Продвинутый

Orca: запуск флота AI‑агентов с собственной подпиской

Артём Калинин
Артём Калинин
DevOps-инженер20 ноября 2026 г.10 мин чтения

Orca позволяет запускать несколько AI‑агентов (Claude Codex) с вашей подпиской, доступно на ПК, мобильных устройствах и удалённом runtime.

Orca: запуск флота AI‑агентов с собственной подпиской

Orca позволяет запускать несколько AI‑агентов (Claude Codex) с вашей подпиской, доступно на ПК, мобильных устройствах и удалённом runtime.

Orca: концепция и возможности

Orca: концепция и возможности

### Фleet of coding agents

Orca позиционирует себя как оркестратор «флота» AI‑агентов, позволяющих запускать несколько независимых процессов (Claude Codex, Claude Code и др.) из‑под одной подписки. Это удобно, когда нужно параллельно выполнять разные задачи: один агент генерирует код, другой проверяет его, третий деплоит в контейнерный runtime.

С практической точки зрения flotte управляются через единый CLI‑интерфейс Orca, который принимает команды вида orca start, orca stop и orca status. Пример запуска трёх агентов одновременно выглядит так:

bash
# Запуск флота из домашней директории
orca start \
  --agent claude-codex \
  --agent claude-code \
  --agent custom-agent \
  --config fleet.yaml

fleet.yaml – yaml‑файл, где задаются параметры каждого агента (имя, образ, переменные окружения, ограничения ресурсов). Пример содержимого:

yaml
agents:
  claude-codex:
    image: orcaai/claude-codex:latest
    resources:
      cpu: 2
      memory: 4G
    env:
      - name: ORCAS_SUBSCRIPTION_ID
        value: "my-subscription-123"
  claude-code:
    image: orcaai/claude-code:latest
    resources:
      cpu: 1
      memory: 2G
    env:
      - name: ORCAS_API_KEY
        value: "sk-..."
  custom-agent:
    image: myrepo/custom-agent:latest
    resources:
      cpu: 1.5
      memory: 3G
    env:
      - name: ORCAS_WORKER_URL
        value: "http://orca-server:8080"

Для локального запуска удобно использовать Docker‑Compose, чтобы изолировать каждый агент в отдельном контейнере:

yaml
version: "3.9"
services:
  claude-codex:
    image: orcaai/claude-codex:latest
    environment:
      - ORCAS_SUBSCRIPTION_ID=${ORCAS_SUBSCRIPTION_ID}
    deploy:
      resources:
        limits:
          cpus: "2"
          memory: 4G

  claude-code:
    image: orcaai/claude-code:latest
    environment:
      - ORCAS_API_KEY=${ORCAS_API_KEY}
    deploy:
      resources:
        limits:
          cpus: "1"
          memory: 2G

  custom-agent:
    build: ./custom-agent
    environment:
      - ORCAS_WORKER_URL=http://orca-server:8080
    deploy:
      resources:
        limits:
          cpus: "1.5"
          memory: 3G

Запуск fleet‑а через Docker‑Compose выглядит так:

bash
docker compose up -d

Если требуется удалённый runtime (например, на облачном сервере), достаточно указать в конфиге runtime_endpoint и Orca автоматически переключит агенты на этот хост.

Связано с концепцией flotte пример из реальной практики: в проекте по автоматизации тестирования мы развернули четыре агента – один генерирует тестовые сценарии, второй их валидирует, третий запускает их в контейнере, а четвёртый собирает отчёт. Все они работают под одной подпиской Orca, а статус и логи централизованно доступны через веб‑интерфейс.

Подробнее о реализации flotte можно посмотреть в статье Orca: запуск флота AI‑агентов с собственной подпиской.

### Поддержка Claude Code и Codex

Orca изначально построена вокруг поддержки Claude Code – инструмента, позволяющего AI‑ассистенту писать и модифицировать код в интерактивном режиме. Кроме того, в экосистеме Orca присутствует Claude Codex, предварительно обученная модель, оптимизированная для генерации кода в стиле, близком к профессиональному разработчику.

