Что такое Agent DevTools и какую задачу он решает
Agent DevTools хранит рабочий контекст ИИ-агента рядом с проектом: что уже сделано, почему выбран такой подход, какие попытки не сработали и чем подтверждён результат. Инструмент бесплатный, распространяется с открытым исходным кодом под лицензией MIT, без подписки и платы за собственные операции (разбор инструмента на Habr).
Формально это локальный набор инструментов, которым пользуется уже существующий агент. DevTools не добавляет модели интеллекта, он даёт ей организацию: помогает подобрать контекст и проверки для шага, зафиксировать решение и сохранить знание, которое пригодится в следующих сессиях. Основная цель авторов - сохранение рабочего контекста без разворачивания и обслуживания ещё одной системы.
Простой пример потери. Вы правили схему базы, тесты падали по внешнему ключу, вы поменяли порядок миграций и закрыли сессию. В новом диалоге агент видит только итоговые файлы: историю решений, отвергнутый вариант и причину падения ему никто не сообщил. Остаётся объяснять всё заново или наблюдать, как агент снова предлагает уже провалившийся подход.
Почему контекст теряется между сессиями
Стандартный чат не хранит состояние между сессиями, если это не предусмотрено отдельно. Модель не помнит, какие файлы правились, какие тесты запускались, какие гипотезы отбросили и на каком основании. Каждый новый диалог - повторный вход в задачу: агент заново читает код, заново строит картину, заново предлагает варианты, которые уже проверяли.
Чем длиннее задача, тем дороже повторный вход. На больших кодовых базах упирается ещё и контекстное окно локальной LLM, поэтому состояние переносят в отдельный handover-документ и вручную собирают вводную для новой сессии (разбор про длительные задачи с локальными LLM). Agent DevTools закрывает ту же потребность штатными средствами самого агента, без внешнего harness-скрипта.
Кому подходит инструмент
Инструмент рассчитан на тех, кто ведёт реальные проекты с ИИ-агентом и устал повторять вводные:
- разработчики, которые работают с агентом прямо в репозитории;
- пользователи локальных LLM, у которых контекстное окно ограничено и его жалко тратить на восстановление картины;
- технические специалисты, использующие браузерный ИИ-чат со средой выполнения Python и доступом к файлам;
- аналитики, тестировщики и технические писатели, разбирающие большие проекты вместе с агентом.
Отдельный класс задач - разбор PDF, DOCX, логов и скриншотов, для него нужен другой инструмент, например настольный агент (Koda Desktop). Agent DevTools отвечает за память проекта, а не за содержимое вложений.
Полезно посмотреть на опыт команд: иногда главным результатом работы с агентом становится именно контекстная инфраструктура, а не сам агент (кейс с побочным продуктом ИИ-агента).
Установка Agent DevTools: одна строка и минимум зависимостей
Для работы нужна только стандартная установка Python вместе со встроенным модулем SQLite. Вся инфраструктура инструмента опирается на стандартную библиотеку Python, поэтому сторонние пакеты, Docker, сервер базы данных, MCP-сервер и облачный сервис не требуются (описание требований).
Установка через агента
Короткий путь: передать агенту одну строку - ссылку на документ инициализации. Документ объясняет агенту, как развернуть DevTools в текущем workspace и продолжить задачу. Дальше действия выполняет агент, вручную запускать команды не нужно.
Ручная установка через bootstrap-скрипт
Второй способ - скачать bootstrap-скрипт и запустить его из каталога проекта:
python AGENT-DEVTOOLS-BOOTSTRAP-RUN-ME.pyВ зависимости от системы команда может называться python, python3 или py. Bootstrap разворачивает инструмент в выбранном проекте, поэтому ставить пакеты через pip, создавать отдельное виртуальное окружение или настраивать сервисы не нужно. Скрипт подстраивается под каталог: в пустом он уточняет намерение пользователя, в существующем проекте сначала изучает файлы и определяет стек, чтобы не спрашивать то, что и так видно.
Требования к окружению
- Нужно: стандартный Python и встроенный модуль SQLite.
- Не нужно: третьи пакеты из pip, Docker, сервер базы данных, MCP-сервер, облачный сервис.
- Где работает: локально на своём компьютере и в браузерном ИИ-чате со средой выполнения Python и доступом к файлам.
- Где не работает: обычный текстовый чат без среды выполнения Python и доступа к файлам.
Про деньги: сама DevTools бесплатна, платить за неё нечего. Отдельная статья расходов появляется, если агент обращается к зарубежным API и подпискам. Для таких платежей используют виртуальную карту зарубежного банка: её выпускают дистанционно, пополняют рублями через СБП и привязывают к Apple Pay, Google Pay, Alipay или WeChat (виртуальная карта для зарубежных сервисов).
Как работает Agent DevTools: текущая работа и устойчивые знания
Логика такая: оперативный контекст сессии и накопленные знания хранятся раздельно, чтобы временное не смешивалось с проверенным.
Разделение текущей работы и устойчивых знаний
Текущая работа - это факты, гипотезы, решения и препятствия конкретной сессии: что проверили, что не сработало, где застряли. Устойчивые знания - то, что подтверждено и понадобится дальше. Они продвигаются в каталог .agent-knowledge явно, вместе с происхождением записи: откуда взялось утверждение и чем оно проверено. Происхождение делает запись честнее, потому что без него наблюдение из одного запуска читается как установленный факт.
Handoff create и SHA-256-манифест
Команда handoff create упаковывает контрольную точку незавершённой работы: состояние задачи, принятые решения, открытые вопросы. В пакет входит манифест с контрольными суммами SHA-256, по которым проверяют целостность перенесённого состояния. Смысл проверки практический: при переносе между сессиями и средами файлы могут разойтись, и без контрольных сумм агент уверенно продолжит работу с не тем набором, который оставила предыдущая сессия.
