Как создать AI agent на своем VPS

Что такое AI agent на самом деле

AI agent — это цикл, построенный вокруг языковой модели. Модель анализирует ситуацию, выбирает одно действие, ваш код выполняет это действие, результат возвращается модели, и цикл повторяется до завершения задачи. В этом заключается основная идея. Обычный чат-бот отвечает один раз и останавливается. Агент продолжает работу, совершая реальные действия между своими итерациями, пока не достигнет поставленной вами цели.

Действие — это ключевой элемент. Сама по себе языковая модель только генерирует текст. Она не может прочитать файл, вызвать API или запустить команду. Агент предоставляет модели набор инструментов, которые ей разрешено использовать, и способ запроса этих инструментов. Когда модели нужно найти информацию в интернете или записать файл, она не выполняет работу сама. Она выдает структурированный запрос, ваш код запускает соответствующий инструмент, и ответ возвращается модели как следующий входной элемент. Модель обеспечивает логику; ваш сервер обеспечивает исполнение.

Не для каждой задачи нужен агент; использование агента по умолчанию — распространенная ошибка. Если шаги известны заранее, обычный скрипт будет проще, быстрее и надежнее. «Запрашивай эту страницу каждый час и отправляй мне цену по email» — это запланированная задача (scheduled job), а не агент. Создавайте агента только тогда, когда путь не определен заранее и модели необходимо анализировать полученные данные, чтобы решить, что делать дальше. Ценой использования агента является непредсказуемость, поэтому используйте этот подход только тогда, когда гибкость оправдывает затраты.

Инструменты: как действует агент

Инструмент — это любая возможность, которую вы передаете модели, описанная достаточно подробно, чтобы она знала, когда ее использовать. Чтение файла, запуск shell-команды, запрос к базе данных, отправка сообщения: каждый из этих пунктов является инструментом с именем, кратким описанием и списком входных параметров. Вы определяете инструменты; модель решает, когда их вызывать.

Механизм везде одинаков, независимо от используемой модели. Модель возвращает структурированный запрос, который называет инструмент и заполняет его входные данные. Ваш код видит этот запрос, запускает соответствующую функцию и отправляет результат обратно на следующем шаге. Модель считывает результат и либо вызывает другой инструмент, либо выдает окончательный ответ. Function calling — это программная основа любого агента, а цикл, управляющий им, состоит всего из нескольких строк обычного кода.

Здесь же находится и ваш контроль. Модель может запросить выполнение команды, но ничего не запустится, пока ваш код не решит ее выполнить. В этом промежутке вы размещаете запросы на подтверждение опасных действий, ограничения на доступ инструментов к ресурсам и логирование всех действий агента. Безопасность агента ограничена только теми инструментами, которые вы ему даете, и проверками, которые вы устанавливаете перед ними.

MCP: стандартный способ подключения инструментов

Ручное написание интеграции для каждого сервиса быстро надоедает. Model Context Protocol, или MCP, — это открытый стандарт, который решает эту проблему. Вместо того чтобы писать новый инструмент для ваших файлов, базы данных и трекера задач, вы направляете агента на MCP server, который уже предоставляет эти функции как инструменты. Агент использует один протокол; сервер берет на себя работу по взаимодействию с реальной системой.

Результат — возможность повторного использования. MCP server, написанный кем-то другим для используемого вами сервиса, становится доступен вашему агенту без написания нового кода интеграции, а сервер, написанный вами, будет доступен любому агенту, поддерживающему этот протокол. На VPS это имеет значение, так как вы можете запускать MCP servers как отдельные небольшие сервисы рядом с агентом, каждый из которых имеет только необходимые ему права доступа. Я описываю процесс настройки в статье running MCP servers on a VPS.

Память и поиск (retrieval)

Языковая модель не обладает собственной памятью между вызовами. Все, что она знает о текущей задаче, должно передаваться ей на каждом шаге. Для коротких задач этого достаточно, так как весь контекст помещается в один запрос. Для более длительных задач вам придется управлять памятью самостоятельно; существует два подхода, которые стоит знать.

Первый — это scratchpad (черновик). Вы даете агенту файл, который он может читать и записывать, и просите его записывать все полученные данные по ходу дела. На следующем шаге или в следующей сессии он считывает файл и продолжает с того места, на котором остановился. Это память в виде обычного документа, и это работает, потому что агент обрабатывает файл как еще один инструмент.

Второй — это retrieval (поиск). Когда агенту требуются знания из большого массива документов, которые невозможно поместить в один запрос, вы сохраняете эти документы в виде, пригодном для поиска, и извлекаете только релевантные фрагменты в контекст модели, когда они необходимы. Этот паттерн называется retrieval-augmented generation, или RAG. Агент задает вопрос, ваш код находит нужные фрагменты, и только они отправляются модели. Хранилище находится на вашем сервере, поэтому ваши конфиденциальные документы не покидают его.

Много агентов, один координатор

Для большинства задач достаточно одного агента с множеством инструментов. Когда задача крупная или естественным образом разделяется на части, эффективнее использовать другую структуру: агента-координатора, который делегирует задачи специализированным под-агентам. Координатор разбивает цель на части, передает каждую часть под-агенту, созданному для такого типа работы, и объединяет результаты.

