Все обсуждают модели: GPT, Claude, Codex, Gemini, Opus. Но в реальной работе побеждает не только самая сильная модель, а правильно собранная система вокруг неё. Эта система называется agent harness — харнесс. В статье разберём, что это такое, из каких компонентов он состоит и как я собираю свой рабочий AI-сетап: Orca, GitHub, VPS, Pi Agent, Codex Pro, AGENTS.md, MCP, skills и кастомный pipeline для разработки.
Раньше AI в разработке выглядел просто: открыл чат, написал запрос, получил кусок кода, вставил в проект, проверил, потом ещё десять раз написал “нет, не так”. Иногда это реально ускоряло работу. Иногда превращалось в странный спорт: кто быстрее устанет — ты или модель.
Но проблема не только в модели.
Проблема в том, что вокруг модели часто нет рабочей системы. Нет нормального контекста проекта. Нет правил. Нет связки с репозиторием. Нет доступа к документации, базе, серверу, проверкам, задачам и истории изменений.
Вот здесь появляется понятие agent harness — по-русски можно сказать “харнесс” или “обвязка”. В статье на Хабре харнесс описывается как программная инфраструктура вокруг LLM: оркестрационный цикл, инструменты, память, управление контекстом, состояние, обработка ошибок, ограничения и проверки. То есть агент — это то, что видит пользователь, а харнесс — механизм, который делает это поведение возможным.
Если объяснить совсем просто: модель — это двигатель. Харнесс — это коробка передач, руль, тормоза, приборная панель, навигация и ремни безопасности. Двигатель может быть мощным, но без нормальной системы вокруг него далеко не уедешь. Вернее, уедешь — но, скорее всего, не туда.
12 компонентов production-харнесса
1. Оркестрационный цикл — агент работает итерациями: получил задачу, подумал, сделал действие, получил результат, скорректировался, пошёл дальше.
2. Инструменты — доступ к файлам, терминалу, браузеру, GitHub, API, базе данных и другим сервисам.
3. Память — то, что позволяет агенту не начинать каждый раз с нуля.
4. Управление контекстом — выбор того, что модель должна видеть сейчас, а что не нужно тащить в промпт.
5. Конструирование промпта — сборка системных правил, пользовательской задачи, истории, инструментов и контекста проекта.
6. Парсинг вывода — понимание, что вернула модель: финальный ответ, вызов инструмента, ошибку или команду.
7. Управление состоянием — где агент находится в задаче, что уже сделал и что осталось.
8. Обработка ошибок — умение не падать при первом сбое, а исправляться.
9. Безопасность — ограничения на опасные действия: удаление файлов, миграции, деплой, доступ к данным.
10. Проверки — тесты, линтеры, build, diff review, visual review.
11. Субагенты — разделение ролей: один исследует, второй пишет, третий проверяет.
12. Непрерывность работы — способность продолжать задачу между сессиями, через git, progress-файлы, задачи и историю изменений.
Главная мысль: AI-разработка будущего — это не просто “купить доступ к новой модели”. Это собрать вокруг модели рабочую систему.
Теперь покажу, как я собираю такую систему у себя.
Мой рабочий сетап
Orca — специализированная IDE для разработки и оркестрации кодовых ИИ‑агентов (Claude Code, Codex, OpenCode, Gemini и др.) с изолированными git worktree, отдельными терминалами, встроенным браузером и мобильным приложением для удалённого управления.
GitHub — репозитории, ветки, pull requests, история изменений и деплой.
VPS — место, где хранится проект и где агент может работать в стабильной среде с доступом в интернет.
Pi Agent — основной harness, через который я запускаю модель Chat GPT 5.5.
OMP* — ещё одна CLI: AI coding agent для терминала с hash‑anchored edits, оптимизированным tool harness, поддержкой LSP, Python, браузера, субагентов и других возможностей для построения сложных агентных workflow.
Orca: специализированная IDE для разработки и оркестрации кодовых ИИ‑агентов
Первый слой моего сетапа — Orca.
Для меня это не просто IDE, а панель управления всей разработкой. В ней сходятся проекты, GitHub, VPS, SSH, терминал, агенты, diff, browser preview и мобильный контроль.
Orca описывает себя как desktop IDE для запуска нескольких AI coding agents side by side: каждая задача получает свой git worktree, свой agent terminal и свою browser tab. Это позволяет запускать Claude Code, Codex, Cursor CLI и другие CLI-агенты параллельно, не прыгая между ветками и не ломая рабочий поток.
Почему ORCA это супер удобно?
Пока у тебя один маленький проект, можно жить в обычной IDE и отдельном чате. Но когда появляется несколько SaaS-направлений, личный кабинет, Telegram-бот, backend, платежи, админка, лендинг, деплой и серверы — начинается операционный шум.
Orca закрывает этот шум.
Она становится верхним слоем, где я вижу рабочие проекты, открываю нужный репозиторий, запускаю агента, смотрю изменения, проверяю результат и не теряю контекст. Это уже не “я открыл чатик и попросил что-то написать”. Это рабочее место, где AI становится частью процесса.
GitHub в моём сетапе отвечает за дисциплину и выступает как центральный репозиторий между моей локальной разработкой и VPS.
Я разделяю ветки на продовую и не продовую: в продовой находится стабильная версия проекта, которая идёт в деплой, а в не продовых ветках ведётся вся разработка, эксперименты и работа агентов.
