Как развернуть AI Coding Agent 24/7

Кратко: В 2026 году многие хотят AI Coding Agent, который ночью принимает issues, правит код и открывает PR — и ошибаются на первом шаге, думая, что достаточно установить Cursor или купить API. Долговечный autonomous coding agent опирается на постоянную среду выполнения, планирование задач и объективную валидацию. Ниже — практическое руководство по четырём осям: слои архитектуры, топология развёртывания, минимальный стек и усиление для продакшена.

1. Что такое 24/7 AI Coding Agent?

В отличие от Copilot или Cursor Tab в IDE, 24/7 AI Coding Agent решает другую задачу: кто в ваше отсутствие имеет право менять репозиторий, запускать команды и получать сигналы валидации в реальной среде?

Рабочее развёртывание обычно включает четыре способности — без любой из них это не «24/7 autonomous coding agent»:

• Постоянная среда выполнения (L0) — macOS или Linux без отключений, способный запускать git, npm, xcodebuild.
• Процесс coding agent (L3/L5) — слой pair (Claude Code) или автономный (OpenHands) читает контекст и пишет diff.
• Входы и очередь задач — label issue GitHub, webhook, cron, команда Slack подают работу agent.
• Объективная валидация (L1) — GitHub Runner или локальные тесты дают Facts, которым доверяет организация, а не только «готово» от agent.

Коротко: узел — фундамент и коммуникации; agent — рабочий; Runner — контроль качества. Многие покупают API модели и запускают скрипт на MacBook — закрытие крышки, сон, борьба за память и смена IP обрывают задачу в три часа ночи.

2. Одна схема: от входа задачи до mergeable PR

Ниже причинно-следственная цепочка типичного pipeline autonomous coding agent. Слева основная цепь, справа — что нужно для успеха и типичные сбои.

3. Пять слоёв компонентов

Как в слоях инфраструктуры AI Agent, не обязательно покупать всё сразу — но нужно понимать, чего не хватает без каждого слоя:

Claude Code даёт Diff, Runner — Fact, OpenHands — Workflow — формула ролей. Для ночного lint достаточно L0 + L5 + L1; для дневного pair по архитектуре добавьте L3 и следите за планированием памяти на одной машине (параллельное планирование памяти).

4. Топология: локальный Mac mini vs Cloud Mac

Узел может быть физическим, VM или облачной арендой — критерий SLA доступности, а не бренд:

Чисто backend-репозитории (Go / Node / Python) теоретически могут на Linux — как только в workflow появляются xcodebuild, swift test или подпись Apple, выполнение должно вернуться на macOS. Поэтому в гайдах 2026 Mac по умолчанию — граница ABI, не ностальгия.

5. Минимальный стек (MVP): одна ночная задача end-to-end

В первый день не нужны Kubernetes и векторная БД. Самая быстрая связка «issue → PR → CI зелёный»:

• Узел: Mac mini M4 16 ГБ или аналог Cloud Mac; с OpenHands + Runner — 24 ГБ.
• Agent: OpenHands (автономный) или Claude Code + простой shell-обёртка (полуавто).
• Модель: API Claude / GPT; локальный Ollama опционален, не обязателен для 24/7.
• Вход: label agent на issue → webhook GitHub.
• Валидация: self-hosted Runner на той же машине, runs-on: [self-hosted, macOS].
• Контекст: GitHub MCP только чтение + AGENTS.md с красными линиями.

6. Чеклист развёртывания из 7 шагов

Следуйте порядку — каждый шаг проверяется отдельно. Ядро практической части, чтобы не оказаться с «всё установлено, Runner не зарегистрирован».

Шаг 1 — Узел L0. SSH, синхронизация времени, диск ≥ 256 ГБ (Xcode + несколько workspace съедают место). Пользователям Cloud Mac: сначала инициализация инстанса и статический IP.

Шаг 2 — Ограниченная git-идентичность. Отдельная GitHub App или deploy key для agent: запись только в feature-ветки, без write на main. Prod-секреты и npm token не в переменных окружения agent.

