ИИ-агент на ПК: как установить и дать первую задачу

ИИ-агент на ПК — это приложение, которое работает с вашими файлами напрямую: открывает папку с проектом, читает документы, вносит правки и показывает, что изменил. Веб-чат так не умеет. Ему достаётся только то, что вы скопировали в сообщение.

Через десять минут после установки агент на компьютере найдёт в папке все места, где встречается старое название сервиса; допишет тесты к одной функции и прогонит их; разберёт лог, который вы просто укажете в задаче. Не «подскажет, как это сделать» — сделает и покажет дифф.

Установка занимает пять минут: скачать 119 МБ для Windows, 129 или 133 МБ для macOS, 145 МБ для Linux, войти в аккаунт, установить агента во вкладке «Агенты», открыть папку. Миллион токенов на старте дают бесплатно, и этого хватает примерно на десять задач.

Оговорка, чтобы не повторять чужие обзоры: агент на компьютере — не то же самое, что модель на компьютере. Цикл работы живёт на вашей машине, а сам запрос обрабатывает облачный провайдер. Что уходит в сеть и как это ограничить — в разборе про локальный ИИ-агент. Здесь про другое: что агент умеет на вашем ПК и с какой задачи начать.

Что умеет ИИ-агент на ПК, чего не может веб-чат?

Модели в приложении и в браузере одни и те же — DeepSeek V4 Pro и V4 Flash. Ум не отличается, отличается доступ. В веб-чате носильщиком работаете вы: скопировали файл, вставили, получили ответ, понесли обратно. В приложении агент сам открывает нужный файл, сам решает, что читать следующим, и доводит цепочку до проверяемого результата.

Разницу в режиме работы видно по замерам Anthropic: в Claude Code 79% диалогов — автоматизация, когда ИИ выполняет задачу сам, а в веб-версии таких 49%. Данные опубликованы в Anthropic Economic Index. Это не про то, что агент умнее чат-бота, а про то, кто держит цикл.

Как это выглядит на живой задаче. «Сборка проходит локально и падает на CI». Веб-чат попросит принести конфиг сборки, версии из логов и дифф lock-файла — и вы принесёте не то, что нужно, потому что не знаете, где причина. Агент на ПК откроет конфиг CI, сверит версию среды со своей локальной, посмотрит lock-файл, найдёт расхождение по одной зависимости и покажет, где она зафиксирована. Четыре шага, каждый — чтение файла. Вы в них не участвуете.

Контекст у моделей — 1 048 576 токенов. Цифра впечатляет ровно до первой попытки загрузить в неё репозиторий целиком. На практике агент работает выборками: читает десяток файлов, ищет по проекту, ошибается, уточняет. На беспорядочном проекте без тестов и осмысленных имён он ошибается чаще — придираться к нему за это странно, он видит ровно тот порядок, который вы оставили.

Правила, написанные агенту один раз, живут в памяти аккаунта: одна строка, до 4 000 символов попадает в промпт. Скажите ему «не трогай прод-конфиги» — и это переживёт перезапуск приложения. Работает для тех, кто вошёл в аккаунт, у анонимного чата памяти нет.

Работает это не с одним кодом. Папка с договорами, папка с выгрузками, папка со сканами — агент открывает их так же: прочитает два десятка PDF и соберёт таблицу условий оплаты. При одном условии: вы дали ему папку и признак готовности, а не попросили «разобраться с документами».

И честно про веб-версию: она не «хуже». Картинка, расшифровка созвона, письмо, план — это всё быстрее сделать в браузере, не устанавливая 119 МБ. Приложение нужно там, где задача упирается в папку.

С чего начать: какие задачи дать агенту в первый час?

Первая задача нужна скучная и проверяемая. Её цель — не сэкономить вам час, а показать, как агент читает проект и где он промахивается, пока цена промаха нулевая.

Хороший каркас задачи — четыре части: что сделать, где посмотреть образец, что не трогать, по какому признаку считать готовым. Вот как это выглядит по шагам.

