Agenta - это open-source инструмент для создания AI-ассистентов, спроектированный как прямая замена закрытому Claude Cowork. Ключевое отличие: вы разворачиваете систему на своей инфраструктуре, подключаете любые модели, включая self-hosted, и переключаете обвязки между Claude Code, OpenAI Codex и другими средами без переписывания агентов. Проект доступен на GitHub и запускается одной командой после клонирования репозитория.
Рынок AI-ассистентов в 2026 году разделился на два лагеря: закрытые облачные сервисы с жёсткой привязкой к вендору и открытые инструменты, где разработчик контролирует данные, модели и логику работы. Agenta занимает позицию во втором лагере, но с архитектурным решением, которого нет у аналогов - сменные обвязки. Эта концепция позволяет агенту работать в разных средах исполнения, сохраняя единый набор инструкций, навыков и инструментов MCP. Вы пишете конфигурацию один раз, а затем выбираете, через какую обвязку агент будет выполнять задачу: Claude Code для работы с кодовой базой, OpenAI Codex для генерации текстов, Pi для специфических сценариев.
Практическая ценность для разработчика и ML-инженера очевидна: нет вендор-лока, нет утечки данных во внешние API, есть возможность использовать собственные подписки на ChatGPT или Claude и подключать self-hosted модели через локальный инференс. Агенты настраиваются через диалог, получают инструкции в формате agents.md, работают с выделенными рабочими папками для накопления знаний и запускаются по расписанию или триггерам из внешних приложений.
Что такое Agenta и почему это замена Claude Cowork
Claude Cowork - это облачный сервис от Anthropic, который предоставляет AI-ассистента для рабочих задач. Он привязан к инфраструктуре вендора, использует фиксированный набор моделей и не позволяет развернуть систему локально. Для команд, работающих с чувствительными данными или желающих контролировать затраты на API, это критическое ограничение.
Agenta решает проблему на архитектурном уровне. Проект реализует слой абстракции между агентом и средой исполнения - обвязку. Обвязка определяет, как агент взаимодействует с конкретной моделью, какие инструменты ему доступны и в каком окружении он работает. Смена обвязки не требует изменения инструкций агента: вы переключаете Claude Code на OpenAI Codex, и агент продолжает выполнять ту же задачу, но с другими характеристиками скорости, стоимости и качества.
Второй слой абстракции - модели. Agenta поддерживает три типа подключения: self-hosted модели через локальный инференс-сервер, собственные API-ключи к облачным провайдерам и встроенные интеграции с популярными сервисами. Вы можете запустить Llama 3 локально на своём железе и использовать её для рутинных задач, а для сложных сценариев подключать Claude через свою подписку. Данные остаются внутри вашего контура, затраты на API предсказуемы.
Третий компонент - протокол MCP. Агенты Agenta используют MCP-инструменты для расширения возможностей: работа с файловой системой, вызов внешних API, взаимодействие с базами данных. Набор инструментов описывается в конфигурации агента и может дополняться без изменения кодовой базы проекта.
Ключевые возможности: обвязки, модели и MCP-инструменты
Архитектура Agenta построена вокруг трёх концепций: обвязки как среда исполнения, модели как движок мышления и MCP-инструменты как руки агента. Каждая концепция реализована как подключаемый модуль, что даёт комбинаторную гибкость при настройке ассистентов под конкретные задачи.
Что такое обвязки и зачем они нужны
Обвязка - это прослойка, которая транслирует инструкции агента в формат, понятный конкретной среде исполнения. Когда агент получает задачу «проанализируй код в репозитории и предложи оптимизации», обвязка Claude Code предоставит ему доступ к файловой системе, линтерам и тестовому окружению. Обвязка OpenAI Codex для той же задачи даст доступ к песочнице с Python-интерпретатором и набором библиотек для статического анализа.
На старте Agenta поддерживает три обвязки:
- Claude Code - работа с кодовыми базами, рефакторинг, генерация тестов, code review. Агент получает доступ к git, линтерам и среде исполнения кода.
- OpenAI Codex - генерация текстов, работа с документацией, анализ данных. Агент работает в изолированной среде с доступом к Python-библиотекам.
- Pi - экспериментальная обвязка для специфических сценариев, ориентированная на быстрые итерации и минимальную задержку.
Разработчики Agenta анонсировали планы по добавлению обвязок для терминала, браузера и CI/CD-пайплайнов. Механизм подключения новых обвязок открыт: любой разработчик может написать свою обвязку и добавить её в проект через pull request.
