Hacker News Digest

M5 Ultra Mac Studio с 256 ГБ ОЗУ стал настоящим прорывом для локальных ИИ-агентов. Теперь можно запускать персональные ассистенты на базе моделей вроде OpenClaw или Hermes Agent без зависимости от облака, получая при этом скорость и отзывчивость, сравнимые с онлайн-решениями. Автор подчеркивает, что раньше локальные модели казались слишком медленными и ограниченными, но мощность M5 Ultra кардинально меняет ситуацию — вычислительные ресурсы достаточно для комфортной работы с продвинутыми агентами прямо на устройстве.

Ключевое преимущество — отсутствие дополнительных расходов на облачные сервисы при высокой производительности. Mac Studio справляется с задачами, которые ранее требовали удалённых вычислений, делая локальный ИИ практичным и доступным. Это открывает новые сценарии использования: от автономных помощников до экспериментов с агентными системами без риска утечки данных или задержек из-за сети. Для энтузиастов и разработчиков, сосредоточенных на приватности и независимости, такая машина становится идеальной платформой.

Обсуждение подчеркивает, что производительность M5 Ultra в локальных ИИ-задачах зависит от квантизации, оптимизаций (MTP/dFlash) и архитектуры модели (MoE vs dense), а не только от аппаратных характеристик. Стоимость устройства ставит под сомнение его экономичность по сравнению с облачными решениями. Спор: @gpugreg утверждает, что RTX 5090 достигает >200 токенов/с с ninfer/NVFP4, тогда как @nacs отвечает, что Qwen3.8-27B не помещается в 32 ГБ VRAM 5090, в отличие от M5 Ultra с 256 ГБ ОЗУ. Спор: @karmakaze приводит данные по запуску Qwen3.8-27B-MXFP4 на двух AMD R9 7000 — 260+ токенов/с, превосходя M5 Ultra, но участники фокусируются на сравнении с M5, игнорируя x86-альтернативы. Спор: @smcleod считает, что показатели M3 Ultra в статье завышены, так как его M5 Max работает быстрее; @alex7o отвечает, что с dFlash и MTP M5 Max достигает 75 токенов/с на 256K контексте. Совет: @hamiltont рекомендует брать дешёвый подержанный Ultra (M2/M3) — пропускная способность памяти одинакова у всех Ultra, что даёт лучшую отдачу от вложений. Совет: @alex7o советует использовать dFlash и MTP при тестировании, иначе результаты не отражают реальный потенциал системы, особенно для M5 Max. Совет: @liuliu предупреждает, что MLX-квантизация не эквивалентна качеству llama.cpp, и требует публикации результатов на стандартизированных бенчмарках. Согласны: MoE-модели лучше подходят для M5 Ultra из-за высокой памяти и ограниченной пропускной способности, чем плотные модели (Qwen3.8-27B). Согласны: экономически локальные ИИ-агенты на M5 Ultra не оправданы, если можно арендовать GPU за $5/час — это хобби для тех, кто может позволить себе тратить деньги. Отмечают: цена M5 Ultra (12–15 тыс. $) неоправданно высока — сравнивают с домом или 12 годами подписки на OpenAI Pro. Подтверждают: M5 Pro/Max/Ultra эффективны для специфических задач (CFD, симуляция iOS), превосходя предыдущие поколения в 3–3.5 раза. Спор: @lowbloodsugar сравнивает M5 Ultra с грузовиком Komatsu, утверждая, что сравнение с RTX 5090 по токенам/с некорректно — 5090 не загружает 256K-контекстные модели, тогда как M5 Ultra может, и это ключевое преимущество. Совет: @mstaoru отмечает, что M5 Ultra слишком медленен для кодирования и видео, не превосходя облачные агенты — сомневается в его практической ценности для сложных задач. Совет: @crossroadsguy описывает опыт: даже 16 ГБ ОЗУ на старом Mac не позволяют запускать локальные модели из-за высокого потребления памяти системой — M5 Ultra недоступен для большинства. Отмечают: macOS ограничивает использование M5 Ultra как сервера или homelab-устройства; отсутствие полноценной Linux-поддержки снижает его потенциал.

Gergely Orosz предупреждает, что условия использования Antigravity прямо указывают: если сервис заподозрит стороннее использование — например, через OpenClaw — он может приостановить ваш Google аккаунт. Это не просто блокировка доступа к Antigravity, а риск полной потери доступа к Gmail, Google Drive, YouTube и другим сервисам, на которые многие полагаются в работе и повседневной жизни. Orosz подчеркивает, что не готов идти на такой риск, несмотря на потенциальную выгоду от использования неофициальных клиентов.

