К началу 2026 года стало заметно: формат "чат с LLM" перестал закрывать реальные инженерные задачи.
Да, модель может подсказать решение. Но дальше начинается привычная цепочка: открыть терминал, написать код, проверить, подправить, запустить, отследить результат.

Появляется закономерный вопрос: если модель знает, какие шаги нужны, почему она не может их выполнить сама?

Отсюда и растущий интерес к автономным агентам - системам, где LLM используется не как чат, а как управляющий слой поверх реальной среды исполнения.

Clawdbot - один из таких проектов.

И он open-source!
Его разработал Peter Steinberger - опытный разработчик и основатель компании PSPDFKit - SDK для работы с PDF-файлами.

Чем агент отличается от чат-бота, если смотреть инженерно

Чат-бот - это stateless interaction (взаимодействие без сохранения состояния):

• запрос → ответ;

• короткая история диалога;

• ноль побочных эффектов.

Автономный агент - это long-running process (длительный процесс):

• постоянный цикл работы;

• сохранённое состояние;

• доступ к инструментам;

• возможность реагировать на события, а не только на команды.

Фактически это сервис, внутри которого LLM выполняет роль планировщика и контроллера.

Архитектура

Clawdbot собран из простых, хорошо знакомых компонентов.

1. Gateway

Интеграционный слой
Webhook’и, адаптеры, нормализация входящих сообщений.
Никакой логики.
Просто доставка событий туда и обратно.

2. Agent

Оркестратор поверх LLM (внешняя LLM на ваш выбор, с вашими доступами)
Задачи агента:

• разобрать входную цель;

• декомпозировать её на шаги;

• выбрать инструменты;

• контролировать порядок и завершённость выполнения.

Важно: агент не исполняет код напрямую. Он управляет тем, какой код должен быть выполнен и когда.

3. Memory

Обычные хранилища:

• short-term контекст;

• long-term данные в векторной БД;

• структурированные файлы с состоянием и настройками.

Это не "память модели", а данные, которыми агент умеет пользоваться.

4. Skills

Исполняемый код.
Скрипты и функции, которые:

• работают с файловой системой;

• запускают команды;

• управляют браузером;

• вызывают API.

Skills - единственный слой, который реально влияет на систему.

Итого в общем виде схема примерно такая: "событие → агент → skill → результат"

Где здесь появляется инициатива

Ключевое отличие агента от автоматизации на cron’ах - инициатива.
Агент работает постоянно и может реагировать на события:

• появление файла;

• изменение состояния сервиса;

• наступление внешнего условия;

• приближение дедлайна.

Он не просто шлёт алерт. Он может сам запустить цепочку действий и подключить человека только на этапе подтверждения. Это не rule-based автоматика, а контекстная реакция с фильтрацией шума.

Саморасширение системы

Если для задачи нет подходящего инструмента, агент может:

• понять, что skill отсутствует;

• найти библиотеку или API;

• добавить новый skill;

• использовать его дальше.

Это не обучение модели и не "самоосознание".
Это динамическое расширение функциональности системы.

Про безопасность, честно

Доступ к shell (возможность выполнять команды в ОС) - это риск. Здесь нет иллюзий.
Поэтому нормальная конфигурация включает:

• контейнеризацию;

• allowlist команд;

• human-in-the-loop для опасных операций;

• логирование и ограничение прав.

Хотя даже с этими мерами агент не становится безопасным «по умолчанию», но становится контролируемым.

Платформа, и при чём тут Mac Mini

Clawdbot не завязан на macOS.
Он работает:

• на Windows;

• на Linux;

• в Docker;

• на VPS;

• на домашнем сервере.

Mac Mini - это не требование, а тренд, в основном западный. Причина простая: на macOS проще получить нативный доступ к экосистеме Apple. Если эти ресурсы не нужны, то Linux закрывает почти все сценарии.

Кому это может быть полезно

Скорее всего, это заинтересует тех, кто:

• строит автоматизацию сложнее cron + bash;

• работает с long-running процессами;

• не хочет отдавать контроль облачным ассистентам;

• готов управлять рисками и инфраструктурой.

Если нужен просто умный чат - это не тот инструмент.

При этом идея автономного агента не ограничивается it-задачами.
Для всех остальных это выглядит проще:

• система может сама следить за почтой и документами,

• напоминать о делах не по таймеру, а по контексту,

• заполнять формы,

• бронировать услуги,

• собирать регулярные сводки,

• разбирать файлы по папкам

• реагировать на события без постоянного контроля.
  
  По сути, это личный помощник, который не просто отвечает на вопросы, а берёт на себя рутину и подключает человека только тогда, когда действительно нужно принять решение.

Лично меня привлекает то, что можно создать ему "собственные" учётки для мессенджеров (WhatsApp, Telegram) и общаться с ним именно таким способом. Например, он сможет сам прислать в телегу сообщение, что на сегодня запланированы "вот такие задачи". А я смогу какие-нибудь из них переложить на него, мол "вот это сделай сам". Конечно, с пониманием его возможностей и валидацией результата, где это необходимо.

Итог

Автономные агенты выглядят как логичное продолжение LLM-революции. Не замена DevOps, не «AI-сотрудник», а новый уровень оркестрации задач.

Clawdbot - наглядный пример того, как эта идея начинает приобретать инженерную форму. Не идеальную, не универсальную, но уже достаточно конкретную, чтобы с ней можно было работать.

P.S. Мой ближайший план: развернуть всё это уже на обычном VPS (1-2 CPU, 1-2 Gb RAM - для начала должно хватить) и посмотреть, как агент ведёт себя в условиях ограниченных ресурсов, без «домашнего сервера под столом» и без привязки к конкретной экосистеме. Отдельно интересно, какие сценарии действительно приживутся, а какие окажутся переусложнёнными. Про результаты и выводы будет отдельный материал.

Ссылка на репозиторий агента
Ссылка на проект