI/CD. Здесь OpenComputer может работать как стадия (stage) в вашем пайплайне, которая не просто проверяет код, а активно его исправляет.
Представьте сценарий: ваш CI-пайплайн обнаружил уязвимость в одной из зависимостей через npm audit или safety. Вместо того чтобы просто «уронить» сборку и отправить уведомление разработчику, пайплайн может вызвать OpenComputer. Агент проанализирует ошибку, создаст патч и отправит его на проверку.
Для реализации такой логики в GitHub Actions или GitLab CI вам нужно развернуть OpenComputer на выделенной VM (в AWS, GCP или Azure, как указано в документации проекта) и обращаться к нему через API или CLI.
Пример упрощенного шага в конфигурации CI (на примере GitHub Actions), который запускает агента для исправления ошибок линтера:
yamljobs:
ai-fix:
runs-on: ubuntu-latest
steps:
- name: Checkout code
uses: actions/checkout@v4
- name: Run Linter
run: npm run lint || echo "Linter failed, triggering AI agent"
- name: Trigger OpenComputer Agent
if: failure()
run: |
# Отправляем контекст ошибки агенту, развернутому в вашей инфраструктуре
curl -X POST https://your-opencomputer-instance.internal/api/v1/task \
-H "Authorization: Bearer ${{ secrets.AGENT_TOKEN }}" \
-d '{
"instruction": "Fix the linting errors found in the current workspace and commit the changes",
"context_url": "https://github.com/${{ github.repository }}/commit/${{ github.sha }}"
}'
С точки зрения безопасности, такой подход требует строгого контроля. Важно помнить, что автоматизация работы с кодом повышает риски: если агент получит доступ к секретам, это может привести к инциденту. О том, как правильно выстраивать процессы защиты, я писал в материале про безопасность GitBook.
Чтобы минимизировать риски, агент должен работать в изолированном окружении с ограниченными правами доступа к облачным ресурсам и сетевым сегментам. Использование принципа наименьших привилегий (least privilege) для сервисного аккаунта, под которым работает агент, — это не рекомендация, а обязательное условие. Если что-то пойдет не так, вам будет проще локализовать проблему и следовать чеклисту действий при инцидентах.
Часто задаваемые вопросы
Где хранятся исходные коды и данные проекта?
Все файлы проекта и рабочее окружение хранятся внутри вашей виртуальной машины, которую вы разворачиваете в облаке. При использовании Docker Compose вы можете пробросить локальные директории через volumes, чтобы обеспечить предсказуемость работы с данными. Это исключает передачу вашего кода на сторонние серверы, так как агент работает непосредственно в вашем изолированном контуре.
Можно ли запустить OpenComputer на собственном оборудовании?
Да, архитектура проекта позволяет размещать его на своём оборудовании, если оно соответствует системным требованиям для работы Docker и выбранной ОС. С практической точки зрения, использование домашнего сервера или локальной лаборатории даст вам полный контроль над ресурсами и сетевым доступом. Главное — убедиться, что у системы достаточно оперативной памяти для одновременного запуска сервисов harness и sandbox.
В чём преимущество разделения на harness и sandbox?
Такой подход обеспечивает изоляцию процессов: агент пишет и отлаживает код в среде harness, а выполнение тестов происходит в sandbox. Если агент допустит ошибку или сгенерирует вредоносный код, это затронет только изолированный контейнер и не повредит основную рабочую среду или системные файлы ВМ. Это критически важно для поддержания стабильности системы при автоматизированном тестировании.
Какую конфигурацию облачной ВМ лучше выбрать?
Для стабильной работы рекомендуется использовать инстансы уровня не ниже t3.medium с установленной Ubuntu 22.04 LTS. Если вы планируете запускать тяжёлые AI-модели локально внутри этой же ВМ, потребуется значительно больше оперативной памяти и, желательно, наличие GPU. Если же модели вызываются через API, то ресурсов стандартного инстанса будет достаточно для управления контейнерами.