StarSling: AI‑driven CI for agent‑volume GitHub Actions
Fast GitHub Actions runners with AI agents that create ephemeral sandboxes to continuously improve tests and workflows for your CI pipelines.
StarSling Overview and Goal
StarSling: Overview and Goal
Когда мы говорим о CI/CD, мы привыкли к стабильности: пайплайн либо проходит, либо падает. Но современная разработка с использованием AI-агентов вносит хаос. Традиционные GitHub Actions runners созданы для предсказуемых задач — собрать бинарник, прогнать юнит-тесты, отправить артефакт. Когда же в процесс включаются агенты, которым нужна динамическая среда, стандартных виртуалок становится мало.
StarSling решает проблему нехватки ресурсов и непредсказуемости окружений. Его цель — предоставить инфраструктуру, которая не просто исполняет шаги, а адаптируется под нужды AI-агентов, создавая для них изолированные, быстрые и эфемерные песочницы.
AI agents in CI
Основная проблема интеграции AI в пайплайны — это потребление ресурсов и необходимость в «чистом листе» для каждой итерации. Если агент пытается оптимизировать ваш workflow или чинить упавший тест, ему нужно пространство, где он может экспериментировать, не ломая основную инфраструктуру.
В обычном подходе вы ограничены тем, что предлагает GitHub. В StarSling подход меняется: вместо того чтобы пытаться втиснуть агента в готовый runner, мы даём агенту возможность управлять средой. Это переход от императивного выполнения команд к декларативному управлению жизненным циклом агента.
С практической точки зрения, это выглядит так: агент получает задачу, анализирует логи и запрашивает специфическую конфигурацию окружения. Рассмотрим пример того, как может выглядеть описание задачи для такого агента в контексте workflow:
yaml# Пример логики взаимодействия агента с инфраструктурой StarSling
jobs:
ai-optimization:
runs-on: starsling-agent-runtime
steps:
- name: Analyze failure and request sandbox
run: |
# Агент анализирует логи и запрашивает среду с нужными параметками
agent-cli request-sandbox \
--reason "fix-test-flakiness" \
--resources "cpu=4,mem=8Gi,storage=nvme"
Это важно, потому что позволяет избежать ситуации, когда «код работает на машине агента, но падает в CI». Мы даём агенту инструменты, которые соответствуют его вычислительным задачам. Это те самые навыки реальных инженеров, которые переносятся на уровень автоматизации.
Ephemeral sandbox architecture
Архитектура StarSling строится на принципе эфемерности. Каждая задача — это не просто контейнер, а полноценная песочница, развёрнутая на высокопроизводительном железе с использованием NVMe-накопителей для минимизации I/O wait.
Вместо того чтобы использовать долгоживущие раннеры, которые со временем «замусориваются» (state drift), StarSling использует модель, где инфраструктура создаётся под конкретный контекст и уничтожается сразу после завершения работы.
Ключевые технические особенности:
- Изоляция на уровне ядра: Использование cgroups и namespaces для обеспечения безопасности агентов, которые могут выполнять произвольный код.
- NVMe-first подход: Все временные файловые системы и кэши разворачиваются на быстрых дисках, что критично для тяжелых сборщиков и AI-моделей.
- Декларативное создание: Среда описывается как состояние, а не как последовательность команд.
Сравним подходы. При императивном подходе вы пишете: «установи Python, установи зависимости, запусти тест». При декларативном подходе в StarSling вы описываете: «мне нужна среда с Python 3.11 и 8 ГБ RAM для выполнения этого теста».
Пример конфигурации песочницы, которую может сгенерировать StarSling для агента:
hcl# Декларативное описание эфемерной песочницы sandbox "agent-workspace-01" { runtime = "containerd" storage_class = "nvme-fast" resources { cpu = 4 memory = "16Gi" } lifecycle { auto_destroy = true ttl = "30m" } }
Такая архитектура позволяет масштабировать CI практически линейно. Если у вас 100 агентов, вам нужно 100 изолированных песочниц, а не один огромный сервер, на котором все будут бороться за ресурсы. Это фундаментальный сдвиг в сторону того, как должна выглядеть современная инфраструктура для сложных, интеллектуальных задач.
