OpenHands AI Developer

Разверните OpenHands (ранее OpenDevin) на Clore.ai — запустите полностью автономного ИИ-программиста на доступных GPU-облачных серверах для кодинга, отладки и решения GitHub-issues.

Обзор

OpenHands (ранее OpenDevin) — это open-source платформа для автономных агентов ИИ-разработки ПО. Имея более 65 тыс. звёзд на GitHub, она стала одним из самых популярных инструментов для делегирования реальных программных задач ИИ — написания кода, исправления ошибок, решения задач GitHub, выполнения команд shell, просмотра веба и сквозной работы с вашим кодовой базой.

В отличие от типичных инструментов автодополнения кода, OpenHands использует агентный цикл: он получает задачу, планирует, пишет код, выполняет его, наблюдает результат и повторяет — всё без участия человека. Он поддерживает десятки бэкендов LLM, включая OpenAI, Anthropic Claude, Google Gemini и локально размещённые модели через Ollama или vLLM.

Почему Clore.ai для OpenHands?

• Сам OpenHands работает на CPU и не требует GPU

• Однако в сочетании с локальной LLM (Ollama, vLLM) на том же сервере устраняет расходы на API и задержки

• Доступные GPU-серверы Clore.ai позволяют запускать и OpenHands, и локальную модель всего за $0.20–$0.35/ч

• Вы получаете постоянное хранилище рабочей области, поддержку Docker-in-Docker и полный root-доступ

• Идеально для длительных автономных задач, которые были бы дорогими при использовании облачных API LLM

Типичные сценарии использования на Clore.ai:

• Автономная генерация кода по спецификации или описанию задачи

• Пакетный рефакторинг больших кодовых баз

• Запуск OpenHands + Ollama вместе для 100% офлайн-агентной разработки

• Автоматизация задач CI/CD без затрат на API

---

Требования

OpenHands требует доступа к Docker socket и внутренне запускает изолированный контейнер runtime. В следующей таблице приведены рекомендуемые конфигурации на Clore.ai:

Конфигурация	GPU	VRAM	ОЗУ	Хранилище	Ориентировочная цена
Только API (без локальной LLM)	Любой / только CPU	Н/Д	8 ГБ	20 ГБ	~0,05–0,10 $/час
+ Ollama (Llama 3.1 8B)	RTX 3090	24 ГБ	16 ГБ	40 ГБ	$0.07–0.21/ч
+ Ollama (Qwen2.5 32B)	RTX 4090	24 ГБ	32 ГБ	60 ГБ	$0.14–0.42/ч
+ vLLM (Llama 3.1 70B)	A100 80 ГБ	80 ГБ	64 ГБ	100 ГБ	голое железо
+ vLLM (Llama 3.3 70B INT4)	RTX 4090	24 ГБ	32 ГБ	80 ГБ	$0.14–0.42/ч

Примечание: Если вы используете только API OpenAI/Anthropic/Gemini, подойдёт любой сервер с ≥8 ГБ ОЗУ. GPU нужен только если вы хотите запускать локальную LLM на той же машине. См. Руководство по сравнению GPU для более подробной информации.

Требования к ПО на сервере Clore.ai:

• Docker Engine (предустановлен во всех образах Clore.ai)

• NVIDIA Container Toolkit (предустановлен в GPU-образах)

• Доступ к Docker socket по адресу /var/run/docker.sock

• Исходящий доступ в интернет для загрузки образов из GHCR

---

Быстрый старт

Шаг 1: Выберите и подключитесь к серверу Clore.ai

В Маркетплейс Clore.ai, отфильтруйте серверы по:

• ОЗУ ≥ 16 ГБ (для связки с локальной LLM)

• Docker: ✓ включён

• Выберите предпочитаемый GPU, если используете локальную модель

Подключитесь по SSH после подготовки сервера:

ssh root@<server-ip> -p <port>

Шаг 2: Проверьте, что Docker работает

docker info
ls -la /var/run/docker.sock

Обе команды должны выполниться успешно. Если Docker socket отсутствует, обратитесь в поддержку Clore.ai или выберите другой образ.

Шаг 3: Скачайте и запустите OpenHands

# Установите каталог рабочей области
export WORKSPACE_BASE=$(pwd)/workspace
mkdir -p $WORKSPACE_BASE

# Запустите OpenHands (скачивает последний образ 0.38 из GHCR)
docker run -it --pull=always \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=$(id -u) \
  -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
  -v $WORKSPACE_BASE:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

Шаг 4: Откройте веб-интерфейс

Интерфейс доступен по адресу http://<server-ip>:3000

Проброс портов Clore.ai: В панели управления Clore.ai убедитесь, что порт 3000 перенаправлен/открыт в конфигурации сервера. Некоторые шаблоны ограничивают внешние порты — проверьте раздел «Ports» в сведениях о сервере.

При первом запуске OpenHands предложит вам настроить провайдера LLM.

