Роман про OpenClaw

🛡 Как случайно не слить API-ключи через OpenClaw

Сейчас с безопасностью AI-агентов вообще лучше быть внимательнее. Мы подключаем к ним почту, CRM, разные API, а доступ ко всему этому часто держится на обычных токенах.

Если такой токен попадет к постороннему, он сможет обращаться к сервису от вашего имени в пределах выданных прав. А это уже могут быть рабочие документы, данные клиентов или возможность что-нибудь изменить в системе.

Причем ключ необязательно специально кому-то отправлять. Иногда он попадает в логи совершенно случайно

Например, агент запускает скрипт для работы с API, а тот при ошибке выводит весь HTTP-запрос вместе с заголовком Authorization. Если в нем был токен, он окажется в записях, к которым могут иметь доступ другие люди или сервисы.

🔐 В OpenClaw есть встроенная маскировка секретов, но я бы на нее полностью не рассчитывал. Она распознает и скрывает часть чувствительных данных, однако не гарантирует, что поймает вообще все.

Поэтому советую проверить несколько вещей:
🔸 Что возвращают инструменты. Если агенту нужен результат API-запроса, не надо передавать ему вместе с ответом токены и служебные заголовки.
🔸 Что попадает в логи. Особенно при ошибках, когда скрипты иногда выводят больше информации, чем нужно.
🔸 Где хранятся ключи. По возможности используйте SecretRef или отдельное хранилище секретов вместо хранения токенов в доступных агенту файлах.

И еще, если обнаружили ключ в логах, одного удаления записи мало. Такой токен лучше отозвать и выпустить новый, особенно если к логам был посторонний доступ.

В общем, лучше потратить немного времени на проверку инструментов, чем потом разбираться, кто и что успел сделать с вашим API-ключом.

#какэтоработает

🧐 Как найти потерянные сообщения в OpenClaw

Начнем неделю с одной команды, которая может пригодиться при работе с Telegram и другими каналами OpenClaw.

Бывает, агент получает сообщения от пользователей, но некоторые из них почему-то остаются без обработки. Сам канал подключен, Gateway работает, при этом часть входящих событий заканчивается ошибкой даже после нескольких попыток.

В OpenClaw для таких случаев есть dead letters. Это список входящих событий, которые система так и не смогла обработать после повторных попыток. Причем работает это не только с Telegram, можно проверять и другие подключенные каналы.

🔎 Посмотреть ошибки по телеге можно так:

openclaw channels dead-letters list --channel telegram --account default

Команда покажет, какие события не обработались, сколько было попыток и что именно пошло не так.

Если причину ошибки исправили, можно вернуть конкретное событие на повторную обработку:

openclaw channels dead-letters resubmit <event-id> --channel telegram --account default



Тут только советую сначала проверить логи и убедиться, что агент не успел выполнить нужное действие до сбоя. Иначе есть риск повторить его при повторной обработке.

Весь "сок" в том, что можно не просто увидеть ошибку, но и повторно обработать конкретное событие, не заставляя пользователя отправлять сообщение заново.

#полезныеинструменты

🔐 Пятничная история о том, почему фраза «тебе нельзя в интернет» - это не файрвол

Недавно Anthropic рассказала про довольно показательный косяк во время тестирования Claude.

Модель запускали в специальной среде для кибериспытаний и сказали ей, что доступа к реальному интернету у нее нет. Так и должно было быть - только из-за ошибки в настройке интернет на самом деле остался доступен.

И дальше началось самое интересное. Claude продолжил выполнять задание и в итоге вышел за пределы тестовой среды на реальные сторонние системы. Причем это был не один случай - Anthropic нашла 4 таких инцидента.

И самое забавное (или не очень) здесь даже не поведение модели, а сама ситуация:
Агенту сказали: «интернета нет».
А технически интернет: есть 😁

И вот это хороший пример того, почему инструкции для агента и его реальные ограничения - все-таки разные вещи. Если агенту что-то действительно нельзя, лучше не оставлять ему техническую возможность это сделать.