Integration with GitHub Actions
Integration with GitHub Actions
Workflow definition
Для запуска AI‑driven CI‑pipeline в GitHub Actions достаточно добавить workflow‑файл в .github/workflows. Ниже пример, который использует ephemeral‑sandbox‑агента StarSling для постоянного улучшения тестов.
yamlname: StarSling CI
on:
push:
branches: [ main ]
pull_request:
jobs:
test:
runs-on: ubuntu-latest
# Используем официальный образ агента, чтобы иметь предварительно
# настроенную среду с нужными инструментами.
container:
image: ghcr.io/starsling/agent:latest
options: --shm-size 2g
steps:
- name: Checkout repository
uses: actions/checkout@v4
- name: Set up StarSling agent
run: |
curl -sSL https://starsling.io/install.sh | bash
starsling agent init --token ${{ secrets.STARSLING_TOKEN }}
- name: Run AI‑enhanced tests
run: |
starsling test run \
--workflow ${{ github.workflow }} \
--base ${{ github.sha }} \
--commit ${{ github.sha }}
Рассмотрим на примере.
runs-on: ubuntu-latest— стандартный виртуальный хост, предоставляемый GitHub.container.image— образ с предустановленным агентом, экономящий время на установку зависимостей.starsling test run— команда, которая создаёт временный sandbox, запускает тесты и собирает метрики, которые потом используются для автопроведения улучшений.
Справедливо, что это важно потому что без sandbox‑агента каждый запуск тестов будет выполняться в «чистом» окружении, а AI‑модуль не сможет анализировать историю и предлагать оптимизации.
Для более продвинутых сценариев удобно использовать матрицу запусков, например, разные версии Node.js или Python, чтобы AI‑агент мог сравнивать поведение в разных окружениях.
Подробнее о создании агентов смотрите в Навыки реальных инженеров: практика из .agents directory и Навыки реальных инженеров: практические практики из .agents.
Agent harness setup
Agent harness — это отдельный репозиторий (или каталог в текущем), где описываются конфигурации sandbox‑агентов, их ресурсы и переменные окружения. Harness запускается из GitHub Actions по триггеру workflow_dispatch или repository_dispatch.
Шаги установки
bash# 1️⃣ Устанавливаем CLI‑инструмент StarSling
curl -sSL https://starsling.io/cli/install.sh -o install.sh
chmod +x install.sh
./install.sh --version # проверяем, что установка прошла успешно
# 2️⃣ Аутентификация токеном (токен хранится в секретах репозитория)
starsling login --token $STARSLING_TOKEN
Пример конфигурации harness‑файла
yaml# .starsling/harness.yaml
agents:
- name: sandbox-agent
image: ghcr.io/starsling/agent:latest
resources:
cpu: "2" # 2 CPU‑ядра
memory: "4Gi" # 4 GiB RAM
disk: "10Gi" # 10 GiB диска
env:
- STARSLING_TOKEN
- MQTT_BROKER_URL # если агент взаимодействует через MQTT
Справедливо, что указание ресурсов в harness позволяет AI‑агенту создавать sandbox‑ы с нужной плотностью, а не «в лоб» использовать общие общие ресурсы GitHub Actions.
Подключение harness‑а к workflow
yamlname: Deploy Harness
on:
workflow_dispatch: # ручной запуск из UI GitHub
jobs:
apply:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Apply harness configuration
run: |
starsling harness apply \
--config .starsling/harness.yaml \
--repo ${{ github.repository }}
Общение агентов через MQTT
Если ваш sandbox‑агент должен получать команды или публиковать события, удобно использовать MQTT‑брокер. Для этого достаточно добавить переменную MQTT_BROKER_URL в harness‑конфиг и обеспечить, чтобы в секретах был указан адрес Настройка MQTT-брокера Eclipse Mosquitto.
Практическая точка зрения
С практической точки зрения harness — это единственное место, где описывается, как выглядит «идеальный» sandbox‑агент. После того как файл harness.yaml закоммичен, любой workflow может «подключиться» к нему, не копируя команды вручную. Это упрощает поддержку и делает процесс полностью декларативным.
Это важно потому что без централизованного описания агентов каждый разработчик будет самостоятельно писать скрипты запуска, что быстро приводит к разбросу конфигураций и к непредсказуемому поведению в CI.
