Когда хочется RAG-агента, а не головной боли
Вы когда-нибудь пытались собрать RAG-систему с нуля? Сначала ищешь векторную базу, потом парсеры документов, затем интеграцию с LLM, авторизацию, веб-интерфейс... Через неделю понимаешь, что 80% времени ушло на инфраструктуру, а не на бизнес-логику. Знакомое чувство?
Ai-sidekick - это антитезис этому подходу. Французский разработчик Pierre-Olivier Bonhomme собрал всё необходимое в один Docker-образ. Запускаешь контейнер - получаешь работающую систему с веб-интерфейсом, базой знаний и поддержкой MCP-инструментов. Без танцев с бубном.
Что внутри коробки?
Открываешь ai-sidekick и находишь готовый пайплайн:
- Загрузка документов (PDF, TXT, MD, DOCX, PPTX, HTML)
- Чанкинг с настройкой перекрытия и размеров
- Векторизация через Ollama или OpenAI-совместимые API
- Хранение в Qdrant (локально или облачно)
- Веб-интерфейс на FastAPI + React
- Поддержка MCP-серверов для расширения функционала
- REST API для интеграции
Самое интересное - MCP-интеграция. Если раньше нужно было писать кастомные плагины для каждого инструмента, теперь подключаешь готовые MCP-серверы. Хочешь, чтобы агент искал в интернете - ставишь mcp-server-browser. Нужен доступ к файловой системе - mcp-server-filesystem. Это как LEGO для AI-агентов, только с документацией на английском.
Запуск: быстрее, чем настроить VPN
Типичная установка выглядит так:
# Клонируем репозиторий
git clone https://github.com/ai-sidekick/ai-sidekick.git
cd ai-sidekick
# Копируем конфиг
cp .env.example .env
# Меняем настройки (опционально)
nano .env
# Запускаем
docker-compose up -dЧерез 2-3 минуты получаешь работающий сервер на localhost:8000. Веб-интерфейс позволяет загружать документы, настраивать коллекции, тестировать поиск. Никакого кода писать не нужно - если, конечно, не хочешь кастомизировать.
Внимание: по умолчанию ai-sidekick использует Ollama для эмбеддингов. Убедись, что у тебя установлена Ollama и запущена модель для эмбеддингов (например, nomic-embed-text). Или переключись на OpenAI в настройках.
MCP-инструменты: суперсила без программирования
Вот где ai-sidekick вырывается вперед. Большинство RAG-фреймворков заточены только под поиск по документам. Этот же позволяет агенту взаимодействовать с внешним миром через MCP.
Настройка выглядит просто:
# docker-compose.override.yml
services:
ai-sidekick:
environment:
- MCP_SERVERS=filesystem,browser,github
volumes:
- ./mcp-servers:/app/mcp-serversТеперь твой агент может:
- Читать и писать файлы локально
- Искать информацию в интернете
- Работать с GitHub репозиториями
- Выполнять SQL-запросы к базам данных
- И многое другое - зависит от подключенных MCP-серверов
Это меняет правила игры. Вместо статичного чат-бота с базой знаний получаешь полноценного ассистента, который может выполнять задачи. Хочешь автоматизировать работу с документами - агент сам найдет нужные файлы, обработает их и сохранит результат. Без единой строчки кода на Python.
Сравнение с альтернативами: где ai-sidekick выигрывает и проигрывает
| Инструмент | Сложность | MCP-поддержка | Готовность к продакшену |
|---|---|---|---|
| ai-sidekick | Низкая | Полная | Средняя |
| LangChain | Высокая | Частичная | Высокая |
| Custom ReAct агент | Очень высокая | Нет | Зависит от реализации |
| No-code решения | Минимальная | Нет | Низкая |
Главное преимущество ai-sidekick - баланс. Это не монстр вроде LangChain, где нужно изучать сотни классов. И не игрушка вроде no-code решений, которые ломаются при первой же кастомизации.
