Продвинутый

Orca: запуск флота AI‑агентов с собственной подпиской

Артём Калинин
Артём Калинин
DevOps-инженер21 ноября 2026 г.12 мин чтения

Orca позволяет запускать несколько AI‑агентов (Claude Code, Codex) с вашей подпиской, поддерживая десктоп, мобильные и удалённые среды.

Orca: запуск флота AI‑агентов с собственной подпиской

Orca позволяет запускать несколько AI‑агентов (Claude Code, Codex) с вашей подпиской, поддерживая десктоп, мобильные и удалённые среды.

Орка: концепция и сценарии использования

Орка: концепция и сценарии использования

Orca — это orchestrator‑платформа, позволяющая запускать флот AI‑агентов (Claude Code, Codex, а также любые другие) под одной подпиской. Вы задаёте десктопные, мобильные или удалённые узлы, а Orca автоматически распределяет нагрузку, обеспечивая декларативный порядок запуска и иммутабельную конфигурацию.

Рассмотрим на примере: у вас есть три агента – один для локального development‑окружения, второй — в облаке AWS, третий — на домашнем сервере. Orca позволяет описать их в едином YAML‑файле и запустить одной командой, при этом каждый агент использует вашу подписку без дополнительных лицензий.

Запуск AI‑агентов в облаке и на локальном хосте

Для запуска в облаке достаточно указать провайдер и регион в манифесте агента. Orca использует Docker‑контейнеры, поэтому подготовка окружения сводится к нескольким простым шагам.

bash
# 1. Подготовьте Docker‑образ с нужными зависимостями
cat > Dockerfile <<'EOF'
FROM python:3.11-slim
RUN pip install --no-cache-dir orca-sdk
# Добавляем ваш код/конфиги
COPY . /app
WORKDIR /app
EOF

# 2. Сборка образа
docker build -t my-orca-agent .

# 3. Запуск агента в облаке (пример для AWS EC2)
orca run \
  --provider aws \
  --region us-east-1 \
  --image my-orca-agent:latest \
  --cpu 2 --memory 4Gi \
  --subscription my-premium-subscription

Для локального хоста (домашний сервер, Raspberry Pi и т.п.) используется обычный Docker‑командный запуск:

bash
docker run -d \
  --name orca-local-agent \
  -e ORCA_SUBSCRIPTION=my-premium-subscription \
  -v $HOME/.orca/config:/root/.orca/config \
  my-orca-agent:latest

С практической точки зрения важно, чтобы cgroups и namespaces были настроены корректно, иначе один агент может «заглатывать» ресурсы другого. Orca автоматически создаёт изолированные контейнеры, но при необходимости можно добавить ограничения через --cpus и --memory.

Для управления флотом удобно использовать готовый Ansible‑playbook, который ет контейнеры на несколько узлов:

yaml
# playbook.yml
- name: Deploy Orca agents
  hosts: all
  become: true
  tasks:
    - name: Pull Orca image
      docker_image:
        name: my-orca-agent:latest
        state: present

    - name: Start agent container
      docker_container:
        name: orca-agent-{{ inventory_hostname }}
        image: my-orca-agent:latest
        state: started
        restart_policy: always
        env:
          ORCA_SUBSCRIPTION: "{{ lookup('env', 'ORCA_SUBSCRIPTION') }}"

Ссылка на более подробное описание управления fleet‑агентами: Управление fleet-агентами разработки с Orca

Поддержка Claude Code, Codex и других агентов

Orca поставляется с встроенными шаблонами для самых популярных агентов. Достаточно указать их имя в манифесте и привязать к вашей подписке. Пример конфигурации для Claude Code:

yaml
agents:
  - name: claude-code
    type: claude
    subscription: my-premium-subscription
    resources:
      - cpu: 1
        memory: 2Gi
      - device: /dev/tty   # для доступа к локальному терминалу

Для Codex (GitHub Copilot‑like) используйте отдельный шаблон:

yaml
  - name: codex
    type: codex
    subscription: my-premium-subscription
    image: orca/codex:latest
    limits:
      - cpu: 2
        memory: 4Gi

Поддержка других агентов реализуется через плагины. Вы пишете небольшой Python‑модуль, который реализует интерфейс OrcaAgent, и регистрируете его в agents.yaml. Такой подход позволяет быстро добавить, например, LangChain‑агента или LangFlow‑бота.

