Главное про AI - Вадим Жартун

Среди open-source агентов для разработчиков в 2026 году выделяются три имени, которые чаще других попадаются в обзорах и в практике команд. Claude Code от Anthropic — терминальный агент для разработчиков, запускается в директории проекта, читает код и пишет тесты. Минус — облако Anthropic, локально не запускается, и весь код уходит на серверы. OpenClaw (Питер Штейнбергер, Peter Steinberger, MIT) — самохостируемый open-source агент с поддержкой 50+ мессенджеров и проверкой безопасности сценариев работы через NVIDIA SkillSpector. Режим автономных действий требует явного согласия пользователя, и критичные операции проходят только через human-in-the-loop. Hermes Agent от Nous Research (MIT, февраль 2026) — самохостируемый агент, работающий с любой моделью (model-agnostic), со встроенным циклом обучения, который «растёт» со временем и создаёт навыки из собственного опыта. Подробное сравнение этих трёх платформ как инструментов для разработчика — ниже в этой главе.

ОБЁРТКИ НАД LLM: СЛОЙ МЕЖДУ МОДЕЛЬЮ И ПОЛЬЗОВАТЕЛЕМ

Отдельная история — обёртки над агентами и моделями, псевдоприложения и псевдоагенты, которые в 2025–2026 году появились в большом количестве. На Хабре в мае 2025 года обсуждался типичный сюжет того периода: «AI-пузырь — стартапы получают миллионы за обёртку над чужим ИИ». В качестве яркого примера приводился Cursor AI: «AI-помощник для программистов», который на поверке «просто пересылает запросы к GPT и Claude, без собственных моделей». По формулировке одного из обзоров, компания получила десятки миллионов долларов инвестиций. За что? «За UX (User Experience, пользовательский опыт) и маркетинг». В обсуждениях того периода формулировались три риска: зависимость от одного-двух поставщиков API делает бизнес хрупким; раздуваются оценки компаний, которые ничего не создают; настоящие исследовательские команды получают меньше внимания.

В январе 2026 года на Хабре параллельно обсуждалась обратная сторона: AI-агент на платформе n8n (платформа автоматизации без программирования) за 50 долларов в месяц заменяет маркетинг-аналитика за 50 тысяч долларов в год, AI-агент проверяет олимпиадные задачи за 0,10 доллара за работу против 20 у PhD-студентов.

Так «обёртка» бывает двух видов. Пустая — интерфейс вокруг чужого API без добавленной стоимости. Продуктивная — интерфейс плюс рабочий процесс, интеграции и данные, которые превращают общий API в специализированный инструмент. Разница — в добавленной стоимости.

Практический критерий простой: потратьте 15 минут на регистрацию и задайте тот же вопрос, который задали бы ChatGPT. Если ответ точнее, быстрее или закрывает интеграцию, которой у компании нет, — обёртка полезная. Если ответ такой же, а сервис стоит 20 долларов в месяц, — это пустышка.

БЕЗОПАСНОСТЬ ЛОКАЛЬНОЙ ИНФРАСТРУКТУРЫ

Локальная модель безопасна в смысле «данные не уходят в облако», но уязвима в смысле «плохо настроена, нет аудита, нет обновлений безопасности». Облачный провайдер отбивается от атак командой из 200 человек, ваш сервер в серверной под лестницей — это ваш личный центр реагирования на инциденты (incident response). Ollama по умолчанию ведёт ограниченный журнал запросов, и без явной настройки логирования вы не узнаете ни о том, что модель начала галлюцинировать регулярно, ни о том, что бывший сотрудник выгрузил базу клиентов.

Безопасность — не свойство «локальное» или «облачное», а свойство «правильно настроенное». И в обоих случаях цена этой настройки сопоставима с ценой самой модели.

РЕЗЮМЕ

Выбор между облаком и локальным запуском — вопрос «когда», а не «или». Облако даёт быстрый старт, локальный запуск — контроль данных и предсказуемость расходов.

Миф «облако дешевле локального запуска» верен только на старте. При стабильных объёмах локальная инфраструктура дешевле по прямым расходам, но дороже по полной стоимости из-за инженерного времени.

Регуляторика (152-ФЗ, EU AI Act, ФЗ-187 для КИИ) делает локальный запуск или сертифицированное частное облако нормой для регулируемых отраслей — независимо от объёма.

Стек инструментов важнее выбора модели. Ollama подходит для одного пользователя или маленькой команды, vLLM — для десятков одновременных сессий, llama.cpp — там, где нет дискретной видеокарты. Для офисной команды без DevOps-инженера Ollama на старте — рабочая норма, не компромисс.

Безопасность — свойство правильной настройки, а не облака или локалки. В обоих случаях цена настройки сопоставима с ценой самой модели. Границу задаёт не тариф, а то, какие данные готовы отдать и какие риски готовы принять.

Когда инфраструктура выбрана — облако, локальный сервер или VPS — остаётся следующий практический вопрос: какие процессы в офисе вообще стоит отдавать AI, по каким признакам это понять, и как выглядит типовой AI-воркфлоу в документообороте и клиентской поддержке. Ответ не «все подряд», а «те, что проходят четыре фильтра». В следующей главе вы получите сами фильтры, шаблон рабочего цикла «написал — отправил — посмотрел — поправил» и конкретные рецепты для офисных задач.

Ассистент руководителя получил задание «написать письмо клиенту с просьбой продлить договор». Открыл ChatGPT, набрал три строчки и отправил письмо клиенту. Через час клиент перезвонил: «Что значит „мы рады предложить вам продолжение сотрудничества на условиях, отличных от ранее обсуждённых”? Какие условия?» Ассистент перечитал письмо и обнаружил, что модель сама придумала три пункта, которых в исходных договорённостях не было.

Такие провалы — обычное дело: пользователь пишет промпт один раз и считает задачу выполненной. OpenAI в официальном Help Center прямо называет это базовой нормой: промпт-инжиниринг требует итеративного подхода, первая версия — гипотеза, а не ответ. Тот, кто пишет промпт один раз и считает, что задача сделана, в девяти случаях из десяти получает мусор — и потом удивляется, почему коллега «на том же ChatGPT» выдаёт результат на порядок лучше.

Промпт — рабочая петля: написал → отправил → посмотрел, где плывёт → поправил → повторил. Версия промпта, прошедшая пять итераций, всегда лучше версии, написанной «по вдохновению» в воскресенье вечером. И порядок шагов в инструкции — рычаг итерации, а не длина промпта и не количество правил. Этому правилу мы ещё вернёмся, и оно красной нитью пройдёт через всю главу.

ПРОМПТ-ИНЖИНИРИНГ КАК НЕПРЕРЫВНЫЙ ИТЕРАТИВНЫЙ ПРОЦЕСС

Хороший промпт — это версия, прошедшая через итерации, а не текст, который с первого раза получился правильным сам по себе. Обе ведущие конторы в индустрии прямо об этом говорят: первая версия — гипотеза, а не ответ. OpenAI в Help Center рекомендует начать с первоначального промпта, посмотреть на ответ и уточнять формулировку, добавлять контекст или упрощать запрос по мере необходимости. Anthropic в официальном гайде идёт дальше: начинайте с минимального промпта на самой сильной модели, прогоните его на репрезентативном наборе