Короче, промпт может сказать агенту, что дверь закрыта. Но лучше все-таки закрыть дверь🤪

#какэтоработает

Собрать AI-агента - это еще полбеды 😁

Ко мне периодически приходят с одной и той же историей. Собрали агента, настроили инструменты, на тестах все отлично, а как только начали внедрять в работу - все поехало.

И самое интересное, что проблема часто вообще не в модели или промпте.

Например, агент нормально обрабатывал тестовые документы, а потом ему прилетели реальные PDF с кривой разметкой, неполными данными и прочими сюрпризами. Где-то API отвалился, где-то агент создал дубль в CRM, и вот уже приходится сидеть и разбираться, почему автоматизация вместо экономии времени добавила работы 😅

💡Заставить агента выполнить задачу один раз и сделать так, чтобы он стабильно работал каждый день - две разные истории.

Тут уже надо продумывать проверки, обработку ошибок, ограничения на действия. И на это порой уходит больше времени, чем на саму сборку. А бросать жалко, столько уже провозился.

Короче, если тоже застряли со своим агентом или только думаете что-то внедрить в работу - приходите ко мне на консультацию.

Посмотрим, что у вас за задача, где все буксует и как это можно нормально реализовать. Я с командой как раз такими штуками занимаюсь, так что попробуем разобраться вместе.

👉 Обсудить свою задачу

🤨 Что такое MCP?

Последнее время MCP встречается буквально везде, где говорят про AI-агентов. Но заметил, что не всем вообще понятно, что это такое 😁
Поэтому сегодня попробую объяснить что это на обычном примере.

Допустим, вы просите агента: «Посмотри мой календарь и найди свободное время для встречи на следующей неделе».

Сама по себе модель ваш календарь не видит. Более того, у календаря, GitHub, базы данных и любого другого сервиса свои способы получать данные и выполнять действия. И если подключать все это к агенту напрямую, под каждый сервис пришлось бы отдельно объяснять, как с ним работать.

Вот эту проблему и решает MCP - Model Context Protocol.

Если совсем по-простому, это общий стандарт, по которому AI-приложение может работать с внешними инструментами и данными.

А MCP-сервер можно представить как переходник - он берет конкретный сервис и предоставляет его возможности агенту уже в понятном для него формате.

Например, подключили MCP-сервер для GitHub - агент получает инструменты для работы с репозиториями и задачами. Подключили сервер для базы - может запрашивать из нее нужные данные.

Самое удобное здесь в том, что агенту не нужно каждый раз учиться работать с очередным сервисом с нуля. MCP дает всем один общий способ общения.

🔌 Поэтому когда видите фразу «подключить MCP к агенту», обычно речь именно об этом - дать агенту доступ к еще одному набору внешних инструментов или данных через понятный ему стандарт.

Внутри там, конечно, все немного интереснее 😁 Но для первого знакомства, думаю, схемы агент → MCP → нужный сервис вполне достаточно.

Если хотите, могу почаще раскрывать подобные термины работы с агентами тут.
Ставьте 🔥, если надо.

#какэтоработает

🔎 Забавно, вчера писал про auto, а сегодня мне попалось исследование Anthropic ровно в тему

Они собрали данные по тому, как люди работают с Claude Code и заметили интересную закономерность. Чем больше у человека опыта с агентом, тем больше свободы он ему дает - у новичков полный auto-approve используется примерно в 20% сессий, а у опытных пользователей - уже больше чем в 40%.

В принципе, по своей работе я вижу примерно то же самое. Со временем гораздо лучше понимаешь возможности агента и уже не пытаешься контролировать каждое его действие.

Но забавнее другое. Казалось бы, чем больше доверия, тем реже человек должен вмешиваться. А по данным Anthropic получилось наоборот - опытные пользователи прерывают агента чаще новичков.

То есть опыт дает не столько больше доверия к агенту, сколько лучшее понимание, когда ему можно не мешать, а когда пора вмешаться.

Короче парадокс - доверяют больше, но останавливают чаще. Хотя это вполне логично, когда у тебя больше опыта сразу понимаешь что агент пошел не туда.

#какэтоработает

👀 Сегодня хочу поделиться одной настройкой OpenClaw, которой сам пользуюсь

Когда агенту нужно выполнять команды на компьютере, обычно есть два понятных варианта. Можно заставить его спрашивать разрешение на каждую новую команду, а можно вообще убрать обычные подтверждения и дать полный доступ.