Оптимизация производительности (см. affaan-m/ECC: Agent Harness Performance Optimization) показывает, что декларативное описание ресурсов и иммутабельность конфигураций позволяют сократить перезапуск контейнеров на 30 % при изменении параметров.

Статья о том, как AI‑агент становится ленивым senior dev: AI‑агент как ленивый senior dev: код без усилий — в ней описаны приёмы, которые Orca уже поддерживает «из коробки».

Дополнительные возможности (менеджмент ИИ‑агентов) подробно раскрыты в Управление ИИ-агентами с помощью Orca.

Таким образом, Orca объединяет универсальный запуск (облако / локальный хост) и гибкую поддержку самых разных AI‑агентов, позволяя вам сосредоточиться на задачах, а не на ручной настройке инфраструктуры. Всё, что вам остаётся — описать желаемый флот в YAML и запустить orca run. 🚀

Установка и подготовка среды

Docker‑Compose и Kubernetes‑манифесты

Рассмотрим на примере, как быстро развернуть Orca‑агентов в локальном контейнере с Docker‑Compose и как масштабировать их в кластере Kubernetes.

С Docker‑Compose удобно протестировать конфигурацию и убедиться, что все зависимости удовлетворены. Для production‑развёртывания лучше использовать манифесты Kubernetes – они позволяют задавать декларативные параметры, авто‑рестарт и удобно интегрировать с CI/CD.

Docker‑Compose

yaml
# docker-compose.yml
version: "3.9"
services:
  orca:
    image: orca/orca:latest
    container_name: orca
    restart: unless-stopped
    ports:
      - "8080:8080"          # UI и API
    environment:
      - ORCA_SUBSCRIPTION=my_premium_subscription
      - ORCA_DEFAULT_AGENT=claude-code
    volumes:
      - ./config:/etc/orca/config:ro
      - ./secrets:/etc/orca/secrets:ro
    depends_on:
      - registry
  registry:
    image: docker.io/library/registry:2
    restart: unless-stopped
    ports:
      - "5000:5000"
  claude-code:
    image: docker.io/library/claude-code:latest
    container_name: claude-code
    restart: unless-stopped
    environment:
      - Orca_API_URL=http://orca:8080/api
    volumes:
      - ./agents/claude-code:/agent
  codex:
    image: docker.io/library/codex:latest
    container_name: codex
    restart: unless-stopped
    environment:
      - Orca_API_URL=http://orca:8080/api
    volumes:
      - ./agents/codex:/agent

Команда запуска

bash
docker compose up -d

После старта UI доступно по адресу http://localhost:8080.

Важно – держите файл secrets в безопасности, иначе ваша подписка будет нарушена.

Kubernetes‑манифесты

Для кластеров (k3s, EKS, GKE) удобно использовать Deployment + Service + ConfigMap. Ниже минимальный манифест, который можно расширить под свои нужды.

yaml
# orca-deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: orca
spec:
  replicas: 2
  selector:
    matchLabels:
      app: orca
  template:
    metadata:
      labels:
        app: orca
    spec:
      containers:
        - name: orca
          image: orca/orca:latest
          ports:
            - containerPort: 8080
          env:
            - name: ORCA_SUBSCRIPTION
              valueFrom:
                secretKeyRef:
                  name: orca-secret
                  key: subscription
            - name: ORCA_DEFAULT_AGENT
              value: "claude-code"
          volumeMounts:
            - name: config
              mountPath: /etc/orca/config
              readOnly: true
            - name: secrets
              mountPath: /etc/orca/secrets
              readOnly: true
      volumes:
        - name: config
          configMap:
            name: orca-config
        - name: secrets
          secret:
            secretName: orca-secret
---
apiVersion: v1
kind: Service
metadata:
  name: orca-svc
spec:
  selector:
    app: orca
  ports:
    - protocol: TCP
      port: 80
      targetPort: 8080
  type: LoadBalancer   # или NodePort, в зависимости от инфраструктуры

Применение

bash
kubectl apply -f orca-deployment.yaml

Для секретов используйте kubectl create secret generic orca-secret --from-literal=subscription=my_premium_subscription.

