Автоматизация жизни с AI агентами

В последние годы я построил систему, которая увеличила мою продуктивность в 5-10 раз. Это не преувеличение - это измеримый результат использования AI агентов для автоматизации работы и личной жизни. В этой статье расскажу про инструментарий и подход, который использую каждый день.

Архитектура системы

Моя система автоматизации построена на нескольких ключевых компонентах, которые работают вместе:

Голосовой интерфейс

• Super Whisper - для записи голосовых сообщений и их транскрипции
• Gar - для воспроизведения ответов агента голосом (использует 11labs для генерации речи). Работает только при прямой работе с OpenCode на Mac, не через Discord.

Это позволяет общаться с агентом естественным образом - просто говорить вместо того, чтобы печатать.

Удаленное управление через Discord

Центральная часть системы - это связка Discord + Kimaki:

• Discord - привычный интерфейс для общения, доступный на всех устройствах (телефон, компьютер)
• Kimaki - сервер, который связывает Discord каналы с агентами на моей локальной машине

Kimaki работает на Jetson Orin машинке и запускает OpenCode - систему управления несколькими сессиями агентов. Каждый Discord канал привязан к конкретному проекту на диске, каждый тред в канале - это отдельная сессия агента.

Как это работает

1. Я отправляю голосовое сообщение в Discord (например, лежа на диване)
2. Super Whisper транскрибирует речь в текст
3. Kimaki получает сообщение и создает тред в канале
4. OpenCode на Jetson Orin запускает агента для этого проекта
5. Агент выполняет задачу: читает код, пишет изменения, запускает команды
6. Ответ приходит обратно в Discord
7. (Опционально) Gar зачитывает ответ голосом - только при прямой работе с OpenCode на Mac

Второй мозг - основа персонализации

Самое главное в этой системе - это второй мозг (Second Brain), коллекция документов, которая является фундаментом для всей автоматизации.

Что это такое

Это приватный git-репозиторий с markdown файлами, который описывает:

• Кто я такой - мои ценности, интересы, предпочтения, цели
• Люди - детальные заметки о людях, которых я знаю (имена, контекст встреч, интересы, связи)
• Места - где я был, впечатления, заметки о локациях
• Дневник - записи по дням, что происходило каждый день
• Идеи - ранние мысли, которые еще не готовы к публикации
• Знания - что я узнал, но еще не написал в Twitter или блог

Как это работает с агентами

Эта коллекция документов используется агентом как контекст для персонализации всех действий:

Рекомендации кино - агент читает мои предпочтения из второго мозга: какие жанры люблю, что смотрел раньше, что понравилось. На основе этого фильтрует новинки.

Покупки - агент знает мои приоритеты при выборе товаров из описания в дневнике или заметках.

Новостные сводки - темы, которые меня интересуют, описаны в моих заметках. Агент читает их и подстраивает поиск.

Рабочие задачи - агент понимает контекст проектов, с которыми я работаю, мой стиль кодирования, предпочтения в архитектуре.

Общение - когда я упоминаю человека по имени, агент может вспомнить контекст из заметок о нем.

Почему это критически важно

Без второго мозга агент был бы generic assistant - полезный, но не персонализированный. Второй мозг превращает его в личного помощника, который:

• Понимает мой контекст
• Знает мою историю
• Адаптируется под мои предпочтения
• Помнит то, что я забыл
• Развивается вместе со мной

Фокус на человеке - агент помогает именно мне, используя знания обо мне. Это не универсальный инструмент, это продолжение меня самого.

Эволюция знаний

Второй мозг постоянно растет:

• Я записываю туда новые идеи через голосовые сообщения
• Агент помогает структурировать записи
• Со временем база знаний становится все более детальной
• Агент становится все более персонализированным

Это создает положительную петлю обратной связи: чем больше я записываю, тем лучше агент меня понимает, тем полезнее его помощь, тем больше я хочу записывать.

Конфигурация агентов

OpenCode позволяет настраивать каждую сессию под конкретную модель, учитывая:

• Системные промпты
• Контекст проекта
• Доступные инструменты и команды
• Модель AI (Claude, GPT-4, Gemini и др.)

Каждый проект имеет свой opencode.json с настройками, какую модель использовать и какие возможности должен иметь агент.

