Как Docker Agent с AI Endpoints превращает агентов в команду профессионалов

Что, если бы вы могли собрать команду AI-агентов, каждый из которых специализируется на своей задаче, работающих
вместе как хорошо отлаженный конвейер, без необходимости создавать логику оркестрации агентов
с нуля?
Именно это и предлагает Docker Agent.

Docker Agent — это фреймворк с открытым исходным кодом для создания совместных мультиагентных рабочих процессов.
Вместо одного монолитного агента, пытающегося делать всё, вы собираете команду специализированных
агентов. У каждого агента есть четкая роль, конкретные инструменты и своя модель, что позволяет им
общаться и сотрудничать при выполнении сложных многошаговых задач.

В этой статье мы рассмотрим, как подключить Docker Agent к OVHcloud AI Endpoints, чтобы создать
мультиагентного ассистента по кодированию: один агент просматривает документацию, другой пишет код.

Установка/настройка Docker Agent

Все подробные инструкции по установке и настройке Docker Agent можно найти в
официальной документации.
После установки Docker Agent становится доступен как инструмент командной строки docker-agent или docker agent.
⚠ Для работы Docker Agent не требуется Docker engine. ⚠

Аутентификация с AI Endpoints

Чтобы использовать Docker Agent с AI Endpoints, экспортируйте ваш API-ключ:

export OVH_AI_ENDPOINTS_ACCESS_TOKEN="your_api_key_here"

ℹ️ Docker Agent использует поле token_key в конфигурации провайдера, чтобы знать, какая переменная окружения содержит токен API; здесь мы называем её OVH_AI_ENDPOINTS_ACCESS_TOKEN. ℹ️

Настройка провайдера и моделей

AI Endpoints полностью интегрирован в Docker Agent. Это означает, что конфигурация очень проста, как показано в официальной документации.

Одним из преимуществ AI Endpoints является возможность выбора подходящей модели для каждой задачи. Это позволяет каждому агенту использовать модель, оптимизированную для его конкретной роли, вместо того чтобы заставлять одну модель обрабатывать каждый шаг рабочего процесса. Здесь мы используем gpt-oss-120b для краулера, который занимается анализом документации, веб-серфингом и рассуждениями, в то время как Qwen3.5-397B-A17B используется для кодера благодаря его мощным возможностям генерации кода.

Создание команды агентов для кодирования

Давайте построим команду из двух агентов: краулер, который извлекает документацию из интернета, и кодер, который превращает эту документацию в рабочий код.

Краулер использует набор инструментов fetch для чтения URL-адресов и передает извлеченный контекст кодеру через механизм sub_agents. Кодер использует набор инструментов filesystem для создания файлов и набор инструментов shell для их выполнения или проверки при необходимости.

agents:
  crawler: 
    model: ovhcloud/gpt-oss-120b
    description: Documentation crawler
    instruction: |
      You are a documentation crawler.
      Step 1: use the fetch tool to read the URLs provided by the user and     extract the relevant information.
      Step 2: you MUST invoke the coder sub-agent tool with the full context you gathered, so it can write the code.
      Do NOT write the code yourself. Always invoke the coder agent.
    sub_agents: [coder]
    toolsets:
     - type: filesystem
     - type: fetch

coder:
  model: ovhcloud/Qwen3.5-397B-A17B
  description: Coder
  instruction: |
    Write code based on the context provided.
    Ensure code quality and maintainability.
    Save files to disk using the filesystem toolset, use the current path.
   toolsets:
    - type: filesystem
    - type: fetch
    - type: shell

Как видите, использовать модель OVHcloud очень просто: возьмите имя модели из каталога и добавьте ovhcloud/ к имени в файле конфигурации.

Запуск агентов

Когда ваш файл конфигурации готов, запустите команду с помощью:

docker agent run ovhcloud-agent.yml

Вот Docker Agent в действии:

Заключение

В этой статье мы увидели, как Docker Agent упрощает создание совместных мультиагентных команд (без необходимости в Docker engine) и как AI Endpoints естественно вписывается благодаря полной совместимости с OpenAI API.

AI Endpoints предоставляет вам гибкость выбора подходящей модели для каждого агента в мультиагентном рабочем процессе, и все это из единой конфигурации провайдера. Вместо того чтобы полагаться на одну модель для всех задач, вы можете комбинировать специализированные модели для исследования, рассуждений, кодирования, генерации контента или обработки данных.

Пример с краулером/кодером, показанный здесь, — лишь одна иллюстрация этого подхода. Тот же мультиагентный шаблон может применяться к широкому кругу рабочих процессов, в которых специализированные агенты сотрудничают для более эффективного выполнения сложных задач.

Есть вопросы или отзывы? Присоединяйтесь к выделенному каналу #ai-endpoints на нашем Discord-сервере.