Справочно: подробные примеры манифестов и настройки Helm‑чартов смотрите в статье Управление fleet‑агентами разработки с Orca.


Настройка удалённого рантайма и доступа

Оrca‑агенты могут работать как на локальном хосте, так и на удалённом сервере – будь то виртуальная машина в облаке или домашний сервер в вашей сети. Ниже описаны типичные шаги.

1. Подготовка удалённого хоста

bash
# Подключаемся по SSH (используем ключ, а не пароль)
ssh -i ~/.ssh/id_ed25519 user@remote.example.com

# Устанавливаем Docker и Docker‑Compose (если ещё не установлены)
sudo apt-get update && sudo apt-get install -y docker.io docker-compose

# Добавляем текущего пользователя в группу docker
sudo usermod -aG docker $USER
newgrp docker

2. Клонирование репозитория с конфигурацией

bash
git clone https://gitlab.com/your-org/orca-config.git
cd orca-config

3. Переменные окружения

Создайте файл .env (или используйте kubectl create secret) с вашими данными:

dotenv
# .env
ORCA_SUBSCRIPTION=my_premium_subscription
ORCA_DEFAULT_AGENT=claude-code
ORCA_API_URL=http://orca:8080/api

Важно – переменные, содержащие токены и секреты, лучше хранить в GitLab CI/CD‑переменных или в Kubernetes Secret, а не в открытом файле.

4. Запуск контейнера на удалённом сервере

bash
docker compose -f docker-compose.yml up -d

Если вы используете Kubernetes, достаточно выполнить kubectl apply -f orca-deployment.yaml на удалённом кластере.

5. Доступ к UI и API

  • Прямой доступ – если сервер находится в публичной сети, откройте порт 8080 в фаерволе и используйте браузер.
  • Туннель – для безопасного доступа без открытия порта, используйте ssh -L или ngrok.
bash
# Пример SSH‑туннеля (локальный порт 8080 → удалённый 8080)
ssh -L 8080:localhost:8080 user@remote.example.com -N

В Kubernetes можно добавить Ingress‑правило:

yaml
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: orca-ingress
spec:
  rules:
    - host: orca.example.com
      http:
        paths:
          - path: /
            pathType: Prefix
            backend:
              service:
                name: orca-svc
                port:
                  number: 80

Справочно: подробные рекомендации по настройке доступа и безопасного туннелирования – в статье AI‑агент как ленивый senior dev: код без усилий.

6. Проверка работоспособности

bash
curl -s http://localhost:8080/health | jq .

Ответ должен содержать {"status":"ok"} – если всё настроено правильно, агенты готовы к работе.


Следуя этим рекомендациям, вы сможете быстро запустить Orca‑агентов как в локальном Docker‑Compose, так и в масштабируемом Kubernetes‑кластере, а также подключиться к удалённому рантайму без лишних сложностей.

Управление агентами: мониторинг и масштабирование

Управление агентами: мониторинг и масштабирование

### Метрики и логирование через Prometheus

Orca экспортирует метрики в формате Prometheus — это обычный /metrics‑эндпоинт, доступный в контейнере агента.
Для простого мониторинга достаточно добавить сервис в конфиг Prometheus:

yaml
scrape_configs:
  - job_name: 'orca'
    static_configs:
      - targets: ['orca-service:8080']

Если ваш кластер уже использует kube‑prometheus‑stack, удобнее создать ServiceMonitor:

yaml
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: orca
  labels:
    release: prometheus
spec:
  selector:
    matchLabels:
      app: orca
  endpoints:
    - port: http
      path: /metrics
      interval: 30s

Типичные метрики

МетрикаОписаниеПример запроса
orca_agent_cpu_usageТекущая загрузка CPU в %sum by (instance) (oracle_agent_cpu_usage)
orca_agent_memory_used_bytesПотребляемая памятьoracle_agent_memory_used_bytes
orca_agent_requests_totalКол‑во обработанных запросовrate(oracle_agent_requests_total[1m])
orca_agent_latency_secondsСредняя длительность запросаhistogram_quantile(0.95, sum(rate(oracle_agent_latency_seconds_bucket[5m])) by (le))

Alert‑правила – пример, который срабатывает, когда CPU агента держится выше 80 % > 5 минут:

yaml
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  name: orca-rules
  labels:
    prometheus: kube-prometheus
spec:
  groups:
  - name: orca.rules
    rules:
    - alert: HighAgentCpuUsage
      expr: orca_agent_cpu_usage{job="orca"} > 0.8
      for: 5m
      labels:
        severity: warning
      annotations:
        summary: "High CPU usage on Orca agent"
        description: "Agent {{ $labels.instance }} exceeds 80 % CPU for more than 5 minutes."