Практический эффект от сменных обвязок проявляется в сценариях, где одна задача требует разных сред исполнения. Агент, который утром анализирует логи продакшена через обвязку терминала, днём генерирует отчёт для команды через обвязку Codex, а вечером рефакторит код через Claude Code. Инструкции агента не меняются, контекст сохраняется в рабочей папке, а среда исполнения адаптируется под задачу.
Self-hosted модели и свои подписки: полный контроль
Подключение self-hosted моделей в Agenta выполняется через указание эндпоинта локального инференс-сервера в конфигурационном файле. Поддерживаются серверы, совместимые с OpenAI API: vLLM, Ollama, llama.cpp. После указания эндпоинта модель становится доступной для всех агентов проекта, и вы можете назначать её для конкретных задач.
Схема с собственными подписками работает аналогично: вы указываете API-ключ в переменных окружения, и Agenta использует его для вызовов к облачным провайдерам. Это решает проблему учёта затрат: все вызовы идут через ваш аккаунт, вы видите биллинг в консоли провайдера и можете устанавливать лимиты.
Для команд, которые уже используют самописных AI-агентов на Python с LangChain, переход на Agenta означает отказ от поддержки собственного оркестрационного слоя. Вы получаете готовую систему сменных обвязок, управления контекстом и запуска по расписанию, сфокусировавшись на инструкциях агентов и бизнес-логике.
Роль MCP-инструментов в этой архитектуре - расширение возможностей агента без модификации обвязки. Агент может получить доступ к базе данных через MCP-сервер PostgreSQL, отправить сообщение в Slack через MCP-сервер мессенджера или создать тикет в Jira. Инструменты описываются в конфигурации агента и активируются при старте сессии.
Настройка агентов: от agents.md до самообучения
Каждый агент в Agenta описывается конфигурационным файлом agents.md, который содержит инструкции, список навыков и набор MCP-инструментов. Формат файла - Markdown с блоками YAML для структурированных параметров. Агент читает этот файл при запуске и использует его как системный промпт.
Процесс настройки агента происходит через диалог. Вы описываете задачу на естественном языке, агент предлагает конфигурацию, вы вносите правки, агент применяет их и тестирует на тестовом сценарии. Цикл обратной связи встроен в рантайм: если агент сталкивается с ошибкой или неоднозначной ситуацией, он фиксирует это в логе и предлагает изменения в agents.md. Вы подтверждаете или отклоняете изменения, и агент обновляет свою конфигурацию.
Пример agents.md для агента, который анализирует пул-реквесты:
# Agent: PR Reviewer model: claude-sonnet-4.5 harness: claude-code skills: - code_review - static_analysis - test_generation mcp_tools: - github - slack workspace: /workspaces/pr-reviewer schedule: "0 */4 * * *" triggers: - webhook: /github/pr-opened
Этот агент запускается каждые четыре часа и при получении вебхука о новом пул-реквесте. Он использует обвязку Claude Code для работы с кодом, навыки code_review и static_analysis для анализа изменений, MCP-инструменты github для получения диффа и slack для отправки результатов команде. Рабочая папка /workspaces/pr-reviewer хранит историю ревью и накопленный контекст о кодовой базе.
Рабочие папки и накопление знаний
Выделенная рабочая папка для каждого агента - это механизм долгосрочной памяти. Агент сохраняет в неё результаты работы, извлечённые факты, шаблоны решений и обратную связь от пользователя. При следующем запуске агент загружает контекст из папки и использует его для улучшения качества ответов.
Сценарии использования рабочих папок:
- Накопление знаний о продукте - агент читает документацию, release notes, тикеты и формирует структурированную базу знаний, которая обновляется автоматически при выходе новых версий.
- Анализ конкурентов - агент мониторит сайты конкурентов, собирает изменения в позиционировании и фичах, сохраняет в папку структурированные отчёты.
- Изучение целевой аудитории - агент анализирует обращения пользователей, отзывы, комментарии в соцсетях и формирует портреты сегментов с указанием болей и ожиданий.
Рабочие папки также решают проблему потери контекста при смене обвязки. Агент, который утром работал с кодом через Claude Code, днём генерирует документацию через Codex, используя накопленные в папке знания о проекте. Контекст не теряется, потому что он хранится на файловой системе, а не в оперативной памяти сессии.
Автоматизация: запуск по расписанию и триггерам
Agenta поддерживает два режима автоматического запуска агентов: cron-расписание и триггеры из внешних приложений. Оба режима настраиваются в agents.md и не требуют внешних оркестраторов.
Cron-расписание использует стандартный синтаксис из пяти полей. Агент из примера выше запускается каждые четыре часа для проверки открытых пул-реквестов. Другие сценарии: ежедневная генерация отчёта о состоянии продакшена в 9:00, еженедельный анализ трендов по логам в понедельник утром, ежечасная проверка доступности сервисов с отправкой алерта в мессенджер при обнаружении проблем.
