Поток 3 · Старт 23.11Живой Поток 3 интенсива «Вайбкодинг и ИИ-агенты» (23 ноября, 18:30 МСК): 3 недели практики, 9 живых встречПоток 3 (23.11) →
РелизAPI / Продукт · В работуX: @gkxspace→ оригинал

Ветеран DeepSeek открыл код Linger: локальный ИИ-агент, модели отвечают до 5 раз быстрее

Linger — открытый ИИ-агент, который работает на вашем компьютере, а не в облаке с оплатой за каждый токен. Её создала команда одного из первых ключевых участников DeepSeek (по словам автора обзора). Главному помощнику можно сказать «позови фронтендера и независимого QA» — результат придёт после проверки и правок. Движок PolyStrata запускает 12 открытых моделей локально и в особых конфигурациях ускоряет ответы до 5 раз. Цифру проверяйте на своём железе.

AI-обработка оригинала X: @gkxspace; редакция Hamidun News
Ветеран DeepSeek открыл код Linger: локальный ИИ-агент, модели отвечают до 5 раз быстрее
Источник: X: @gkxspace. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникX: @gkxspace ↗
Главный редактор
Ключевой факт #1Роли и порядок передачи работы записаны в файле team.md
Ключевой факт #2Долгие задачи уходят в фоновый Task, чат остаётся свободным
Ключевой факт #3Подключаются подписки Codex и Claude или локальные Qwen, DeepSeek, Gemma

Linger — это открытый ИИ-агент, который живёт на вашем собственном компьютере, а не в чужом дата-центре. Обычно всё устроено наоборот: модель работает на серверах, вы платите за каждый токен (кусочек текста, который модель читает или пишет), а ваши файлы уходят в облако. Linger команды SimplexAI Labs предлагает другую схему: рабочее место с несколькими агентами, которое запускается локально. По словам автора обзора в X, проект ведёт один из самых ранних ключевых участников DeepSeek. Вместе с агентом команда открыла и движок PolyStrata, который запускает модели на вашей машине. В заголовке «до 5 раз» означает именно скорость ответов локальных моделей в специально подобранных конфигурациях, а не общий прирост качества.

Важная оговорка про источник. Это не официальный пресс-релиз, а восторженный разбор пользователя, который, как он пишет, несколько дней тестировал Linger. Биографию руководителя проекта мы независимо не проверяли. Цифры скорости авторы относят к «особым конфигурациям», то есть это максимум, а не среднее значение.

Сами разработчики объясняют идею через историю: в 1960-х вычисления были централизованными, пока персональный компьютер не отдал мощность каждому. Сейчас ИИ обучают в дата-центрах и «сдают в аренду» по токенам. Linger — попытка повторить ход с ПК.

Команда агентов вместо одного чата

Самая практичная часть — несколько агентов в одной «комнате». Вы пишете главному помощнику обычной фразой: добавь фронтенд-инженера и независимого QA, составь файл team.md и отдай мне результат только после того, как QA найдёт слабые места, а инженер их исправит.

Файл team.md работает как регламент маленькой команды: в нём записано, кто за что отвечает и кому передаётся работа. Это похоже на обычное код-ревью. Автор не проверяет сам себя, второй участник специально ищет, что сломалось. Для разработчика схема знакомая, только исполнители здесь — модели. Смысл в том, чтобы проверяющий агент не соглашался с первым ответом из вежливости.

Фоновые задачи и выбор модели

Второй сценарий — фоновые «двойники». Долгие задачи, например покадровый сценарий для видео или разбор большой подборки материалов, можно отправить в отдельный Task. Пока он работает, в основном окне можно спрашивать, на каком этапе остановка и кого подтолкнуть следующим. Когда задача закончится, готовый документ появится в чате с предпросмотром. Длинные операции не блокируют разговор.

Третий пункт — гибкость с моделями. Linger умеет подключать подписки на Codex и Claude, то есть использовать уже оплаченные облачные модели как «мозг» агентов. Кроме того, он работает с локальным запуском моделей: за него отвечает PolyStrata. Заявлена поддержка 12 открытых моделей, среди них Qwen, DeepSeek и Gemma. В лучших конфигурациях ответы идут до 5 раз быстрее. Какие именно модели, какое железо и какие режимы стоят за этой цифрой, из поста не видно. Сравнивать с llama.cpp и другими движками на своём ноутбуке придётся самому.

Что делать на практике

Для разработчиков и продактов Linger интересен по трём причинам. Во-первых, это готовое рабочее место, а не набор библиотек: многоролевая работа, фоновые задачи и предпросмотр результатов уже собраны. Во-вторых, гибридная схема позволяет держать чувствительные задачи на локальной модели, а сложные отдавать облачным подпискам. В-третьих, открытый код можно прочитать, проверить и адаптировать под свою команду.

Ограничения тоже есть. Локальные модели на обычном ноутбуке по качеству пока уступают флагманским облачным. Несколько агентов в одной комнате тратят больше ресурсов, чем один. Заявленные «до 5 раз» нужно воспроизвести на вашем железе, прежде чем строить на них планы. Проект новый, поэтому о стабильности, безопасности доступа агентов к файлам и качестве документации судить рано.

Если вы давно хотели собрать личную агентную команду без аренды чужих серверов, запустите Linger на тестовом проекте. Начните с простой пары «исполнитель и независимый QA» и посмотрите, насколько реально улучшается результат. Рабочие задачи переносите, только когда увидите эффект и замерите скорость на своём компьютере.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: команда агентов вместо одного чата?

Самая практичная часть — несколько агентов в одной «комнате». Вы пишете главному помощнику обычной фразой: добавь фронтенд-инженера и независимого QA, составь файл team.md и отдай мне результат только после того, как QA найдёт слабые места, а инженер их исправит. Файл team.md работает как регламент маленькой команды: в нём записано, кто за что отвечает и кому передаётся работа. Это похоже на обычное код-ревью. Автор не проверяет сам себя, второй участник специально ищет, что сломалось.

Что известно по теме: фоновые задачи и выбор модели?

Второй сценарий — фоновые «двойники». Долгие задачи, например покадровый сценарий для видео или разбор большой подборки материалов, можно отправить в отдельный Task. Пока он работает, в основном окне можно спрашивать, на каком этапе остановка и кого подтолкнуть следующим. Когда задача закончится, готовый документ появится в чате с предпросмотром. Длинные операции не блокируют разговор. Третий пункт — гибкость с моделями.

Что известно по теме: что делать на практике?

Для разработчиков и продактов Linger интересен по трём причинам. Во-первых, это готовое рабочее место, а не набор библиотек: многоролевая работа, фоновые задачи и предпросмотр результатов уже собраны. Во-вторых, гибридная схема позволяет держать чувствительные задачи на локальной модели, а сложные отдавать облачным подпискам. В-третьих, открытый код можно прочитать, проверить и адаптировать под свою команду. Ограничения тоже есть. Локальные модели на обычном ноутбуке по качеству пока уступают флагманским облачным.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Практика · Hamidun Academy

Соберите рабочего ИИ-агента или сервис своими руками без ручного кода

В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.

Открыть 72ч бесплатный доступ →Интенсив по Вайб-кодингу
Что вы думаете?
Загружаем комментарии…