Как собрать AI-харнесс для SaaS-разработки: связка Orca, Pi Agent и GitHub

Разработчик на Habr в июле 2026 года опубликовал подробный разбор собственной AI-системы для SaaS-разработки — так называемого agent harness, или харнесса. Главный тезис: в реальной production-работе побеждает не самая мощная языковая модель, а правильно выстроенная инфраструктура вокруг неё, включающая оркестратор Orca, лёгкий Pi Agent, GitHub и кастомный VPS-pipeline.

Почему харнесс важнее выбора модели?

Вокруг выбора LLM не утихают споры: GPT-5 или Claude Opus 4.6, Gemini или Codex. Но автор ставит радикальный тезис: в реальной разработке вопрос «какую модель взять» вторичен. Первичен вопрос «как модель встроена в рабочий поток».

Agent harness — это слой между разработчиком и языковой моделью, который управляет контекстом, маршрутизацией задач, изолированным выполнением кода, логированием и циклами обратной связи. Без него даже самая мощная модель остаётся умным чат-ботом, неспособным надёжно работать в production-окружении.

Из каких компонентов собран сетап

Автор описывает конкретную архитектуру из пяти элементов:

• Orca — центральный оркестратор: принимает задачу, разбивает её на подзадачи и маршрутизирует к нужному агенту или инструменту
• Pi Agent — лёгкий исполнительный агент для точечных задач: правки кода, рефакторинга, проверки логики
• GitHub — репозиторий как «единая правда» системы и точка синхронизации для агентов
• VPS — изолированная среда выполнения: агенты запускают код на удалённом сервере без риска для локальной машины
• Кастомный pipeline — описывает порядок движения задачи от постановки до мержа

Orca и Pi Agent работают в паре: оркестратор видит всю картину и распределяет работу, Pi Agent выполняет конкретную, чётко описанную инструкцию без необходимости держать весь контекст проекта.

GitHub в этой схеме играет двойную роль. Первая — привычное хранилище кода. Вторая — точка синхронизации: агенты пишут в ветки, создают pull request'ы, а разработчик проверяет изменения в классическом code review loop, только на стороне исполнения теперь AI.

Чем этот подход отличается от обычного ChatGPT

Большинство разработчиков используют LLM в режиме «спросил — ответил»: вставил код в чат, получил правку, скопировал обратно. Это работает для изолированных задач, но ломается при системной разработке.

Харнесс меняет парадигму: модель становится частью автоматизированного потока, где каждый шаг проверяется, версионируется и логируется. Ошибка агента не теряется — она фиксируется в системе и может быть отлажена. VPS изолирует выполнение: несколько агентов могут работать параллельно без конфликтов на локальной машине.

«В реальной работе побеждает не только самая сильная модель, а

правильно собранная система вокруг неё» — ключевой тезис автора.

Что это значит

Статья фиксирует важный сдвиг в практике AI-разработки: точкой роста становится не качество модели, а зрелость инфраструктуры вокруг неё. Разработчики, которые вкладываются в харнесс — оркестрацию, изолированное выполнение, версионирование, — получают устойчивые production-результаты. Те, кто просто переключаются между ChatGPT и Claude, работают медленнее и менее предсказуемо.