Шаг 5: Настройте вашу LLM

В настройках веб-интерфейса:

• Провайдер: Выберите OpenAI, Anthropic, Google или Custom

• API-ключ: Введите ваш API-ключ

• Модель: например, gpt-4o, claude-3-5-sonnet-20241022, или ollama/llama3.1

Для локального Ollama (см. раздел «GPU Acceleration» ниже) используйте:

• Провайдер: ollama

• Базовый URL: http://host.docker.internal:11434

• Модель: ollama/llama3.1:8b

---

Конфигурация

Переменные окружения

OpenHands можно полностью настроить через переменные окружения, переданные в docker run:

docker run -it --pull=always \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=$(id -u) \
  -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
  -e LLM_MODEL=claude-3-5-sonnet-20241022 \
  -e LLM_API_KEY=sk-ant-... \
  -e LLM_BASE_URL="" \
  -e SANDBOX_TIMEOUT=120 \
  -e MAX_ITERATIONS=100 \
  -v $WORKSPACE_BASE:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

Переменная	Описание	По умолчанию
LLM_MODEL	Идентификатор модели (например, gpt-4o, claude-3-5-sonnet-20241022)	Устанавливается в UI
LLM_API_KEY	API-ключ провайдера LLM	Устанавливается в UI
LLM_BASE_URL	Пользовательский базовый URL (для Ollama, vLLM, LiteLLM)	По умолчанию провайдера
SANDBOX_TIMEOUT	Тайм-аут песочницы агента в секундах	120
MAX_ITERATIONS	Максимальное число итераций агентного цикла на задачу	100
SANDBOX_USER_ID	UID, от имени которого запускать песочницу (используйте $(id -u))	0
LOG_ALL_EVENTS	Включить подробное журналирование событий (true/false)	false

Постоянный файл конфигурации

Вы можете сохранять настройки, подключив каталог конфигурации:

mkdir -p /opt/openhands/config

docker run -it --pull=always \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=$(id -u) \
  -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
  -v $WORKSPACE_BASE:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /opt/openhands/config:/app/config \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

Запуск в фоновом режиме (отсоединённый режим)

Для длительных сессий на Clore.ai:

export WORKSPACE_BASE=/opt/workspace
mkdir -p $WORKSPACE_BASE

docker run -d \
  --name openhands \
  --restart unless-stopped \
  --pull=always \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=0 \
  -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
  -e LLM_MODEL=claude-3-5-sonnet-20241022 \
  -e LLM_API_KEY=your_api_key_here \
  -v $WORKSPACE_BASE:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

# Просмотреть логи
docker logs -f openhands

---

Ускорение на GPU (интеграция локальной LLM)

Хотя сам OpenHands не использует GPU, сочетание его с локальной LLM моделью, работающей на GPU Clore.ai, даёт вам мощного, экономичного автономного агента без API.

Вариант A: OpenHands + Ollama (рекомендуется новичкам)

Сначала запустите Ollama, затем укажите OpenHands на него:

# 1. Запустите Ollama (см. полное руководство по Ollama)
docker run -d \
  --name ollama \\
  --gpus all \
  -p 11434:11434 \\
  -v ollama-data:/root/.ollama \
  ollama/ollama:latest

# 2. Скачайте модель, оптимизированную для программирования
docker exec ollama ollama pull qwen2.5-coder:7b
# Или для большей производительности:
docker exec ollama ollama pull llama3.1:8b
docker exec ollama ollama pull deepseek-coder-v2:16b

# 3. Запустите OpenHands, указывая на Ollama
export WORKSPACE_BASE=/opt/workspace
mkdir -p $WORKSPACE_BASE

docker run -d \
  --name openhands \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=0 \
  -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
  -e LLM_MODEL=ollama/qwen2.5-coder:7b \
  -e LLM_BASE_URL=http://host.docker.internal:11434 \
  -e LLM_API_KEY=ollama \
  -v $WORKSPACE_BASE:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

См. полное руководство по Ollama для выбора модели, настройки производительности и конфигурации GPU.

Вариант B: OpenHands + vLLM (высокая производительность)

Для максимальной пропускной способности с более крупными моделями:

# 1. Запустите vLLM с моделью для программирования
docker run -d \
  --name vllm \\
  --gpus all \
  -p 8000:8000 \\
  --ipc=host \
  vllm/vllm-openai:latest \\
  --model Qwen/Qwen2.5-Coder-32B-Instruct \
  --max-model-len 16384 \
  --gpu-memory-utilization 0.92

# Дождитесь загрузки модели (~2–5 мин)
docker logs -f vllm | grep "Application startup"

# 2. Запустите OpenHands с бэкендом vLLM
docker run -d \
  --name openhands \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=ghcr.io/all-hands-ai/runtime:0.38-nikolaik \
  -e SANDBOX_USER_ID=0 \
  -e WORKSPACE_MOUNT_PATH=/opt/workspace \
  -e LLM_MODEL=openai/Qwen/Qwen2.5-Coder-32B-Instruct \
  -e LLM_BASE_URL=http://host.docker.internal:8000/v1 \
  -e LLM_API_KEY=none \
  -v /opt/workspace:/opt/workspace_base \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -p 3000:3000 \
  --add-host host.docker.internal:host-gateway \
  ghcr.io/all-hands-ai/openhands:0.38

См. руководство по vLLM для полной настройки, вариантов квантизации и многопроцессорных GPU-конфигураций.

