Локальный агент на GPT-OSS 20B: от конфига до браузера. Полный разбор Zeroclaw на macOS

Зачем вообще локальный агент? Три причины, о которых молчат

Представьте: вы просите AI найти что-то в ваших документах. Он это делает. А потом ваши поисковые запросы всплывают в рекламе. Знакомо? Вот и мне надоело.

Локальные агенты в 2026 году - это не про "круто, потому что можно". Это про три вещи:

• Приватность как физический закон. Ваши данные не покидают ваш Mac. Никогда. Как в статье про Physiclaw - только железо и вы.
• Скорость без лимитов. Нет квот на запросы. Нет "подождите, у нас нагрузка". Модель работает столько, сколько нужно.
• Интеграция на уровне системы. Агент видит ваши файлы, браузер, терминал. Не через API, а напрямую.

Zeroclaw: не просто агент, а Swiss Army knife

Zeroclaw вышел в конце 2025 и сразу стал стандартом. Почему? Он не пытается быть всем для всех. Он делает три вещи, но делает их отлично:

Концептуально Zeroclaw похож на Open Cowork, но без GUI и с упором на автоматизацию. Если вам нужен интерфейс - смотрите в сторону Open Cowork. Если нужен headless агент для скриптов - Zeroclaw ваш выбор.

1 Установка: минута на Brew, час на настройку

Начнем с простого:

brew install zeroclaw/tap/zeroclaw

Вот и все. Серьезно. Разработчики сделали нормальный пакет для Homebrew, не нужно собирать из исходников.

2 Модель: качать или использовать свою?

Zeroclaw по умолчанию использует GPT-OSS 20B - самую сбалансированную модель для Mac по состоянию на февраль 2026. Почему именно она?

В сравнении с другими моделями GPT-OSS 20B показывает лучший баланс между качеством ответов и потреблением памяти. Gemma 4B быстрее, но тупее. Более крупные модели (40B+) требуют специализированного железа.

# Скачать модель (примерно 12GB)
zeroclaw download-model gpt-oss-20b-q4_K_M.gguf

Параметр q4_K_M - это квантование. На Mac M4/M5 используйте именно его. Более агрессивное квантование (q3_K_S) сэкономит память, но ухудшит качество.

3 Конфиг: где безопасность, а где удобство

Вот конфигурационный файл, который работает. Я разберу его по косточкам:

# ~/.config/zeroclaw/config.yaml
model:
  path: "~/models/gpt-oss-20b-q4_K_M.gguf"
  context_size: 8192  # Больше не нужно, модель оптимизирована

tools:
  filesystem:
    allowed_paths:
      - "~/Documents"
      - "~/Projects"
      - "/tmp"
    deny_patterns:
      - "*.key"
      - "*.pem"
      - "*.env"
  
  browser:
    headless: true
    timeout: 30000  # 30 секунд на загрузку страницы
    sandbox: true   # Критически важно для безопасности
    
  shell:
    allowed_commands:
      - "ls"
      - "cat"
      - "grep"
      - "find"
      - "python3"
      - "node"
    deny_commands:
      - "rm"
      - "sudo"
      - "chmod"
      - "dd"

agent:
  max_steps: 20     # Ограничиваем цепочку размышлений
  temperature: 0.3  # Более детерминированные ответы

Ключевые моменты:

• allowed_paths: никогда не давайте доступ ко всей файловой системе. Выделите конкретные папки. Хак через симлинк? Модель его не поймет, но система - да.
• sandbox: true: без этого браузерный инструмент опасен. Sandbox изолирует процессы. Если сайт попытается что-то скачать - не получится.
• deny_commands: rm, sudo, chmod - в черном списке всегда. Даже если модель "уверена", что нужно удалить временные файлы.

4 Первый запуск: от простого к сложному

Не начинайте со сложных задач. Проверьте базовые сценарии:

# Простейший запрос
zeroclaw run "Найди все PDF файлы в ~/Documents"

Агент должен:

1. Понять, что нужен инструмент filesystem
2. Выполнить поиск по разрешенным путям
3. Вернуть список файлов

Если работает - усложняем:

# Комбинированный запрос
zeroclaw run "Найди в ~/Projects файлы с ошибками, прочитай их и предложи исправления"

Здесь агент использует цепочку: filesystem → shell (grep) → анализ содержимого.

