DietrichGebert/ponytail: AI‑agent как ленивый senior‑dev
AI‑agent, работающий как ленивый senior‑dev, пишет минимум кода, используя автоматизацию и лучшие практики. Узнайте, как сделать его предсказуемым.
Принцип ленивого senior‑dev
Принцип ленивого senior-dev
Когда мы говорим о «ленивом senior-разработчике», речь не о нежелании работать, а о стремлении к максимальной эффективности. Опытный инженер не будет писать сотни строк кода там, где можно использовать готовый модуль, скрипт или системную утилиту. Его задача — решить проблему с минимальными трудозатратами на поддержку.
Проект DietrichGebert/ponytail переносит этот подход на AI-агентов. Вместо того чтобы генерировать бесконечные полотна кода, агент пытается найти кратчайший путь к результату, используя существующую инфраструктуру.
Автоматизация вместо рутинного кода
Типичная ошибка при работе с LLM — просить её «написать скрипт для обработки логов». В итоге вы получаете кастомный Python-скрипт на 200 строк, который завтра придётся обновлять, потому что формат лога изменился.
«Ленивый» подход заключается в том, чтобы вместо написания нового кода использовать уже имеющиеся инструменты. Если в системе есть awk, sed или jq, агент должен использовать их. Это снижает вероятность ошибок и упрощает отладку.
С практической точки зрения, если вы используете Claude Code, агент может не просто предлагать изменения, а выстраивать цепочки команд. Вместо написания обертки на Go для проверки доступности портов, он выполнит:
bash# Вместо написания сложного сервиса на Python, агент использует nmap или nc
nc -zv 192.168.1.10 80
Такой подход позволяет избежать раздувания кодовой базы. Если агент понимает, что задачу можно решить через системный systemd unit или простой cron задачу, он выберет именно этот путь. Это напрямую связано с тем, как заставить AI-агента писать меньше кода.
Минимальная конфигурация и предсказуемость
Для инженера предсказуемость важнее, чем избыточный функционал. Если конфигурация раздута, её невозможно контролировать. Ponytail стремится к тому, чтобы агент создавал конфигурации, которые легко читать и изменять.
Представьте, что вам нужно развернуть сервис. Обычный агент может предложить сложный docker-compose.yml с десятком переменных окружения. «Ленивый senior» предложит минимально необходимый набор.
Пример предсказуемого конфига для небольшого сервиса:
yaml# Минималистичный docker-compose.yml, который легко поддерживать
services:
app:
image: nginx:alpine
ports:
- "8080:80"
restart: unless-stopped # Гарантирует предсказуемое поведение при перезагрузке
Здесь нет лишних томов (volumes), если они не нужны, и нет переусложненных сетей. Чем меньше элементов в конфигурации, тем меньше точек отказа.
Чтобы добиться такой стабильности, важно правильно настраивать контекст, в котором работает агент. Это позволяет избежать галлюцинаций и лишних действий. Подробнее о методах настройки можно прочитать в материале про оптимизацию работы AI-агентов.
Если же вы строите сложную систему, где агенты взаимодействуют друг с другом, стоит обратить внимание на оптимизацию ИИ-агентов с помощью ECC. Это поможет сохранить ту самую предсказуемость, которая необходима в промышленной эксплуатации.
Инструменты и практики
Интеграция с Claude‑code и prompt‑engineering
Для того чтобы AI‑agent вел себя предсказуемо, удобно использовать официальный Claude‑code‑плагин. Он позволяет задавать готовые шаблоны запросов (prompts) и управлять процессом генерации кода через CLI.