Если хотите подробнее узнать, как писать качественные README‑файлы для ваших Harness‑проектов, посмотрите Навыки реальных инженеров: практические практики из .agents.
Performance and Infrastructure
### NVMe storage and resource allocation
В StarSling тесты и артефакты часто становятся «узким местом» из‑за медленного ввода‑вывода. На обычных SSD‑дисках GitHub‑раннеры могут тратить до 30 % времени на чтение/запись логов, особенно когда речь идёт о больших пакетных тестах или сборках Docker‑образов.
Практический пример – запуск собственного runner‑пода на NVMe‑томе, смонтированном в контейнер.
bash# 1️⃣ Подготовка тома на хосте (пример для Ubuntu)
sudo mkdir -p /mnt/nvme_star
sudo mount /dev/nvme0n1p1 /mnt/nvme_star # NVMe‑раздел
# 2️⃣ Запуск runner‑контейнера с привязкой тома
docker run -d \
--name star-sling-runner \
--restart unless-stopped \
--mount type=bind,source=/mnt/nvme_star,target=/var/lib/actions \
-e RUNNER_NAME=star-runner-01 \
-e RUNNER_TOKEN=${{ secrets.RUNNER_TOKEN }} \
ghcr.io/actions/runner:latest
Почему это работает: том /var/lib/actions внутри контейнера хранит кэш, артефакты и logs. При использовании NVMe‑диска время доступа падает до 2‑3 мс, а пропускная способность превышает 3 GB/s – в результате сборка Docker‑образа из 1 GB‑слоя ускоряется в среднем на 22 %.
Ansible‑playbook для автоматической подготовки ресурсов (CPU, RAM, NVMe) на домашнем сервере, где запущен собственный runner:
yaml---
- name: Prepare NVMe storage for StarSling runner
hosts: runners
become: true
tasks:
- name: Create mount point
mount:
path: /mnt/nvme_star
src: /dev/nvme0n1p1
fstype: ext4
state: mounted
- name: Ensure runner user has access
user:
name: runner
groups: runner
create_group: true
create_user: true
shell: /bin/bash
when: not ansible_user_addr is defined
- name: Deploy Docker runner container
docker_container:
name: star-sling-runner
image: ghcr.io/actions/runner:latest
restart_policy: unless-stopped
env:
RUNNER_NAME: star-runner-{{ inventory_hostname }}
RUNNER_TOKEN: "{{ lookup('env', 'RUNNER_TOKEN') }}"
volumes:
- /mnt/nvme_star:/var/lib/actions
Важно: в
github-actions.ymlукажите меткуnvmeдля runner‑пода, чтобы задачи, требующие быстрого доступа к диску, автоматически планировались на такие хосты.
yamlname: CI
on:
push:
branches: [ main ]
jobs:
build:
runs-on: [размещение на домашних серверах, nvme] # ← только runner с NVMe‑томом
steps:
- uses: actions/checkout@v4
- name: Build Docker image
run: |
docker build -t myapp:${{ github.sha }} .
docker save myapp:${{ github.sha }} | gzip > myapp.tar.gz
- name: Upload artifact (fast due to NVMe)
uses: actions/upload-artifact@v4
with:
name: build‑artifact
path: myapp.tar.gz
### Scalability with Kubernetes
StarSling позиционирует себя как «AI‑driven CI», где каждый запуск тестов происходит в эпитетном « sandbox ». Традиционно такие sandbox‑ы создаются на отдельном VM‑е, но в StarSling они оркестрируются в Kubernetes‑кластере, что позволяет масштабировать количество одновременных агентов до сотен без изменения инфраструктуры.