Для подключения Claude Code достаточно задать переменную окружения ORCAS_CLAUDE_CODE_API_KEY в конфиге агента. Пример .env‑файла:

dotenv
# .env – файл с секретами (не коммитить в репозиторий)
ORCAS_SUBSCRIPTION_ID=my-subscription-123
ORCAS_CLAUDE_CODE_API_KEY=sk_live_xxxxxxxxxxxxxxxxxxxxxxxx
ORCAS_CLAUDE_CODE_MODEL=codex-latest

Эти переменные автоматически подхватываются в fleet.yaml через раздел env.

Для работы с Claude Codex (модель, генерирующей код) Orca использует API‑эндпоинт, который можно переопределить в orca.yaml:

yaml
orca:
  api:
    endpoint: https://api.orcacloud.com/v1
    timeout: 30s
  agents:
    claude-codex:
      model: claude-codex-2024-09
      prompt_template: |
        You are a professional developer. Write a Python script that
        reads a CSV file and prints the sum of the 'price' column.
        Use type hints and docstrings.

Пример вызова API из кода (Python) выглядит так:

python
import requests
import os

def generate_code(prompt: str) -> str:
    resp = requests.post(
        f"{os.getenv('ORCA_API_ENDPOINT')}/generate",
        json={"model": "claude-codex-2024-09", "prompt": prompt},
        headers={"Authorization": f"Bearer {os.getenv('ORCAS_CLAUDE_CODE_API_KEY')}"}
    )
    resp.raise_for_status()
    return resp.json()["generated_text"]

# Пример использования
code = generate_code("Write a Dockerfile for a FastAPI app")
print(code)

Таким образом, Orca позволяет безболезненно переключаться между императивным подходом (вы пишете конкретные команды orca start …) и декларативным (описываете желаемое состояние в yaml‑файлах). Это важно потому, что при императивном подходе вы вручную указываете каждый контейнер, а при декларативном – достаточно описать flotte в одном файле, а Orca гарантирует её «иммутабельность» и «идемпотентность».

Смотрите, как в реальном проекте используют Claude Codex для автоматической генерации Helm‑чартов: Orca: запуск флота AI‑агентов с собственной подпиской.


Если у вас есть вопросы по настройке fleet‑а или хотите увидеть примеры интеграции с другими инструментами (Ansible, Terraform), дайте знать – подготовлю отдельный гайд.

Установка и подготовка среды

Docker Compose для локального запуска

Если вы привыкли к подходу «запустил и забыл», то Docker — ваш лучший друг. Для локального тестирования Orca не нужно разворачивать тяжеловесную инфраструктуру. Достаточно декларативного описания в docker-compose.yaml, чтобы поднять контейнер с агентом и сразу приступить к работе.

С практической точки зрения, использование Docker позволяет изолировать среду выполнения агента от вашей основной системы. Это важно, потому что AI-агенты вроде Claude Codex могут выполнять команды в терминале, создавать файлы и изменять окружение. Контейнер служит безопасным «песочницей».

Создайте директорию для проекта и разместите в ней следующий конфиг:

yaml
services:
  orca-agent:
    image: orca-agent:latest # Укажите актуальный образ из репозитория Orca
    container_name: orca-local-agent
    restart: unless-stopped
    environment:
      - CLAUDE_API_KEY=${CLAUDE_API_KEY} # Передаём ключ через переменную окружения
      - ORCA_MODE=local
    volumes:
      - ./workspace:/app/workspace # Пробрасываем рабочую директорию для кода
      - ./config:/app/config       # Монтируем конфиги для персистентности
    ports:
      - "8080:8080"                # Порт для взаимодействия с IDE или API

Перед запуском не забудьте создать файл .env в той же директории, чтобы не «светить» API-ключ в самом манифесте:

bash
CLAUDE_API_KEY=sk-ant-api03-your-secret-key-here

Теперь можно поднимать стек:

bash
docker compose up -d

После этого агент будет доступен по адресу localhost:8080. Если вы хотите изучить более сложные сценарии автоматизации, рекомендую почитать про DietrichGebert/ponytail, который работает по схожей логике «ленивого сеньора».