Но есть и недостатки. Документация скудная (французский разработчик, что вы хотите). Сообщество маленькое - на GitHub всего 400 звезд на 11.02.2026. И самое главное - архитектура монолитная. Хочешь заменить Qdrant на Pinecone? Придется копаться в коде.
Кому подойдет ai-sidekick?
Три категории пользователей:
- Начинающие в RAG - хотите понять, как работает поиск по документам, но не готовы неделю настраивать инфраструктуру. Запустили ai-sidekick - через час уже экспериментируете с чанкингом и релевантностью.
- Малые команды - нужен внутренний инструмент для работы с документами. Не хотите нанимать отдельного разработчика под RAG-систему. Ai-sidekick дает готовое решение, которое можно адаптировать под свои нужды.
- Исследователи - тестируете разные подходы к поиску и хотите быстро прототипировать. MCP-интеграция позволяет добавлять функционал без переписывания кода.
Если же ты строил продакшен-агентов с нуля, ai-sidekick покажется слишком ограниченным. Нет поддержки сложных цепочек, агентных архитектур вроде ReAct реализован базово, мониторинг и логирование - на минималках.
Практические кейсы: где это работает прямо сейчас
Вот несколько реальных сценариев, где ai-sidekick уже используют:
- Внутренняя база знаний компании - загружаешь все PDF с политиками, инструкциями, договорами. Сотрудники ищут через веб-интерфейс или API. Агент отвечает на вопросы, ссылаясь на конкретные документы.
- Техподдержка с доступом к базе - подключил MCP-сервер для работы с тикет-системой. Агент ищет решения в базе знаний, а потом создает тикет, если проблема новая.
- Образовательные курсы - студенты задают вопросы по материалам лекций. Агент не только находит ответы, но и с помощью MCP-браузера ищет актуальную информацию в интернете.
Особенно интересно выглядит интеграция с семантическим поиском по коду. Загружаешь исходники проекта в ai-sidekick, подключаешь MCP-сервер для файловой системы - и получаешь ассистента, который понимает код и может его модифицировать.
Подводные камни и ограничения
Не обольщайся простотой установки. Есть нюансы, о которых молчит документация:
- Производительность - по умолчанию всё работает в одном контейнере. При нагрузке больше 10 одновременных пользователей начинаются проблемы. Нужно разделять сервисы и настраивать балансировку.
- Безопасность - MCP-серверы имеют доступ к системе. Неподписанный сервер из интернета может быть опасен. Проверяйте источники перед подключением.
- Масштабирование - Qdrant в Docker не предназначен для больших объемов данных. Для продакшена нужна отдельная инсталляция с репликацией.
- Кастомизация - хотите изменить логику ранжирования или добавить кастомные эмбеддинги? Придется изучать код и делать форк.
И главное - ai-sidekick это фреймворк, а не продукт. Техническая поддержка нулевая, обновления выходят нерегулярно. Если что-то сломалось - разбираешься сам или ищешь альтернативу вроде Open Cowork.
Будущее проекта и альтернативы
На 11.02.2026 ai-sidekick занимает нишу быстрых прототипов. Но конкуренция растет. Новые фреймворки появляются каждый месяц, каждый со своими фишками.
Что будет дальше? Скорее всего, один из двух сценариев:
- Проект обрастет сообществом, появится больше интеграций, документация станет лучше. Станет стандартом для быстрого старта с RAG.
- Разработчик потеряет интерес, проект заморозится. Через год будет выглядеть устаревшим на фоне новых решений.
Пока что я бы рекомендовал ai-sidekick для внутренних инструментов и экспериментов. Для коммерческих проектов с высокими требованиями к надежности лучше смотреть в сторону проверенных решений или строить свою архитектуру.
Но для быстрого доказательства концепции - идеально. Запустил за вечер, показал заказчику рабочий прототип, получил бюджет на полноценную разработку. Иногда простота важнее perfection.
Попробуй ai-sidekick в следующий раз, когда понадобится RAG-система. Даже если потом перепишешь на другом фреймворке, хотя бы поймешь, какие именно фичи тебе нужны. А это уже половина успеха.
