К содержимому
Дайджест

Агентный харнесс с открытым кодом вместо облака

Sam Witteveen·14 сентября 2026·20:23
нужен экран понять, как устроено пошагово
Открыть на YouTube
Обзор открытого каркаса TrueForge для запуска агентов на своём железе — для тех, кто уже собирает агентов и не хочет зависеть от managed-сервисов провайдеров.

Что в ролике

Агентные каркасы делятся на три вида: кодинговые вроде Claude Code и Codex, сборные фреймворки вроде LangGraph и Agent SDK, где цикл пишешь сам, и облачные managed-агенты, где провайдер берёт на себя сессии, инструменты и песочницы. Автор показывает четвёртый вариант — открытый каркас TrueForge от True Foundry под лицензией MIT, который ставится одной командой, хранит сессии в локальной базе SQLite и работает с любой моделью. Главный аргумент — цифры бенчмарка на 14 задачах из корпоративного набора DevRev, где агент сводит данные из CRM, трекера задач, хранилища документов и нескольких MCP-серверов: на одной и той же модели Claude Opus разные каркасы дали разный расход токенов, потому что именно каркас решает, сколько вызовов инструментов попадёт в контекст. В замере облачные managed-агенты тратили около 10 миллионов токенов на прогон против 3,8 миллиона у TrueForge при той же точности, то есть 30% экономии на той же модели, а с более дешёвой GLM 5.2 экономия дошла до 75%. Второй аргумент — независимость: описание агента, системный промпт, набор инструментов, правила подтверждений и история сессий остаются у вас, поэтому возможны локальный запуск, нулевое хранение данных и требования комплаенса, которые облачные managed-сервисы не проходят. В интерфейсе настраиваются модели — автор подключил свой эндпоинт с DeepSeek Flash 4.1 и упоминает запуск локальных моделей через Ollama и LM Studio, — а также коннекторы вроде поиска Tavily и DeepWiki, скиллы и песочницы. Дальше он собирает агента для AI-новостей за последние 48–72 часа: агент сам догадался использовать Tavily, сходил на сайт издания, а из настроек автор отключил генеративный интерфейс и уточняющие вопросы, чтобы получать готовый результат. Готовый агент вызывается из Python-скрипта одной командой, а в планах разработчиков — подключение шлюза, локальные песочницы и изоляция через Docker.

Практика

Что получишь
Карту из четырёх видов агентных каркасов и понимание, что расход агента определяет в первую очередь каркас, а не только модель, плюс список того, что настраивается при локальном запуске.
Первый шаг
Поставить TrueForge по инструкции из репозитория в локальном режиме и подключить свою модель, чтобы прогнать знакомую задачу и сравнить расход токенов с облачным managed-агентом.
Цифры
  • —10 миллионов против 3,8 миллиона токенов — столько тратили на один прогон облачные managed-агенты и TrueForge на одной и той же модели Opus
  • —30% экономии — столько дал другой каркас на той же модели при той же точности ответов
  • —75% — до столького выросла экономия, когда тот же набор задач перенесли на модель GLM 5.2
  • —14 задач и три прогона на каждую — размер замера из корпоративного бенчмарка DevRev, который оценивал слепой LLM-судья
Честно
Ролик спонсирован True Foundry, создателями TrueForge, и автор говорит об этом прямо в начале; платного тарифа в показанном нет, единственная просьба — поставить звезду репозиторию на GitHub. Цифры экономии взяты из замера самой компании, независимой проверки в ролике нет. Команда установки, содержимое системного промпта и код Python-клиента видны только на экране — в речи они не называются, поэтому для повторения придётся смотреть видео.
Если слова незнакомы — 8 терминов

Понадобится экран

Часть информации есть только на экране (код в терминале). Открыть на YouTube с 10:57.

Связки из этого ролика

8 шт.

Компоненты

26 шт.

Цитаты-доказательства

дословно из субтитров

Формат: разбор · для продвинутых · уверенность разметки 0.83 · источник