Продвинутый

Orca: запуск флети ботов с собственной подпиской

Артём Калинин
Артём Калинин
DevOps-инженер22 ноября 2026 г.11 мин чтения

Orca управляет флетом ботов с вашей подпиской (Claude Code, Grok, Agy, Codex) и разворачивает их на настольных, мобильных и удалённых runtime‑устройствах.

Orca: запуск флети ботов с собственной подпиской

Orca управляет флетом ботов с вашей подпиской (Claude Code, Grok, Agy, Codex) и разворачивает их на настольных, мобильных и удалённых runtime‑устройствах.

Что такое Orca и зачем использовать флету ботов

Что такое Orca и зачем использовать флот ботов

Когда мы говорим об автоматизации разработки, обычно подразумевается либо один инструмент в IDE, либо запуск тяжёлого агента на мощной машине. Но реальная задача часто требует масштабирования: вам нужно, чтобы несколько агентов параллельно анализировали репозитории, выполняли тесты или мониторили инфраструктуру.

Orca — это инструмент для управления флотом ИИ-агентов. Вместо того чтобы запускать каждого бота вручную, вы создаёте декларативное описание того, какие агенты вам нужны, с какими правами и на каких ресурсах. С практической точки зрения, это переход от модели «один чат — один вопрос» к модели «управляемая инфраструктура агентов».

Поддержка Claude Code, Grok, Agy, Codex

Главная проблема современных AI-агентов — их привязка к конкретным подпискам и интерфейсам. Orca решает это, позволяя использовать ваши собственные API-ключи и подписки. Это критически важно, потому что вы не просто используете «облачный разум», а управляете конкретными сущностями, такими как Claude Code или Grok.

Вместо того чтобы копировать ключи в каждый отдельный инструмент, вы описываете конфигурацию агента. Рассмотрим пример того, как может выглядеть манифест для запуска флота, где один агент использует Claude Code для рефакторинга, а другой — Codex для написания тестов.

yaml
# Пример конфигурации флота агентов в Orca
agents:
  - name: refactor-bot
    engine: claude-code
    capabilities:
      - file-system-read
      - shell-execution
    env:
      ANTHROPIC_API_KEY: ${CLAUDE_API_KEY} # Берется из защищенного хранилища

  - name: test-generator
    engine: codex
    capabilities:
      - code-analysis
    env:
      OPENAI_API_KEY: ${OPENAI_API_KEY}

Такой подход позволяет избежать хаоса с ключами и дает возможность централизованно управлять лимитами. Если вы уже изучали, как оптимизировать работу AI-агентов, то понимаете: контроль над контекстом и ресурсами начинается именно с правильной конфигурации среды.

Многофункциональность: desktop, mobile, remote runtime

В классическом DevOps мы привыкли к разделению на локальную разработку и удалённые сервера. Orca привносит этот принцип в мир агентов. Вы не ограничены только терминалом на вашем ноутбуке.

Orca позволяет разворачивать runtime-среду агентов на разных типах устройств:

  1. Desktop: Агент работает прямо в вашей локальной системе, имеет доступ к файлам проекта и может взаимодействовать с вашим окружением.
  2. Remote Runtime: Запуск агента на удалённом сервере или в облаке. Это идеальный сценарий для тяжелых задач, когда агенту нужно развернуть временную инфраструктуру или провести нагрузочное тестирование. Это напоминает подход, описанный в статье про OpenComputer, где акцент сделан на командной работе и удалённом исполнении.
  3. Mobile: Использование мобильных устройств в качестве легковесных узлов управления или для мониторинга состояния агентов «на ходу».

Для управления этими узлами используется декларативный подход. Вы не говорите системе «запусти бота на этом сервере», вы описываете целевое состояние.

bash
# Команда для деплоя агента на удалённый runtime-узел
orca deploy --agent refactor-bot --target remote-server-01

Это важно, потому что позволяет масштабировать флот горизонтально. Если задача требует больше вычислительных мощностей, вы просто добавляете новые runtime-узлы в конфигурацию, и Orca распределяет нагрузку. Такой метод управления значительно эффективнее, чем попытки вручную управлять флотом ИИ-агентов через разрозненные скрипты.

Архитектура и развертывание Orca

Архитектура и развертывание Orca

Orca спроектирована с расчётом на масштабируемость. Вместо того чтобы запускать каждого агента как отдельный процесс в терминале, система использует контейнеризацию для изоляции runtime-окружения. Это критически важно, когда вы работаете с такими инструментами, как Claude Code или Codex: каждый агент требует специфических зависимостей, версий Node.js или Python, которые могут конфликтовать друг с другом.