Логи агрегируются в Loki (или в любой другой бек‑энд). Orca пишет в stdout, поэтому достаточно настроить promtail‑скрейпер:

yaml
scrape_configs:
  - job_name: 'orca-logs'
    static_configs:
      - targets: ['orca-service:8080']
    pipeline_stages:
      - json:
          expressions:
            time: time
            level: level
            msg: msg

### Автоматическое масштабирование по нагрузке

Для динамического изменения количества реплик используем Horizontal Pod Autoscaler (HPA) на основе пользовательских метрик, получаемых через Prometheus Adapter.

Шаг 1 – подготовка адаптера (если ещё не установлен):

bash
helm repo add prometheus-community https://prometheus-community.github.io/helm-charts
helm install prometheus-adapter prometheus-community/prometheus-adapter \
  --set rules[0].seriesQuery='oracle_agent_requests_total{job="orca"}'

Шаг 2 – HPA‑манифест

yaml
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: orca-agent-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: orca-agent
  minReplicas: 2
  maxReplicas: 12
  metrics:
  - type: External
    external:
      metric:
        name: orca_agent_requests_per_second
      target:
        type: AverageValue
        averageValue: 150   # желаемое среднее количество запросов в секунду на реплику

Если нагрузка более event‑driven (например, очередь задач), удобно использовать KEDA – он реагирует на длину очереди и скейлит без необходимости писать собственные правила.

Пример ScaledObject для KEDA (RabbitMQ‑очередь):

yaml
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
  name: orca-agent-scaledobject
spec:
  scaleTargetRef:
    name: orca-agent
  minReplicaCount: 1
  maxReplicaCount: 20
  triggers:
  - type: rabbitmq
    metadata:
      queueName: orca-queue
      queueLength: "50"   # при 50 сообщениях в очередь стартуют новые реплики

Практический совет – держите minReplicas ≥ 2, чтобы гарантировать отказоустойчивость, а maxReplicas настраивайте в зависимости от бюджета и максимальной нагрузки, которую ваш кластер может выдержать.

Итоги

  • Метрики Prometheus — прозрачный способ увидеть, как agents используют ресурсы.
  • Alert‑правила позволяют заранее реагировать на перегрузку.
  • HPA (или KEDA) — автоматическое масштабирование по запросам или длине очереди, что экономит стоимость и сохраняет отзывчивость.

Управление fleet‑агентами разработки с Orca
affaan-m/ECC: Agent Harness Performance Optimization
Управление ИИ‑агентами с помощью Orca
AI‑агент как ленивый senior dev: код без усилий
AI‑agent thinking like lazy dev

Интеграция в CI/CD и DevOps‑практики

GitOps‑подход с ArgoCD и Helm

В GitOps‑модель каждая версия fleet‑агентов описывается как декларативный манифест, а ArgoCD гарантирует, что состояние кластера соответствует описанному в репозитории. Для Orca удобно использовать Helm‑чарт, который параметризует количество агентов, их типы (Claude Code, Codex) и параметры лицензии.

Пример values.yaml (Helm‑чарт orca/fleet):

yaml
# values.yaml
replicaCount: 3                     # количество агентов в флоте
image:
  repository: orca/orca-agent
  tag: "v1.4.2"
  pullPolicy: IfNotPresent
agents:
  - name: claude-code
    enabled: true
    resources:
      limits:
        cpu: "2"
        memory: "4Gi"
  - name: codex
    enabled: true
    resources:
      limits:
        cpu: "4"
        memory: "8Gi"
# секреты хранятся в SOPS‑зашифрованном файле
sops:
  kms: ""
  gpg: ["AGE-XXXXXXXXXXXXXXXX"]   # пример Age‑ключа

ArgoCD‑Application для автоматического применения чарта:

yaml
apiVersion: argoproj.io/v1alpha1
kind: Application
metadata:
  name: orca-fleet
  namespace: argocd
spec:
  project: default
  source:
    repoURL: https://github.com/your-org/orca-helm
    targetRevision: HEAD
    path: charts/orca-fleet
    helm:
      valueFiles:
        - values.yaml
  destination:
    server: https://kubernetes.default.svc
    namespace: orca
  syncPolicy:
    automated:
      prune: true
      selfHeal: true
    syncOptions:
      - CreateNamespace=true

Почему это удобно?