Но есть еще вариант - tools.exec.mode: "auto"

В auto OpenClaw сначала пропускает команды, которые уже разрешены правилами. А если агент хочет выполнить что-то новое, команда сначала уходит встроенному reviewer. Он оценивает ее и может разрешить один запуск, запретить его или передать решение мне, если без человека лучше не продолжать.

То есть я не сижу и не подтверждаю руками каждое действие агента, но и не выдаю ему карт-бланш на все команды подряд.

Включается режим через терминал:
openclaw config set tools.exec.mode auto

После изменения настройки нужно проверить, что политика применилась, и перезапустить Gateway:
openclaw approvals get
openclaw gateway restart

А итоговый режим можно посмотреть через:
openclaw exec-policy show

Именно такую последовательность сейчас рекомендует документация OpenClaw.

📌 Я использую auto, например, когда агент работает с проектом, запускает тесты, читает логи и постоянно выполняет похожие команды. В таких задачах каждый раз отвлекаться на подтверждение быстро надоедает, а полностью отключать контроль мне тоже не хочется.

Просто не забываем старое правило - чем дороже потенциальная ошибка, тем меньше решений агент должен принимать самостоятельно. Если действие может серьезно что-то поменять, лучше оставить последнее слово за человеком.

Если захотите подробнее разобраться, здесь хорошо расписаны все режимы разрешений OpenClaw и разница между ними.

#полезныеинструменты

🩺 Начнем неделю с полезной команды OpenClaw

Есть в OpenClaw одна встроенная штука, про которую, думаю, знают далеко не все - Doctor. Он проводит диагностику и проверяет основные компоненты - конфигурацию, Gateway, каналы, плагины, скиллы и маршрутизацию моделей.

Я обычно вспоминаю про него после обновлений или каких-то изменений в конфиге. Даже если внешне все работает нормально, можно быстро проверить, не появилось ли где-то предупреждений.

Для этого запускаю:
openclaw doctor --lint

Команда запускается через терминал на машине, где установлен OpenClaw. В таком режиме Doctor ничего сам не меняет, а просто проводит проверку и показывает результат.

Кстати, у Doctor есть возможность самому попробовать исправить часть найденных проблем:
openclaw doctor --fix

Но я бы не начинал сразу с нее. Сначала проще прогнать --lint, посмотреть, что именно нашлось, а уже потом решать, исправить это руками или доверить Doctor. Все-таки давать команде менять конфиг, не посмотрев диагноз - немного не мой стиль 😁

Если коротко: --lint — диагностика без изменений, --fix — диагностика с возможностью исправить найденное.

Сам OpenClaw часть служебных проверок делает автоматически, но когда мне нужно самому проверить его состояние здесь и сейчас, Doctor - довольно удобный вариант.

Если захотите разобраться в нем подробнее, здесь есть полная документация по Doctor.

#полезныеинструменты

🤔 А вы бы доверили нейронке свою банковскую карту?

Кажется, нейронки уже есть у всех, кому было не лень их скачать. Кто-то пишет через них тексты, кто-то ищет информацию, кто-то спрашивает, что приготовить из трех продуктов в холодильнике.

Но следующий этап мне кажется куда интереснее - покупки через AI.

Представьте, что вам нужны новые кроссовки. Вместо часа на маркетплейсах просто пишете:

Найди белые кроссовки до 15 000 ₽, без огромной подошвы и чтобы нормально смотрелись с джинсами.

Нейронка сама перебирает магазины, сравнивает цены, показывает несколько вариантов. Вы выбираете понравившиеся и она сама оформляет заказ.

📌 Причем мы к этому уже постепенно идем. Поиск и подбор товаров появляются прямо внутри AI-сервисов, так что вопрос скорее в том, насколько далеко мы сами готовы их пустить.

Давайте узнаем насколько такой сценарий жизнеспособен 👇

🤝 Кстати, хочу напомнить про нашу партнерку

Раз уж я здесь столько рассказываю про AI-агентов, OpenClaw и то, что мы с ними делаем, напомню еще про одну возможность.