Работа в браузерном ИИ-чате
Инструмент работает локально рядом с проектом, поэтому подходит и для своего компьютера, и для браузерного ИИ-чата со средой выполнения Python. Условий два: среда выполнения Python и доступ к файлам рабочего каталога. Обычный текстовый чат без этих возможностей не подойдёт, потому что DevTools негде будет читать и записывать состояние.
Детали работы.agent-knowledgeи командыhandoff createв доступном публичном разборе не раскрыты. Описанное выше поведение заявлено в материалах об инструменте; конкретную реализацию проверяйте в его документации и репозитории.
Чем Agent DevTools отличается от AGENTS.md и других решений
AGENTS.md: правила есть, контекста нет
Файл AGENTS.md полезен, поскольку задаёт правила проекта и агент сверяется с ними (про роль файлов инструкций). Разница в назначении: AGENTS.md описывает, как надо работать в этом репозитории, а не что уже сделано, какие гипотезы проверены и какие решения приняты по ходу. Такой файл остаётся статичным до ручной правки, тогда как рабочий контекст меняется каждый час.
MCP-сервер, Docker и облака: когда они не нужны
MCP-сервер, Docker, отдельный сервер базы данных и облачный сервис - это ещё одна сущность, которую нужно поднять, настроить, обновить и починить в момент, когда она сломается. Agent DevTools обходится без них, и порог входа получается низким: есть Python, есть инструмент. Если агенту нужны внешние интеграции через MCP, это отдельный слой задач, не связанный с памятью проекта.
| Подход | Что хранит | Что нужно для запуска |
|---|---|---|
| AGENTS.md | правила и договорённости проекта | файл в репозитории |
| Agent DevTools | факты, гипотезы, решения, препятствия, проверенные знания | Python со встроенным SQLite |
| MCP-сервер | подключение агента к внешним инструментам и данным | отдельный сервис |
| Облачный сервис | данные вне проекта | аккаунт и доступ в сеть |
Выбор простой: правила и стандарты держите в AGENTS.md, оперативную память и перенос работы - в DevTools. Они дополняют друг друга, а не конкурируют.
Ограничения и на что обратить внимание
Знания требуют проверки
Запись в .agent-knowledge - не истина в последней инстанции. Туда попадает то, что агент и человек посчитали подтверждённым, а подтверждение бывает разной силы: один удачный запуск, логический вывод модели, ссылка на коммит. Происхождение записи помогает это различие сохранить, но не отменяет проверку. Перед тем как опереться на знание, посмотрите первоисточник: файл, тест, диф. Как выстраивать границу ответственности с агентом, разбирается отдельный материал (про делегирование кода ИИ-агентам).
Тесты и обязательные проверки
Выборочный запуск тестов ускоряет итерации, но не отменяет обязательных проверок проекта: полного набора тестов, линтеров, сборки и всего, что требует регламент команды. Агент может сам подобрать проверки под текущий шаг, и это экономит время, однако решение о готовности принимают по полному набору. DevTools помогает организовать проверки, а не заменить их.
Временные среды и сохранение результатов
В браузерном чате или контейнере рабочее окружение может исчезнуть вместе с сессией. Всё, что должно её пережить, сохраняют явно: выгружают файлы, продвигают знания, делают handoff до закрытия. Расчёт на то, что среда запомнит результат сама, обычно заканчивается потерей контекста.
Практические сценарии использования Agent DevTools
Длительный проект с ИИ-агентом
Проект идёт месяцами, стек меняется, часть решений отменена. Без памяти каждая сессия начинается с археологии: агент читает файлы, восстанавливает картину, предлагает то, что уже отвергли. С DevTools факты, гипотезы, решения и препятствия лежат рядом с проектом, и вводная для нового диалога собирается из них, а не из пересказа человека. Чем чаще вы возвращаетесь к задаче, тем выше отдача от такой памяти.
Перенос работы между сессиями
Задача не доделана, а сессия закрывается: лимит контекста, конец дня, смена среды. handoff create собирает контрольную точку и манифест SHA-256, чтобы продолжение шло с того же места и с проверкой целостности. Это дешевле, чем заново объяснять задачу и повторно проходить отвергнутые варианты, особенно на локальных LLM с ограниченным окном контекста.
Накопление знаний по проекту
Отдельная выгода проявляется, когда в проект приходят новые участники или новые сессии агента. Проверенные факты, причины архитектурных решений и список тупиков лежат в .agent-knowledge с происхождением, поэтому вводная для агента собирается из конкретных записей, а не из общих слов.
Итог: стоит ли использовать Agent DevTools
Agent DevTools берёт на себя одну задачу: сохранить рабочий контекст агента рядом с проектом. Он бесплатен, распространяется под MIT, требует только Python со встроенным SQLite и не тянет за собой Docker, сервер базы данных, MCP-сервер или облако. Установка - одна строка через агента либо запуск bootstrap-скрипта из каталога проекта.
Ограничения стоит держать в голове до старта:
- знания в
.agent-knowledgeтребуют проверки и происхождения, а не слепого доверия; - выборочный запуск тестов не отменяет обязательных проверок проекта;
- во временных средах результаты сохраняют явно, иначе они исчезнут вместе с сессией.
Инструмент имеет смысл попробовать, если вы ведёте длинные задачи с ИИ-агентом, работаете с локальной LLM или запускаете агента в браузерной среде Python с доступом к файлам. Начните с одного проекта: пользу реально оценить за несколько сессий, а установка не требует ни виртуального окружения, ни новых пакетов.