Продвинутый

Orca: запуск флота ботов с собственной подпиской

Артём Калинин
Артём Калинин
DevOps-инженер22 ноября 2026 г.15 мин чтения

Orca управляет множеством AI‑ботов по вашей подписке (Claude Code, Grok, Agy, Codex) и работает на настольных, мобильных и удалённых серверах.

Orca: запуск флота ботов с собственной подпиской

Orca управляет множеством AI‑ботов по вашей подписке (Claude Code, Grok, Agy, Codex) и работает на настольных, мобильных и удалённых серверах.

Что такое Orca и зачем использовать

Что такое Orca и зачем использовать

Организация ботов через подписку

Orca — это оркестратор, который управляет «флотом» AI‑ботов по вашей подписке.
Подписка задаёт количество одновременно запущенных ботов и тип вычислительных ресурсов (CPU, RAM, GPU).
Все боты регистрируются в едином реестре, а их состояние синхронизируется через GitOps: любой изменённый конфиг попадает в репозиторий, CI‑pipeline проверяет его, а Ansible применяет изменения на целевых серверах.

Пример: добавление бота в подписку

bash
# Добавляем бота Claude Code с максимально 4 одновременных экземпляров
orca subscription add \
  --name "claude-bot" \
  --model claude-code \
  --max-concurrency 4 \
  --token $ORCA_CLAUDE_TOKEN
yaml
# config/orca/bots.yaml – декларативное описание ботов
bots:
  - name: claude-bot
    model: claude-code
    concurrency: 4
    env:
      - ORCA_CLAUDE_TOKEN
  - name: grok-bot
    model: grok
    concurrency: 2
    env:
      - ORCA_GROK_TOKEN

Почему это удобно?

  • Декларативный подход – вы описываете что должно быть, а не как запускать каждый процесс вручную.
  • Импотентность – при повторном применении Ansible‑playbook всё остаётся в нужном состоянии, без «ручных» правок.

Управление флотом ИИ‑агентов с помощью Orca — подробный гайд по организации подписок и CI/CD‑цикла.

Поддержка разных AI‑моделей

Orca изначально поддерживает несколько ведущих моделей: Claude Code, Grok, Agy и Codex.
Каждая модель имеет отдельный эндпоинт и токен доступа, которые задаются в конфиге.
Таким образом, в одном флоте могут сосуществовать боты, использующие разные API, без необходимости менять инфраструктуру.

Пример: конфигурация нескольких моделей

yaml
models:
  - name: claude-code
    endpoint: https://api.anthropic.com/v1/messages
    token: ${ORCA_CLAUDE_TOKEN}
    timeout: 30s

  - name: grok
    endpoint: https://api.x.ai/v1/chat/completions
    token: ${ORCA_GROK_TOKEN}
    timeout: 25s

  - name: codex
    endpoint: https://api.openai.com/v1/completions
    token: ${ORCA_OPENAI_TOKEN}
    timeout: 20s

Запуск бота с выбранной моделью

bash
# Запускаем Claude‑бот, используя декларативный конфиг
orca bot start \
  --config config/orca/bots.yaml \
  --bot claude-bot

Практическая точка зрения: если вам нужен более дешёвый вариант для тестов, можно подключить Claude Code (платный API) и одновременно запустить лёгкий Codex для простых шаблонных задач. Это экономит бюджет подписки, потому что каждый бот потребляет отдельные «кредиты» модели.

Оптимизация AI‑агентов с помощью системы ECC — как уменьшить расход токенов и ускорить работу ботов в Orca.


Итого: Orca — это единый контроллер, позволяющий управлять множеством AI‑ботов через подписочную модель и декларативные конфиги. Вы получаете гибкую поддержку разных моделей, автоматизацию развертывания и возможность масштабировать ресурсы без «ручных» вмешательств. Всё это делает Orca отличным инструментом для команд, которым нужен надёжный и предсказуемый способorchestration AI‑агентов.

Среды развертывания

Десктоп и мобильные клиенты

Orca поставляется с нативными клиентами для десктопа (Windows, macOS, Linux) и мобильных устройств (iOS, Android). Они реализованы на Electron и Flutter, что позволяет использовать общий код базы и быстро выпускать обновления через CI/CD.