  • Декларативность: меняете values.yaml → ArgoCD применяет новую конфигурацию без ручного вмешательства.
  • Отслеживание истории: каждый коммит попадает в Git, а ArgoCD хранит состояние в базе данных, что позволяет откатиться к предыдущей версии за секунды.
  • Безопасность: секреты шифруются SOPS + Age, а их декодирование происходит только в процессе синхронизации, без раскрытия в репозитории.

Управление fleet‑агентами разработки с Orca — подробный разбор того, как Orca интегрируется в GitOps‑цикл.


Автоматизация деплоя через Ansible и Terraform

Для развёртывания Orca‑агентов в различных средах (локальный сервер, облако, k3s) удобно комбинировать Terraform (провижание инфраструктуры) и Ansible (конфигурация узлов).

Terraform‑модуль для k3s‑кластера (пример main.tf):

hcl
module "k3s" {
  source = "./modules/k3s"
  node_count = 3
  instance_type = "c5.large"
  region = "eu-central-1"
}

Ansible‑playbook (deploy_orca.yml) автоматизирует установку бинарника, конфигурацию и запуск агентов:

yaml
---
- name: Deploy Orca agents on k3s nodes
  hosts: k3s_nodes
  become: true
  vars:
    orca_version: "v1.4.2"
  tasks:
    - name: Install dependencies
      apt:
        name:
          - curl
          - ca-certificates
        state: present
        update_cache: yes

    - name: Download Orca binary
      get_url:
        url: "https://github.com/orca-project/orca/releases/download/{{ orca_version }}/orca-linux-amd64"
        dest: /usr/local/bin/orca
        mode: '0755'

    - name: Create configuration directory
      file:
        path: /etc/orca
        state: directory
        mode: '0755'

    - name: Deploy Helm chart values
      copy:
        content: "{{ lookup('file', 'files/values.yaml') }}"
        dest: /etc/orca/values.yaml
        mode: '0644'

    - name: Start Orca service via systemd
      systemd:
        name: orca.service
        state: started
        enabled: true

Ключевые моменты:

  • Idемпотентность – каждый запуск playbook проверяет наличие пакетов, бинарника и службы, не меняя их, если они уже в нужном состоянии.
  • Секреты – переменные с лицензиями и API‑ключами передаются через Ansible Vault или SOPS‑зашифрованный файл, который Ansible расшифровывает при выполнении.
  • Масштабируемость – при добавлении новых узлов достаточно обновить Terraform‑модуль, а Ansible автоматически применит конфигурацию без перезапуска всего кластера.

affaan-m/ECC: Agent Harness Performance Optimization — показывает, как правильно настроить ресурсы под нагрузку, чтобы избежать «узких мест» в контейнерах Orca.

Управление ИИ‑агентами с помощью Orca — описывает типичные паттерны использования Orca в CI/CD.

AI‑агент как ленивый senior dev: код без усилий — примеры того, как один‑командный запуск может заменить рутинные операции.

DietrichGebert/ponytail: AI‑agent thinking like lazy dev — метафорический подход к построению декларативных конфигураций.


Итого:

  • GitOps через ArgoCD + Helm обеспечивает единую точку управления fleet‑агентами, автоматическое синхронизирование и быстрый откат.
  • Ansible + Terraform позволяют развёртывать и масштабировать Orca‑агентов в любой инфраструктуре, сохраняя идемпотентность и безопасность секретов.

Следуя этим практикам, вы сможете запускать «флот» AI‑агентов без лишних ручных шагов, полностью сосредоточившись на решении задач, а не на рутине деплоя.

Поделиться:TelegramX / TwitterVK

Читайте также