С практической точки зрения, архитектура Orca разделяет плоскость управления (Control Plane), где вы описываете состояние флота, и плоскость исполнения (Data Plane), где крутятся сами контейнеры. Это позволяет использовать разные подходы к развёртыванию в зависимости от ваших мощностей.

Docker-базированная установка

Для домашних серверов или локальных рабочих станций оптимальным вариантом будет использование Docker Compose. Это позволяет поднять инфраструктуру управления и несколько агентов одной командой, не перегружая систему лишними абстракциями.

При декларативном подходе мы не просто запускаем контейнеры, а описываем желаемое состояние. Рассмотрим пример docker-compose.yml для запуска Orca вместе с агентом Claude Code. Здесь важно правильно пробросить переменные окружения с вашими API-ключами, чтобы агент мог использовать вашу подписку.

yaml
version: '3.8'

services:
  orca-control:
    image: orca-project/control-plane:latest
    ports:
      - "8080:8080"
    volumes:
      - ./orca-data:/var/lib/orca
    environment:
      - ORCA_STORAGE_TYPE=local

  claude-agent:
    image: orca-project/agent-runtime:claude-code
    depends_on:
      - orca-control
    environment:
      # Передаём ключи через переменные, чтобы не светить их в конфигах
      - CLAUDE_API_KEY=${CLAUDE_API_KEY}
      - ORCA_CONTROLLER_URL=http://orca-control:8080
    volumes:
      - ./workspace:/home/agent/workspace
    restart: unless-stopped

Чтобы запустить этот стек, достаточно выполнить:

bash
docker compose up -d

Такой подход обеспечивает идемпотентность: если вы измените версию образа или добавите новый агент в конфиг, Docker Compose обновит только необходимые компоненты, не затрагивая остальные части системы. Если вы планируете использовать агентов для более сложных задач, рекомендую изучить оптимизацию работы AI-агентов, чтобы правильно распределить ресурсы контейнеров.

Kubernetes-ориентированный runtime

Если ваш домашний сервер — это полноценный кластер (например, на базе k3s), то Docker Compose станет узким местом. Для управления флотом из десятков агентов нужен полноценный оркестратор. В Orca реализована поддержка Kubernetes, что позволяет использовать стандартные механизмы масштабирования и самовосстановления.

В этом случае мы переходим от простых контейнеров к Custom Resources (CRD). Вместо того чтобы вручную создавать Deployment для каждого бота, вы описываете объект AgentFleet.

Пример манифеста для развёртывания группы агентов в кластере:

yaml
apiVersion: orca.io/v1alpha1
kind: AgentFleet
metadata:
  name: dev-agents-fleet
spec:
  replicas: 3
  agentType: codex
  template:
    spec:
      containers:
      - name: agent
        image: orca-project/agent-runtime:codex
        env:
        - name: CODEX_TOKEN
          valueFrom:
            secretKeyRef:
              name: ai-secrets
              key: codex-token
        resources:
          limits:
            cpu: "1"
            memory: "2Gi"
          requests:
            cpu: "500m"
            memory: "1Gi"

Использование Kubernetes даёт два ключевых преимущества:

  1. Resource Quotas: Вы можете жестко ограничить потребление CPU и RAM для каждого агента, чтобы один «зациклившийся» бот не положил весь ваш домашний сервер.
  2. Self-healing: Если runtime-процесс агента упадет из-за ошибки в коде или нехватки памяти, Kubernetes перезапустит его согласно политике рестарта.

Для тех, кто строит полноценную среду разработки на базе агентов, полезно будет сравнить этот подход с OpenComputer, который также ориентирован на командную работу и масштабируемость. В случае с Orca, Kubernetes превращает ваш кластер в распределённую фабрику ИИ-агентов, где управление происходит через GitOps-пайплайны.

Управление и автоматизация через GitOps

Управление и автоматизация через GitOps

В Orca всё, от конфигурации агентов до развёртывания на разных runtime‑устройствах, хранится в Git. Это позволяет применять GitOps‑подход: изменения в инфраструктуре описываются declaratively, а CI/CD‑пайплайн гарантирует, что каждый пуш в репозиторий сразу приводит к желаемому состоянию.

