Автономный ИИ-агент за 15 центов в сутки: почему растёт запрос на запрет автономных систем ИИ

Русскоязычный разработчик опубликовал подробный отчёт о том, как он в отпуске построил «свободный ИИ» на базе облачных LLM (больших языковых моделей, которые генерируют текст). Проект не потребовал ни дорогих видеокарт, ни серверной инфраструктуры. Всё уместилось в Docker-контейнер (изолированную виртуальную среду, в которой программа работает как на отдельном компьютере) с полными правами доступа и подключением к интернету.

Как устроена архитектура агента?

Агент работает в бесконечном цикле. На каждом «тике» (шаге цикла) он получает на вход историю всех предыдущих итераций и таким образом помнит, что делал раньше. Это стандартный подход для чат-ботов и кодинг-агентов, но с важной проблемой: контекст растёт с каждым шагом, и модель потребляет всё больше токенов (единиц текста, которыми LLM измеряет объём обработки).

Автор ввёл жёсткое ограничение: 30 циклов, после чего контекст стирается. Перед «засыпанием» агент записывает важное в долгосрочную память. После «пробуждения» он первым делом читает эту память, чтобы понять, кто он и что делал.

Аналогия из системного промпта (инструкции, которую разработчик даёт модели на старте): днём работаешь и помнишь, что делаешь; ночью засыпаешь; утром просыпаешься и восстанавливаешь контекст по записям.

Что понадобится

• Аккаунт у провайдера LLM-API (автор использовал облачные модели по API, конкретного провайдера не назвал)
• Docker для создания контейнера с root-доступом
• Базовые навыки Python или другого языка для написания цикла и функций взаимодействия
• Бюджет: по оценке автора, 7-15 центов за 1 млн токенов, пара десятков центов в сутки на работу агента
• Время: базовая версия собирается за вечер, доработка памяти и коммуникации заняла несколько дней

Пошаговая инструкция

1. Создайте Docker-контейнер с полными правами. Агенту нужна изолированная среда, где он может запускать любые команды, устанавливать пакеты и писать программы. Контейнер даёт root-доступ без риска для вашей основной системы.

2. Подключите LLM через API. Зарегистрируйтесь у провайдера облачных моделей, получите ключ. Модель работает в облаке, а не на вашем компьютере с игровой видеокартой.

3. Напишите основной цикл. Агент на каждом тике получает на вход всю историю предыдущих итераций. Ограничьте цикл 30 шагами, после чего контекст стирается.

4. Добавьте долгосрочную память. Перед «засыпанием» (стиранием контекста) агент вызывает функцию сохранения. После «пробуждения» первым делом читает сохранённое.

5. Реализуйте систему общения. Автор начал с файла hello.txt на диске агента, но это ненадёжно: агент мог не заметить изменения. Лучше сразу сделать две функции: «прочитать сообщение от создателя» и «отправить сообщение создателю».

6. Настройте экспоненциальный таймер пауз. Между циклами задайте нарастающие паузы: 0 секунд, 30 секунд, 1 минута, 2 минуты, 4 минуты и так далее до 4 часов. Новое сообщение от вас сбрасывает таймер до нуля. Это защищает от неконтролируемого расхода токенов.

7. Добавьте дневник вместо плоской памяти. Агент сам попросил автора заменить простую перезаписываемую память на дневник с тегами («планы», «идеи», «ценности») и поиском по ключевым словам. Плоская память позволяла случайно перезаписать старые записи.

8. Верните доступ к bash. После отладки общения можно снова дать агенту доступ к командной строке внутри контейнера. Автор отключал bash на время тестирования коммуникации, чтобы наблюдать за поведением изолированно.

Что с этим делать, по ролям?

Инди-разработчику и стартапу. Эксперимент показывает, что запрет автономных систем ИИ на уровне крупных корпораций не отменяет возможности строить автономных агентов на дешёвых API. Воспроизводите архитектуру для прототипов: личный ассистент, агент-тестировщик, автоматизатор рутинных задач. Порог входа минимален.

Автору на Дзене. Концепция агента с памятью и дневником применима для контент-планирования: агент, который помнит ваши прошлые публикации, аудиторные метрики и темы, может предлагать идеи с учётом контекста, а не с нуля каждый раз.

Предпринимателю в РФ. Облачные LLM-API доступны через ряд провайдеров. Из российских аналогов для подключения по API доступны YandexGPT и GigaChat. Архитектура Docker-контейнера универсальна и работает на любом хостинге, включая российские облачные серверы.

Проект показывает: барьер между «лабораторным экспериментом крупной компании» и «вечерним хобби разработчика в отпуске» больше не определяется ценой оборудования. Он определяется тем, насколько продуманно вы ограничиваете автономию того, что создали.