К началу 2026 года стало заметно: формат “чат с LLM” перестал закрывать реальные инженерные задачи.
Да, модель может подсказать решение. Но дальше начинается привычная цепочка: открыть терминал, написать код, проверить, подправить, запустить, отследить результат.
Появляется закономерный вопрос: если модель знает, какие шаги нужны, почему она не может их выполнить сама?
Отсюда и растущий интерес к автономным агентам – системам, где LLM используется не как чат, а как управляющий слой поверх реальной среды исполнения.
Clawdbot – один из таких проектов.
И он open-source!
Его разработал Peter Steinberger – опытный разработчик и основатель компании PSPDFKit – SDK для работы с PDF-файлами.
Чем агент отличается от чат-бота, если смотреть инженерно
Чат-бот – это stateless interaction (взаимодействие без сохранения состояния):
-
запрос → ответ;
-
короткая история диалога;
-
ноль побочных эффектов.
Автономный агент – это long-running process (длительный процесс):
-
постоянный цикл работы;
-
сохранённое состояние;
-
доступ к инструментам;
-
возможность реагировать на события, а не только на команды.
Фактически это сервис, внутри которого LLM выполняет роль планировщика и контроллера.
Архитектура
Clawdbot собран из простых, хорошо знакомых компонентов.
1. Gateway
Интеграционный слой
Webhook’и, адаптеры, нормализация входящих сообщений.
Никакой логики.
Просто доставка событий туда и обратно.
2. Agent
Оркестратор поверх LLM (внешняя LLM на ваш выбор, с вашими доступами)
Задачи агента:
-
разобрать входную цель;
-
декомпозировать её на шаги;
-
выбрать инструменты;
-
контролировать порядок и завершённость выполнения.
Важно: агент не исполняет код напрямую. Он управляет тем, какой код должен быть выполнен и когда.
3. Memory
Обычные хранилища:
-
short-term контекст;
-
long-term данные в векторной БД;
-
структурированные файлы с состоянием и настройками.
Это не “память модели”, а данные, которыми агент умеет пользоваться.
4. Skills
Исполняемый код.
Скрипты и функции, которые:
-
работают с файловой системой;
-
запускают команды;
-
управляют браузером;
-
вызывают API.
Skills – единственный слой, который реально влияет на систему.
Итого в общем виде схема примерно такая: “событие → агент → skill → результат”
Где здесь появляется инициатива
Ключевое отличие агента от автоматизации на cron’ах – инициатива.
Агент работает постоянно и может реагировать на события:
-
появление файла;
-
изменение состояния сервиса;
-
наступление внешнего условия;
-
приближение дедлайна.
Он не просто шлёт алерт. Он может сам запустить цепочку действий и подключить человека только на этапе подтверждения. Это не rule-based автоматика, а контекстная реакция с фильтрацией шума.
Саморасширение системы
Если для задачи нет подходящего инструмента, агент может:
-
понять, что skill отсутствует;
-
найти библиотеку или API;
-
добавить новый skill;
-
использовать его дальше.
Это не обучение модели и не “самоосознание”.
Это динамическое расширение функциональности системы.
Про безопасность, честно
Доступ к shell (возможность выполнять команды в ОС) – это риск. Здесь нет иллюзий.
Поэтому нормальная конфигурация включает:
-
контейнеризацию;
-
allowlist команд;
-
human-in-the-loop для опасных операций;
-
логирование и ограничение прав.
Хотя даже с этими мерами агент не становится безопасным «по умолчанию», но становится контролируемым.
Платформа, и при чём тут Mac Mini
Clawdbot не завязан на macOS.
Он работает:
-
на Windows;
-
на Linux;
-
в Docker;
-
на VPS;
-
на домашнем сервере.
Mac Mini – это не требование, а тренд, в основном западный. Причина простая: на macOS проще получить нативный доступ к экосистеме Apple. Если эти ресурсы не нужны, то Linux закрывает почти все сценарии.
Кому это может быть полезно
Скорее всего, это заинтересует тех, кто:
-
строит автоматизацию сложнее cron + bash;
-
работает с long-running процессами;
-
не хочет отдавать контроль облачным ассистентам;
-
готов управлять рисками и инфраструктурой.
Если нужен просто умный чат – это не тот инструмент.
При этом идея автономного агента не ограничивается it-задачами.
Для всех остальных это выглядит проще:
-
система может сама следить за почтой и документами,
-
напоминать о делах не по таймеру, а по контексту,
-
заполнять формы,
-
бронировать услуги,
-
собирать регулярные сводки,
-
разбирать файлы по папкам
-
реагировать на события без постоянного контроля.
По сути, это личный помощник, который не просто отвечает на вопросы, а берёт на себя рутину и подключает человека только тогда, когда действительно нужно принять решение.
Лично меня привлекает то, что можно создать ему “собственные” учётки для мессенджеров (WhatsApp, Telegram) и общаться с ним именно таким способом. Например, он сможет сам прислать в телегу сообщение, что на сегодня запланированы “вот такие задачи”. А я смогу какие-нибудь из них переложить на него, мол “вот это сделай сам”. Конечно, с пониманием его возможностей и валидацией результата, где это необходимо.
Итог
Автономные агенты выглядят как логичное продолжение LLM-революции. Не замена DevOps, не «AI-сотрудник», а новый уровень оркестрации задач.
Clawdbot – наглядный пример того, как эта идея начинает приобретать инженерную форму. Не идеальную, не универсальную, но уже достаточно конкретную, чтобы с ней можно было работать.
P.S. Мой ближайший план: развернуть всё это уже на обычном VPS (1-2 CPU, 1-2 Gb RAM – для начала должно хватить) и посмотреть, как агент ведёт себя в условиях ограниченных ресурсов, без «домашнего сервера под столом» и без привязки к конкретной экосистеме. Отдельно интересно, какие сценарии действительно приживутся, а какие окажутся переусложнёнными. Про результаты и выводы будет отдельный материал.
Ссылка на репозиторий агента:
https://github.com/clawdbot/clawdbot
Ссылка на проект:
https://clawd.bot/
Автор: kbond287