Для установки десктоп‑клиента достаточно добавить npm‑пакет orca-desktop в ваш проект:

bash
npm i orca-desktop

После установки клиент создаёт конфигурационный файл orca.config.json в домашней директории:

json
{
  "apiKey": "YOUR_ORCA_SUBSCRIPTION_KEY",
  "defaultAgent": "claude-code",
  "logLevel": "info"
}

Запуск клиента выглядит так:

bash
orca-desktop start --config ~/orca.config.json

На мобильных платформах клиент распространяется через TestFlight (iOS) и Google Play (Android). При первом запуске требуется авторизоваться тем же ключом подписки, а затем выбрать нужного агента из списка.

Ponytail: оптимизация работы AI‑агентов – в этой статье описаны приёмы, которые уменьшают нагрузку на клиентскую часть и ускоряют отклик Orca‑клиента на мобильных устройствах.

OpenComputer: open source alternative to Devin for teams – если вам нужен лёгкий клиент без Electron, OpenComputer предлагает нативные клиентские обёртки, совместимые с Orca API.


Удалённые рантаймы

Для запуска ботов на удалённых серверах (VPS, облачные инстансы, Kubernetes‑кластеры) Orca использует свой CLI‑инструмент orca-run. Он поддерживает два основных подхода: Docker‑контейнеры и нативные процессы на Linux‑хосте.

Docker‑контейнер

bash
docker pull orcaclean/orca:latest
docker run -d \
  --name orca-bot \
  -e ORCA_API_KEY=YOUR_ORCA_SUBSCRIPTION_KEY \
  -v $HOME/.orca/config:/root/.orca/config \
  orcaclean/orca:latest run --agent claude-code

Конфиг‑файл config.yaml внутри контейнера задаёт список агентов и их параметры:

yaml
agents:
  - name: claude-code
    endpoint: https://api.anthropic.com/v1/messages
    timeout: 30s
  - name: grok
    endpoint: https://api.grok.ai/v1/generate
    timeout: 25s

Управление флотом ИИ-агентов с помощью Orca – в этой статье подробно описаны стратегии масштабирования удалённых рантаймов с помощью Kubernetes‑манифестов и Ansible‑playbook‑ов.

Kubernetes‑под

Для больших нагрузок удобно разворачивать ботов в виде Kubernetes‑Deployment. Пример манифеста orca-deployment.yaml:

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: orca-bot
spec:
  replicas: 3
  selector:
    matchLabels:
      app: orca
  template:
    metadata:
      labels:
        app: orca
    spec:
      containers:
        - name: orca
          image: orcaclean/orca:latest
          env:
            - name: ORCA_API_KEY
              value: "YOUR_ORCA_SUBSCRIPTION_KEY"
          volumeMounts:
            - name: config
              mountPath: /root/.orca/config
      volumes:
        - name: config
          configMap:
            name: orca-config

Создаём ConfigMap с конфигурацией:

bash
kubectl create configmap orca-config --from-file=config.yaml=./orca-config.yaml
kubectl apply -f orca-deployment.yaml

Обзор OpenComputer: open source агент для разработки – показывает, как собрать собственный образ с предустановленным Orca‑клиентом, что упрощает развёртывание на кастомных узлах.

Ansible‑роль для автоматического развертывания

yaml
# roles/orca/tasks/main.yml
- name: Install Orca binary
  get_url:
    url: https://github.com/orcaclean/orca/releases/download/v1.2.3/orca-linux-amd64
    dest: /usr/local/bin/orca
    mode: '0755'

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

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

Эта роль гарантирует, что на любом удалённом хосте Orca будет установлен, проконфигурирован и запущен без ручных действий.

Оптимизация AI‑агентов с помощью системы ECC – описывает, как использовать ECC‑модуль для снижения нагрузки на удалённые рантаймы, что особенно полезно при работе с несколькими агентами одновременно.


С практической точки зрения выбирайте режим развертывания в зависимости от нагрузки и инфраструктуры: для одиночных задач достаточно Docker‑контейнера, а для масштабируемых решений – Kubernetes‑деплой с автоматизацией через Ansible. Всё, что требуется, уже лежит в вашем Git‑репозитории, и достаточно выполнить git push, после чего CI/CD‑pipeline автоматически применит изменения к удалённым рантаймам.

