Агенты DevOps в 2026 году: MCP, фреймворки и то, что действительно работает.
Как работают агенты DevOps, почему важен MCP, какие фреймворки подходят, где они помогают в CI/CD, инфраструктуре, мониторинге и безопасности, и что всё ещё остаётся лишь модой.
Источники: The Complete 2026 Guide to DevOps Agents From CI/CD to Production Monitoring
Долгое время понятие «ИИ в DevOps» означало использование Copilot для автоматического заполнения кода в Terraform. Вы описывали цель, появлялось предложение, вы его принимали или отклоняли и переходили к следующему шагу. Этот инструмент был своего рода усовершенствованным автодополнением, а работу всё равно выполнял инженер. Сейчас это подход сменяется чем-то другим.
Теперь агенты выполняют задачи вместо того, чтобы просто предлагать код. Они рассматривают запросы на внесение изменений до того, как ими займётся человек, изучают инциденты, пока вы ещё читаете уведомления, сканируют код инфраструктуры на наличие проблем безопасности перед запуском пайплайнов, выявляют аномалии в показателях работы систем до достижения критических значений и составляют руководства по действиям для только что устранённых инцидентов. Люди по-прежнему вовлечены в процесс, но его структура изменилась. Вы больше не первыми читаете запросы на внесение изменений или первыми реагируете на уведомления. Вы рассматриваете то, что нашёл агент, принимаете решения о дальнейших действиях и разбираетесь с ситуациями, которые действительно требуют человеческого суждения.
Применение агентов DevOps носит неравномерный характер. Согласно данным одного из часто цитируемых опросов, лишь около 11% организаций используют агенты в полном масштабе в производственных средах, в то время как остальные работают либо в виде привлекательных демо-версий, либо сталкиваются с серьезными проблемами при их использовании в реальных условиях. Те организации, которым удалось эффективно внедрить агенты, действуют существенно иначе, и это отличие проявляется в частоте развертывания, времени реагирования на инциденты и нагрузке на сотрудников, работающих в режиме дежурства. Далее рассматривается, что такое на самом деле агенты DevOps, протокол, обеспечивающий доступ к их инструментам, фреймворки, используемые для их создания, сферы их применения в настоящее время, а также то, что пока еще не готово к автономной работе без надзора.
Что такое агент DevOps
Это не скрипт. Скрипт выполняет только то, что написал его автор, и ничего больше. Он не анализирует контекст, не рассуждает о ситуации и не адаптируется к обстоятельствам, которые никто не предвидел. Это также не чат-бот, поскольку чат-бот отвечает на вопросы. Агент запускается под действием событий, таких как открытие PR, срабатывание оповещения или завершение процесса развертывания. Он собирает информацию из нескольких источников, анализирует полученные данные, а затем принимает действия или генерирует результат, который может использовать инженер.
Архитектура состоит из трех компонентов:
- Триггер — это то, что запускает агента: PR, оповещение, завершенное развертывание, расписание или явный вызов.
- Инструменты — это ресурсы, к которым может обратиться агент: GitHub API, Prometheus, Kubernetes, Loki, AWS и другие. Возможности агента полностью определяются его инструментами.
Именно этот последний шаг отличает агентов от скриптов, и благодаря Протоколу контекста модели доступ к инструментам становится практически осуществимым.
MCP и его значение здесь
MCP упоминается повсюду в кругах, занимающихся агентами, и для специалистов DevOps важно понимать причины этого, поскольку он меняет возможности агентов.
