> 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/platformy-i-agenty-ii/open-interpreter.md). # Open Interpreter **Open Interpreter** позволяет языковым моделям запускать код, просматривать веб, и редактировать файлы на вашей машине через интерфейс чата на естественном языке. С более чем 57 тыс. звёзд 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, арендованных через [маркетплейс CLORE.AI](https://clore.ai/marketplace). {% endhint %} *** ## Что такое Open Interpreter? Open Interpreter переносит возможности AI-ассистента для программирования прямо в ваш терминал. Вместо того чтобы копировать и вставлять между ChatGPT и вашей оболочкой, вы общаетесь естественным образом, а модель выполняет код в реальном времени: * **Запускайте Python, JS, shell, R, AppleScript** — прямо на вашем сервере * **Просматривайте веб** — загружайте страницы, заполняйте формы, извлекайте данные * **Редактируйте файлы** — создавайте, изменяйте и управляйте 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 создан 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 к интернету и без ограничений на выполнение. {% endhint %} *** ## Требования к серверу | Компонент | Минимум | Рекомендуется | | --------- | -------------------------- | --------------------------------- | | GPU | Любой (доступен режим CPU) | 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 | Высокая скорость для веб-сёрфинга | *** ## Порты | Порт | Сервис | Примечания | | ---- | ----------------------- | ---------------------------------------------- | | 22 | SSH | Доступ к терминалу, туннель для веб-интерфейса | | 8000 | Сервер Open Interpreter | REST API и опциональный веб-интерфейс | *** ## Быстрый старт с Docker У Open Interpreter нет официального Docker-образа, поэтому мы собираем чистый. Такой подход даёт вам 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 . # Запуск в интерактивном режиме (чат в терминале) docker run -it --rm \\ -e OPENAI_API_KEY=sk-... \\ -v $(pwd)/workspace:/workspace \\ open-interpreter:latest # Запуск 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 — Арендуйте сервер 1. Перейдите на [Маркетплейс Clore.ai](https://clore.ai/marketplace) 2. Фильтр по **RAM ≥ 16 ГБ**, **GPU** (необязательно, но полезно для локальных моделей) 3. Выберите сервер с **PyTorch** или **Ubuntu** базовый образ 4. Открыть **SSH-портом 22** и при необходимости **8000** в вашем заказе ### Шаг 2 — Подключитесь 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 — Установить 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 — Настроить API-ключ ```bash # Установить переменную окружения (добавьте в ~/.bashrc для постоянства) 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 # Установите Ollama curl -fsSL https://ollama.ai/install.sh | sh # Скачать модель, умеющую работать с кодом 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 GGUF wget https://huggingface.co/TheBloke/CodeLlama-13B-GGUF/resolve/main/codellama-13b.Q4_K_M.gguf # Запустить с локальной моделью interpreter --local --model /path/to/codellama-13b.Q4_K_M.gguf ``` *** ## Запуск как сервер (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 отправьте запросы: curl -X POST http://:8000/run \\ -H "Content-Type: application/json" \\ -d '{"language": "python", "code": "import os; print(os.listdir(\".\"))"}' # Конечная точка чата curl -X POST http://:8000/chat \\ -H "Content-Type: application/json" \\ -d '{"message": "Выведите все Python-файлы в /workspace и посчитайте количество строк 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: Пайплайн анализа данных ``` Пользователь: Скачай набор данных MNIST, обучи простую CNN и построй графики точности. Сохрани график как mnist_results.png Open Interpreter: Конечно! Я сделаю это шаг за шагом... [выполняет код Python в реальном времени] ``` ```python # Open Interpreter генерирует и выполняет: 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: Собери сегодня 10 самых популярных репозиториев GitHub и сохрани их в CSV с полями name, stars и description. ``` ### Пример 3: Управление файлами ``` Пользователь: Найди все файлы .log в /var/log старше 7 дней и упакуй их в tarball по адресу /backup/logs-$(date).tar.gz ``` ### Пример 4: Скрипт мониторинга системы ``` Пользователь: Напиши мне Python-скрипт, который отслеживает использование памяти GPU каждые 5 секунд и предупреждает, если оно превышает 90%. Запусти его в фоновом режиме. ``` *** ## Файл конфигурации Создайте `~/.interpreter/config.yaml` для задания значений по умолчанию: ```yaml model: gpt-4o temperature: 0 system_message: | Вы — полезный AI-ассистент, 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 с systemd (постоянная служба) ```ini # /etc/systemd/system/open-interpreter.service [Unit] Description=Сервер Open Interpreter 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 виртуальное окружение активировано 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 # Отключите безопасный режим (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 ``` ### Недостаточно памяти с локальными LLM ```bash # Используйте меньшую квантованную модель ollama pull codellama:7b # вместо 13b # Или уменьшите размер контекстного окна interpreter --model ollama/codellama:7b --context_window 4096 ``` ### Отказ в подключении к порту 8000 ```bash # Проверьте, запущен ли сервер ss -tlnp | grep 8000 # Проверьте брандмауэр ufw allow 8000/tcp # Перезапустите службу systemctl restart open-interpreter ``` ### Ограничения скорости API ```bash # Переключитесь на Anthropic Claude для более высоких лимитов export ANTHROPIC_API_KEY=sk-ant-... interpreter --model claude-3-5-sonnet-20241022 # Или используйте локальную модель, чтобы полностью избежать ограничений API interpreter --model ollama/codellama:13b ``` *** ## Соображения безопасности {% hint style="warning" %} Open Interpreter выполняет код напрямую на вашем сервере. Всегда: * Используйте Docker-контейнер или VM для рабочей среды * Никогда не открывайте порт 8000 публично без аутентификации * Используйте SSH-туннелирование для удалённого доступа * Проверяйте код перед включением `auto_run: true` для недоверенных входных данных {% endhint %} *** ## Рекомендации по GPU для Clore.ai Сам Open Interpreter лёгкий — потребность в GPU определяется тем, **локальной моделью** которую вы запускаете в качестве бэкенда. | GPU | VRAM | Цена Clore.ai | Рекомендация по локальной модели | | ---------- | ----- | ------------------------------------------- | ------------------------------------------------------------------------- | | RTX 3090 | 24 ГБ | $0.07–0.21/ч | CodeLlama 13B Q8, Llama 3 8B, Mistral 7B — достойное качество кода | | RTX 4090 | 24 ГБ | $0.14–0.42/ч | CodeLlama 34B Q4, DeepSeek Coder 33B Q4 — качество кода почти как у GPT-4 | | A100 40 ГБ | 40 ГБ | [голое железо](https://clore.ai/bare-metal) | Llama 3 70B Q4 — автономный агент для программирования уровня production | | только CPU | — | \~$0.02/ч | Любая модель через API OpenAI/Anthropic — локальный GPU не нужен | {% hint style="info" %} **Если вы используете API OpenAI/Anthropic:** Вам нужен только CPU-инстанс (\~$0.02/ч) — GPU не имеет значения, поскольку инференс выполняется в облаке. Выбирайте GPU-инстансы только при запуске **локальных моделей** чтобы избежать поминутной оплаты API за токены. **Лучшая конфигурация локальной модели:** RTX 3090 + запущенная Ollama `codellama:13b` даёт вам полностью автономного, ориентированного на конфиденциальность агента для программирования без затрат на API за $0.07–0.21/ч. {% endhint %} *** ## Полезные ссылки * **GitHub**: ⭐ 57K+ * **Документация**: * **Discord**: * **Маркетплейс Clore.ai**: * **Модели Ollama**: * **Модели HuggingFace GGUF**: --- # 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/platformy-i-agenty-ii/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.