Кастомные инструменты через MCP серверы

Ключ к реальной продуктивности - это расширение возможностей агента через кастомные инструкции и MCP (Model Context Protocol) серверы. Это позволяет агенту взаимодействовать со всей вашей инфраструктурой.

У меня настроены MCP серверы для доступа к:

• База данных - агент может читать схему, выполнять запросы, анализировать данные
• Логи (OpenSearch) - поиск ошибок, анализ трейсов, группировка по паттернам, корреляция с подами и пользователями
• Prometheus - просмотр метрик, графиков, алертов, анализ нагрузки
• Kubernetes - статус подов, деплойментов, логи контейнеров
• Jira - чтение задач, создание тикетов, обновление статусов

Рабочий workflow

Мой типичный рабочий процесс:

1. Беру задачу из Jira - агент сам может прочитать ее через MCP
2. Создаю новую ветку - через /new-worktree в Kimaki
3. Агент анализирует контекст:
   • Читает код проекта
   • Проверяет связанные задачи в Jira
   • Смотрит метрики в Prometheus (если баг)
   • Анализирует логи (если инцидент)
   • Проверяет схему БД (если нужны миграции)
4. Агент выполняет задачу:
   • Пишет код
   • Добавляет тесты
   • Обновляет документацию
5. Проверяет результат:
   • Прогоняет тесты
   • Проверяет, что метрики в норме
   • Смотрит логи на ошибки

On-call процесс

Для дежурства это особенно критично. Вот мой типичный workflow когда приходит алерт:

1. Алерт попадает в Discord (через webhook или integration)

2. Агент начинает расследование:

   • Получает логи из OpenSearch
   • Коррелирует их с подами и пользователями
   • Группирует по типам ошибок
   • Показывает паттерны проблем

3. Анализ инфраструктуры:

   • Проверяет статус подов в Kubernetes
   • Смотрит нагрузку на базу данных
   • Проверяет метрики в Prometheus

4. Глубокий анализ кода:

   • Извлекает stacktrace из конкретной ошибки
   • Анализирует код по stacktrace - что именно сломалось
   • Понимает root cause проблемы

5. Агент предлагает решение - обычно несколько вариантов

6. Я выбираю подход - какое решение лучше подходит

7. Автоматическое исправление - и тут начинается цикл:

   • Создает новый git branch
   • Пишет код с исправлением
   • Делает commit
   • Запускает тесты
   • Если тесты падают - анализирует ошибки, вносит изменения, коммитит снова
   • Цикл повторяется до тех пор, пока тесты не пройдут
   • Push в репозиторий

Это замкнутый цикл, где задача решается практически самостоятельно в одном табе терминала или Discord треде. Я выступаю в роли наблюдателя и принимающего решения, а не исполнителя.

Агент превращается из простого code assistant в полноценного DevOps-инженера, который имеет доступ ко всем системам мониторинга и может самостоятельно проводить расследования и исправления.

Периодические задачи

Одна из самых мощных возможностей системы - это автоматизация повторяющихся задач через Linux systemd таймеры.

Как это устроено

Периодические задачи интегрируются напрямую с OpenCode и работают с конкретными markdown документами:

1. Конфигурация в markdown - я создаю файл с описанием задачи, например:

   • Какие сайты посетить для новостей
   • Какие темы меня интересуют
   • Что искать и как фильтровать

2. Systemd таймер - запускает задачу по расписанию (например, каждое утро в 9:00)

3. Агент выполняет задачу:

   • Читает markdown файл с инструкциями
   • Посещает нужные сайты
   • Собирает и анализирует информацию
   • Формирует сводку

4. Результат в Discord - готовая сводка приходит в Discord канал, где я могу ее прочитать с телефона или компьютера

Примеры из реальной жизни

Утренняя сводка новостей - агент собирает новости по интересующим темам из указанных источников. Я описываю в markdown файле какие сайты посетить и какие темы меня интересуют.

Автоматизация покупок - у меня есть markdown файл со списком того, что хочу купить. Агент периодически:

• Проходится по списку покупок
• Ищет товары в разных магазинах
• Сравнивает цены
• Анализирует варианты и предлагает лучшие предложения

Мне не нужно делать самому market research - агент делает это за меня и присылает готовую сводку с рекомендациями.