Что это такое
Протокол Model Context Protocol — это открытый стандарт, выпущенный компанией Anthropic в ноябре 2024 года. По большинству сведений, в декабре 2025 года он был передан инициативе Linux Foundation — Agentic AI Foundation, созданной совместно с Block и OpenAI, — чтобы ни одна компания не владела им, подобно тому как у HTTP и OAuth нет единого владельца. Сообщается, что ChatGPT, Gemini, Microsoft Copilot, Cursor и VS Code поддерживают этот протокол, при этом их работа обеспечивается инфраструктурой крупнейших поставщиков облачных услуг. Считается, что количество публичных серверов составляет тысячи, включая базы данных, облачную инфраструктуру, инструменты связи, платформы для мониторинга и инструменты для разработчиков. Цифры различаются в зависимости от источника, поэтому к любому конкретному числу следует относиться с осторожностью.
Проблема, которую он решает, — это фрагментация. Ранее каждому клиенту ИИ требовалась собственная интеграция для каждого инструмента. Поддержка GitHub в одном кодовом ассистенте представляла собой другой код, чем поддержка GitHub в другом редакторе, и снова отличалась от кода в третьем редакторе, поэтому приходилось писать код трижды. С помощью MCP создаётся один сервер, к которому может обращаться любой совместимый клиент.
Сервер может предоставлять три вида возможностей:
- Ресурсы позволяют модели получать информацию без её изменения — например, файл, строку из базы данных, ответ API или результат запроса к метрикам. Они показывают агенту текущее состояние вещей.
- Инструменты — это функции, которые модель может вызывать для выполнения действий: запуск развертывания, оставление комментария в GitHub, масштабирование развертывания в Kubernetes.
- Шаблоны запросов — это повторно используемые шаблоны для заранее определённых рабочих процессов: выполнение сканирования на наличие угроз, краткое описание инцидента, генерация руководства по эксплуатации.
Транспорт
К началу 2026 года устаревший способ транспортировки SSE был заменен на обычный HTTP, который поддерживает аутентификацию OAuth 2.1 и является направлением развития всей экосистемы. Если вы сейчас выбираете или создаете серверы, используйте HTTP с OAuth 2.1.
Какие серверы существуют для DevOps
Количество серверов в каталоге выросло с нескольких десятков в начале 2025 года до сотен публичных серверов год спустя; в апреле 2026 года Google Colab также добавил свой собственный сервер. Для DevOps первичные и официальные серверы уже покрывают основные сферы: провайдеры облачных услуг, платформы для мониторинга, Kubernetes, системы CI и хосты исходного кода. Один пакет плагинов Anthropic объединяет серверы AWS, GCP, Datadog и Sentry вместе с командами вида /incident, /deploy и /rollback, что служит отправной точкой для рабочих процессов SRE.
Создание собственных решений очень просто с помощью официальных SDK Python и TypeScript. Типичным примером является сервер Kubernetes, который предоставляет агентам права на чтение и ограниченный набор операций записи в кластере.
Выбор фреймворка
Для разработки агентов DevOps важны несколько фреймворков, и наиболее распространенной ошибкой команд является выбор на основе рекламных хайпов, а не соответствия требованиям.
LangGraph моделирует агента как ориентированную графу: узлами являются функции, такие как агенты, инструменты или точки принятия решений, ребрами — переходы, а состояние передается по графу. Это соответствует потребностям производственных рабочих процессов:
- Разветвление в зависимости от результатов: при неудачном сканировании безопасности процесс направляется на дальнейшее рассмотрение, при успешном — переходит к развертыванию.
- Сохранение состояния в моментах контроля, чтобы при перезапуске в процессе расследования ничего не было потеряно.
- Паузы на выбранных узлах для ожидания одобрения от человека.
LangSmith добавляет пошаговые отчёты с подсчётом количества токенов на каждом узле и позволяет вносить изменения в входные данные во время выполнения; именно такая отладка необходима командам по инфраструктуре, когда агент начинает вести себя необычно в 2 часа ночи. Выбирайте LangGraph для сложных многоэтапных рабочих процессов, где состояние должно сохраняться, необходима структурированная рекуперация при сбоях, требуются утверждения и важна история операций — что в производственной среде всегда имеет значение.
