> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-ru/ai-platformy-i-agenty/open-interpreter.md). # Open Interpreter **Open Interpreter** позволяет языковым моделям запускать код, просматривать веб, и редактировать файлы на вашем компьютере через интерфейс чата на естественном языке. С более чем 57К звезд на GitHub, это ведущая open-source альтернатива Code Interpreter от ChatGPT — но без ограничений песочницы. {% hint style="success" %} Все примеры можно запускать на GPU-серверах, арендуемых через [CLORE.AI Маркетплейс](https://clore.ai/marketplace). {% endhint %} *** ## Что такое Open Interpreter? Open Interpreter приносит мощь AI-помощника по коду прямо в ваш терминал. Вместо копирования между ChatGPT и вашей оболочкой вы общаетесь естественно, и модель выполняет код в реальном времени: * **Запуск Python, JS, shell, R, AppleScript** — прямо на вашем сервере * **Просмотр веба** — получение страниц, заполнение форм, извлечение данных * **Редактирование файлов** — создание, изменение и управление любым файлом на диске * **Постоянное состояние** — переменные, импорты и результаты сохраняются между сообщениями * **Несколько LLM-бэкендов** — OpenAI, Anthropic, локальные модели через Ollama/LlamaCpp {% hint style="info" %} Open Interpreter разработан для разработчиков и исследователей, которым нужен разговорный интерфейс ко всей их вычислительной среде. На GPU-сервере Clore.ai вы получаете мощную машину с полным доступом в интернет и без ограничений на выполнение. {% endhint %} *** ## Требования к серверу | Компонент | Минимум | Рекомендуется | | --------- | -------------------------- | ---------------------------------- | | GPU | Любой (режим CPU доступен) | RTX 3090 / A100 для локальных LLM | | VRAM | — | 24 ГБ+ для локальных моделей 13B | | ОЗУ | 8 ГБ | 16 ГБ+ | | CPU | 4 ядра | 8+ ядер | | Хранилище | 20 ГБ | 50 ГБ+ | | ОС | Ubuntu 20.04+ | Ubuntu 22.04 | | Python | 3.10+ | 3.11 | | Сеть | Требуется | Высокоскоростная для веб-просмотра | *** ## Порты | Порт | Сервис | Примечания | | ---- | ----------------------- | -------------------------------------- | | 22 | SSH | Доступ к терминалу, туннель для веб-UI | | 8000 | Сервер Open Interpreter | REST API и опциональный веб-интерфейс | *** ## Быстрый старт с Docker У Open Interpreter нет официального образа Docker, поэтому мы собираем чистый. Такой подход дает воспроизводимую, изолированную среду на любом сервере Clore.ai. ### Dockerfile ```dockerfile FROM python:3.11-slim # Системные зависимости RUN apt-get update && apt-get install -y \ git \ curl \ wget \ build-essential \ nodejs \ npm \ chromium \ chromium-driver \ && rm -rf /var/lib/apt/lists/* # Установить Open Interpreter со всеми дополнениями RUN pip install --no-cache-dir \ open-interpreter \ 'open-interpreter[local]' \ playwright \ jupyter # Установить браузеры Playwright RUN playwright install chromium WORKDIR /workspace # Открыть порт сервера EXPOSE 8000 # По умолчанию: интерактивный терминал CMD ["interpreter"] ``` ### Сборка и запуск ```bash # Собрать образ docker build -t open-interpreter:latest . # Запустить интерактивный режим (чат в терминале) docker run -it --rm \ -e OPENAI_API_KEY=sk-... \ -v $(pwd)/workspace:/workspace \ open-interpreter:latest # Запустить как REST API сервер docker run -d \ --name open-interpreter \ -p 8000:8000 \ -e OPENAI_API_KEY=sk-... \ -v $(pwd)/workspace:/workspace \ open-interpreter:latest \ interpreter --server --port 8000 --host 0.0.0.0 ``` *** ## Установка на Clore.ai (Bare Metal) Если вы предпочитаете запускать напрямую на сервере Clore.ai без Docker: ### Шаг 1 — Аренда сервера 1. Перейдите на [Clore.ai Marketplace](https://clore.ai/marketplace) 2. Фильтровать по **ОЗУ ≥ 16 ГБ**, **GPU** (опционально, но полезно для локальных моделей) 3. Выберите сервер с **PyTorch** или **Ubuntu** базовый образ 4. Открыто **SSH порт 22** и опционально **8000** в вашем заказе ### Шаг 2 — Подключение по SSH ```bash ssh root@ -p ``` ### Шаг 3 — Установка зависимостей ```bash # Обновить систему apt-get update && apt-get upgrade -y # Установить Python 3.11 apt-get install -y python3.11 python3.11-venv