Операционные системы (ОС), в которых ИИ-агенты решают поставленные задачи и взаимодействуют с интерфейсами программ, — это «новый черный». Мы в Beeline Cloud решили рассказать о нескольких таких открытых проектах. Среди них, например, OpenFang, где за исполнение действий отвечают модули-«руки», проект, позволяющий управлять планировщиками Linux и даже модульный полевой компьютер с ИИ-помощником, который может пригодиться в постапокалипсисе дикой природе без связи с миром.
Мастер на все «руки»
В начале 2026 года иорданская компания RightNow, которая специализируется на разработке GPU-инфраструктуры и ИИ-решений для нее, представила операционную систему OpenFang. Она написана на Rust и распространяется под двойной лицензией: MIT и Apache 2.0. Как пишут специалисты, фреймворки для работы с системами ИИ недостаточно автономны. Агентов приходится «тыкать палкой», чтобы заставить выполнять задачи, они часто простаивают в ожидании подтверждения со стороны пользователя. Поэтому в RightNow решили написать операционную систему, которая поможет агентам стать более самостоятельными.
Ключевой особенностью OpenFang являются автономные ИИ-модули под названием «руки». Каждый такой компонент отвечает за строго определенный спектр задач — например, аналитику данных, сбор информации из открытых источников, прогнозирование, проведение глубоких исследований или работу с вебом. «Руки» располагают манифестом с конфигурацией HAND.toml, многоэтапным системным промптом, описанием ИИ-навыка в формате SKILL.md, а также набором метрик для дашборда. При этом пользователи могут реализовать и своего автономного ИИ-агента — разработчики поделились соответствующими инструкциями.
OpenFang поддерживает работу более чем с 20 различными языковыми моделями, а также предлагает десятки готовых шаблонов для ИИ-агентов. К примеру, для аудита безопасности по уязвимостям OWASP можно выбрать одну из моделей DeepSeek, а для мониторинга и рецензирования кода подойдут Llama 3.1 8B Instant и Gemini 2.5 Flash соответственно.
В целом разработчики сравнили возможности OpenFang с показателями OpenClaw, LangGraph, CrewAI, и AutoGen, а также ZeroClaw. По скорости холодного запуска новая агентная ОС показала один из лучших результатов: всего 180 мс — быстрее большинства конкурентов (исключением стал лишь облегченный ZeroClaw, которому потребовалось около 10 мс). Заметным преимуществом OpenFang оказалось и количество встроенных механизмов безопасности. ОС предлагает изолированную WASM-песочницу, манифесты агентов с подписью Ed25519 для идентификации систем ИИ, а еще механизм удаления секретов из памяти после их использования. Для ОС также написан протокол двусторонней аутентификации OpenFang Wire Protocol на базе криптографического алгоритма HMAC-SHA256.
Вся OpenFang компилируется в один бинарный файл весом около 32 МБ и готова к работе из коробки — установка и базовые команды описаны в репозитории. Если вы хотите подробнее изучить возможности ОС, то хорошей точкой для старта будет официальная документация — там есть архитектура решения, руководства по написанию ИИ-навыков, справочники по API и CLI-командам. Стоит отметить, что проект еще молодой, и разработчики предупреждают о возможных багах и критических изменениях. Но всего за несколько месяцев после релиза OpenFang набрала больше 17 тыс. звезд на GitHub и получила свыше 2 тыс. форков.
Шаг к полной автономии
Планировщики в ядре Linux используют универсальные стратегии распределения процессорного времени и часто не учитывают потребности конкретных приложений. Исследователи из Шанхайского и Коннектикутского университетов увидели в этом проблему и в прошлом году представили SchedCP — экспериментальный MCP-сервер, позволяющий управлять планировщиками Linux и автоматически оптимизировать процессы с помощью ИИ. По словам авторов, их проект — это шаг к полностью автономным агентным ОС.
SchedCP на лету анализирует нагрузку, формирует ее профиль и переключается между различными планировщиками. Система работает как промежуточный интеллектуальный слой: агенты определяют, какие параметры требуют оптимизации, а ОС выбирает, как это сделать. Важную роль в этой архитектуре играет компонент autotune. Утилита собирает информацию и запускает задачу с использованием планировщика по умолчанию. Затем ИИ-агент оценивает показатели производительности, формирует профиль нагрузки и последовательно тестирует разные планировщики, чтобы определить лучший вариант для данной конфигурации.
Чтобы продемонстрировать возможности SchedCP, исследователи представили мультиагентную систему Sched-Agent, которая, по их словам, «имитирует работу команды экспертов». Система использует четыре агента: первый анализирует нагрузку, чтобы составить стратегию оптимизации, второй определяет задачи для планировщика, третий занимается их реализацией, а последний анализирует результат для улучшения работы системы.