Настройка удалённого runtime

Локальный запуск хорош для отладки, но когда речь заходит о полноценном флоте агентов, которые должны работать 24/7, лучше переносить runtime на удалённый сервер или в домашнюю лабораторию. Это позволяет не нагружать основной рабочий ПК и иметь доступ к агентам с любого устройства.

При переезде на удалённую машину мы переходим от императивного запуска команд к полноценному управлению инфраструктурой. Здесь я рекомендую использовать тот же Docker Compose, но с учётом сетевой доступности.

Чтобы агент был доступен извне (например, через мобильное приложение или удалённую IDE), нужно настроить проброс портов или использовать reverse proxy. Рассмотрим пример с использованием Nginx, если вы планируете запускать несколько агентов на одном сервере.

Пример конфигурации для управления доступом:

nginx
server {
    listen 80;
    server_name orca.your-home-domain.com;

    location / {
        proxy_pass http://localhost:8080;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

Важные нюансы при настройке удалённого runtime:

  1. Безопасность: Никогда не открывайте порт агента напрямую в интернет без авторизации или VPN. Если вы используете домашний сервер, лучше всего настроить доступ через защищённый туннель.
  2. Персистентность: Убедитесь, что все рабочие директории (volumes) примонтированы к надёжным путям на хосте. Если контейнер перезапустится, агент должен «вспомнить», на чём он остановился.
  3. Ресурсы: AI-агенты могут потреблять значительное количество оперативной памяти при обработке больших контекстов. Следите за лимитами через docker stats.

Если вы только начинаете осваивать возможности системы, советую сначала изучить запуск флота AI-агентов с Orca, чтобы понять разницу между одиночным инстансом и распределённой системой.

Запуск агентов на разных платформах

Desktop-client

На десктопе Orca раскрывается в полную силу, превращаясь из простого чата в полноценную среду разработки. Если вы привыкли к подходу «код должен работать везде», то десктопный клиент станет вашим основным рабочим местом. Он интегрируется с локальной файловой системой, что позволяет агентам не просто выдавать советы, а реально взаимодействовать с вашим проектом: читать структуру директорий, анализировать зависимости и предлагать правки.

С практической точки зрения, использование десктопной версии — это про минимизацию контекстного переключения. Вам не нужно копировать куски кода в браузер; агент видит то же, что и вы в IDE. Это особенно полезно, когда вы используете подобные AI-агенты для автоматизации рутинных задач вроде написания тестов или рефакторинга.

Для быстрой настройки окружения под конкретный проект на macOS или Linux, вы можете использовать CLI-команды для инициализации рабочего пространства. Рассмотрим пример типичного процесса запуска агента в директории проекта:

bash
# Переходим в рабочую директорию проекта
cd ~/projects/my-microservice

# Инициализируем сессию агента Orca с привязкой к текущему контексту
orca agent start --project-dir . --model claude-3-5-sonnet

Это важно, потому что декларативный подход к запуску сессий позволяет вам точно контролировать, к каким ресурсам имеет доступ агент. Вы не просто «запускаете бота», вы определяете границы его полномочий в рамках конкретной файловой системы.

Mobile-app

Мобильное приложение Orca — это не попытка заменить полноценную IDE, а инструмент для управления вашим «флотом» на ходу. С точки зрения DevOps-инженера, это отличный способ мониторинга и оперативного вмешательства. Представьте: вы получили уведомление о сбое в CI/CD, и вместо того чтобы открывать ноутбук, вы используете мобильный клиент, чтобы дать агенту команду проанализировать логи или проверить состояние инфраструктуры.

Здесь работает принцип разделения ответственности: тяжелые вычисления и работа с кодом происходят на удалённом runtime или десктопе, а мобильное приложение служит интерфейсом управления. Вы можете отдавать высокоуровневые команды, которые затем исполняются агентами в вашей домашней лаборатории или облаке.