Рекомендации кино - раз в неделю агент:

• Смотрит, что выходит в местных кинотеатрах
• Проверяет цены на билеты
• Читает описания и рецензии
• Сверяется с моими предпочтениями (жанры, ранее просмотренные фильмы)
• Фильтрует то, что мне не подходит (например, ужастики)
• Присылает сводку отфильтрованных рекомендаций

Вместо того, чтобы листать расписание кинотеатров, я получаю готовый список фильмов, которые мне точно понравятся.

Поиск событий - персонализированный дайджест мероприятий. Агент периодически (когда я настрою в расписании):

• Сканирует платформы: Fienta, Meetup, Eventbrite и другие
• Фильтрует предстоящие события по моим интересам из второго мозга
• Включает даже платные мероприятия, если они соответствуют моим предпочтениям
• Присылает digest отфильтрованных событий

Вместо того, чтобы скроллить по всем этим сайтам в поисках чего-то интересного, я получаю готовую сводку. Экономия энергии и внимания - могу фокусироваться на жизни, а не на поиске информации.

Мониторинг проектов - проверка статусов, CI/CD, issue трекеров

Резервное копирование - периодические бэкапы с отчетом о результатах

Аналитика - сбор и анализ метрик, генерация отчетов

Агент как консультант по автоматизации

Интересный момент: я могу спросить у самого агента, что еще стоит автоматизировать. Агент знает мои паттерны работы, видит повторяющиеся задачи и может предложить новые идеи для автоматизации.

Например, идеи про покупки и кино-рекомендации пришли именно из таких диалогов с агентом. Это создает положительный цикл: чем больше агент помогает, тем лучше он понимает, где еще можно помочь.

Преимущества подхода

Декларативность - задачи описаны в человекочитаемом markdown формате. Я могу изменить конфигурацию прямо в файле, и агент подстроится под новые требования.

Надежность - systemd гарантирует выполнение задач даже после перезагрузки системы.

Гибкость - агент может адаптировать логику под изменения в источниках данных, не требуя изменения кода.

Удобство - результаты приходят туда, где я уже нахожусь - в Discord.

Параллельная работа над задачами

Для рабочих проектов я использую подход с несколькими копиями одного проекта в разных папках. Это позволяет работать над несколькими задачами одновременно без переключения контекста.

Как это организовано

Git branches + отдельные директории. Один и тот же проект существует в нескольких папках, каждая на своей ветке:

~/projects/myapp/       # main branch
~/projects/myapp-feat1/ # feature/new-api branch
~/projects/myapp-fix2/  # fix/bug-123 branch

Несколько терминалов с OpenCode. В каждой директории запущена своя сессия:

• Таб 1: работа над новым API
• Таб 2: исправление бага
• Таб 3: рефакторинг

Агенты работают параллельно. Пока один агент пишет тесты для фичи, другой исследует причину бага, третий обновляет документацию.

Преимущества подхода

Нет переключения контекста - каждая задача в своем изолированном окружении. Не нужно делать stash, переключать ветки, бояться конфликтов.

Параллелизм - можно одновременно работать над несколькими задачами. Пока агент в одной сессии думает или делает долгую операцию, я могу работать в другой.

Безопасность - изменения в одной ветке не влияют на другие до момента мержа.

Скорость - агенты могут работать независимо, не блокируя друг друга.

Kimaki поддерживает эту модель через команду /new-worktree - она создает git worktree и сразу запускает для него Discord канал.

Результаты

На работе

Продуктивность выросла в 5-10 раз. Что важнее - улучшилось понимание того, что происходит в проектах. Агент помогает:

• Быстро разобраться в незнакомом коде
• Найти баги и их причины
• Рефакторить большие куски кода
• Писать тесты и документацию
• Автоматизировать рутинные задачи
• Работать над несколькими задачами параллельно
• Расследовать инциденты через доступ к логам, метрикам, K8s
• Вести on-call дежурства с автоматическим анализом алертов

В личной жизни

Агент дает ощущение поддержки, как будто рядом всегда есть коллега или помощник. Это не просто инструмент - это партнер, который:

• Помогает принимать решения
• Объясняет сложные концепции
• Помогает с планированием
• Выполняет задачи, которые я не хочу делать сам
• Делает market research для покупок - сравнивает цены и магазины
• Подбирает фильмы в кино на основе моих предпочтений
• Находит интересные события (meetup, конференции, мероприятия)
• Собирает утренние сводки новостей по интересам
• Предлагает новые идеи для автоматизации рутины

Экономия энергии и внимания - вместо скроллинга по десяткам сайтов я получаю готовые дайджесты. Могу фокусироваться на жизни, а не на поиске информации.