Преимущество заключается в фокусировке. Под-агент с узкой задачей и ограниченным набором инструментов принимает более качественные решения, чем универсальный агент, пытающийся справиться со всем сразу; кроме того, независимые части могут выполняться одновременно. Однако координация требует ресурсов, поэтому используйте одного агента до тех пор, пока задача явно не потребует большего. Начинайте с простого и добавляйте агентов только тогда, когда один агент явно не справляется.

Self-hosted или hosted: какая модель управляет вашим агентом

Модель — это та часть агента, которую вам не обязательно запускать самостоятельно, и выбор места ее размещения — самое важное решение. Hosted model, доступная через API, обеспечивает максимально качественные рассуждения без необходимости обслуживания: вы отправляете текст и получаете текст в ответ. Self-hosted model работает на вашем собственном сервере, что обеспечивает конфиденциальность каждого запроса, фиксированную стоимость вместо оплаты за токены и независимость от доступности сторонних сервисов. Вы выбираете между мощностью и трудозатратами. Лучшие hosted модели превосходят то, что вы можете запустить самостоятельно, а запуск собственной модели требует обеспечения достаточного объема памяти.

Последний пункт является практическим ограничением. Модель должна помещаться в память вашего сервера, а при использовании GPU — в его видеопамять. Модель, слишком большая для оборудования, не загрузится. Прежде чем планировать self-hosted агента, проверьте, подходит ли выбранная модель под ваше оборудование:

Если параметры не подходят, у вас есть три варианта: выбрать модель поменьше, использовать более агрессивную квантование (quantization) для уменьшения размера или использовать hosted API для рассуждений, оставив на сервере только свои инструменты и данные. Многие self-hosted агенты начинают с локальной модели через Ollama on a VPS, а для самых сложных этапов переключаются на hosted API.

Сервер — это опасная часть

Агент, который может выполнять shell-команды и записывать файлы, обладает большой силой, и именно поэтому он опасен. Логика модели хороша, но не идеальна; неверная инструкция, ошибка в коде или вредоносный ввод могут превратить полезного агента в инструмент, который удалит лишнее или допустит утечку секретов. Вопросы безопасности не являются опциональными, и на сервере это самая важная часть.

Основные правила безопасности: запускайте агента от имени отдельного непривилегированного пользователя, а не от root, чтобы ограничить масштаб возможной ошибки; те же принципы описаны в running services as an unprivileged user. Храните его секреты (например, API keys) вне кода, обеспечив доступ к ним только этому пользователю. И изолируйте (sandbox) инструменты, взаимодействующие с системой, чтобы агент имел доступ только к тому, что ему действительно необходимо. Для примера настройки безопасности реального self-hosted агента см. running OpenClaw safely on a VPS. Если вы предпочитаете использовать hosted модель для интеллектуальных задач, руководство по building an agent with Claude on a VPS применяет те же принципы, используя конкретную модель.

В качестве практического примера building an OpenClaw-style personal agent демонстрирует применение этих компонентов; если же вы хотите запустить готовое решение, начните с self-hosting Hermes Agent on a VPS или running Agent Zero on your own server, а the best self-hosted AI agents in 2026 содержит сравнение всех рассматриваемых готовых вариантов.

FAQ

В чем разница между AI agent и чат-ботом?

Чат-бот отвечает на сообщение и останавливается. Агент работает в цикле: модель выбирает действие, ваш код выполняет его, результат возвращается модели, и процесс повторяется до завершения задачи. Разница в том, что агент совершает реальные действия между своими итерациями, вызывая инструменты для чтения файлов, выполнения команд или запросов к сервисам, а не просто генерирует текст.

Нужен ли мне GPU для запуска AI agent на VPS?

Только если вы запускаете модель самостоятельно (self-hosting). Цикл агента, инструменты и память — это обычный код, который отлично работает на стандартном VPS без GPU. GPU необходим, если вы хотите запускать языковую модель на собственном оборудовании, так как модель должна помещаться в память. Если вы используете hosted модель через API, основные вычисления происходят на другой стороне, и достаточно скромного VPS.

Что такое MCP и нужно ли это для создания агента?

MCP (Model Context Protocol) — это открытый стандарт для подключения агента к инструментам и источникам данных. Строгой необходимости в нем нет, так как каждый инструмент можно написать вручную. MCP экономит время, позволяя повторно использовать существующие серверы для распространенных сервисов и предоставлять ваши собственные системы для использования любым агентом. Это удобство, которое становится оправданным по мере роста количества интеграций.

Безопасно ли давать AI агенту доступ к моему серверу?

Это может быть безопасно, если вы контролируете его действия. Агент, выполняющий команды, безопасен ровно настолько, насколько безопасна учетная запись, под которой он работает, и инструменты, которые вы ему разрешили. Запускайте его от имени непривилегированного пользователя, держите секреты вне зоны доступа, изолируйте инструменты, взаимодействующие с файловой системой, и требуйте подтверждения для действий, которые трудно отменить. Относитесь к агенту как к недоверенному, но умному коду, и предоставляйте ему только то, что необходимо для задачи.