Пример сценария использования через мобильный интерфейс может выглядеть как отправка команды на запуск проверки состояния сервисов:

yaml
# Логическая структура команды, которую можно инициировать через мобильный UI
agent_task:
  action: analyze_logs
  target: production-api
  context: "Check for recent 5xx errors in the last 10 minutes"
  priority: high

Такой подход позволяет сохранять контроль над автоматизацией, даже когда вы не у компьютера. Это часть той самой экосистемы, которую мы обсуждали в материале про запуск флота AI-агентов, где мобильное устройство выступает в роли пульта управления сложными процессами.

Оптимизация и управление

CI/CD интеграция

Когда мы говорим о флоте агентов, мы выходим за рамки простого чата в браузере. С практической точки зрения, Orca превращает AI-агента в полноценного участника пайплайна. Если вы используете декларативный подход к инфраструктуре, агенты могут стать частью процесса проверки изменений или автоматического исправления ошибок.

Вместо того чтобы вручную копировать ошибки из логов в Claude, можно настроить workflow, где агент получает контекст задачи прямо из репозитория. Рассмотрим пример интеграции в GitLab CI, где агент запускается в изолированном контейнере для анализа кода после прохождения тестов.

Это важно, потому что позволяет реализовать концепцию «автономного ревьюера». Агент не просто пишет код, он проверяет его на соответствие вашим стандартам. Подобный подход к автоматизации можно встретить в проектах вроде DietrichGebert/ponytail, где AI выступает в роли «ленивого сеньора».

Пример упрощённого .gitlab-ci.yml для запуска агента через Orca runtime:

yaml
analyze_code_with_orca:
  stage: test
  image: orca-agent-runtime:latest # Используем кастомный образ с предустановленным окружением
  script:
    - orca agent run --task "Проанализируй изменения в текущем коммите на предмет утечек памяти и соответствия style guide" --context ./src
  rules:
    - if: $CI_PIPELINE_SOURCE == "merge_request_event"

Здесь мы передаём задачу через CLI, а агент, используя вашу подписку, выполняет работу в удалённом runtime. Главное — следить за тем, чтобы агент имел доступ только к необходимому контексту, чтобы не превратить процесс в бесконечный цикл саморедактирования.

Мониторинг и логирование

Запуск флота агентов — это не только про генерацию кода, но и про управление ресурсами и токенами. Если вы запустите десять агентов одновременно, вы быстро столкнётесь с тем, что либо закончатся лимиты API, либо вы потеряете контроль над тем, что именно они «натворили» в вашей системе.

С точки зрения эксплуатации, каждый агент должен вести структурированный лог. Я рекомендую выводить логи в формате JSON, чтобы их можно было легко переварить стандартными инструментами вроде Loki или ELK.

При настройке мониторинга стоит сфокусироваться на трёх метриках:

  1. Token Usage: сколько токенов съедает конкретный агент за сессию.
  2. Latency: время от постановки задачи до получения результата (критично для real-time задач).
  3. Error Rate: частота галлюцинаций или ошибок выполнения команд в runtime.

Для управления состоянием агентов удобно использовать централизованное логирование. Если вы разворачиваете агентов через Orca, настройте сбор их stdout в единый поток.

Пример конфигурации для сбора логов агента через Docker Compose:

yaml
services:
  ai-agent-1:
    image: orca-agent:latest
    logging:
      driver: "json-file"
      options:
        max-size: "10m"
        max-file: "3"
    environment:
      - ORCA_AGENT_ID=researcher-01
      - LOG_LEVEL=info

Это позволит вам не только видеть, что делает агент, но и отматывать историю его действий назад, если он решит переписать важный конфиг не в ту сторону. Помните: агент — это инструмент, и как любой инструмент, он требует наблюдаемости (observability). Без нормального логирования ваш «флот» быстро превратится в неуправляемую толпу ботов.

Поделиться:TelegramX / TwitterVK

Читайте также