Спрос на AI-агентов растет довольно быстро. По данным McKinsey, среди крупных компаний доля тех, кто уже масштабирует AI-агентов, за год выросла с 27% до 40%.

Мы с командой как раз разрабатываем НейроСотрудников и подключаем их к реальным рабочим процессам.

Поэтому если среди ваших коллег, клиентов или знакомых есть те, кому сейчас пригодился бы такой агент — можете просто порекомендовать нас и получать за это вознаграждение.

Вам сделают партнерскую ссылку, передаете ее человеку, а дальше уже мы сами все покажем и поможем с подключением.

📌 В итоге win-win - человеку помогли автоматизировать процесс и сами на этом заработали, без каких-либо продаж

👉 Посмотреть условия партнерки

❓ Что на самом деле ставят своим AI-агентам

Как вы знаете, я сейчас довольно плотно занимаюсь разработкой AI-агентов. Кстати, если хотите такого под свои задачи — можно прийти ко мне на консультацию 🤝

Поэтому постоянно слежу за тем, как развивается вся эта история. И тут появился хороший срез с реальными цифрами.

Vercel развивает skills.sh - открытый каталог скиллов для AI-агентов. Недавно они проанализировали статистику каталога за первые семь месяцев, а там уже больше миллиона скиллов и почти 280 млн установок.

Основные цифры и категории собрал на карточках выше ☝️

Больше 80% установок приходится на задачи за пределами разработки.

Причем это не просто условные «скиллы для маркетинга вместо скиллов для кода». Одна из крупнейших категорий - agent workflows: скиллы, которые помогают самому агенту лучше планировать работу, пользоваться инструментами и автоматизировать действия.

То есть постепенно формируется отдельный слой: модель сама по себе умеет много, а скиллами мы объясняем ей, как именно выполнять конкретную работу.

И вот здесь уже становится интереснее для бизнеса.

Можно взять повторяющийся процесс внутри компании и постепенно вынести в скилл его правила - какие данные использовать, в каком порядке действовать, что проверять и когда передавать результат человеку.

🔸 Получается, скилл - это уже не просто готовая инструкция из каталога, а способ передать агенту конкретный рабочий процесс команды.

Общие скиллы можно скачать. А вот внутренние правила компании за вас никто не опишет - и, думаю, именно здесь дальше будет самое интересное.

🔗 Полная аналитика

🔐 Где теперь проверять безопасность OpenClaw

Кажется, в OpenClaw решили наконец собрать всю историю с безопасностью в одном месте (ура!)

Раньше, если хотелось понять, что нашли, что уже исправили и есть ли сейчас какие-то проблемы, приходилось ходить по GitHub, документации и отдельным advisory. Не самый удобный вариант, особенно перед очередным обновлением.

Теперь у OpenClaw появилась отдельная Security-страница, где все это собрано вместе.

📊 Там можно посмотреть текущий статус, последние предупреждения и опубликованные исправления. Отдельно видно, где находили проблемы - Gateway и авторизация, sandbox, плагины и скиллы, файловая система, сетевые подключения и другие части OpenClaw.

Сейчас активных предупреждений нет. А с января команда уже опубликовала 722 исправления, включая 14 подтвержденных критических уязвимостей - все они уже закрыты.

Я себе эту страницу точно сохраню. Перед обновлением гораздо удобнее зайти в одно место и быстро проверить текущий статус, чем потом искать по репе, не пропустил ли что-нибудь важное.

🔗 OpenClaw Security - сохраняйте

#полезныеинструменты

👀 Кажется, OpenClaw вышел на новый уровень

Я OpenClaw использую уже давно и много чего на нем успел собрать, но тут даже мне стало интересно.

Microsoft использует OpenClaw как основу для своего Autopilot.

Autopilot - это персональный агент, который может постоянно работать в фоне и продолжать выполнять задачи без нового сообщения от пользователя.

Причем Microsoft не просто взяла готовый проект. Ее разработчики уже отправляют свои изменения обратно в OpenClaw - дорабатывают стабильность фоновых задач, планировщик и проверки конфигурации.

