OpenHands AI Developer

Разверните OpenHands (ранее OpenDevin) на Clore.ai — запускайте полностью автономного AI-инженера программного обеспечения на доступных GPU-облачных серверах для кодирования, отладки и решения задач на GitHub.

Обзор

OpenHands (ранее OpenDevin) — это платформа с открытым исходным кодом для автономных агентов разработки ПО с использованием ИИ. С более чем 65 тысячами звёзд на GitHub она стала одним из самых популярных инструментов для делегирования реальных программных задач ИИ — написание кода, исправление ошибок, решение проблем на GitHub, выполнение shell-команд, просмотр веба и взаимодействие с вашим кодовой базой от начала до конца.

В отличие от типичных инструментов автозаполнения кода, OpenHands запускает агентную петлю: он принимает задачу, планирует, пишет код, выполняет его, наблюдает результат и итеративно повторяет — всё без вмешательства человека. Поддерживает десятки LLM-бэкендов, 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

• Тем не менее, сочетание его с локальной LLM (Ollama, vLLM) на том же сервере устраняет расходы на API и задержки

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

• Вы получаете постоянное хранилище рабочего пространства, поддержку Docker-in-Docker и полный root‑доступ

• Идеально для длительных автономных задач, которые через облачные LLM API были бы дорогими

Типичные сценарии использования на Clore.ai:

• Автономная генерация кода по спецификации или описанию issue

• Массовое рефакторинг больших кодовых баз

• Совместный запуск OpenHands + Ollama для 100% офлайн‑агентной разработки

• Автоматизация CI/CD задач без затрат на API

---

Требования

OpenHands требует доступа к Docker‑сокету и внутри запускает сандбокс‑runtime контейнер. В таблице ниже приведены рекомендуемые настройки на Clore.ai:

Конфигурация	GPU	VRAM	ОЗУ	Хранилище	Оцениваемая цена
Только через API (без локальной LLM)	Любой / только CPU	N/A	8 ГБ	20 ГБ	~$0.05–0.10/час
+ Ollama (Llama 3.1 8B)	RTX 3090	24 ГБ	16 ГБ	40 ГБ	≈ $0.20/ч
+ Ollama (Qwen2.5 32B)	RTX 4090	24 ГБ	32 ГБ	60 ГБ	≈ $0.35/ч
+ vLLM (Llama 3.1 70B)	A100 80GB	80 ГБ	64 ГБ	100 ГБ	≈ $1.10/ч
+ vLLM (Llama 3.3 70B INT4)	RTX 4090	24 ГБ	32 ГБ	80 ГБ	≈ $0.35/ч

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

Требования к ПО на сервере Clore.ai:

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

• NVIDIA Container Toolkit (предустановлен на GPU‑образах)

• Docker‑сокет доступен по адресу /var/run/docker.sock

• Исходящий доступ в интернет для загрузки образов с GHCR

---

Быстрый старт

Шаг 1: Выберите и подключитесь к серверу Clore.ai

В маркетплейсе Clore.ai, фильтруйте серверы по:

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

• Docker: ✓ включён

• Выберите предпочитаемый GPU, если используете локальную модель

Подключитесь по SSH после Provision сервера:

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

Шаг 2: Убедитесь, что Docker запущен

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

Обе команды должны выполниться успешно. Если Docker‑сокет отсутствует, свяжитесь со службой поддержки Clore.ai или выберите другой образ.

Шаг 3: Загрузите и запустите OpenHands

# Установите директорию рабочего пространства
export WORKSPACE_BASE=$(pwd)/workspace
mkdir -p $WORKSPACE_BASE

# Запустите OpenHands (загружает последний образ 0.38 с 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: Доступ к веб‑интерфейсу

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

Проброс портов в Clore.ai: В панели Clore.ai убедитесь, что порт 3000 проброшен/открыт в конфигурации сервера. Некоторые шаблоны ограничивают внешние порты — проверьте раздел «Порты» в деталях сервера.

При первом запуске OpenHands попросит вас настроить поставщика LLM.