Настройка и автоматизация

Ansible‑playbook для развертывания

Для автоматизации развертывания Orca‑ботов на домашних серверах удобно использовать Ansible. Playbook задаёт декларативное описание того, какие пакеты, зависимости и конфиги нужны, а также как их разместить в репозитории Git.

yaml
# playbook.yml
- name: Deploy Orca agents on home servers
  hosts: home_servers
  become: true
  vars:
    orca_subscription: "{{ vault_orca_subscription }}"   # токен подписки, хранится в SOPS/age
    orca_agents:
      - name: claude-code
        image: orca/claude-code:latest
      - name: grok
        image: orca/grok:latest
      - name: agy
        image: orca/agy:latest
      - name: codex
        image: orca/codex:latest

  tasks:
    - name: Install Docker (если ещё не установлен)
      apt:
        name:
          - ca-certificates
          - curl
          - gnupg
          - lsb-release
        state: present
        update_cache: yes

    - name: Add Docker repository key
      apt_key:
        url: https://download.docker.com/linux/ubuntu/gpg
        state: present

    - name: Add Docker repository
      apt_repository:
        repo: "deb [arch=amd64] https://download.docker.com/linux/ubuntu {{ ansible_distribution_release }} stable"
        state: present
        update_cache: yes

    - name: Install Docker Engine
      apt:
        name: docker-ce
        state: present

    - name: Install required Python packages for Orca
      pip:
        name:
          - orca-sdk
          - python-dotenv
        state: present

    - name: Pull and run Orca containers
      docker_container:
        name: "{{ item.name }}"
        image: "{{ item.image }}"
        state: started
        restart_policy: unless-stopped
        env:
          Orca__SUBSCRIPTION: "{{ orca_subscription }}"
        volumes:
          - "./configs/{{ item.name }}:/etc/orca"

Почему так?
При императивном подходе вы пишете «как» установить Docker, а при декларативном — «что» нужно, и Ansible гарантирует идемпотентность: повторный запуск playbook не меняет уже корректно настроенную систему.

Для хранения токена подписки используем SOPS + Age (см. Управление флотом ИИ‑агентов с помощью Orca). Перед каждым git push запускаем git secrets‑проверку, чтобы избежать случайного попадания секретов в репозиторий.


CI/CD пайплайн в GitLab

GitLab CI позволяет автоматизировать сборку, тестирование и деплой Orca‑ботов. Ниже пример .gitlab-ci.yml, который использует Docker‑контейнеры для сборки образов и Ansible для применения конфигураций на домашних серверах.

yaml
# .gitlab-ci.yml
stages:
  - build
  - test
  - deploy

variables:
  DOCKER_REGISTRY: "$CI_REGISTRY"
  ORCA_SUBSCRIPTION: "$ORCA_SUBSCRIPTION"   # переменная в настройках CI

build:
  stage: build
  image: docker:23.0.6
  services:
    - docker:23.0.6-dind
  script:
    - docker build -t "$DOCKER_REGISTRY/orca/claude-code:$CI_COMMIT_SHA" ./agents/claude-code
    - docker push "$DOCKER_REGISTRY/orca/claude-code:$CI_COMMIT_SHA"
  only:
    - main

test:
  stage: test
  image: python:3.11-slim
  script:
    - pip install -r requirements.txt
    - pytest tests/  # проверка работы агентов
  only:
    - merge_requests

deploy_home:
  stage: deploy
  image: ansible/ansible:latest
  script:
    - ansible-playbook -i inventory/home.yml playbook.yml
  environment:
    name: production
    url: https://orcas.home
  when: manual
  only:
    - main
  tags:
    - home-server

Ключевые моменты:

  • Сборка образов происходит в отдельном контейнере Docker, а полученные образы пушатся в регистр GitLab.
  • Тесты запускаются в лёгком Python‑контейнере, что экономит ресурсы.
  • Деплой выполняется вручную (when: manual) — это позволяет проверять изменения перед применением к домашним серверам.
  • Для безопасного доступа к инвентарю используем SSH‑ключи, хранящиеся в CI/CD‑переменных, а не plain‑text пароли.

