Продвинутый

DietrichGebert/ponytail: AI‑agent как ленивый senior‑dev

Алексей Кузнецов
Алексей Кузнецов
Системный администратор18 ноября 2026 г.7 мин чтения

AI‑agent, работающий как ленивый senior‑dev, пишет минимум кода, используя автоматизацию и лучшие практики. Узнайте, как сделать его предсказуемым.

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

  1. 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
    
  2. Создать базовый prompt
    Файл prompt_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_REQUEST подставляем конкретную задачу, например:

    bash
    claude prompt --file prompt_engineering.md --variable USER_REQUEST="Создай Docker‑compose файл для запуска Plex, Nextcloud и автоматического бэкапа на TrueNAS."
    
  3. Запуск в контейнере – удобно обернуть claude в Docker‑Compose, чтобы не зависить от локальной установки:

    yaml
    version: "3.8"
    services:
      claude:
        image: ghcr.io/anthropic/claude-code:latest
        volumes:
          - ./:/work
        working_dir: /work
        command: ["claude", "run"]
    

    После docker compose up -d можно отправлять запросы:

    bash
    docker exec -it <container_id> claude prompt --file prompt_engineering.md --variable USER_REQUEST="Добавь health‑check в сервис Plex"
    
  4. 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:

yaml
version: "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):

yaml
global:
  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:

yaml
auth_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:

yaml
services:
  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:

bash
zfs snapshot tank/docker@pre-upgrade-$(date +%Y%m%d)

Откат происходит одной командой:

bash
zfs 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»:

yaml
version: "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:

bash
docker 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.

Поделиться:TelegramX / TwitterVK

Читайте также