Популярная тема в ИТ-сфере сегодня — локальная работа с ИИ-агентами. На этой волне мы в Beeline Cloud решили посмотреть на подходящие инструменты с открытым исходным кодом и подготовили подборку фреймворков, которые помогут управлять ИИ-агентами у себя «под боком» и с нуля писать интеллектуальных помощников под свои задачи.
Решение для «красных» процессоров
Год назад AMD выложила в открытый доступ фреймворк Gaia. Он позволяет писать ИИ-агентов, заточенных под работу на чипах Ryzen AI с аппаратным ускорением. Исходники распространяются по лицензии MIT, и на GitHub инструмент собрал 1,4 тыс. звезд.
Gaia является единой средой, в которой можно локально проектировать ИИ-помощников, запускать их и управлять ими, а также следить за их работой. Фреймворк предлагает чат с ИИ-помощником (в том числе голосовой), RAG-поиск, возможность взаимодействовать с локальными текстовыми файлами пользователя, а также генерировать код и выполнять его тестирование. Можно подключаться к внешним инструментам — например, если нужно «подтянуть» данные о погоде или задачи из Jira.
Установить Gaia можно как приложение для Windows, macOS и Linux, либо запустить через Lemonade Server. Фреймворк поставляется с SDK для Python и C++. Информация по установке и работе с Gaia приведена в документации на сайте. В целом она довольно объемная, там можно найти и руководства, как использовать ИИ-агентов для генерации кода или работы в 3D-пакете Blender. Также авторы проекта подготовили серию обучающих «плейбуков» — их можно воспринимать как пошаговые практикумы, в которых объясняется, как писать ИИ-агентов с нуля. Реализация одних проектов (вроде генератора изображений) займет около 15 минут, а на другие (например, ИИ-модуль для интерактивной работы с документами) может уйти и час.
ИИ-агент за пару строчек кода без шаблонов
Ailoy — это написанная на Rust библиотека для упрощенной разработки и интеграции агентов в приложения (лицензия Apache 2.0). Ее представили специалисты из южнокорейской компании BrekkyLab, специализирующейся на фреймворках для ИИ-решений, в 2025 году.
Ailoy предлагает высокоуровневые API для многоэтапных диалогов, настроек системных промптов и логического вывода. Можно работать с локальными моделями Qwen3 (хотя есть возможность подключиться и к проприетарным облачным моделям). Локальные ИИ-агенты могут вызывать внешние инструменты, чтобы расширить свои возможности [Ailoy поддерживает связь со сторонними системами по протоколу MCP]. Что касается решаемых задач, то агенты в Ailoy могут осуществлять RAG-поиск в документах пользователя. При желании можно включить функцию мышления, чтобы модель формулировала структурируемый пошаговый вывод. Разработчики рекомендуют использовать ее для научного анализа.
Задавать характер поведения и роль ИИ-агента можно с помощью системных сообщений — высокоуровневых инструкций по типу «Кратко отвечай в JSON-формате». Кроме того, библиотека поддерживает мультимодальный ввод (может работать с текстом, изображениями) и WebAssembly, так что агентов можно запускать в браузере. Стоит отметить, что агенты в Ailoy не учитывают контекст в разговоре; каждое сообщение от пользователя является отдельным новым запросом [но можно вновь отправить все предыдущие ответы одной репликой, чтобы учесть вводные]. Для кого-то это может показаться недостатком, однако разработчики намеренно реализовали диалог так, чтобы работа с системами ИИ была более предсказуемой.
Гайд по началу работы с Ailoy можно найти в документации, где также перечислены доступные модели и инструменты, а также поддерживаемые среды. Еще там имеются инструкции по работе с API Python, Node.js и WebAssembly, описание архитектуры решения.
Один раз написать код — и все
В 2025 году специалисты из шведского стартапа Opper представили Opperator под лицензией Apache 2.0. Это — фреймворк с терминальным интерфейсом для развертки узкоспециализированных моделей. Как говорят авторы, он предназначен не только для задач вроде обработки почты и анализа документов, но и для разработки — с его помощью можно запускать тесты, деплоить код и мониторить билды. За управление моделями в Opperator отвечает специальный демон. Он передает пользовательские команды из терминала ИИ-агентам, отслеживает их работу, перезапускает при сбоях и обеспечивает безопасное хранение секретов. Сами же ИИ-помощники представляют собой изолированные Python-процессы со своими зависимостями и конфигурациями.