Сравнение подходов:
При императивном скрипте вы бы писали последовательность команд «ssh‑подключаемся, копируем файлы, перезапускаем сервис». В CI/CD‑pipeline же всё описывается в YAML‑файле, а Ansible гарантирует, что каждый шаг будет выполнен декларативно и идемпотентно. Это упрощает отладку и уменьшает риск «сломать» продакшн.

Для дополнительного вдохновения по оптимизации AI‑агентов смотрите Ponytail: оптимизация работы AI‑агентов и OpenComputer: open source alternative to Devin for teams.

Оптимизация и надёжность

Ресурсопотребление и масштабирование

Orca управляет несколькими AI‑агентами одновременно, поэтому важно учитывать реальное потребление CPU, RAM и GPU на каждом экземпляре.

С Docker Compose удобно задавать лимиты сразу в файле docker‑compose.yml:

yaml
version: "3.9"
services:
  orca-bot:
    image: orca/orca:latest
    deploy:
      resources:
        limits:
          cpus: "2"          # максимум 2 ядра
          memory: 4G         # максимум 4 ГБ ОЗУ
        reservations:
          cpus: "1"          # гарантированное 1 ядро
          memory: 2G         # гарантированные 2 ГБ
    restart: unless-stopped

Для Kubernetes‑деплоя используйте resources.requests и limits в манифесте Pod или Deployment:

yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: orca-deployment
spec:
  replicas: 3
  selector:
    matchLabels:
      app: orca
  template:
    metadata:
      labels:
        app: orca
    spec:
      containers:
        - name: orca
          image: orca/orca:latest
          resources:
            requests:
              cpu: "500m"
              memory: 2Gi
            limits:
              cpu: "2"
              memory: 4Gi

Горизонтальное автоскейлинг – основной способ поддержания надёжности при переменной нагрузке. Пример HPA, ориентированного на загрузку CPU:

yaml
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: orca-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: orca-deployment
  minReplicas: 1
  maxReplicas: 12
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 70

Если ваши боты требуют GPU, задайте отдельный Node‑Pool с драйверами NVIDIA и указывайте nvidia.com/gpu в requests/limits.

Ponytail: оптимизация работы AI‑агентов – в статье описаны приёмы по снижению потребления памяти за счёт кеширования и динамического отключения неиспользуемых моделей.

OpenComputer: open source alternative to Devin for teams – показывает, как распределять нагрузку между несколькими агентами в кластере, используя кворумы и пулл‑реквесты.

Управление флотом ИИ‑агентов с помощью Orca – содержит практические рекомендации по настройке HPA и кастомных метрик.

Оптимизация AI‑агентов с помощью системы ECC – описывает, как использовать ECC‑пакеты для уменьшения количества запросов к LLM‑провайдерам.

Практический пример: ограничение нагрузки в Docker‑run

bash
docker run -d \
  --name orca-bot \
  --cpus="1.5" \
  --memory="3g" \
  --restart unless-stopped \
  orca/orca:latest
  • --cpus задаёт количество CPU‑шаров, которые могут использовать контейнер.
  • --memory ограничивает объём ОЗУ, после которого контейнер будет убит OOM‑kill‑ом.

Как проверить потребление

bash
# Docker
docker stats orca-bot

# Kubernetes
kubectl top pod -l app=orca

Если наблюдаете постоянный превышенный лимит – увеличьте ресурсы или уменьшите количество одновременно запущенных агентов.


Мониторинг и логирование

Надёжность системы измеряется не только ресурсами, но и видимостью её состояния. Orca поставляется с встроенным экспортером Prometheus и поддержкой Loki для журналов.

Метрики

  • orca_agent_running – 1, если агент жив, 0 иначе.
  • orca_cpu_usage_seconds_total – накопленное время CPU‑использования.
  • orca_request_queue_length – длина очереди запросов к LLM‑провайдерам (важно для своевременного отклика).

Пример конфигурации Prometheus (prometheus.yml):

yaml
scrape_configs:
  - job_name: 'orca'
    static_configs:
      - targets: ['orca-service:9090']

После запуска метрик в Grafana можно построить дашборд «Orca fleet health», где видно текущую нагрузку, количество активных агентов иы ошибок.