Типичные ошибки и как их избежать

Я видел десятки неудачных настройк. Вот топ-3 проблемы:

Ошибка 1: Модель "галлюцинирует" команды

Ситуация: вы просите найти что-то, а модель пытается выполнить `find / -name "*.txt"`, хотя доступ только к ~/Documents.

Причина: контекст слишком короткий. Модель не помнит ограничений.

Решение: в промпте явно указывать ограничения:

# Неправильно
zeroclaw run "Найди конфиг nginx"

# Правильно
zeroclaw run "Используя доступ только к ~/Projects, найди файлы с именем nginx.conf"

Ошибка 2: Браузер зависает на JavaScript-сайтах

Современные сайты (React, Vue) требуют времени для рендеринга. По умолчанию таймаут 30 секунд, но некоторым SPAs нужно больше.

Решение из статьи про Browser Sandbox: добавить ожидание загрузки:

browser:
  wait_for_network_idle: true  # Ждем завершения сетевых запросов
  wait_for_selector: "body"    # Ждем появления селектора
  timeout: 60000               # Увеличиваем таймаут для сложных сайтов

Ошибка 3: Shell команды выполняются, но вывод не анализируется

GPT-OSS 20B иногда "пропускает" вывод команд, особенно если он большой. Модель видит текст, но не обрабатывает его.

Решение: разбивать сложные задачи на части:

# Неправильно - слишком сложно
zeroclaw run "Проанализируй логи приложения и найди ошибки"

# Правильно - поэтапно
zeroclaw run "Найди файлы логов в ~/Projects/app/logs"
# Потом
zeroclaw run "Прочитай последний лог-файл и найди строки с ERROR"
# Потом
zeroclaw run "Сгруппируй ошибки по типу и посчитай количество"

Производительность: что реально, а что маркетинг

На Mac M4 с 32GB RAM:

• Загрузка модели: 8-12 секунд (зависит от SSD)
• Первый токен: 200-400 мс
• Скорость генерации: 15-25 токенов/сек
• Потребление памяти: ~24GB (модель + контекст)

На Mac M3 с 16GB будет подкачка на SSD. Скорость упадет в 3-5 раз. Если нужна производительность - апгрейд железа неизбежен.

Интеграция с другими инструментами

Zeroclaw - не остров. Его можно связать с:

• Obsidian: как в статье про замену Gemini CLI, но с большим контролем
• Automator: создавайте workflow, где Zeroclaw анализирует документы, а Automator выполняет действия
• Свои скрипты: Zeroclaw имеет JSON API для интеграции

Пример простого скрипта:

#!/usr/bin/env python3
import subprocess
import json

def ask_zeroclaw(question):
    result = subprocess.run(
        ['zeroclaw', 'run', '--json', question],
        capture_output=True,
        text=True
    )
    return json.loads(result.stdout)

# Использование
response = ask_zeroclaw("Проверь есть ли новые коммиты в ~/Projects/myapp")
if response['action'] == 'shell_execute':
    print(f"Команда: {response['command']}")
    print(f"Результат: {response['output'][:200]}...")

Будущее локальных агентов: 2026 и дальше

Тренды, которые я вижу:

1. Специализированные модели: не одна GPT-OSS на все случаи, а набор моделей - для кода, для документов, для браузера. Как в PocketCoder, но универсальнее.
2. Аппаратное ускорение: Neural Engine на Apple Silicon будет использоваться эффективнее. Сейчас он почти не задействован.
3. Распределенные агенты: один агент на Mac, другой на домашнем сервере с GPU, обмениваются задачами.

Самая большая проблема сейчас - не качество моделей, а их "понимание" ограничений. Модель знает, что не должна удалять файлы, но в цепочке рассуждений может решить, что "очистка временных файлов" требует rm. Исправление этой логики - главная задача разработчиков.

Начните с простого: настройте доступ к документам, попробуйте найти информацию. Потом добавьте браузер для проверки сайтов. Через неделю вы поймете, какие задачи действительно можно автоматизировать, а какие требуют человеческого внимания.

И помните: лучшая настройка - та, которую вы понимаете. Не копируйте конфиги слепо. Каждая строка в allowed_paths или deny_commands должна быть осознанным решением. Приватность начинается с контроля.