SDK Claude Agent — это фреймворк агентов от Anthropic, созданный на основе архитектуры Claude Code. Он подходит для производственных агентов, которым нужны механизмы подключения, поддержка MCP, навыки, подагенты и использование инструментов нативно от Anthropic. Поддержка MCP встроена: достаточно передать конфигурации сервера, и SDK будет заниматься поиском инструментов, их маршрутизацией и выполнением, поэтому не требуется дополнительный код-обёртка. Он наилучшим образом работает с функциями расширенного мышления, использованием инструментов и обработкой визуальных данных. Выберите его, если вы развертываете агентов на базе Claude, хотите самую простую интеграцию MCP, нуждаетесь в расширенном мышлении для решения неоднозначных задач или связываете агентов с рабочими процессами Claude Code.
OpenAI Agents SDK — это легковесная Python-фреймворк, совместимый с множеством поставщиков и более чем ста моделями. Его ключевое преимущество для DevOps — четкое передачу задач между специализированными агентами и оптимизированное маршрутирование. Выберите его, если хотите быстро перейти от прототипа к продакшену, иметь возможность переключаться между Claude, GPT-4o или Gemini, или для рабочих процессов, которые естественным образом поддаются организации через передачу задач.
Где используются агенты
CI/CD
Именно здесь внедрение этих технологий наиболее развито. Команды сообщают о 30–50 процентов более высокой скорости выполнения задач и на 20–40 процентов меньшем количестве неудачных развертываний благодаря умным агентам CI/CD; эти цифры основаны на самоотчетах и зависят от исходных показателей. Сегодня три основные задачи выполняются надежно.
Проверка pull-запросов. Агент изучает PR до того, как это сделает человек. Возьмем изменение в API оплаты, добавляющее логику повторных попыток для неудачных транзакций:
- Агент читает различия, всего 47 файлов.
- С помощью MCP он отмечает рискованные изменения: новая логика повторных попыток в сервисе оплаты, увеличение количества попыток с 3 до 10 и сокращение времени ожидания срабатывания защитных механизмов.
- Он запрашивает историю развертываний через сервер Argo CD и отмечает, что два из последних пяти развертываний привели к инцидентам, что является достаточно высоким показателем для тревоги.
- Он проверяет шаблоны безопасности с помощью Semgrep и инструментов SAST и выявляет цикл повторных попыток без экспоненциального замедления и без фактора случайности, что представляет риск массовых сбоев.
- Он публикует комментарий с рекомендациями, указывая на конкретные строки кода.
Интеллектуальная обработка в работе конвейера. В традиционных системах CI каждый этап выполняется при каждом коммите. Агент читает различия и выбирает необходимые этапы, поэтому изменение в документации обрабатывается за три минуты, тогда как изменение в сервисе оплаты требует выполнения всего набора тестов, включая тесты производительности.
Риск развертывания. Перед каждым развертыванием в производство агент проверяет историю развертываний, состояние сервиса в текущий момент, результаты тайминговых и безопасностных сканирований, после чего предоставляет рекомендацию с оценкой риска и обоснованием.
Инфраструктура
Для инфраструктуры как код агенты проводят систематическую первоначальную проверку: выявляют проблемы с точкой серьезности, рассчитывают стоимость на основе актуальных тарифов через сервер AWS Pricing, проверяют соблюдение правил номенклатуры и составляют краткое резюме плана ещё до того, как человек просмотрит изменения. При генерации IaC агенты, использующие актуальный сервер Terraform Registry и данные о ценах, создают конфигурации, соответствующие вашей текущей среде, вместо шаблонов, основанных на методиках, существовавших два года назад и взятых из учебных данных.
Мониторинг
Агенты для наблюдаемости учатся распознавать нормальное состояние каждого сервиса в течение каждого часа и при различных нагрузках, а также отправляют уведомления при отклонениях в поведении, а не при достижении статических порогов. Когда в 3:47 ночи происходит что-то необычное, агент проверяет недавние развертывания, связанные сервисы и события в инфраструктуре, после чего отправляет уведомление, в котором точно указывается виновник — внешний поставщик, и не беспокоит сотрудников дежурной смены по поводу проблемы, с которой никто не может ничего сделать.