Рекомендуемые локальные модели для программирования

Модель	Размер	Мин. VRAM	Качество
qwen2.5-coder:7b	7B	8 ГБ	★★★☆☆
deepseek-coder-v2:16b	16B	12 ГБ	★★★★☆
qwen2.5-coder:32b	32B	24 ГБ	★★★★☆
llama3.1:70b	70B	48 ГБ	★★★★★

---

Советы и лучшие практики

1. Используйте монтирование рабочей области с умом

Подключите реальный каталог проекта как рабочую область, чтобы OpenHands мог напрямую редактировать ваши файлы:

export WORKSPACE_BASE=/opt/my-project
git clone https://github.com/your/repo $WORKSPACE_BASE

2. Формулируйте задачи для лучших результатов

OpenHands лучше всего работает с конкретными, выполнимыми запросами:

✅ Хорошо: "Исправьте ошибку аутентификации в src/auth/login.py, где JWT-токены 
         истекают сразу. Проблема в расчёте времени истечения токена."

❌ Плохо: "Исправьте ошибку"

3. Отслеживайте использование ресурсов

# Следите за использованием GPU и памяти
watch -n 2 'nvidia-smi && docker stats --no-stream'

4. Установите лимиты итераций

Не позволяйте вышедшим из-под контроля агентам расходовать слишком много API-токенов:

-e MAX_ITERATIONS=50  # Ограничить 50 шагами на задачу

5. Интеграция с GitHub

OpenHands может напрямую закрывать задачи GitHub. Настройте это в UI:

• GitHub Token: ваш персональный токен доступа с repo scope

• OpenHands клонирует репозиторий, исправит проблему и создаст PR

6. Оценка стоимости

Для LLM на основе API оцените стоимость одной задачи:

• Простое исправление ошибки: ~$0.05–0.15 (Claude Haiku/GPT-4o-mini)

• Сложная функция: ~$0.50–2.00 (Claude Sonnet/GPT-4o)

• При 100+ задачах в день локальная LLM на Clore.ai окупается

---

Устранение неполадок

Отказано в доступе к Docker socket

# Ошибка: отказано в доступе при попытке подключиться к Docker daemon
# Исправление: убедитесь, что socket доступен
ls -la /var/run/docker.sock
# Должно отображаться: srw-rw---- 1 root docker ...

# При необходимости добавьте пользователя в группу docker
usermod -aG docker $USER
# Затем перезапустите shell или используйте: newgrp docker

Контейнер песочницы не запускается

# Проверьте, доступен ли образ runtime
docker pull ghcr.io/all-hands-ai/runtime:0.38-nikolaik

# Проверьте ограничения GHCR на количество запросов (может потребоваться авторизация)
docker login ghcr.io

Порт 3000 недоступен

# Убедитесь, что контейнер запущен и порт привязан
docker ps | grep openhands
docker port openhands

# Проверьте брандмауэр Clore.ai — убедитесь, что порт 3000 указан в сопоставлении портов
# В панели управления Clore.ai: Server → Ports → Add 3000:3000

Ошибки подключения LLM с Ollama

# Проверьте, доступен ли Ollama из контейнера OpenHands
docker exec openhands curl http://host.docker.internal:11434/api/tags

# Если не работает, проверьте, что флаг --add-host был указан в docker run
# Также проверьте, что контейнер Ollama запущен:
docker ps | grep ollama
docker logs ollama | tail -20

Агент зацикливается бесконечно

# Уменьшите максимальное число итераций
docker stop openhands
docker run ... -e MAX_ITERATIONS=30 ...

# Или задайте тайм-аут
-e SANDBOX_TIMEOUT=60

Недостаточно памяти (OOM)

# Проверьте использование памяти
free -h
docker stats

# Если используется локальная LLM, попробуйте модель поменьше
docker exec ollama ollama pull qwen2.5-coder:3b

# Или используйте квантизированную версию (меньше VRAM)
docker exec ollama ollama pull llama3.1:8b-instruct-q4_K_M

---

Дополнительное чтение

• Репозиторий OpenHands на GitHub — Исходный код, задачи и релизы

• Документация OpenHands — Официальная документация, включая настройку LLM

• Ollama на Clore.ai — Запускайте локальные LLM для бесплатного агентного инференса

• vLLM на Clore.ai — Высокопроизводительный серверный запуск локальных LLM

• Руководство по сравнению GPU — Выберите подходящий GPU для вашей нагрузки

• OpenHands в Discord — Поддержка сообщества и рекомендации по моделям

• Таблица лидеров SWE-bench — Сравните производительность агентов на реальных задачах GitHub