Подготовить шаблон для создания агента достаточно просто. Для этого нужно прописать несколько команд в терминале. Хотя Opperator предлагает и альтернативный вариант — произвести сборку в интерактивном конструкторе. Достаточно описать, какие функции будет выполнять агент, например: «Мне нужен агент, который будет анализировать скриншоты в папке и переименовывать файлы в зависимости от содержимого». Далее редактор в формате диалога уточнит детали реализации, проведет настройку и протестирует работу ИИ-агента.
Платформа с расчетом на масштабирование
AutoAgents — написанная на Rust платформа с модульной архитектурой для управления ИИ-агентами. В 2026 году это решение было опубликовано под двойной лицензией Apache 2.0 и MIT. Его автором выступил инженер-программист из компании ServiceNow, который по совместительству является разработчиком среды выполнения LiquidOS. По его словам, AutoAgents может послужить основой для высокоуровневого агентного фреймворка.
Интересным компонентом AutoAgents является механизм ReAct (думать + действовать), позволяющий ИИ-агентам работать в циклах: сперва планировать задачу, потом выполнять ее и наблюдать за результатами. При этом пользователь контролирует память агентов. По умолчанию они помнят контекст лишь последних сообщений, однако для них можно настроить иные стратегии «запоминания». Пользователь может искать старые запросы, экспортировать и импортировать диалоги. Между собой агенты общаются в формате «издатель — подписчик», то есть конкретная модель может работать только с тем событием, которое исходит из определенного для нее источника. А система окружения распределяет ресурсы и отслеживает состояние всех ИИ-агентов. Вызов инструментов определяется макросами с типобезопасными входами и выходами. Если пользователь сомневается в надежности того или иного внешнего приложения, его можно запустить в изолированной WASM-среде.
В документации проекта подробностей больше — в ней показано, как установить AutoAgents, какие LLM-провайдеры поддерживаются и как устроены основные компоненты решения. Кроме того, в GitHub-репозитории можно найти множество ознакомительных примеров по работе с фреймворком: реализации разных типов ИИ-агентов и интеграций с протоколом MCP.
Beeline Cloud — безопасный облачный провайдер. Разрабатываем облачные решения, чтобы вы предоставляли клиентам лучшие сервисы.
Что еще почитать в нашем блоге и на ИТ-площадке «вАЙТИ»:
От виртуальных рук до ИИ для выживальщиков: любопытные открытые агентные ОС [и один хардверный проект]. Еще одна подборка в нашем блоге. Рассказываем про операционки, в которых агенты взаимодействуют с интерфейсами программ и не только. Например, в OpenFang модули-руки могут работать с вебом и собирать информацию из открытых источников и документов, а проект Lukan позволяет превратить операционную систему в интеллектуальный хаб для работы с нейросетями в tmux или PTY.
Интеллектуальная видеоаналитика: как нейросеть устроена изнутри. На примере одной реализованной системы видеонаблюдения автор материала рассказывает, какие технологии используются, как проходит обучение и какие сложности возникают при реализации. Компактный материал, который поможет быстро познакомиться с темой.
ИИ уже читает ваш сайт, но по каким правилам? LLMs.txt, robots.txt и контроль агентов. Файл robots.txt говорит краулерам, какие разделы сайта им трогать можно, а какие — стоит обходить стороной. Ценным указаниям следуют далеко не все роботы, но это отдельная история. Дело в том, что системный файл robots.txt решает задачу доступа к контенту, но не задает правила его использования. LLMs.txt — это попытка решить проблему. Статья разбирает синтаксис LLMs.txt с базовыми директивами и примерами для популярных CMS [кстати, у себя в блоге мы обсуждали еще один профильный стандарт — security.txt, который так и не обрел широкую популярность].
Как мы создали нейросеть для определения возраста. Еще одна статья, автор которой обсуждает опыт реализации системы машинного зрения для ритейла и рассказывает про сбор данных и тестирование модели. Материал подается сжато, но наглядно — с примерами. Также автор поделился результатами: ни один младенец не был «признан» совершеннолетним, а в группе от 10 до 14 лет нейросеть ошибалась лишь в 3% случаев.