OpenHands.

Разделить интерфейс и выполнение

В текущей архитектуре OpenHands Agent Canvas служит браузерным центром сессий и автоматизаций. Он подключается к одному или нескольким backend-серверам. Можно запустить стек рядом с проектом либо использовать собственный, облачный или корпоративный backend. Поэтому внешний вид интерфейса ещё не говорит, где выполняются команды.

Это важное различие для команды, которая хочет управлять окружениями и доступом. Отдельно определяются рабочая копия репозитория, инструменты агента, модельный провайдер и места хранения результатов. Один доступный веб-экран не означает готовность всего производственного контура.

SDK и агентный сервер

Официальный Software Agent SDK — Python-библиотека для построения агентов. Agent Server предоставляет сессии, инструменты и рабочие области через REST и WebSocket. Такой программный доступ относится к самой платформе, а не только к внешней модели. MCP и плагины решают другую задачу: подключают дополнительные возможности.

Прежде чем строить сложную автоматизацию, воспроизведите небольшой официальный сценарий и убедитесь, что можете остановить процесс, получить его состояние и сохранить результат. Для повторяемой задачи полезно различать успешное завершение агента, выполненную проверку и внешнее действие: это три разных события, каждое со своими ошибками.

Пример: обновить зависимость в отдельной копии

Пусть проекту нужно обновление библиотеки без изменения публичного интерфейса. Подготовьте изолированное окружение, укажите разрешённую зависимость и команды проверки. Попросите агента изучить несовместимости, обновить необходимые файлы и описать места, которые потребовали адаптации.

После выполнения сверьте lock-файл, новые транзитивные зависимости и результаты тестов. Если тесты не удалось запустить из-за окружения, это должно остаться явным ограничением отчёта. Успешная установка пакета не доказывает совместимость приложения. Итогом учебной задачи должен быть проверяемый diff, а не автоматическое развёртывание без просмотра.

Открытые компоненты и реальные расходы

Agent Canvas официально бесплатен для собственного размещения и использует собственный модельный доступ. Командные функции, управление пользователями и корпоративные варианты имеют отдельные планы. Бесплатный исходный код не оплачивает ни облачные токены, ни машины для выполнения задач.

Собственное размещение даёт контроль над инфраструктурой, но модель может оставаться внешней. Полностью локальный AI-контур нужно подтверждать для выбранной модели, инструментов и сетевых подключений. Поэтому локальность всей обработки не приписывается одной установке Canvas. Перед подключением закрытого репозитория проверьте лицензии компонентов, права серверов и правила обработки данных выбранного поставщика.

При работе нескольких серверов ведите явное соответствие сессии и рабочей области. Иначе правильная команда может выполниться в другой копии проекта. Проверяйте не только текст ответа SDK, но и расположение итогового файла, текущую ветку и доступность артефакта для человека, который будет проводить ревью.

Для каких задач подходит

• Построить собственную агентную среду разработки
• Запускать проверяемые задачи в изолированном окружении
• Встроить агента через Python SDK и серверный API
• Управлять сессиями через Agent Canvas