Инструкции по настройке SchedCP, включая документацию для комплексных сценариев, — например, создания пользовательских BPF-планировщиков — доступны в репозитории. Весь опубликованный код и сопутствующие материалы распространяются по лицензии MIT.
Сам себе мультиинтерфейс
Цель проекта Lukan — создать агентную рабочую станцию. Он предлагает ИИ-слой поверх пользовательской операционной системы для работы с разнообразными нейросетями, где каждая модель запускается в отдельной сессии с tmux или PTY. Проект представил разработчик систем ИИ и профессор Университета Алькалы в Испании.
Как объясняет сам автор, Lukan вырос из личной боли. Нейросети стали неотъемлемой частью его работы: он использовал их для написания кода, управления задачами, сопровождения релизов и множества других процессов. Со временем количество используемых им ИИ-инструментов выросло настолько, что координировать их работу стало сложно. Так испанский инженер пришел к идее создать ОС, в которой он мог бы контролировать флот агентов.
Рабочие процессы в Lukan организованы на основе ориентированного ациклического графа (DAG) — можно разбить задачу на этапы, назначить на выполнение каждого из них конкретного ИИ-агента. Например, условная модель Qwen 3.5 анализирует контекст — проект пользователя, инструменты, исходный код, конфигурацию и историю. Затем с учетом этих данных она распределяет задачи между системами ИИ — какие команды нужно выполнить, какие API вызвать и так далее. А по результату в чате с пользователем отчитывается уже GPT-5.3-Codex.
Среда поддерживает как открытые, так и проприетарные модели от разных провайдеров. Отдавать команды ИИ-агентам можно через мессенджеры или по электронной почте. Автор проекта продумал и некоторые нюансы безопасности — решение способно автоматически обнаруживать конфиденциальные файлы на основе заданных шаблонов и блокировать к ним доступ для ИИ-агентов. К примеру, запретить нейросетям взаимодействовать с учетными данными, закрытыми ключами и служебными файлами .env, .ssh, .aws. Вся информация об установке и работе со средой размещена в репозитории проекта. Там же можно найти инструкции по планированию в Lukan фоновых задач, а также описание архитектуры решения.
Больше, чем просто «операционка»
Напоследок немного необычный и даже нишевый проект. Waycore — это не просто агентная ОС, но модульный полевой компьютер, предназначенный для выживания в дикой природе (и повседневного использования). Устройство в 2026 году спроектировал канадский разработчик, который вдохновился простотой кастомизации и модульной структурой гаджета Flipper Zero.
Встроенный в Waycore ИИ-помощник работает в офлайн-режиме и помогает распознавать по изображению объекты окружающей среды, к примеру, растения и грибы. Также через ИИ-агента можно обращаться к локальной базе знаний с информацией про выживание, навигацию, первую помощь, вязание узлов, идентификацию съедобных растений. Автор наполнял базу знаний из специализированных ресурсов и руководств. Правда, одновременно в Waycore может работать только одна модель ИИ для текстовых задач и распознавания объектов — по умолчанию, это Phi-3 Mini 4K и MobileNetV3. Можно загрузить и свои, так как Waycore совместим с форматами GGUF и TensorFlow Lite. Платформа поддерживает сразу несколько режимов связи, сменяемых в зависимости от уровня сигнала и обстановки: Meshtastic (сетка LoRa), LTE, Wi-Fi, TAK / Cursor on Target (COT) по IP [еще есть режим маяка / SOS]. Одни помогают налаживать связь в удаленных местах или вовсе сохранять ее при отсутствии интернета, другие — определять местоположение, совершать экстренные вызовы. В будущем планируется добавить поддержку VoIP при наличии LTE- или Wi-Fi-соединения.
Что касается железа, то Waycore собран на базе одноплатного устройства с Linux и микроконтроллера ESP32-S3. Имеются различные датчики: гироскоп, барометр, термометр, компас, сенсор освещенности. На задней части устройства расположены солнечные панели для подзарядки встроенной батареи. При желании возможности полевого компьютера можно расширить с помощью датчиков влажности или качества воды, лазерных дальномеров, считывателей RFID / NFC и так далее. В репозитории Waycore имеется вся информация по устройству, включая руководства для разработчиков — например, как писать для устройства приложения. Еще там есть гайды по использованию, настройке, отладке, обзор архитектуры и инструкции по загрузке ИИ-агентов. Исходники распространяются по лицензии MIT.
Beeline Cloud — безопасный облачный провайдер. Разрабатываем облачные решения, чтобы вы предоставляли клиентам лучшие сервисы.
Еще больше интересных материалов в блоге на Хабре и на ИТ-площадке «вАЙТИ»:
ссылка на оригинал статьи https://habr.com/ru/articles/1041802/