DietrichGebert/ponytail: AI agent thinks like lazy senior
Узнайте, как AI‑агент, настроенный в ponytail, начинает мыслить как ленивый старший разработчик: минимум кода, максимум предсказуемости.
ponytail: AI‑агент как ленивый senior dev
### Принцип «code you never wrote»
Принцип подразумевает, что AI‑агент выбирает уже готовый код, а не пишет его с нуля.
Он ищет подходящие шаблоны в репозиториях, использует проверенные конфиги и лишь адаптирует их под текущие нужды.
bash# Вместо написания собственного Dockerfile
docker compose -f docker-compose.yml up -d
yaml# Пример готового docker‑compose.yml, который уже содержит все необходимые сервисы
version: "3.9"
services:
web:
image: nginx:stable-alpine
ports:
- "80:80"
volumes:
- ./site:/usr/share/nginx/html:ro
db:
image: postgres:15
environment:
POSTGRES_PASSWORD: secret
volumes:
- pgdata:/var/lib/postgresql/data
volumes:
pgdata:
Вместо того чтобы создавать новый Dockerfile, агент просто берёт готовый docker‑compose.yml из репозитория, запускает docker compose up -d и получает работающий стек.
Если нужно изменить конфигурацию, агент ищет аналогичный файл в открытых проектах, копирует его и вносит небольшие правки, а не пишет всё заново.
Ponytail: оптимизация работы AI‑агентов через упрощение описывает, как такой подход снижает количество «пишущего» кода и повышает предсказуемость поведения.
### Автоматизация типичных задач
Ленивый senior dev автоматизирует повторяющиеся операции, чтобы не тратить время на рутинные команды.
Он использует скрипты, Make‑файлы и простые оболочные конструкции, которые позволяют выполнить целую цепочку действий одной командой.
bash# Автоматическое обновление кода и пересборка образов
git pull && make build && docker compose up -d --remove-orphans
makefile# Пример Makefile, который автоматизирует типичные шаги
.PHONY: build up down logs
build:
docker build -t myapp:latest .
up:
docker compose up -d
down:
docker compose down
logs:
docker compose logs -f
bash# Пример скрипта, который проверяет, что порт 443 свободен,
# затем разворачивает стек и отправляет уведомление в Slack
#!/usr/bin/env bash
set -euo pipefail
if ss -ltnp | grep -q ':443'; then
echo "Порт 443 уже занят, aborting"
exit 1
fi
make build
make up
curl -X POST -H 'Content-type: application/json' \
--data '{"text":"Сервис развернут"}' \
https://hooks.slack.com/services/XXX/YYY/ZZZ
Таким образом, вместо того чтобы вручную выполнять git pull, docker build, docker compose up и проверять статус портов, агент использует один‑два простых скрипта.
affaan-m/ECC: оптимизация производительности агент‑ха́рнс показывает, как небольшие автоматизационные шаги могут уменьшить нагрузку на CPU и ускорить отклик AI‑агента.
Show HN: db-branch – ZFS DB branches in seconds for AI & CI демонстрирует, как автоматизация создания отдельных веток базы данных ускоряет эксперименты с конфигурациями, что также характерно для «ленивого» подхода.
Ponytail: Как заставить AI‑агент вести себя как ленивый старший разработчик подробно описывает методы автоматизации и reuse‑кода, которые делают работу агента предсказуемой и эффективной.
Минимальный код и максимальная эффективность
### Удаление дублирования кода
В реальной практике дублирование появляется, когда один и тот же блок конфигурации или скрипт копируется в несколько проектов. Это усложняет поддержку и повышает риск ошибок. Лучше вынести общие части в отдельные артефакты и подключать их через include / extends.
Пример: базовый Dockerfile
dockerfile# Dockerfile.base FROM alpine:3.18 # Общие переменные ARG APP_USER=appuser ARG APP_GROUP=appgroup RUN addgroup -S $APP_GROUP && \ adduser -S -G $APP_GROUP $APP_USER # Установка базовых утилит RUN apk add --no-cache \ ca-certificates \ tzdata \ curl WORKDIR /app COPY . /app # Точка входа, переопределяется в дочерних образах CMD ["sh", "-c", "echo 'Base image loaded'"]
Пример: Docker‑compose с наследованием
yaml# docker-compose.base.yml
version: "3.9"
services:
base:
build:
context: .