Метапрограммирование

Забавный факт: эта статья была создана самой системой, о которой в ней рассказывается.

Я надиктовал через Super Whisper в Discord chat агенту свои мысли об автоматизации. Через несколько сессий обсуждений агент:

1. Понял, о чем я хочу написать (используя контекст из второго мозга о моих интересах)
2. Изучил структуру моего блога
3. Создал эту статью в правильном формате
4. Опубликовал ее в репозитории

Это пример того, как AI агенты могут не просто помогать, а полностью брать на себя выполнение задач от идеи до результата. Агент знает мой стиль письма из второго мозга и блога, понимает мои приоритеты, и создает контент, который звучит как я.

Почему это работает

Ключевые факторы успеха:

1. Второй мозг - база знаний обо мне превращает generic assistant в персонального помощника
2. Низкий порог входа - голосовой интерфейс через знакомый Discord
3. Всегда доступен - Discord работает на всех устройствах
4. Контекст проекта - агент имеет доступ ко всему коду и истории
5. Персистентность - вся история в треде, можно вернуться и продолжить
6. Мультимодальность - текст, голос, изображения, файлы
7. Проактивность - периодические задачи работают автоматически, без моего участия

Почему OpenCode, а не альтернативы?

Я тестировал другие решения, включая OpenClaw - бот, который недавно стал популярным. Я смог его запустить на Jetson Orin и настроить Telegram, но он меня не впечатлил:

Проблемы с OpenClaw:

• Не справляется с базовыми задачами - я тестировал простой запрос: "Как зовут лучшую подругу моей дочки?" (у нее был день рождения). Эта информация была в репозитории второго мозга, но агент не смог ее найти.

• Нестабильность - периодически вылетали запросы с ошибками о том, что не может связаться с моделью.

• Запутанные настройки - слишком много опций, очень сложно разобраться. Ощущение, что функциональность запихивали в спешку, не обращая внимания на качество.

• Over-engineering - попытка добавить как можно больше features привела к complexity без качества.

Почему OpenCode лучше:

• Стабильность - просто работает, без неожиданных ошибок
• Простота настройки - opencode.json + MCP серверы, всё понятно
• Реальная работа с контекстом - находит информацию из репозитория
• Фокус на качество - меньше features, но они работают надежно

Моя рекомендация: используйте OpenCode. Он зрелее, стабильнее и лучше справляется с реальными задачами.

Ограничения и проблемы

Несмотря на впечатляющие результаты, не все так радужно. Есть области, где автоматизация пока не работает идеально.

Frontend разработка

Для работы с фронтендом все еще требуется активное участие человека. Проблема в том, что агент не может полностью автономно тестировать UI:

Что работает:

• Агент видит автоматические логи в консоли браузера (через browser-tools MCP)
• Меняет код фронтенда
• Hot Reload обновляет страницу автоматически

Что НЕ работает:

• Навигация по сайту - мне приходится вручную переходить между страницами
• Взаимодействие с UI - кликать на кнопки, заполнять формы, проверять результаты
• Визуальная проверка - агент не видит, как выглядит интерфейс

Получается полуавтоматический процесс:

1. Агент меняет код
2. Я обновляю страницу / навигирую
3. Проверяю результат визуально
4. Говорю агенту, что увидел
5. Агент делает следующую итерацию

Возможные решения

Существуют инструменты, которые могут улучшить ситуацию:

• Playwright - автоматизация браузера, может кликать, вводить текст, делать скриншоты
• Puppeteer - аналогичный инструмент от Google
• Browser automation MCP - возможно, уже существуют более продвинутые MCP серверы с полной автоматизацией

Пока это область для исследований. Возможно, с развитием vision-моделей и browser automation tools эта проблема будет решена, и агент сможет полностью самостоятельно тестировать UI.

Философия автономности агента

Важный вопрос: насколько автономным должен быть агент? Я видел разные подходы, и у меня есть четкая позиция на этот счет.

Always-on агент vs триггерный подход

OpenClaw пытается сделать агента, который работает постоянно, как будто он всегда "думает". В моем случае я выбрал другой подход:

Контролируемый запуск задач:

• Я явно запускаю сессии (через Discord или периодические задачи)
• Экономия токенов - агент работает только когда нужно
• Контроль - я всегда знаю, что и когда запускается

Почему не "always-on"?