Шаг 5: Настройте вашу LLM

В настройках веб‑интерфейса:

• Поставщик: Выберите OpenAI, Anthropic, Google или Custom

• API Key: Введите ваш API‑ключ

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

Для локального Ollama (см. раздел про ускорение на GPU ниже) используйте:

• Поставщик: ollama

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

• Модель: ollama/llama3.1:8b

---

Конфигурация

Переменные окружения

OpenHands можно полностью настроить через переменные окружения, передаваемые 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)	Установлено в UI
LLM_API_KEY	API‑ключ для поставщика LLM	Установлено в UI
LLM_BASE_URL	Пользовательский базовый URL (для Ollama, vLLM, LiteLLM)	По умолчанию поставщика
SANDBOX_TIMEOUT	Таймаут сандбокса агента в секундах	120
MAX_ITERATIONS	Макс. число итераций агентной петли на задачу	100
SANDBOX_USER_ID	UID, под которым запускается сандбокс (используйте $(id -u))	0
LOG_ALL_EVENTS	Включить подробное логирование событий (true/false)	false

Постоянный конфигурационный файл

Вы можете сохранять настройки, смонтировав директорию 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 (Detached Mode)

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

# Просмотр логов
docker logs -f openhands

---

Ускорение на GPU (интеграция локальной LLM)

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

Вариант A: OpenHands + Ollama (рекомендуется для начинающих)

Сначала запустите Ollama, затем укажите OpenHands на него:

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

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

# 3. Запустите OpenHands, указывая 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. полный руководство по Ollama для выбора модели, настройки производительности и конфигурации GPU.

Вариант B: OpenHands + vLLM (высокая производительность)

Для максимальной пропускной способности с большими моделями:

# 1. Запустите vLLM с моделью для кодирования
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, опций квантизации и конфигураций с несколькими GPU.

Рекомендуемые локальные модели для кодирования

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 GB	★★★★★

---

Подсказки и лучшие практики

1. Разумно используйте монтирование рабочего пространства

Смонтируйте вашу реальную директорию проекта как рабочее пространство, чтобы OpenHands мог напрямую редактировать ваши файлы:

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

2. Формулировка задачи для лучших результатов

OpenHands лучше всего работает со специфичными, выполнимыми подсказками:

✅ Хорошо: «Исправьте баг аутентификации в src/auth/login.py, где JWT‑токены 
         сразу истекают. Проблема в расчёте времени истечения токена.»

❌ Плохо: «Исправьте баг»

3. Мониторьте использование ресурсов

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

4. Установите лимиты итераций

Предотвращайте бесконтрольную работу агентов, потребляющих слишком много API‑токенов:

-e MAX_ITERATIONS=50  # Ограничение до 50 шагов на задачу

5. Интеграция с GitHub

OpenHands может решать проблемы на GitHub напрямую. Настройте в UI:

• GitHub Token: ваш персональный токен доступа с правами repo область

• OpenHands клонирует репозиторий, исправит проблему и создаст PR

6. Оценка стоимости

Для LLM на основе API оцените стоимость за задачу:

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

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

• При 100+ задач/день локальная LLM на Clore.ai окупает себя

---

Устранение неполадок

Доступ к Docker‑сокету запрещён (Permission Denied)

# Ошибка: отказано в доступе при попытке подключения к Docker-демону
# Исправление: убедитесь, что сокет доступен
ls -la /var/run/docker.sock
# Должно показывать: srw-rw---- 1 root docker ...

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

Сандбокс‑контейнер не запускается

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

# Проверьте лимиты GHCR (возможно потребуется аутентификация)
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 включён в маппинг портов
# В панели 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 удаётся, проверьте, был ли включён флаг --add-host в docker run
# Также проверьте, что контейнер Ollama запущен:
docker ps | grep ollama
docker logs ollama | tail -20

Агентные петли выполняются бесконечно

# Уменьшите макс. итерации
docker stop openhands
docker run ... -e MAX_ITERATIONS=30 ...

# Или установите таймаут
-e SANDBOX_TIMEOUT=60

Недостаточно памяти (OOM)

# Проверить использование памяти
free -h
docker stats

# Если запускаете локальную LLM, попробуйте меньшую модель
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, issues и релизы

• Документация OpenHands — Официальная документация, включая настройку LLM

• Ollama на Clore.ai — Запускайте локальные LLM для бесплатного вывода агентов

• vLLM на Clore.ai — Высокопроизводительная локальная подача LLM

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

• Discord OpenHands — Поддержка сообщества и рекомендации по моделям

• Таблица лидеров SWE-bench — Сравнивайте производительность агентов на реальных GitHub‑issue