dockerfile: Dockerfile.base
environment:
- APP_ENV=production
restart: unless-stopped
# Конкретный сервис, наследующий базовый набор
app:
<<: *base # YAML‑merge, доступен в Docker‑Compose 2.5+
image: myapp:latest
ports:
- "8080:80"
depends_on:
- db
Удаление дублирования в скриптах
bash# common.sh – общий набор функций
setup_network() {
ip link set dev eth0 up
ip addr add 10.0.0.1/24 dev eth0
}
# script1.sh
#!/usr/bin/env bash
source ./common.sh
setup_network
# …unique logic…
# script2.sh
#!/usr/bin/env bash
source ./common.sh
setup_network
# …другая логика…
Что даёт такой подход?
- Один источник правды – изменение в
common.shсразу отражается во всех скриптах. - Меньше строк кода → быстрее читается, легче ревью.
- При необходимости добавить новую общую функцию – делаем это в одном месте.
Ссылка на общую концепцию упрощения: Ponytail: оптимизация работы AI‑агентов через упрощение.
### Шаблоны и готовые конфигурации
Для ускорения старта проекта удобно использовать готовые шаблоны, которые уже содержат проверенные наборы сервисов, базовые настройки и скрипты запуска. Такие шаблоны можно хранить в отдельном репозитории и подключать через git‑submodule или просто копировать при необходимости.
Шаблон Docker‑Compose для небольшого кластера
yaml# docker-compose.cluster.yml
version: "3.9"
services:
proxmox:
image: proxmox/proxmox:latest
ports:
- "8006:8006"
volumes:
- proxmox-data:/var/lib/proxmox
restart: unless-stopped
TrueNAS:
image: trueos/trueos:latest
environment:
- ADMIN_PASSWORD=strongpassword
volumes:
- truenas-data:/data
restart: unless-stopped
# Пример сервиса, использующего общий образ
app:
image: myregistry.com/myapp:stable
depends_on:
- proxmox
- TrueNAS
restart: unless-stopped
volumes:
proxmox-data:
truenas-data:
Готовый Makefile для автоматизации
makefile# Makefile
.PHONY: up down logs rebuild
up:
docker compose -f docker-compose.cluster.yml up -d
down:
docker compose -f docker-compose.cluster.yml down
logs:
docker compose -f docker-compose.cluster.yml logs -f
rebuild:
docker compose -f docker-compose.cluster.yml build --no-cache
docker compose -f docker-compose.cluster.yml up -d
Шаблон systemd‑unit для сервиса
ini# /etc/systemd/system/myapp.service
[Unit]
Description=MyApp service
After=network.target
[Service]
User=appuser
Group=appgroup
WorkingDirectory=/app
ExecStart=/usr/bin/docker run --rm myregistry.com/myapp:stable
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.target
Плюсы использования шаблонов
- Повторяемость – один набор конфигураций проверен на всех нодах.
- Скорость – не нужно «придумывать» параметры каждый раз.
- Поддерживаемость – обновление базового образа или правок в systemd‑unit сразу влияет на всё окружение.
См. подробнее в руководстве по тому, как заставить AI‑агент вести себя как ленивый старший разработчик: Ponytail: Как заставить AI‑агент вести себя как ленивый старший разработчик.
Интеграция с инструментами AI‑разработки
Claude‑Code plugin в действии
Для ускорения работы с конфигурациями удобно использовать встроенное в VS Code расширение Claude‑Code. После установки открываем терминал в корне репозитория и инициализируем плагин:
bashclaude-code init
Плагин создаёт файл конфигурации claude-config.yaml:
yaml# claude-config.yaml
version: 1
settings:
llm: claude-3-sonnet
prompt_dir: prompts
Далее размещаем в каталоге prompts файл с описанием требуемого результата, например docker-compose.yml.prompt:
text# prompts/docker-compose.yml.prompt Generate a docker‑compose.yml that runs PostgreSQL 15 with a persistent data volume and exposes port 5432.
С помощью одной команды плагин формирует нужный файл:
bashclaude-code run docker-compose.yml.prompt
Результат (docker-compose.yml):
yamlversion: '3.8'
services:
db:
image: postgres:15
volumes:
- pg_data:/var/lib/postgresql/data
ports:
- "5432:5432"
volumes:
pg_data:
Таким образом, вместо ручного написания YAML‑файла достаточно описать задачу в естественном виде, а плагин подготовит готовый конфиг. Это пример того, как минимум кода и максимум предсказуемости работают в паре с Claude‑Code. Подробнее о настройке see the guide Ponytail: Как заставить AI‑агент вести себя как ленивый старший разработчик.