Также удобно реализован функционал управления VPS через SSH и можно видеть сколько у меня всего в работе VPS через порт Orca (изображение ниже). Orca поддерживает remote worktrees через SSH: worktree создаётся на удалённой машине, агент запускается на remote host, а файлы, diff и browser остаются управляемыми с ноутбука.
Отдельная сила Orca — worktrees.
Каждая задача может жить в отдельном git worktree. Это значит, что один агент может чинить billing, второй — дорабатывать личный кабинет, третий — проверять Telegram-бота, и они не будут толкаться в одних и тех же файлах. Документация Orca прямо объясняет, что worktree-native подход делает параллельных агентов безопаснее: у каждой задачи отдельная копия репозитория, своя ветка и свои agent terminals.
Это меняет саму механику работы. Разработка становится не последовательной, а параллельной. Я больше не думаю: “Сейчас сяду и сделаю одну задачу”. Я думаю: “Разложу направление на несколько задач, запущу агентов, а сам буду ревьюером, архитектором и продактом”.
Звучит громко, но на практике именно так и рождается новая роль — AI Product Developer. Не человек, который просто пишет код, а человек, который управляет системой разработки.
Ещё одна важная часть — мобильное управление.
Orca Mobile Companion позволяет смотреть статус агентов, читать terminal scrollback, отвечать на prompt, ревьюить source control, переключать аккаунты и получать уведомления, когда агент закончил или ждёт ввода. В документации Orca отдельно подчёркивается: мобильное приложение — это не полноценный редактор, а remote control для desktop-среды.
Pi Agent тот самый harness
Второй слой моего сетапа — Pi Agent. Если Orca — это оболочка проектов и серверов, то Pi — это рабочая обвязка, через которую я запускаю модель и задаю ей правила игры.
Внутри Pi у меня работает LLM-слой: ChatGPT 5.5 / Codex Pro по подписке. То есть сама модель отвечает за анализ, код, рефакторинг и объяснение решений, а Pi помогает управлять тем, какой контекст ей дать, какие инструменты подключить и по какому процессу вести задачу. Ещё один плюс Pi Agent — гибкость по моделям. Он совместим практически со всеми LLM через API, поэтому теоретически можно подключать разные модели под разные задачи: одну — для планирования, другую — для кода, третью — для ревью. Но на практике API не всегда выгоден при постоянной разработке. Если агент работает каждый день, читает проект, пишет код, гоняет проверки и держит длинный контекст, расход быстро растёт. Поэтому выгоднее использовать подписочные варианты. Вот доступные: OpenCode, Claude Code или Codex.
Главное отличие Pi от готовых решений вроде Claude Code или Codex CLI в том, что Claude Code и Codex — это уже преднастроенные vendor-harness: компания заранее решила, как агент работает с инструментами, контекстом и проверками. Это удобно, но не всегда гибко. Pi ближе к конструктору: я сам задаю стартовые настройки и собираю workflow под свой проект.
Ключевые элементы внутри Pi:
AGENTS.md — initial context проекта.
Туда я описываю архитектуру, структуру папок, стек, стандартные команды, правила работы с frontend/backend, ограничения по миграциям, критерии приёмки и то, как агент должен адаптироваться под конкретный проект. Это контекст помимо моего промпта: я не объясняю одно и то же каждый раз заново.
Skills — правила, которые превращают обычный промпт в нормальное ТЗ.
Например, я пишу: “доработай личный кабинет”, а skill заставляет агента разложить задачу: цель, сценарий пользователя, файлы, API, edge cases, проверки, критерии готовности. То есть агент не бежит сразу писать код, а сначала формирует понятную задачу.
Extensions — расширения, через которые можно достраивать Pi под себя.
Через них можно подключать MCP (например, Supabase для базы и backend-контекста, Context7 для актуальной документации и другое), запускать plan mode, добавлять команды, настраивать поведение агента и собирать свою визуализацию pipeline.
Themes — быстрый доступ к состоянию сессии и окружения. Здесь я вижу, сколько стоит текущее контекстное окно, сколько токенов уже потрачено, в какой папке я сейчас нахожусь, а также какой режим модели используется.
В итоге Pi для меня — не просто терминальный агент, а лёгкий настраиваемый harness. Он помогает экономить контекст и токены, потому что я не тащу в каждый запуск всё подряд: правила лежат в AGENTS.md, skills подгружаются под задачу, MCP включаются точечно, а pipeline держит агента в рамках процесса.
Заключение
Orca даёт мне командный центр для проектов и агентов. Pi Agent — лёгкую обвязку вокруг LLM, где я сам задаю контекст, skills, MCP и процесс работы. В итоге AI перестаёт быть отдельным чатом и становится частью производственного workflow. Такой подход экономит время, снижает хаос, помогает быстрее двигать SaaS-проекты и закрывать больше задач одному человеку: от идеи и ТЗ до кода, проверки и деплоя.
В своём Telegram-канале я часто тестирую новые AI-инструменты, агентные workflow и технологии для разработки продуктов. Если хотите быть в курсе таких экспериментов и разборов — присоединяйтесь.
Если вам тоже интересно не “что нового вышло в AI”, а как из этих инструментов собирать реальные продукты, бизнес-кейсы и рабочие агентные системы — присоединяйтесь к моему Telegram-каналу; буду рад обсуждать с вами рабочие сетапы.
ссылка на оригинал статьи https://habr.com/ru/articles/1055856/