python3.11-pip nodejs npm curl # Создать виртуальное окружение python3.11 -m venv /opt/open-interpreter source /opt/open-interpreter/bin/activate ``` ### Шаг 4 — Установка Open Interpreter ```bash # Базовая установка pip install open-interpreter # С поддержкой локальных LLM (Ollama, LlamaCpp) pip install 'open-interpreter[local]' # С поддержкой браузера/веба pip install playwright playwright install chromium ``` ### Шаг 5 — Настройка API-ключа ```bash # Установить переменную окружения (добавьте в ~/.bashrc для сохранения) export OPENAI_API_KEY=sk-your-key-here export ANTHROPIC_API_KEY=sk-ant-your-key-here # Или используйте файл .env cat > /workspace/.env << 'EOF' OPENAI_API_KEY=sk-your-key-here ANTHROPIC_API_KEY=sk-ant-your-key-here EOF ``` ### Шаг 6 — Первый запуск ```bash # Активировать окружение source /opt/open-interpreter/bin/activate # Запустить интерактивный чат interpreter # Или с конкретной моделью interpreter --model gpt-4o interpreter --model claude-3-5-sonnet-20241022 ``` *** ## Использование локальных LLM (API-ключ не требуется) Одна из ключевых возможностей Open Interpreter на GPU-серверах Clore.ai — запуск полностью локальных моделей: ### Вариант A: бэкенд Ollama ```bash # Установить Ollama curl -fsSL https://ollama.ai/install.sh | sh # Скачать модель, умеющую в код ollama pull codellama:13b ollama pull deepseek-coder:6.7b ollama pull mistral:7b # Запустить Open Interpreter с Ollama interpreter --model ollama/codellama:13b ``` ### Вариант B: бэкенд LlamaCpp ```bash # Установить llama-cpp-python с поддержкой CUDA pip install 'llama-cpp-python[server]' --extra-index-url https://jllllll.github.io/llama-cpp-python-cuBLAS-wheels/AVX2/cu121 # Скачать модель в формате GGUF wget https://huggingface.co/TheBloke/CodeLlama-13B-GGUF/resolve/main/codellama-13b.Q4_K_M.gguf # Запуск с локальной моделью interpreter --local --model /path/to/codellama-13b.Q4_K_M.gguf ``` *** ## Запуск в режиме сервера (REST API) Open Interpreter 0.2+ включает встроенный HTTP-сервер для программного доступа: ```bash # Запустить сервер interpreter --server --port 8000 --host 0.0.0.0 # В другом терминале или клиенте отправлять запросы: curl -X POST http://:8000/run \ -H "Content-Type: application/json" \ -d '{"language": "python", "code": "import os; print(os.listdir(\".\"))"}' # Эндпоинт чата curl -X POST http://:8000/chat \ -H "Content-Type: application/json" \ -d '{"message": "Перечисли все Python-файлы в /workspace и посчитай строки кода"}' ``` ### SSH-туннель для локального доступа Если порт 8000 не открыт публично, используйте SSH-туннелирование: ```bash # На вашей локальной машине ssh -L 8000:localhost:8000 root@ -p -N # Затем откройте http://localhost:8000 ``` *** ## Практические примеры ### Пример 1: конвейер анализа данных ``` Пользователь: Скачай набор данных MNIST, обучи простую CNN и построй графики точности. Сохрани график как mnist_results.png Open Interpreter: Конечно! Сделаю это шаг за шагом... [выполняет Python-код в реальном времени] ``` ```python # Open Interpreter генерирует и запускает: import tensorflow as tf import matplotlib.pyplot as plt import numpy as np (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # ... обучает модель, строит результаты, сохраняет PNG ``` ### Пример 2: веб-скрапинг ``` Пользователь: Скрапни топ-10 трендовых репозиториев GitHub сегодня и сохрани их в CSV с полями name, stars и description. ``` ### Пример 3: управление файлами ``` Пользователь: Найди все .log файлы в /var/log старше 7 дней и сожми их в tarball по пути /backup/logs-$(date).tar.gz ``` ### Пример 4: скрипт мониторинга системы ``` Пользователь: Напиши мне Python-скрипт, который каждые 5 секунд мониторит использование памяти GPU и оповещает, если оно превышает 90%. Запусти его в фоне. ``` *** ## Файл конфигурации Создать `~/.interpreter/config.yaml` чтобы задать значения по умолчанию: ```yaml model: gpt-4o temperature: 0 system_message: | Вы — полезный AI-помощник, работающий на GPU-сервере Clore.ai. Всегда предпочитайте эффективный, готовый к продакшену код. Сохраняйте важные результаты в /workspace/. safe_mode: false auto_run: true verbose: false ``` *** ## Запуск через systemd (постоянный сервис) ```ini # /etc/systemd/system/open-interpreter.service [Unit] Description=Open Interpreter Server After=network.target [Service] Type=simple User=root WorkingDirectory=/workspace Environment=OPENAI_API_KEY=sk-your-key ExecStart=/opt/open-interpreter/bin/interpreter --server --port 8000 --host 0.0.0.0 Restart=on-failure RestartSec=10 [Install] WantedBy=multi-user.target ``` ```bash systemctl daemon-reload systemctl enable open-interpreter systemctl start open-interpreter systemctl status open-interpreter ``` *** ## Устранение неполадок ### `interpreter` команда не найдена ```bash # Убедитесь, что venv активирован source /opt/open-interpreter/bin/activate # Или установите глобально pip install open-interpreter # Проверьте PATH which interpreter echo $PATH ``` ### Выполнение кода заблокировано / режим безопасности ```bash # Отключить режим безопасности (используйте с осторожностью на доверенных серверах) interpreter --safe_mode false # Или в config.yaml: # safe_mode: false # auto_run: true ``` ### Ошибки Playwright / браузера ```bash # Установите системные зависимости для Chromium apt-get install -y \ libnss3 libatk1.0-0 libatk-bridge2.0-0 \ libcups2 libxcomposite1 libxdamage1 \ libxrandr2 libgbm1 libxkbcommon0 playwright install chromium playwright install-deps ``` ### Недостаток памяти при локальных LLM ```bash # Используйте меньшую квантизованную модель ollama pull codellama:7b # вместо 13b # Или уменьшите окно контекста interpreter --model ollama/codellama:7b --context_window 4096 ``` ### Соединение отклонено на порту 8000 ```bash # Проверьте, запущен ли сервер ss -tlnp | grep 8000 # Проверьте брандмауэр ufw allow 8000/tcp # Перезапустите сервис systemctl restart open-interpreter ``` ### Ограничения по количеству запросов API ```bash # Переключитесь на Anthropic Claude для больших лимитов export ANTHROPIC_API_KEY=sk-ant-... interpreter --model claude-3-5-sonnet-20241022 # Или используйте локальную модель, чтобы полностью избежать лимитов API interpreter --model ollama/codellama:13b ``` *** ## Соображения по безопасности {% hint style="warning" %} Open Interpreter выполняет код прямо на вашем сервере. Всегда: * Запускайте в Docker-контейнере или VM для продакшен-использования * Никогда не открывайте порт 8000 публично без аутентификации * Используйте SSH-туннелирование для удаленного доступа * Аудитируйте код перед включением `auto_run: true` для недоверенных вводов {% endhint %} *** ## Рекомендации Clore.ai по GPU Сам Open Interpreter легковесен — потребность в GPU определяется той **локальной моделью** которую вы запускаете в качестве бэкенда. | GPU | VRAM | Цена Clore.ai | Рекомендации по локальным моделям | | ---------- | ----- | ------------- | ------------------------------------------------------------------------------ | | RTX 3090 | 24 ГБ | \~$0.12/ч | CodeLlama 13B Q8, Llama 3 8B, Mistral 7B — хорошее качество кодирования | | RTX 4090 | 24 ГБ | \~$0.70/ч | CodeLlama 34B Q4, DeepSeek Coder 33B Q4 — близкое к качеству кодирования GPT-4 | | A100 40GB | 40 ГБ | \~$1.20/ч | Llama 3 70B Q4 — производственный автономный агент для кодирования | | Только CPU | — | \~$0.02/ч | Любая модель через OpenAI/Anthropic API — локальный GPU не требуется | {% hint style="info" %} **Если вы используете OpenAI/Anthropic API:** Вам нужен только CPU-инстанс (\~$0.02/ч) — GPU не имеет значения, так как инференс выполняется в облаке. Выбирайте GPU-инстансы только при запуске **локальных моделей** чтобы избежать платы за токены API. **Лучшая конфигурация для локальной модели:** RTX 3090 + Ollama, запущенный `codellama:13b` даст вам полностью автономного, сохраняющего приватность агента для кодирования без расходов на API примерно за \~$0.12/ч. {% endhint %} *** ## Полезные ссылки * **GitHub**: ⭐ 57К+ * **Документация**: * **Discord**: * **Clore.ai Marketplace**: * **Модели Ollama**: * **Модели GGUF на HuggingFace**: --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-ru/ai-platformy-i-agenty/open-interpreter.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.