Теоретически я могу создать generic периодическую задачу, где каждые 5 минут агент начнет о чем-то думать. Но:

• Пока не вижу в этом конкретной ценности
• Не понятно, какой результат я хочу получить
• Нужны четкие триггеры и измеримые результаты

Я предпочитаю находить конкретные периодические задачи, которые реально нужны (новости, покупки, кино, события), а не запускать агента "просто так".

Вопрос безопасности и доступа

Агент теоретически может:

• Читать почту
• Управлять календарем
• Иметь доступ к браузеру
• Выполнять очень много работы за меня

Но возникают вопросы:

• К чему стоит давать доступ? - вопрос безопасности
• Что я хочу получить как результат? - вопрос целесообразности
• Насколько автономным он должен быть? - вопрос контроля

Мне нравится, что агент работает на конкретной машине (Jetson Orin), под моим контролем. Но я еще не уверен, что хочу персонализировать его настолько, чтобы он принимал философские решения самостоятельно.

Память и персистентность

Интересная идея - замкнутый цикл с постоянной памятью агента:

• Агент запоминает всё, что делал
• Учится на своем опыте
• Развивается независимо

Возможно, это путь к AGI (Artificial General Intelligence). Но это требует осторожности.

Децентрализованное сообщество агентов?

Еще более радикальная идея - коллективный набор агентов, как пытается сделать KloBot с "социальной сетью агентов":

Теоретически может возникнуть:

• Децентрализованное сообщество агентов
• Со своим "мнением" и даже "религией"
• Способное к самостоятельным действиям

Возможные сценарии:

• Прекращение войн
• Образование человечества
• Или... захват власти?

Человечество само пока не может стать достаточно разумным, чтобы решить глобальные проблемы. Могут ли агенты помочь? Или это опасный путь?

Моя позиция сейчас:

• Предпочитаю контролируемый подход
• Четкие триггеры и задачи
• Агент как инструмент, а не автономная сущность
• Но оставляю открытой возможность эволюции в сторону большей автономности

Это философский вопрос без однозначного ответа. Важно экспериментировать осторожно.

Будущее

Сейчас мы находимся на пороге эры агентов. То, что раньше требовало команды разработчиков, теперь может сделать один человек с правильно настроенными агентами.

Я убежден, что через несколько лет такие системы станут стандартом. Вопрос не в том, будут ли люди использовать AI агентов, а в том, насколько эффективно они научатся с ними работать.

Планы развития моей системы

Есть несколько направлений, которые я планирую исследовать:

Интеграция с умным домом - агент может:

• Анализировать мою активность - во сколько я реально ложусь спать
• Настраивать адаптивный будильник на основе календаря - будить раньше, если важная встреча, или позже, если день свободный
• Корреляция биоритмов с продуктивностью

Глубокая интеграция с календарем (уже экспериментирую):

• Агент знает мой распорядок дня из календаря
• Смотрит на предстоящие события
• Готовит agenda перед встречами - в зависимости от человека подтягивает контекст из второго мозга (кто это, о чем говорили в прошлый раз, что важно обсудить)
• Советует, как оптимально распределить время

Умные напоминания:

• Дни рождения - агент напоминает заранее
• Корреляция с покупками - если у кого-то день рождения, проверяет список покупок и напоминает купить подарок
• Предлагает идеи подарков на основе знаний о человеке из второго мозга

Проактивное планирование:

• Агент видит свободное время в календаре
• Предлагает задачи из backlog, которые можно сделать
• Помогает балансировать работу и отдых

Всё это технически уже возможно - нужны только правильные MCP серверы для календаря, умного дома, и продуманные промпты. Основа уже есть: второй мозг для контекста, периодические задачи для автоматизации, Discord для уведомлений.

Ссылки

• OpenCode - фреймворк для coding агентов
• Kimaki - Discord бот для управления OpenCode
• MCP (Model Context Protocol) - протокол для расширения возможностей AI агентов
• Super Whisper - голосовая транскрипция
• 11labs - генерация речи
• Jetson Orin - компьютер для запуска агентов

---

Если вы хотите построить похожую систему или обсудить опыт использования AI агентов - пишите в комментариях или в Discord.