Theo усиливает аргумент, отмечая, что многие недооценивают опасность использования подписок на Google Gemini вне официальных интерфейсов. В отличие от блокировки аккаунта у OpenAI или Anthropic — что неприятно, но управляемо — блокировка Google аккаунта может разрушить цифровую жизнь: потеря доступа к почте, документам, фото и другим критически важным данным. Он называет такой риск «легитимно разрушающим жизнь», подчеркивая, что удобство неофициальных инструментов не стоит таких последствий. Оба эксперта сходятся: лучше платить за официальный доступ, чем рисковать всем своим цифровым присутствием.

Риск блокировки Google-аккаунта из-за Antigravity — реальная практика, подтверждённая множеством пользователей: блокировки происходят внезапно, без объяснений и возможности апелляции. Пользователи рекомендуют: перейти на самохостинг или альтернативы (FastMail, ProtonMail); использовать отдельный Google-аккаунт для AI-сервисов, изолируя риски от основного. Многие отказались от Antigravity и других Google AI-продуктов: ценность аккаунта (Gmail, Drive, YouTube) превышает пользу от AI. Даже опытные пользователи автоматизации (agy, CLI, harness) прекращают интеграцию — риск не оправдан. Кратковременное использование (даже для тестов) может привести к блокировке, что делает инструмент непригодным для серьёзных задач. Пользователи Google AI для автоматизации (планирование, обработка данных) также прекращают такие практики. Спор о масштабе блокировки: одни считают, что блокируется только доступ к Antigravity, другие приводят примеры полной блокировки аккаунта. Зафиксирован случай блокировки за подозрение в использовании OpenClaw, хотя пользователь его не применял, — алгоритмы Google ошибочно классифицируют легитимное использование как нарушение. Коммуникация при блокировке отсутствует: нет чётких уведомлений, только расплывчатые сообщения и формы; восстановление происходит случайно, а не по запросу, поддержка бесполезна. Использование официальных расширений Antigravity для IDE не гарантирует безопасности — пользователи не знали о рисках, пока не столкнулись с блокировкой. Политика Google, позволяющая блокировать аккаунт за сторонние инструменты, включая CLI и OAuth-интерфейсы, не встроенные в официальные приложения, рассматривается как недопустимая и противоречит логике открытых API. Family Link добавляет риск: даже действия детей могут привести к блокировке всего аккаунта. Подобные риски есть у Apple и Anthropic, но Google из-за доминирующей позиции представляет наибольшую угрозу.

OpenClaw 2.0 — это крупнейшее обновление в истории проекта, созданное 933 участниками, включая 569 новичков, и включающее более 16 000 pull-запросов. Оно затрагивает все компоненты: установку, мессенджер, память, навыки, модели, автоматизации, браузерное и нативное приложения, плагины, безопасность и множество мелких исправлений. Разработка заняла почти два месяца из-за роста команды и объёма работы, которые превзошли исходную архитектуру и процессы выпуска, потребовав одновременной переработки фундамента и workflow. Релиз содержит около половины всех когда-либо принятых pull-запросов, поэтому команда уделила особое внимание совместимости с новыми установками и обновлением существующих экземпляров, избегая регрессий.

Установка упрощена: теперь используются уже существующие данные пользователя — подписки на ChatGPT или Claude, API-ключи и локальные модели — чтобы сократить начальную настройку и быстрее добраться до первого диалога. Браузерное приложение переработано как основной интерфейс, открывающийся сразу в беседе с Claw. Оттуда пользователь может начать с простого workflow — например, отслеживания школьных писем и отправки уведомлений в Telegram — и постепенно расширять его, привлекая другие сервисы (iMessage, почта) без увеличения сложности. Для командной работы добавлены shared cloud sessions, позволяющие нескольким людям совместно использовать один экземпляр Claw с полным сохранением контекста, что превратило OpenClaw в мультиплеерную среду. Проект остаётся открытым source, принадлежащим сообществу, и приглашает к использованию, развитию и обратной связи без привязки к конкретным компаниям или моделям.