Шаг 3 — Установить coding agent. Пример OpenHands (Docker или нативно по документации):

# На узле L0 клонируем OpenHands и настраиваем LLM API Key
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
# .env: MODEL, GITHUB_TOKEN (issues только чтение), WORKSPACE_BASE
make run

Шаг 4 — Подключить MCP (опционально, рекомендуется). Большой репозиторий: CodeGraph MCP, чтобы agent «видел» зависимости перед правками.

Шаг 5 — Зарегистрировать GitHub Runner. На той же машине, что agent, label например macos-agent. Фрагмент workflow:

# .github/workflows/agent-verify.yml
name: Agent PR Verify
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  verify:
    runs-on: [self-hosted, macOS, agent]
    steps:
      - uses: actions/checkout@v4
      - run: swift test   # или npm test / go test

Шаг 6 — Входы задач. Webhook GitHub на лёгкий HTTP-сервис на сервере или встроенная интеграция OpenHands; фильтр label agent-ready, чтобы не каждый комментарий запускал задачу.

Шаг 7 — Мониторинг и circuit breaker. Логировать токены, длительность и число изменённых файлов на задачу; таймаут (например 90 мин) → kill; параллелизм сначала 1, после стабилизации — 2.

7. Усиление prod: чтобы agent не сломал main ночью

Главный риск autonomous coding agent — не «глупая модель», а избыточные права без ревью. Перед запуском минимум:

8. Затраты и спецификации

Счёт за 24/7 AI Coding Agent обычно из трёх частей:

• Вычислительный узел: Mac mini разово + электричество; Cloud Mac по дням/неделям (аренда vs покупка).
• API модели: автономный agent в циклах — часто в 5–20 раз больше токенов, чем pair coding; лимит бюджета на задачу.
• Человеческая эксплуатация: в начале несколько часов в неделю на логи, промпты, застрявшие задачи — не «установил и забыл».

Эмпирика: только OpenHands + средний репозиторий — 16 ГБ возможно, но риск swap; Agent + Runner + опциональный Ollama на одной машине — 24 ГБ спокойнее (16 ГБ vs 24 ГБ).

9. Типичные ошибки

• Pair-инструмент за autonomous agent — Claude Code останавливается с концом сессии без слоя планирования.
• Нет слоя Fact — agent говорит «тесты прошли», Runner ни разу не запускался (зачем нужен self-hosted Runner).
• Слишком много параллелизма — две автономные задачи на 16 ГБ → swap.
• Контекст «голый» — monorepo на миллион строк без CodeGraph = слепой рефакторинг.
• Игнор часовых поясов и алертов — утром полуготовые PR без ночного оповещения.

10. Частые вопросы

В: Cursor Background Agent — это 24/7 AI Coding Agent?
О: Cursor хостит среду выполнения — локальный 24/7 не обязателен. Но права на репозиторий, CI и compliance настраиваете вы. Self-hosted значит: данные и выполнение на полностью контролируемом узле.

В: GitHub Copilot Workspace / OpenAI Codex?
О: Как слой L3/L5 модели и UI — да; развёртывание остаётся среда + планирование + валидация. После слияния Codex с ChatGPT больше про pair — для unsupervised нужен workflow-обёртка (разбор слияния Codex).

В: Хватит ли Docker OpenHands на Linux?
О: Для чистого web/backend — да; любой шаг Apple toolchain требует macOS-узла. Типичная смешанная схема: Linux планирует, macOS Cloud Mac собирает и запускает agent.

В: Один человек на поддержке — нужен ли 24/7?
О: Только дневной pair coding? Нет. 24/7 уместен при backlog issues, командах в разных часовых поясах или переносе «техдолга» на ночное время машины.

В: Сравнение с Devin / Factory?
О: Коммерческие продукты продают упакованные agent + выполнение + UI. Self-hosted — для аудита, настраиваемых прав, выравнивания с Runner/MCP. Многие команды исследуют на коммерческом, а серийные задачи гоняют на self-hosted.