CI/CD и автоматический деплой
После того как конфигурация готова, её удобно проверять и разворачивать через CI/CD. Ниже пример workflow для GitHub Actions, который собирает Docker‑образ, пушит его в приватный реестр и разворачивает на домашнем сервере через SSH.
yaml# .github/workflows/deploy.yml
name: Deploy to home server
on:
push:
branches: [ main ]
jobs:
build:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Build image
run: docker build -t myregistry.example.com/myapp:${{ github.sha }} .
- name: Push image
run: docker push myregistry.example.com/myapp:${{ github.sha }}
deploy:
needs: build
runs-on: ubuntu-latest
steps:
- name: SSH to server
uses: appleboy/ssh-action@v0.1.10
with:
host: home.server.example
username: aleksey
key: ${{ secrets.SSH_KEY }}
script: |
docker pull myregistry.example.com/myapp:${{ github.sha }}
docker compose -f /home/aleksey/projects/myapp/docker-compose.yml up -d
Ключевые моменты:
- Сборка происходит в чистом окружении
ubuntu‑latest. - Образ тегируется SHA‑коммита, что обеспечивает точность и возможность отката.
- Деплой выполняется через SSH‑соединение; на сервере Docker Compose управляет стеком сервисов.
- После обновления образа можно добавить шаг, который перезапускает systemd‑службу, например
systemctl restart myapp.service, если требуется более тонкий контроль.
Для упрощения процесса развертывания удобно хранить docker‑compose.yml в домашней директории сервера, а не в репозитории, чтобы избежать лишних копирований. Подробные рекомендации по оптимизации CI/CD смотрите в статье Ponytail: оптимизация работы AI‑агентов через упрощение и в материале о ZFS‑ветках для AI‑CI Show HN: db-branch – ZFS DB branches in seconds for AI & CI.
Часто задаваемые вопросы
Как AI‑агент экономит время, используя готовый код вместо написания новых?
AI‑агент выбирает уже проверенные шаблоны из репозиториев и адаптирует их под текущие требования, вместо того чтобы писать код с нуля. Он ищет подходящий docker‑compose.yml, копирует его и вносит небольшие правки, что сокращает количество строк, требуемых для развертывания. Такой подход минимизирует риск ошибок, поскольку использует код, который уже прошёл тестирование в других проектах. В итоге время, потраченное на разработку, снижается до нескольких команд, а результат становится более предсказуемым.
Где искать готовые конфиги и шаблоны для Docker‑Compose?
Для поиска готовых конфигураций AI‑агент использует публичные репозитории, такие как GitHub или GitLab, и фильтрует их по ключевым словам, например «docker‑compose», «nginx», «postgres». Он также может брать файлы из официальных образов Docker Hub, где часто уже включены примеры docker‑compose.yml. После поиска агент копирует найденный файл в рабочую директорию и адаптирует его под специфические параметры проекта. Это позволяет избежать ручного создания конфигураций и ускорять процесс развертывания.
Как настроить автоматизацию повторяющихся задач с помощью Make‑файла?
AI‑агент создаёт простой Makefile, в котором описывает цель build, up и update, объединяя несколько команд в одну. Пример:
makefileupdate:
git pull && make build && docker compose up -d --remove-orphans
Запуск make update выполняет обновление кода, пересборку образов и перезапуск контейнеров без необходимости вводить каждую команду отдельно. Такой подход гарантирует, что все шаги выполняются в предсказуемом порядке и без ошибок, типичных для ручного ввода. Кроме того, Makefile легко читается и поддерживается, что соответствует принципу «code you never wrote».
Что делать, если требуется изменить параметр в уже используемом образе?
Если параметр в образе нужно изменить, AI‑агент ищет альтернативный образ с нужной настройкой или добавляет небольшой Dockerfile, который переопределяет требуемый параметр. Он копирует существующий docker‑compose.yml, меняет только строку с параметром, а остальную часть оставляет без изменений. После внесения правки агент проверяет корректность syntax‑а docker compose и сразу запускает стек. Такой подход позволяет адаптировать образ без полной переработки кода.