K3s‑деплой – легковесный дистрибутив Kubernetes, идеально подходит для домашних серверов. Ниже пример манифеста RunnerDaemonSet, который создаёт pod‑ы‑раннеры с привязкой NVMe‑тома через local-path-provisioner (или hostPath, если кластер один‑узловой).
yamlapiVersion: apps/v1
kind: DaemonSet
metadata:
name: star-sling-runner
spec:
selector:
matchLabels:
app: star-sling-runner
template:
metadata:
labels:
app: star-sling-runner
spec:
containers:
- name: runner
image: ghcr.io/actions/runner:latest
env:
- name: RUNNER_NAME
valueFrom:
fieldRef:
fieldPath: metadata.name
- name: RUNNER_TOKEN
valueFrom:
secretKeyRef:
name: star-sling-token
key: token
volumeMounts:
- name: nvme-storage
mountPath: /var/lib/actions
volumes:
- name: nvme-storage
hostPath:
path: /mnt/nvme_star # тот же путь, что и на хосте
type: Directory
Горизонтальное масштабирование – при росте нагрузки просто увеличьте репликацию DaemonSet:
bashkubectl scale daemonset/star-sling-runner --replicas=10
Каждый новый под получит собственный RUNNER_NAME, а все они будут автоматически учитывать метку nvme в github-actions.yml, если вы настроите taints и nodeSelector:
yaml# nodeSelector в yaml runner‑config
nodeSelector:
kubernetes.io/hostname: worker01 # узел с NVMe‑томом
tolerations:
- key: "special"
operator: "Equal"
value: "nvme"
effect: "NoSchedule"
Связь с практикой инженеров – в серии статей «Навыки реальных инженеров» (см. Навыки реальных инженеров: практика из .agents directory) показано, как использовать agent‑поды для изоляции тестовых окружений. StarSling использует тот же подход, только вместо пользовательских Docker‑контейнеров – собственный runner‑контейнер, что упрощает управление секретами (SOPS + Age) и обеспечивает декларативность.
Практическая точка зрения – если ваш CI‑pipeline требует более 5 GB/s дисковых операций (например, большие e2e‑тесты с Selenium), размещение runner‑пода на NVMe‑томе в Kubernetes‑кластере позволяет масштабировать только те узлы, где доступен нужный тип хранилища, без перезапуска всего пайплайна.
Итого: NVMe‑хранилище ускоряет работу с логами и артефактами, а Kubernetes‑оркестрация даёт линейную масштабируемость runner‑ов. Вместе они образуют инфраструктуру, где AI‑агенты StarSling могут создавать и удалять sandbox‑ы в реальном времени, а разработчикам остаётся лишь выполнить одну команду и получить готовый результат.
Deployment and Best Practices
GitOps configuration
Когда мы говорим об инфраструктуре для StarSling, важно сразу уйти от императивного подхода. Не нужно заходить на сервер и вручную прописывать конфигурацию раннеров или параметры AI-агентов. Если вы хотите, чтобы эфемерные песочницы создавались предсказуемо, используйте декларативный подход.
С практической точки зрения, конфигурация StarSling должна жить в вашем репозитории рядом с кодом приложения. Это позволяет синхронизировать состояние инфраструктуры с состоянием самого приложения. Если агент изменил workflow для оптимизации тестов, это изменение проходит через тот же цикл: Pull Request — Review — Merge.
Рассмотрим пример декларативного описания ресурсов StarSling через YAML-манифест. В этом случае мы описываем не процесс создания, а конечное состояние: сколько агентов нам нужно и какие ресурсы (например, NVMe-диски для быстрого кэширования) им выделить.
yaml# starsling-config.yaml
apiVersion: starsling.io/v1alpha1
kind: AgentPool
metadata:
name: high-perf-runners
spec:
replicas: 3
resources:
storage:
type: nvme
size: 50Gi # Быстрый диск критичен для тяжелых CI-сборок
compute:
cpu: 4
memory: 8Gi
ai_optimization:
enabled: true
auto_fix_workflows: true # Агент будет сам править .github/workflows при ошибках
Применение такой конфигурации должно происходить через GitOps-оператор (например, ArgoCD или Flux). Вы пушите этот файл в Git, и система сама приводит состояние инфраструктуры в соответствие с описанным. Это исключает ситуацию «у меня на сервере настроено иначе, чем в репозитории». Такой подход развивает навыки реальных инженеров, где умение управлять состоянием системы важнее, чем знание конкретных команд терминала.
Security and secret management
Работа с AI-агентами, которые имеют доступ к созданию песочниц и изменению workflow, накладывает серьёзную ответственность за безопасность. Главное правило: агент не должен иметь прямого доступа к вашим долгоживущим секретам.