1. Возьмите задачу с результатом в файлах, а не в ответе. Не «наведи порядок в проекте», а «добавь тесты к функции разбора даты в src/dates.py». Проверить можно, открыв файл.
2. Ограничьте территорию. «Работай только в src/parser/ и tests/parser/». После прогона посмотрите, какие файлы агент открывал — он показывает это в логе шагов. Выход за границы видно сразу.
3. Дайте образец вместо описания. «Смотри, как сделано в tests/test_auth.py, повтори стиль». Скопировать пример модель умеет лучше, чем выполнить прилагательное «аккуратно».
4. Перечислите запреты. «Не меняй публичные функции, не обновляй зависимости, не делай коммит». Дифф после этого должен содержать только то, о чём просили, — иначе запрет не сработал.
5. Опишите признак готовности. «Готово, когда pytest tests/test_parser.py проходит и в отчёте нет пропущенных тестов». Без такого признака агент склонен объявлять победу на середине.
6. Первый запуск проведите в режиме подтверждения команд. Смотрите, что он собирается выполнить, и соглашайтесь по одному шагу. В Claude Code, например, manual-режим стартует с правами только на чтение и спрашивает перед каждой правкой файла — документация.
7. Читайте дифф, а не ответ. Откройте git diff целиком, до последней строки. По опросу Stack Overflow 2025 46% разработчиков не доверяют точности ИИ, а 66% раздражают «почти правильные» решения. Именно на этом шаге их и ловят.

Готовый шаблон, который можно скопировать в поле задачи целиком:

Добавь тесты к функции parse_date в src/dates.py. Образец стиля — tests/test_auth.py. Не меняй публичные функции и не обновляй зависимости. Готово, когда pytest tests/test_dates.py проходит целиком. Покажи список изменённых файлов.

Дальше наращивайте сложность: документация модуля, потом правка одной функции с тестами, потом прогон тестов по всему пакету и разбор упавших. К рефакторингу на десять тысяч строк переходите после пятого-шестого диффа. К этому моменту становится видно, где агент врёт уверенно, а где останавливается и спрашивает.

Что давать не стоит в первый час: переписывание проекта целиком, миграции базы, всё, что требует доступа к продакшену. Опрос K2 Cloud и Хабра (872 анкеты) показал, что чаще всего ИИ в ИТ применяют для кода (59,1%) и документации (51,1%) — данные. Документация к модулю — отличная первая задача: её результат видно глазами и невозможно сломать.

Как это делать в AgentHere

Увеличить

Десктопное приложение AgentHere — это и есть ИИ-агент на ПК: он видит папку, правит файлы, запускает команды, тянет многошаговые задачи, помнит правила и ищет в интернете. Актуальная версия по состоянию на 26 сентября 2026 года — 1.17.21 от 25 сентября.

1. Скачайте дистрибутив на странице загрузки. Windows x64 — agenthere-electron-win-x64.exe (119 МБ), Windows ARM64 — 120 МБ, macOS на Apple Silicon — agenthere-electron-mac-arm64.dmg (129 МБ), macOS на Intel — 133 МБ, Linux x64 — agenthere-electron-linux-x86_64.AppImage (145 МБ). Сборок .deb и .rpm нет, для Linux только AppImage.
2. Установите. Windows: SmartScreen покажет предупреждение, сборка не подписана — «Подробнее», затем «Выполнить в любом случае», дальше мастер установки. macOS: перетащите AgentHere.app из образа и снимите карантин командой sudo xattr -cr ~/Desktop/AgentHere.app. Linux: chmod +x agenthere-electron-linux-x86_64.AppImage и запуск двойным щелчком.
3. Войдите в аккаунт. Регистрация на странице регистрации занимает минуту, после подтверждения почты начисляют 1 000 000 токенов — однократно, а не каждый месяц.
4. Установите агента во вкладке «Агенты». Новому аккаунту сразу ставят «Персонального помощника». Если нужен другой — берите готового в каталоге агентов или создайте своего под задачу.
5. Откройте папку и опишите первую задачу. Открывайте папку с проектом, а не домашний каталог целиком. Дальше — каркас из предыдущего раздела: что сделать, где образец, что не трогать, как проверить.

Требования к машине скромные: Windows 10 и новее, macOS 12 и новее, Linux x64. Памяти — 4 ГБ минимум, 8 ГБ лучше; на диске 500 МБ. Видеокарта не нужна: модель считает не у вас. Обновлений в фоне нет — новую версию скачивают со страницы загрузки и ставят поверх руками. AppImage в меню приложений сам не появится, ярлык придётся сделать.

Каталог агентов стоит просмотреть до того, как ставить свою конфигурацию: у готовых уже прописаны роль, модель и навыки. Про то, как устроены агент и его права, подробно — в разборе настройки агента для кода.

Сколько это стоит и сколько токенов уходит на задачу?

Подписок на AgentHere нет. Оплата разовая, без автопродления, токены не сгорают. Starter — 300 ₽ за 2 000 000 токенов, Plus — 900 ₽ за 7 000 000, Pro — 2 250 ₽ за 18 000 000, Scale — 8 250 ₽ за 70 000 000. Первые 48 часов после регистрации действует скидка новичка −33%: те же Plus — 600 ₽, Pro — 1 500 ₽. Полный список — на странице цен.