Обсуждение ставит под сомнение практическую ценность и безопасность OpenClaw 2.0, выявляя разрыв между маркетинговым ажиотажем и реальным использованием, а также риски автономных агентов с полным доступом к системе. Запуск агентов рекомендуется в изолированных контейнерах со scoped-токенами вместо полного доступа к Bitwarden и API-ключам. Часть участников полагает, что риск инъекций минимален и достаточно человеческого надзора; другие называют сочетание удобства и полного доступа к данным «смертельной квадрифектой». OpenClaw критикуют за сложность для новичков и перегруженную документацию, предлагая упрощённую версию «OpenClaw-lite». Пользователи Hermes и Pi отмечают их прозрачность и обратную связь в отличие от подхода OpenClaw «trust me bro», что снижает доверие. Для задач вроде обработки email в PDF и отправки в бухгалтерию рекомендуют специализированные скрипты и Agentmail, а не полноценных агентов. Автономные агенты в личной жизни считают избыточными, так как большинство задач требуют физического участия или выполняются ради удовольствия. Одни участники считают OpenClaw маркетинговой шумихой без реальных пользователей (ссылаясь на Google Trends), другие приводят примеры продакшен-применения — например, автоматизацию drop shipping через Hermes + OpenClaw на VPS. Пользователи 27B-моделей отмечают, что потенциал раскрывается только с более крупными моделями, что подтверждается ростом бизнеса на 500%. OpenClaw не решает проблему обхода CAPTCHA и блокировок ритейлеров, ограничивая применение в агрегации цен и скрапинге. Агенты для сложных документов (PDF) часто вносят нежелательные изменения и требуют ручной проверки, что делает их ненадёжными для критичных задач. Отсутствие прозрачности действий и истории сессий делает OpenClaw менее привлекательным по сравнению с Claude Code и Hermes. Для совместного планирования поездок семьи лучше подходят инструменты с совместным редактированием, так как OpenClaw не рассчитан на мультипользовательский режим. Часть участников называет OpenClaw «slop» без ясного замысла, другие указывают на масштаб сообщества (933 участника, 16k PR) как признак реального развития. Опытные пользователи предпочитают развёртывание Codex на VPS с email/SMS-интерфейсом, дающее больше контроля и меньше рисков. Ключевой ограничение OpenClaw — отсутствие долгосрочной памяти и связи между сессиями, что делает его менее полезным, чем Claude или Codex с глобальным доступом к транскриптам.

Harness — набор ремней и карабинов, который держит альпиниста, предотвращает падения и позволяет управлять движением по стене. Как и в скалолазании, где карабины и верёвки регулируют темп и маршрут, в AI‑агентах используется «агент‑гарнир», программный слой, связывающий модель с набором инструментов и правилами поведения.

Главная идея: агент‑гарнир — это программный «костюм», в котором работает искусственный интеллект. Он задаёт системный промпт (правила поведения), предоставляет доступ к внешним инструментам (API, файлы, скрипты) и формирует «агент‑цикл», позволяющий модели планировать, действовать и получать обратную связь. В отличие от готовых моделей, такие гарниры можно настроить под свои нужды: менять инструкции, добавлять новые функции или разворачивать их на собственном устройстве.

Яркие детали:

• В скалолазании один и тот же набор ремней используется как на скале, так и в деревьях арбористов.
• В AI‑мире более 5 000 пользовательских расширений к открытому‑исходному «Pi», демонстрируя гибкость и сообщество.
• Открытые нейтральные гарниры (OpenClaw, Hermes, Pi) дают возможность избежать монополий крупных компаний и сохранить контроль над собственными данными.

Понимание структуры и функций агент‑гарнира раскрывает, как современные ИИ‑агенты работают в реальном времени и почему они становятся инструментом личной агентности, а не лишь продуктом корпораций.

Харнесс — это операционная среда, которая превращает вывод LLM в выполнимые действия: фильтрует вывод, исполняет команды, возвращает результаты в контекст и управляет поведением модели. Его ценность — не в функционале как таковом, а в способности компенсировать слабости модели, обеспечивать гибкость и адаптацию под задачи без переписывания модели. Харнесс настраивают, а не строят: изменение промптов, инструментов и навыков — это его использование. Лучшие харнессы минималистичны — полагаются на сильную модель и дают лишь необходимые рамки и инструменты (как Pi и Smol). Внутренние CLI-инструменты критичны: они позволяют агентам работать с реальными данными без жесткой привязки к предопределённым навыкам. Харнессы станут ключевыми для корпоративных агентов — как внутренние приложения с разными уровнями доступа, MCPs и API, адаптированными под роли. Они должны поддерживать передачу контекста между средами: CLI ↔ веб, устройства, модели, пользователи — это нереализованная потребность. Харнесс — как седло и поводья для лошади: он управляет, направляет и соединяет, но не заменяет силу модели. Он позволяет агентам работать в изолированных средах (VM, локальные GPU, Tailscale), сохраняя контекст и возможность продолжения задачи. Спор: один видит в харнессе будущее ценности (как электронику), другой — что ценность в железе и LLM, а харнесс станет товаром. Большинство существующих решений не компенсируют плохое поведение модели — ошибки вызовов, отсутствие логики. Совет: не пишите длинные навыки — давайте агенту инструменты и рамки, чтобы он сам рассуждал (как бухгалтерские агенты).