Реагирование на инциденты
Агент для реагирования на инцидент может автоматически провести первые 15 минут расследования. Одновременно запрашиваются несколько серверов MCP: Prometheus предоставляет метрики, Loki — логи, Argo CD — историю развертываний, а Tempo — трейсы. Затем они объединяются в гипотезу о первопричине с предложенным способом устранения проблемы. Инженер, находящийся на дежурстве, получает структурированный анализ вместо простого уведомления. Как сообщается, одна компания, использующая SaaS-решения, сократила среднее время устранения инцидентов на 35 процентов, поскольку агенты обнаруживали аномалии, которые люди упускали среди шума данных.
Безопасность
Агенты безопасности, работающие круглосуточно, выявляют проблемы, которые ускользают от внимания однократных сканирований. Запланированный агент для проверки соответствия может подтвердить подписи образов, сравнить производственные образы с последними отчетами CVE, проверить состояние кластера согласно политикам OPA и собрать доказательства для аудиторов. Агенты для аудита секретов сканируют всю историю git в поисках учетных данных, существовавших до любых сканирований.
Разумный порядок внедрения
- Этап 1: низкий риск и быстрая отдача. Агент для проверки pull-запросов (коммерческий продукт, такой как CodeRabbit, или пользовательский агент на основе Claude SDK в сочетании с сервером GitHub) и агент для проверки IaC (LangGraph с использованием Terraform и серверов AWS IAM).
- Этап 2: примерно через 30 дней. Агент для анализа процессов на базе OpenAI Agents SDK и обнаружение аномалий с помощью функций платформ, таких как Datadog или Dynatrace.
- Этап 3: примерно через 60 дней. Агент для реагирования на инциденты (LangGraph с использованием Prometheus, Loki и серверов Kubernetes) и инструмент оценки рисков при развертывании, созданный на основе данных предыдущих этапов.
- Этап 4: зрелая стадия. Автономное восстановление до предыдущей версии с использованием Argo Rollouts и шаблоны анализа, а также запланированный агент для контроля соответствия, генерирующий пакеты доказательств.
Честная оценка
Положительные результаты достигаются благодаря довольно обыденным факторам: более эффективные процессы CI/CD, ускоренная проверка изменений, проактивное устранение проблем и экономия средств. Реклама обещает полную автономию и системы типа «настроил и забыл», но пока этого нет. То, что работает сегодня: проверка патчей, анализ инфраструктуры как кода, обнаружение аномалий и расследование инцидентов. Что преувеличивается: полностью автономные системы развертывания и использование ИИ вместо человеческого суждения при решении новых типов проблем.
Команды, преодолевающие разрыв между пилотными проектами и производственной средой, начинают с малого, оценивают результаты, постепенно наращивают доверие и расширяют автономию по мере демонстрации надежности, а не потому, что это обещал поставщик. Задачи инженера смещаются от настройки на проектирование инфраструктуры, стратегию управления затратами и инженерию надежности. Роль меняется, но не исчезает, и те, кто добьется успеха, будут теми, кто создает и управляет системами агентов.
Связанные материалы
- OpsAgents: Десять агентов LangGraph для работы в облаке и в среде DevOps — Обзор десяти агентов DevOps с участием человека, созданных на основе LangGraph, от Terraform и Kubernetes до сканирования с помощью Trivy, с описанием правил проектирования и извлеченных уроков.
- Практические заметки: Системы RAG: Полное руководство от начала до конца (издание 2026 года) — Подробное руководство по использованию систем RAG: Полное руководство от начала до конца (издание 2026 года), включающее контракты, проверки и готовые блоки кода для команд, внедряющих эту технологию.