Считаем в задачах. Одна задача с агентом — это порядка 100 000 токенов, около 7,9 ₽. Бесплатного миллиона хватает примерно на десять таких задач: неделя спокойной работы, если не гонять агента по всему проекту сразу. Пакет Plus за 900 ₽ — это 7 000 000 токенов, порядка семидесяти задач. Оплата — картой или через СБП в рублях, без VPN.

Для сравнения: зарубежные агенты российской картой не оплатить. У Cursor отказ приходит по диапазону BIN ещё до попытки списания, «Мир» не проходит вовсе — разбор оплаты. Замер восьми посредников, через которых покупают зарубежные подписки, показал наценку от 21% до 73% к честной цене по курсу ЦБ — данные. Инструмент там оплачивается отдельно от модели: opencode бесплатен, но требует своих API-ключей — документация.

Отдельная история — задачи, которые должны выполняться при выключенном компьютере. Для них есть облачная аренда агента: 25 000 токенов в час, примерно 1,67 ₽/час, порог старта — 75 000 токенов на балансе. Если же нужен ровно один запуск по расписанию, таймер можно повесить на свой компьютер — задание дождётся, пока вы его включите.

Когда это не сработает

Веб-чата достаточно, если вся работа — текст в браузере. Письма, планы, черновики, картинки, расшифровки голосовых. Ставить ради этого приложение на 119 МБ и потом обновлять его вручную — плохая сделка. Проверьте себя просто: если за неделю вам ни разу не понадобилось отдать агенту файл с диска, приложение вам не нужно.

Разовые задачи тоже мимо. Открыть один PDF и спросить про него — быстрее приложить его в веб-чате: документы до 100 МБ он принимает.

Агент не видит проект целиком, и это не лечится размером контекста. Он работает выборками и ошибается на запущенных проектах: чем меньше в них тестов, документации и внятных имён, тем хуже результат. Если вам нужен именно разбор большой кодовой базы «за один раз», ждать этого от агента не стоит.

Обновления придётся ставить руками. Приложение не обновляется само: новую версию скачивают со страницы загрузки и ставят поверх. Если не заглядывать туда месяцами, вы работаете на старой сборке и удивляетесь, почему чего-то нет.

Модель считает не у вас. Закрыли ноутбук — работа встала; интернет пропал — агент ничего не сделает. Задачи, которые должны жить круглосуточно, — это облачный агент, а не приложение.

Если в компании действует запрет на вынос данных за периметр, десктопное приложение проблему не решает: запрос обрабатывает внешний провайдер модели. Полностью локальный вариант — это уже другая схема, с Ollama, LM Studio или llama.cpp, и цена там своя: слабее модель, меньше контекста, больше требований к железу. Подробности — в статье про локальный агент.

Не давайте агенту секреты. Ключи, .env, доступы к прод-базе — держите вне рабочей папки. На опрос Stack Overflow 2025 87% респондентов ответили, что обеспокоены точностью агентов, и это не иррациональный страх: заражённый пакет Nx заставлял локальные CLI собирать файл с секретами — разбор. Агент с доступом к папке читает то, что в ней лежит.

И про модели. Если вам нужны именно Claude или GPT — на платформе их нет, запрос с таким именем вернёт 404. Доступны DeepSeek V4 Pro и V4 Flash.

Скачать агента на компьютер можно на странице загрузки. Если сомневаетесь, нужен ли вам вообще агент, а не чат, — начните с разбора разницы между агентом и чат-ботом. Сравнение российских решений и цен — в статье ИИ-агенты 2026: сервисы и как их скачать, про мобильные приложения — в обзоре для телефона. Первую задачу поставьте сегодня и посмотрите на дифф — одного прогона достаточно, чтобы понять, как с ним работать.

Источники

1. Anthropic Economic Index: влияние ИИ на разработку — доля автоматизации в агентных и чатовых диалогах
2. Anthropic Economic Index, отчёт января 2026 — успешность задач по категориям
3. Stack Overflow Developer Survey 2025: AI — доверие к коду, «почти правильные» решения, отношение к агентам
4. DORA: баланс ИИ в разработке и отчёт DORA 2025
5. K2 Cloud × Хабр: задачи, которые отдают ИИ — код, документация, прототипы
6. CNews: опрос SkillStaff об ИИ-инструментах — частота использования и гайдлайны
7. Claude Code: безопасность и права доступа
8. GitHub: риски и защита в Copilot
9. Хабр: заражённый пакет Nx и локальные CLI
10. Хабр: оплата Cursor из России и наценка посредников при оплате зарубежных подписок
11. opencode: документация