Ansible‑playbooks для конфигурации

Ansible‑playbooks – удобный способ описать желаемое состояние серверов, где запущены Orca‑боты. Ниже пример playbook, который:

  1. Устанавливает Orca‑agent на целевой хост;
  2. Копирует файлы конфигурации из репозитория;
  3. Настраивает переменные окружения через SOPS + Age;
  4. Запускает сервис systemd.
yaml
---
- name: Deploy Orca agents
  hosts: orca_servers
  become: true
  vars:
    orca_version: "1.4.0"
    orca_repo: "https://gitlab.com/yourorg/orca.git"
  tasks:
    - name: Install dependencies
      apt:
        name:
          - curl
          - gnupg
          - ca-certificates
        state: present
        update_cache: yes

    - name: Download Orca binary
      get_url:
        url: "https://github.com/orca/orca/releases/download/v{{ orca_version }}/orca_{{ orca_version }}_linux_amd64.tar.gz"
        dest: /tmp/orca.tar.gz
        mode: '0644'

    - name: Extract Orca
      unarchive:
        src: /tmp/orca.tar.gz
        dest: /usr/local/bin
        remote_src: yes

    - name: Clone Orca configuration repo
      git:
        repo: "{{ orca_repo }}"
        dest: /opt/orca
        version: main
        force: yes

    - name: Deploy config files
      copy:
        src: /opt/orca/files/
        dest: /etc/orca/
        owner: root
        group: root
        mode: '0644'

    - name: Deploy systemd service
      copy:
        src: files/orca.service
        dest: /etc/systemd/system/orca.service
        owner: root
        group: root
        mode: '0644'

    - name: Enable and start Orca
      systemd:
        name: orca
        state: started
        enabled: yes

Справочно: в playbook используется get_url для загрузки бинарника, а git‑модуль – для получения конфигурации из GitLab. Это типичный пример «declarative»‑подхода, когда всё описывается в коде, а не вручную.

Для более глубокого понимания Ansible‑ролей см. Ponytail: оптимизация работы AI‑агентов.

CI/CD пайплайн в GitLab

GitLab CI позволяет автоматизировать сборку, тестирование и деплой Orca‑агентов. Ниже минимальный .gitlab-ci.yml, который:

  • проверяет синтаксис Ansible‑playbook;
  • запускает unit‑тесты;
  • при успешном завершении деплоит изменения на staging‑серверы;
  • использует SOPS + Age для безопасного хранения секретов.
yaml
stages:
  - lint
  - test
  - deploy

ansible_lint:
  stage: lint
  image: python:3.11
  script:
    - pip install ansible-lint
    - ansible-lint playbooks/*.yml

unit_tests:
  stage: test
  image: python:3.11
  script:
    - pip install -r requirements.txt
    - pytest tests/
  artifacts:
    paths:
      - reports/

deploy_staging:
  stage: deploy
  image: python:3.11
  dependencies:
    - ansible_lint
    - unit_tests
  script:
    - export SOPS_AGE_KEY_FILE=$CI_ENVIRONMENT_FILE_KEYS
    - ansible-playbook -i inventory/staging playbooks/deploy.yml --check
    - if [ $? -eq 0 ]; then
        ansible-playbook -i inventory/staging playbooks/deploy.yml;
      fi
  only:
    - main

Ключевые моменты:

  • ansible-lint гарантирует, что конфигурация корректна перед применением.
  • unit_tests проверяют, что агент действительно стартует и может подключиться к Orca‑API.
  • Секретные данные (например, Age‑ключи) хранятся в CI‑переменных, а не в репозитории – это соответствует принципам GitOps.
  • Пайплайн запускается только при пуше в ветку main, что предотвращает случайный деплой в продакшн.

Подробнее о работе с секретами в GitLab – в статье Обзор OpenComputer: open source агент для разработки.


Таким образом, используя Ansible‑playbooks и GitLab CI, вы получаете полностью автоматизированный цикл «коммит → пуш → проверка → деплой», где каждое изменение фиксируется в Git и отражается в реальном состоянии инфраструктуры. Это и есть суть GitOps: desired state хранится в репозитории, а реальное состояние синхронизируется автоматически.

Практические примеры и best‑practice

Пример compose‑файла для трех сервисов

Рассмотрим на примере запуск трех агентов: Claude Code, Grok и Codex.
Все они берут токен подписки из переменной ORCA_TOKEN, а конфиги – из локального каталога config.

yaml
version: "3.8"
services:
  claude:
    image: orca/claude-code:latest
    environment:
      - ORCA_SUBSCRIPTION_TOKEN=${ORCA_TOKEN}
    volumes:
      - ./config/claude:/app/config
    restart: unless-stopped
    networks:
      - orca-net

  grok:
    image: orca/grok:latest
    environment:
      - ORCA_SUBSCRIPTION_TOKEN=${ORCA_TOKEN}
    volumes:
      - ./config/grok:/app/config
    restart: unless-stopped
    networks:
      - orca-net

  codex:
    image: orca/codex:latest
    environment:
      - ORCA_SUBSCRIPTION_TOKEN=${ORCA_TOKEN}
    volumes:
      - ./config/codex:/app/config
    restart: unless-stopped
    networks:
      - orca-net

networks:
  orca-net:
    driver: bridge

С практической точки зрения удобно хранить токен в файле .env и добавить его в .gitignore.
Тогда команда docker compose up -d подхватит переменные автоматически.