Шаги интеграции
-
Установить плагин
bash# в терминале, в каталоге проекта mkdir -p ~/.local/bin curl -L https://github.com/anthropic/claude-code/releases/latest/download/claude-code-linux-amd64 -o ~/.local/bin/claude chmod +x ~/.local/bin/claude -
Создать базовый prompt
Файлprompt_engineering.md– шаблон, который будет переиспользоваться:markdown## Система Ты – опытный senior‑dev, который пишет минимум кода, используя автоматизацию и лучшие практики. Твоя задача – предложить решение, объяснив, почему оно предсказуемо и легко поддерживается. ## Пользователь {USER_REQUEST}В
USER_REQUESTподставляем конкретную задачу, например:bashclaude prompt --file prompt_engineering.md --variable USER_REQUEST="Создай Docker‑compose файл для запуска Plex, Nextcloud и автоматического бэкапа на TrueNAS." -
Запуск в контейнере – удобно обернуть
claudeв Docker‑Compose, чтобы не зависить от локальной установки:yamlversion: "3.8" services: claude: image: ghcr.io/anthropic/claude-code:latest volumes: - ./:/work working_dir: /work command: ["claude", "run"]После
docker compose up -dможно отправлять запросы:bashdocker exec -it <container_id> claude prompt --file prompt_engineering.md --variable USER_REQUEST="Добавь health‑check в сервис Plex" -
Повторяемость – храните готовые prompt‑файлы в репозитории, version‑контролируйте их. Это гарантирует, что один и тот же запрос будет давать одинаковый результат при каждом запуске.
Полезный материал: подробно о настройке prompt‑engineering читайте в статье Ponytail: оптимизация работы AI-агентов.
Мониторинг и логирование для предсказуемой работы
Предсказуемость – это не только корректный код, но и возможность быстро увидеть, что именно делает агент. В домашней лаборатории удобно использовать набор инструментов из экосистемы Prometheus + Grafana + Loki.
1. Сбор метрик из Docker‑контейнеров
Prometheus может скрейпить метрики из Docker‑демона через cAdvisor. Пример docker‑compose.yml:
yamlversion: "3.8"
services:
prometheus:
image: prom/prometheus:latest
volumes:
- ./prometheus.yml:/etc/prometheus/prometheus.yml
- /var/run/docker.sock:/var/run/docker.sock:ro
ports:
- "9090:9090"
grafana:
image: grafana/grafana:latest
depends_on:
- prometheus
ports:
- "3000:3000"
prometheus.yml (минимальный пример):
yamlglobal:
scrape_interval: 15s
scrape_configs:
- job_name: 'docker'
static_configs:
- targets: ['host.docker.internal:8080'] # cAdvisor endpoint
После старта откройте Grafana, добавьте дашборд с готовой панелью «Docker container metrics» – это покажет, сколько ресурсов потребляет каждый контейнер, включая claude.
2. Централизованное логирование
Loki собирает логи из Docker‑контейнеров без необходимости в отдельном агенте. Пример конфигурации loki-config.yaml:
yamlauth_enabled: false
server:
http_listen_port: 3100
common_config:
path_prefix: /loki
storage:
filesystem:
chunks_directory: /loki/chunks
index_directory: /loki/index
path_prefix: /loki
positions:
filename: /loki/positions.yaml
clients:
- url: http://loki:3100/loki/api/v1/push
Запустите Loki в Docker‑Compose:
yamlservices:
loki:
image: grafana/loki:latest
volumes:
- ./loki-config.yaml:/etc/loki/local-config.yaml
ports:
- "3100:3100"
Теперь любой docker logs <container> будет автоматически отправлен в Loki, а в Grafana можно построить дашборд «AI‑agent logs».
3. Системный мониторинг
Node Exporter и systemd‑journald дают метрики ОС. Пример systemd‑unit для journalctl‑перехвата:
ini[Unit]
Description=AI‑agent log collector
After=network.target
[Service]
ExecStart=/usr/bin/journalctl -u claude -f --output=json-pretty
Restart=always
StandardOutput=journal
StandardError=journal
[Install]
WantedBy=multi-user.target
После systemctl enable --now ai-agent-journal.service логи будут доступны через journalctl -u ai-agent-journal.service и также попадают в Loki.