Логирование

Orca пишет структурированные JSON‑логи в stdout. Чтобы собрать их в центральный хранилище, используйте Loki‑driver:

yaml
logging:
  driver: loki
  options:
    loki-url: "http://loki:3100/api/promtail/ingest"
    loki-username: "admin"
    loki-password: "secret"

Если вы работаете с systemd, добавьте юнита:

ini
[Service]
ExecStart=/usr/bin/docker run ... # как выше
StandardOutput=journal
StandardError=journal

Тогда все логи будут доступны через journalctl -u orca.service и в Grafana/Loki.

Оповещения

Создайте правила алертинга, например, при превышении 80 % CPU в течение 5 минут:

yaml
groups:
  - name: orca_alerts
    rules:
      - alert: HighCPUUsage
        expr: orca_cpu_usage_seconds_total{job="orca"} / on (instance) sum by (instance) rate(oracle_cpu_usage_seconds_total[5m]) > 0.8
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "CPU usage on {{ $labels.instance }} is high"
          description: "Average CPU usage over the last 5 minutes is {{ $value }}%"

Обзор OpenComputer: open source агент для разработки – в статье показан пример интеграции Prometheus‑метрик в общий дашборд для командных проектов.

Оптимизация AI‑агентов с помощью системы ECC – рекомендует использовать ECC‑пакеты для снижения нагрузки на API‑эндпоинты, что также уменьшает количество ошибок в логах.

Что проверять в ежедневной рутине

  1. Статус агентов – orca_agent_running == 1 для всех pod.
  2. Задержка отклика – рост orca_request_queue_length > 10 % от среднего значения за час.
  3. Потребление ресурсов – CPU > 70 % или RAM > 80 % в течение нескольких часов.
  4. Ошибки в логах – появление ERROR или panic в JSON‑логах.

Если любой из пунктов срабатывает, сразу проверяйте логи (kubectl logs <pod> --tail=100) и метрики (Grafana). При необходимости масштабируйте Deployment вручную (kubectl scale deployment orca-deployment --replicas=5) или регулируйте лимиты ресурсов.

Управление флотом ИИ‑агентов с помощью Orca – подробно описывает процесс настройки алертинга и автоматического восстановления через restartPolicy: always.

Соблюдая эти рекомендации, вы обеспечите стабильную работу флота ботов как на одном домашнем сервере, так и в распределённом кластере из нескольких узлов.

Заключение

Итоги работы с Orca

Orca предоставляет единый точку входа для управления множеством AI‑ботов (Claude Code, Grok, Agy, Codex) как на локальном рабочем столе, так и на удалённых серверах. thanks to декларативный подход, достаточно описать желаемое состояние в YAML‑файле, а Orca гарантирует idempotentное применение.

yaml
# config.yaml
bots:
  - name: claude-code
    image: orca/claude:latest
    resources:
      cpu: "2"
      memory: "4Gi"
  - name: grok
    image: orca/grok:stable
    replicas: 3
    env:
      - name: GROK_API_KEY
        valueFrom:
          secretKey: orca-secrets
          key: grok_api_key

Команда orca deploy -f config.yaml синхронно развертывает указанные боты, проверяя их статус через встроенный health‑check.

Экономическая эффективность подписки

Подписка Orca позволяет использовать неограниченное количество вызовов к выбранным LLM без дополнительных расходов за каждый запрос. На практике это экономит до 70 % бюджета по сравнению с платежной моделью per‑call.

Практический пример: при работе с 5 тысяч запросов в сутки к Claude Code стоимость снижается с $0,02/запрос до $0,005/запрос, что эквивалентно $30 в месяц вместо $150.

Сравнение с Ponytail: оптимизация работы AI‑агентов показывает, что Orca уже включает в себя механизмы кэширования и батчинга, убирая необходимость вручную настраивать ECC (см. Оптимизация AI‑агентов с помощью системы ECC).

Безопасность и управление секретами

Все секреты (API‑ключи, токены) хранятся в зашифрованных Git‑репозиториях с использованием SOPS + Age. Перед каждым git push запускается git secrets --scan, что предотвращает утечку ключей.

bash
# Пример скрипта pre‑push hook
#!/bin/sh
git secrets --scan || (echo "Secrets detected!" && exit 1)
git push origin "$(git rev-parse --abbrev-ref HEAD)"

Для удалённых серверов удобно использовать Ansible‑playbook, который применяет конфиги Orca через ansible-playbook -i inventory.yml orca.yml.