Триггеры работают через вебхуки. Agenta поднимает HTTP-сервер, который принимает POST-запросы от внешних систем и запускает соответствующего агента. Поддерживаются триггеры от GitHub, GitLab, Slack, Jira и любых систем, способных отправлять вебхуки. Агент получает payload запроса и может использовать его данные в своей работе.
Практический кейс для DevOps-команды: агент мониторит логи через обвязку терминала, при обнаружении аномалии создаёт тикет в Jira через MCP-инструмент и отправляет summary в Slack. Второй агент по расписанию раз в сутки анализирует все тикеты за день и генерирует отчёт для тимлида с рекомендациями по приоритетам. Оба агента работают на одной инсталляции Agenta, используют разные обвязки и модели, но могут обмениваться данными через общую рабочую папку.
Этот подход перекликается с архитектурой, описанной в обзоре Google Antigravity 2.0, где агенты работают автономно без IDE и запускаются по Scheduled Tasks. Разница в том, что Agenta даёт полный контроль над средой исполнения и не привязана к облаку Google.
Установка и первый запуск: от GitHub до локального агента
Установка Agenta начинается с клонирования репозитория. Требования к окружению минимальны: Python 3.11 или новее, Docker для изолированных сред исполнения и git для работы с репозиториями. Проект не требует Kubernetes, облачных провайдеров или платных лицензий.
Пошаговый процесс установки:
- Клонирование репозитория:
git clone https://github.com/agenta-ai/agenta.gitи переход в директорию проекта. - Установка зависимостей:
pip install -r requirements.txtили использование Poetry, если предпочитаете изолированное окружение. - Конфигурация окружения: копирование
.env.exampleв.envи указание API-ключей или эндпоинтов self-hosted моделей. - Запуск сервера:
python -m agenta serveподнимает API-сервер и веб-интерфейс на localhost:8000. - Создание первого агента: через веб-интерфейс или CLI-команду
agenta agent create --name "my-first-agent" --harness claude-code. - Запуск агента:
agenta agent run my-first-agent --task "проанализируй README.md и предложи улучшения".
Проверка работоспособности: агент должен создать рабочую папку, выполнить задачу и вывести результат в консоль. Логи сохраняются в директории проекта и доступны для отладки.
Для тех, кто уже экспериментировал с личными AI-агентами в мессенджерах, установка Agenta будет знакомым процессом: клонирование, конфигурация, запуск. Отличие в том, что Agenta сфокусирована на рабочих сценариях с кодом и документацией, а не на персональном ассистенте в мессенджере.
Сравнение с аналогами и планы развития
Рынок open-source инструментов для создания AI-ассистентов в 2026 году включает несколько заметных проектов: OpenClaw, NanoClaw, Hermes и Agenta. Каждый решает свою задачу, и выбор зависит от сценария использования.
OpenClaw позиционировался как личный AI-агент в мессенджере с фокусом на персональную продуктивность. Анализ взлёта и заката OpenClaw показал, что usage-based pricing и проблемы с монетизацией open-source модели ограничили развитие проекта. Agenta изначально проектировалась как self-hosted решение без привязки к платным тарифам - вы платите только за API-вызовы к облачным моделям, если используете их.
NanoClaw - минималистичный агент для терминала, хорош для быстрых задач, но не поддерживает сменные обвязки и долгосрочную память через рабочие папки.
Hermes - агент, ориентированный на интеграцию с корпоративными системами, но с фиксированным набором моделей и без возможности подключения self-hosted.
Уникальные преимущества Agenta на фоне аналогов:
- Сменные обвязки - аналогов на рынке нет. Другие инструменты жёстко привязаны к одной среде исполнения.
- Self-hosted модели из коробки - поддержка локального инференса без дополнительных надстроек.
- Рабочие папки как долгосрочная память - агенты накапливают знания и становятся эффективнее со временем.
- Запуск по расписанию и триггерам - встроенный планировщик без внешних зависимостей.
Планы разработчиков Agenta включают добавление обвязок для браузера и терминала, поддержку мультиагентной оркестровки, где один агент может делегировать подзадачи другим агентам, и интеграцию с архитектурными паттернами Google Antigravity для асинхронного выполнения задач. Проект активно принимает контрибуции, и дорожная карта публично доступна в GitHub-репозитории.
Agenta закрывает потребность команд, которые хотят использовать AI-ассистентов в рабочих процессах, но не готовы отдавать данные облачным сервисам и платить за вендор-лок. Open-source лицензия, self-hosted развертывание и сменные обвязки делают проект одним из самых гибких инструментов в своём классе.