Получается интересный обмен: Microsoft использует OpenClaw для своего агента, а OpenClaw получает обратно доработки, которые появляются уже на корпоративном масштабе.

Для меня это хороший показатель того, куда вообще движется проект.

Одно дело - наши эксперименты, домашние агенты и небольшие автоматизации. И совсем другое когда OpenClaw начинает использовать команда Microsoft для собственного продукта.

🔗 Подробнее про сотрудничество можно почитать в публикации OpenClaw.

#интересное

👀 Понедельник начнем с небольшой технической темы

Сегодня расскажу немного про локальные и облачные модели. Тема довольно нишевая - большинство спокойно работает с облаком, а для нормального локального запуска уже понадобится подходящее железо.

Но я пользуюсь обоими вариантами, поэтому решил поделиться, зачем вообще заморачиваться с локальной моделью.

Если коротко:

☁️ Облачная модель работает на серверах провайдера - отправили запрос, получили ответ. Сюда относятся те же GPT, Claude или Codex.

💻 Локальная модель скачивается и запускается прямо на вашем компьютере или сервере. Например, через Ollama можно поднять Qwen или другую подходящую модель и работать с ней внутри своей инфраструктуры.

Для агентов второй вариант особенно интересен. Можно не отправлять внутренние файлы во внешний API и заодно не платить за токены на каждой регулярной операции. Я, например, локально оставляю более простую работу с внутренними данными, а сложные задачи отправляю в облако.

Кстати, OpenClaw как раз упрощает работу с обоими вариантами.

На macOS он умеет находить уже настроенные подключения к облачным Claude и Codex, а также Ollama для локальных моделей. На Windows с NVIDIA RTX от 24 ГБ видеопамяти может определить железо и предложить подходящую локальную модель примерно 30B-класса.

🔸 Конечно, локально ≠ автоматически безопасно. Доступы агента к файлам, инструментам и системе все равно нужно нормально ограничивать.

Но сама возможность не гонять все задачи через одну облачную модель мне нравится. Где-то важнее возможности Claude или GPT, а где-то вполне хватает локальной модели, которая работает на своем железе и не отправляет данные наружу.

Короче, присмотритесь к этому варианту, если агенты уже разрастаются в ваших процессах.

Подробнее про новый установщик и локальные модели можно почитать в публикации OpenClaw.

#полезныеинструменты

🍿 Не буду грузить вас под выходные, лучше оставлю кое-что посмотреть

Попался интересный выпуск ToTheMoon про то, как компании сейчас используют AI в реальной работе.

Мы сами сейчас довольно плотно внедряем AI внутри компании - я уже собрал несколько агентов под разные процессы, постоянно что-то тестируем и постепенно отдаем им все больше реальных задач. Поэтому было особенно интересно послушать, как к этому подходят другие компании и что вообще сейчас происходит с внедрением AI в бизнесе.

В выпуске как раз обсуждают реальные сценарии, рабочие процессы и то, где AI уже приносит пользу, а где пока остается больше экспериментом.

Так что если на выходных захочется посмотреть что-нибудь полезное по нашей теме - рекомендую 👇

🎬 Смотреть выпуск

Всем хороших выходных 👋

🤖 Что вы до сих пор делаете руками?

Я много пишу здесь про OpenClaw и AI-агентов, но мне стало интересно зайти с другой стороны.

Какая рутина в вашей работе до сих пор остается на вас?

Сбор данных, отчеты, документы, контроль задач, работа с CRM или вообще что-то свое.

Я каждый день занимаюсь разработкой таких агентов и часть подобных процессов уже вполне можно им отдавать.

Причем не обязательно сразу придумывать огромную автоматизацию. Иногда достаточно начать с одной повторяющейся задачи.

Мы примерно так и запускаем НейроСотрудников — сначала разбираемся с конкретным процессом, а дальше уже смотрим, что еще можно передать агенту.

👀 Мне самому интересно посмотреть, что именно вы хотели бы перестать делать руками.

Если такая задача есть - оставляйте контакты по ссылке ниже (там есть кнопка "Обсудить внедрение ИИ"). Разберем ваш процесс, подскажем, что в нем можно передать агенту и как это реализовать на практике.

👉 Обсудить свою задачу