Сравнение с OpenComputer и Ponytail

OpenComputer (см. OpenComputer: open source alternative to Devin for teams) предлагает полноценный IDE‑клиент, но требует отдельной инфраструктуры для запуска ботов. Orca же работает как «обёртка» над уже развернутыми моделями, упрощая масштабирование до сотен экземпляров.

Ponytail фокусируется на снижении нагрузки за счёт локального кэширования, тогда как Orca управляет жизненным циклом ботов (создание, масштабирование, обновление) через GitOps‑подход, опираясь на ArgoCD или Flux.

Практический пример развертывания флота ботов

Допустим, нужно развернуть 10 экземпляров Grok на k3s‑кластере.

yaml
# orca-grok.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: orca-grok
spec:
  replicas: 10
  selector:
    matchLabels:
      app: orca-grok
  template:
    metadata:
      labels:
        app: orca-grok
    spec:
      containers:
        - name: grok
          image: orca/grok:stable
          env:
            - name: GROK_API_KEY
              valueFrom:
                secretKey: orca-secrets
                key: grok_api_key
          resources:
            limits:
              cpu: "1"
              memory: "2Gi"
bash
# Применяем через GitOps
orca apply -f orca-grok.yaml

После деплоя orca status показывает, что все 10 подов готовы, а orca logs -f выводит live‑логи, что упрощает мониторинг.

Перспективы и рекомендации

  • Автоматизация обновлений: интегрируйте Renovate или Dependabot для автоматической проверки новых версий образов Orca.
  • Мониторинг: используйте Prometheus‑exporter Orca и дашборд Grafana для отслеживания нагрузки и задержек.
  • Гибкость: при росте нагрузки переключайтесь на k8s‑кластеры (EKS, GKE) без изменения конфигураций – достаточно изменить image и replicas.

В совокупности Orca позволяет построить надёжный, экономичный и легко масштабируемый флот AI‑ботов, устраняя ручные операции и повышая безопасность за счёт GitOps‑модели. Для дальнейшего изучения см. Управление флотом ИИ‑агентов с помощью Orca и Обзор OpenComputer: open source агент для разработки.

Часто задаваемые вопросы

Как добавить нового бота в свою подписку Orca?

Для добавления бота используйте команду orca subscription add с указанием имени, модели и максимального количества одновременных экземпляров, а также токен доступа. После этого bot автоматически попадает в декларативный файл bots.yaml, где его описание фиксируется в Git. CI‑pipeline проверяет изменения, а Ansible применяет их на целевых серверах, обеспечивая импульентность конфигурации.

Как ограничить количество одновременно работающих ботов, если у меня подписка позволяет только 5?

В конфигурации каждого бота задаётся параметр concurrency, который ограничивает число одновременно запущенных экземпляров. Суммируя concurrency всех ботов, вы не превысите лимит в 5, установленный вашей подпиской. При превышении лимита Orca отклонит попытку создания нового бота или увеличения его concurrency.

Как обеспечить, что конфиги ботов хранятся в Git и автоматически применяются?

Все бот‑конфигурации описываются в декларативном файле bots.yaml и коммичатся в Git‑репозиторий. CI‑pipeline (например, GitLab CI) проверяет изменения, а Ansible‑playbook, запускаемый в pipeline, синхронно применяет их на удалённых серверах. Это гарантирует, что любые правки сразу попадают в продакшн без ручных вмешательств.

Поддерживает ли Orca одновременное использование разных AI‑моделей (Claude, Grok) в одном флоте?

Да, Orca изначально поддерживает несколько моделей: Claude Code, Grok, Agy и Codex, каждая из которых имеет отдельный эндпоинт и токен. В одном bots.yaml можно одновременно описывать ботов с разными моделями, а Orca будет управлять их запуском и масштабированием независимо. Это позволяет использовать оптимальный API для каждой задачи без изменения инфраструктуры.

Поделиться:TelegramX / TwitterVK

Читайте также