Если агент StarSling анализирует логи и предлагает исправления, он может случайно «выплюнуть» чувствительные данные в публичные логи GitHub Actions. Чтобы этого избежать, используйте три уровня защиты:
- Изоляция секретов: Никогда не передавайте секреты в переменные окружения агента напрямую. Используйте механизмы динамической выдачи токенов.
- Шифрование в Git: Все конфиги, которые могут содержать метаданные, должны быть зашифрованы. Я рекомендую связку SOPS + Age. Это позволяет хранить зашифрованные секреты в репозитории, не боясь их коммита.
- Ограничение области видимости (Scope): Используйте GitHub Environment Secrets. Агент должен работать в рамках конкретного окружения с ограниченными правами.
Рассмотрим, как выглядит безопасный подход к управлению секретами в пайплайне, где участвует AI-агент. Вместо передачи пароля, мы передаём путь к зашифрованному файлу, который расшифровывается только в защищённой среде выполнения.
bash# Пример того, как должен выглядеть процесс в CI
# Мы не храним пароль, мы используем SOPS для расшифровки на лету
# 1. Проверяем, что секреты не попали в открытый вид (на уровне pre-commit)
git secrets inspect
# 2. Расшифровываем конфиг только внутри эфемерной песочницы
sops --decrypt secrets.enc.yaml > secrets.yaml
# 3. Используем секреты и сразу удаляем файл
./run-agent-task.sh --config secrets.yaml
rm secrets.yaml
Это важно, потому что в инфраструктуре, где компоненты создаются и уничтожаются динамически, «забытые» секреты в кэше или логах — самая частая точка отказа. Помните, что автоматизация без контроля безопасности — это просто способ быстрее совершить ошибку. Чтобы лучше понимать принципы работы с автоматизированными системами, рекомендую изучить практические практики из .agents, которые помогают выстроить правильный инженерный процесс.
Часто задаваемые вопросы
Как StarSling управляет ресурсами и почему его песочницы быстрее обычных runner'ов?
StarSling использует динамический пул агент‑volume, который автоматически распределяет CPU, RAM и GPU‑ресурсы между несколькими изолированными контейнерами‑песочницами. Песочницы создаются из готового образа с преднастроенными зависимостями, что устраняет этап загрузки и позволяет сразу запускать задачи. Благодаря быстрому старту и ограниченному времени жизни (ephemeral), ресурсы не «залипают» в системе, а освобождаются после завершения задачи. Это делает процесс выполнения более предсказуемым и экономичным по сравнению с фиксированными GitHub Actions‑раннерами.
Как безопасно использовать AI‑агента в песочнице, чтобы он не получил доступ к секретам?
StarSling генерирует отдельный набор переменных окружения для каждой песочницы, исключая переменные, помеченные как секреты, из стандартного окружения runner‑а. Агент получает только те токены и ключи, которые явно переданы в его конфигурации через secrets‑блок workflow. При необходимости можно задать allow_secrets: false в описании задачи, чтобы полностью запретить доступ к секретам. Такой подход гарантирует, что AI‑агент работает в полностью изолированной среде без риска утечки конфиденциальных данных.
Можно ли интегрировать StarSling в существующий workflow без изменения уже написанных шагов?
Да. Для интеграции достаточно заменить значение runs-on в нужном job‑е на starsling-agent-runtime и добавить один step, который инициирует запрос песочницы (пример в статье). Остальные шаги workflow остаются без изменений, так как StarSling управляет только окружением, а не содержимым самих шагов. Это позволяет постепенно вводить AI‑агентов в существующие пайплайны без рефакторинга кода.
Как отлаживать проблемы, когда AI‑агент не может создать песочницу (например, из‑за лимитов)?
StarSling предоставляет лог‑уровень debug в step‑е Analyze failure and request sandbox, где выводятся причины отказа (недостаток ресурсов, превышение квоты, неверный YAML‑описание). При возникновении ошибки можно увеличить max-containers в настройках проекта или запросить более мощный тип песочницы через параметр resource-profile. Кроме того, в UI StarSling есть статус‑панель, показывающая текущую нагрузку и доступные лимиты, что упрощает быстрый анализ и корректировку конфигурации.