Важно – не забывайте обновлять образы (docker compose pull) перед тем, как запускать новый пайплайн.

Ponytail: оптимизация работы AI‑агентов – полезно, если хотите сократить нагрузку на каждый сервис.


Мониторинг и логирование

С практической точки зрения мониторинг – это не просто «смотреть логи», а собирать метрики и делать их доступными в дашборде.

1️⃣ Метрики

Оrca экспортирует Prometheus‑метарики на порту 8080 внутри контейнеров.
Пример конфигурации Prometheus prometheus.yml:

yaml
global:
  scrape_interval: 15s

scrape_configs:
  - job_name: 'orca'
    static_configs:
      - targets: ['orca_claude:8080', 'orca_grok:8080', 'orca_codex:8080']

Запуск Prometheus в Docker‑compose:

yaml
  prometheus:
    image: prom/prometheus:latest
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml:ro
    ports:
      - "9090:9090"
    restart: unless-stopped

Теперь в веб‑интерфейсе http://localhost:9090 вы увидите запросы к каждому агенту.

2️⃣ Логи

Для централизованного сбора логов удобно добавить sidecar‑контейнер Loki + Grafana.
Пример дополнения к docker‑compose.yml:

yaml
  loki:
    image: grafana/loki:latest
    ports:
      - "3100:3100"
    restart: unless-stopped

  promtail:
    image: grafana/promtail:latest
    volumes:
      - /var/log:/var/log
      - ./loki-config.yaml:/etc/promtail/config.yml:ro
    command: -config.file=/etc/promtail/config.yml
    restart: unless-stopped

loki-config.yaml содержит путь к логам контейнеров Orca:

yaml
server:
  http_listen_port: 3100

positions:
  filename: /var/log/orca/*.log

scrape_configs:
  - job_name: orca
    static_configs:
      - targets:
          - localhost
        labels:
          job: orca

Теперь все логи доступны в Grafana → Loki.

3️⃣ Быстрый просмотр

Для быстрого диагностирования удобно использовать встроенный docker compose logs:

bash
docker compose logs -f claude

Или, если предпочитаете системный журнал:

bash
journalctl -u orca@claude.service -f

Это важно потому что без своевременного доступа к метрикам и логам вы не сможете понять, почему агент «завис» или «съедает» ресурсы.

Управление флотом ИИ‑агентов с помощью Orca – подробный гайд по настройке мониторинга и алертинга.

Обзор OpenComputer: open source агент для разработки – полезен, если ищете альтернативные решения для оркестрации агентов.

Оптимизация AI‑агентов с помощью системы ECC – рекомендации по снижению нагрузки при работе с несколькими сервисами.


С практической точки зрения такой набор файлов и сервисов дает полностью автоматизированный цикл: коммит → push → Ansible → docker‑compose → мониторинг → логирование.
Если что‑то не работает, сразу видно в Grafana → Loki, а метрики подсказывают, где требуется корректировка ресурсов.

Этот раздел продолжает тему best‑practice – читаем дальше!

Часто задаваемые вопросы

Как Orca работает с моими API-ключами и где они хранятся?

Orca не хранит ваши ключи в открытом виде внутри манифестов. Для обеспечения безопасности используется декларативный подход: в конфигурации вы лишь указываете переменные окружения, а реальные значения подтягиваются из защищённого хранилища в момент выполнения. Это позволяет избежать утечки секретов при коммите конфигурации в репозиторий.

Можно ли запустить агентов на домашнем сервере или слабом ноутбуке?

Да, Orca поддерживает различные runtime-устройства, включая настольные компьютеры и домашние серверы. Поскольку вы сами управляете инфраструктурой, вы можете распределить нагрузку: например, запустить тяжёлых агентов на мощной рабочей станции, а вспомогательных ботов — на менее требовательном оборудовании. Это важно, потому что позволяет гибко масштабировать флот под ваши текущие вычислительные ресурсы.

В чём преимущество использования собственных подписок вместо готовых сервисов?

Использование собственных подписок (например, Claude Code или Grok) даёт вам полный контроль над лимитами, стоимостью и контекстом работы агентов. Вы не ограничены рамками одного интерфейса и можете комбинировать разные модели под конкретные задачи. С практической точки зрения это превращает ИИ из «черного ящика» в управляемый элемент вашей инфраструктуры.

Как добавить нового агента в уже работающий флот?

Для добавления агента достаточно обновить YAML-манифест, описав параметры нового бота: его движок, права доступа и необходимые переменные окружения. После внесения изменений Orca применит новую конфигурацию, что соответствует принципам GitOps. Это позволяет управлять флотом агентов так же, как вы управляете контейнерами в Kubernetes — через описание желаемого состояния.

Поделиться:TelegramX / TwitterVK

Читайте также