4. Оповещения
В Grafana задайте alert rule: если CPU контейнера claude превышает 80 % более 5 минут, пришлите уведомление в Telegram‑бот (интеграция через webhook).
Пример настройки алерта: https://grafana.com/docs/grafana/latest/alerting/alert-rules/
Статья affaan-m/ECC: Agent Harness Performance Optimization for... описывает, как использовать эти же метрики для оценки «предсказуемости» работы агентов.
Итого
- Шаблоны prompt‑engineering фиксируют ожидаемое поведение AI‑agent.
- Docker‑Compose обеспечивает воспроизводимую среду.
- Prometheus + Grafana + Loki дают полную картину работы и позволяют быстро реагировать на отклонения.
Следуя этим практикам, вы получите AI‑agent, который пишет минимум кода, но делает это предсказуемо и под контролем.
Архитектурные подходы к минимуму кода
ZFS‑хранилище и TrueNAS как пример
Во-первых, ZFS на TrueNAS обеспечивает целостность данных без дополнительного кода: проверка контрольных сумм, атомарные коммиты и встроенные снимки позволяют откатываться к любой точке без написания скриптов резервного копирования.
Пример создания пула и датасета, пригодного для Docker‑контейнеров:
bash# Создать пул из двух дисков (зеркало)
zpool create tank mirror \
/dev/disk/by-id/ata-WDC_WD5000AAKX-001CA0_WCC5H1234567890 \
/dev/disk/by-id/ata-WDC_WD5000AAKX-002CA0_WCC5H1234567891
# Датасет для контейнеров с сжатием и отключенным доступом времени
zfs create -o compression=lz4 -o atime=off tank/docker
Снимок перед обновлением образа контейнера:
bashzfs snapshot tank/docker@pre-upgrade-$(date +%Y%m%d)
Откат происходит одной командой:
bashzfs rollback tank/docker@pre-upgrade-20240925
Такой подход устраняет необходимость писать отдельные скрипты для копирования, проверки целостности и восстановления – AI‑agent просто использует встроенные возможности ZFS, что повышает предсказуемость.
Ponytail: как заставить AI‑агента писать меньше кода — пример того, как минимум кода может заменить сложные скрипты.
affaan-m/ECC: Agent Harness Performance Optimization for... — показатель, что оптимизация на уровне хранилища уменьшает нагрузку на агент.
Docker‑Compose как IKEA для микросервисов
Справедливо, Docker‑Compose — это набор инструкций, по которым собираются взаимосвязанные сервисы, как детали мебели от IKEA. Один файл docker-compose.yml описывает стек, а отдельные Dockerfile / образы требуются только там, где официального образа нет.
Пример минимального docker-compose.yml для стека «веб‑API‑БД‑кеш»:
yamlversion: "3.9"
services:
web:
image: nginx:alpine
ports:
- "80:80"
volumes:
- ./nginx.conf:/etc/nginx/conf.d/default.conf:ro
depends_on:
- api
api:
build: ./api
environment:
- DB_HOST=db
volumes:
- ./api/logs:/app/logs
db:
image: postgres:15-alpine
environment:
POSTGRES_USER: user
POSTGRES_PASSWORD: password
volumes:
- db_data:/var/lib/postgresql/data
cache:
image: redis:7-alpine
command: ["redis-server", "--appendonly", "yes"]
volumes:
db_data:
Для кастомного API‑сервиса достаточно небольшого Dockerfile:
dockerfile# Dockerfile для api FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD ["python", "main.py"]
Запуск стека одной командой:
bashdocker compose up -d
Таким образом, AI‑agent не пишет обходные скрипты для старта, остановки и мониторинга контейнеров – он использует готовый Compose‑файл, который уже проверен в продакшене.
Ponytail: оптимизация работы AI‑агентов — описывает, как правильный Compose‑файл уменьшает количество «ручного» кода.
Оптимизация ИИ-агентов с помощью ECC — показатель, что минимизация конфигурационных файлов повышает предсказуемость работы агентов.