Собрать демо-агента сегодня несложно. Подключаешь модель, добавляешь пару инструментов — и она уже читает файлы, вызывает API и бодро обещает выполнить любую задачу.

Сложности начинаются, когда такого агента нужно запустить в проде.

Кто будет хранить состояние между запросами? Как пережить перезапуск? Где выполнять сгенерированный код? Как не передать ему секреты? Когда запрашивать подтверждение пользователя? Что делать, когда контекст разрастается до сотен тысяч токенов?

Обычно каждая команда собирает эту обвязку самостоятельно. TrueFoundry решила открыть свою реализацию — TrueForge.

Что это такое

TrueForge — не новая LLM и не очередная библиотека промптов. Это среда выполнения, которая управляет жизненным циклом агента:

вызывает модель;
подключает MCP-серверы и навыки;
выполняет цикл «подумал → вызвал инструмент → получил результат → продолжил»;
хранит состояние сессии;
сжимает длинный контекст;
запускает подагентов;
приостанавливает выполнение для подтверждения опасных действий;
отправляет код в отдельную песочницу.

Снаружи доступны готовый чат, HTTP API, TypeScript SDK и встраиваемые компоненты интерфейса. То есть TrueForge можно использовать как самостоятельное приложение или спрятать внутри своего продукта.

Модель больше не прибита к агенту

Одна из главных идей проекта — отделить интеллект от среды выполнения.

Можно подключать OpenAI, Anthropic, Gemini и другие модели через совместимые API. MCP-серверы, навыки и песочницы тоже задаются отдельно.

Если завтра другая модель станет дешевле или лучше справится с конкретной задачей, тебе не придётся переписывать агента целиком. Меняется поставщик модели, а инструменты, состояние, подтверждения и интерфейс остаются прежними.

На бумаге это выглядит очевидно. На практике многие агентные системы до сих пор жёстко связаны с SDK конкретного поставщика.

Песочница здесь — отдельный инструмент

TrueForge не держит всего агента внутри постоянно работающего контейнера. Когда нужно выполнить код или поработать с файлами, среда создаёт отдельную временную песочницу.

Это даёт два преимущества.

Во-первых, обычные шаги агента не расходуют ресурсы на постоянно запущенное окружение.
Во-вторых, сгенерированный код не выполняется на машине, где работает сам сервер. Секреты остаются в основной обвязке и не передаются в песочницу напрямую.

Сейчас проект использует Daytona, поддержку других поставщиков разработчики планируют добавить позже.

Важно понимать: наличие песочницы само по себе не делает агента безопасным. Всё равно нужно ограничивать сеть, файловую систему, время выполнения, объём ресурсов и список разрешённых инструментов.

Что происходит с длинным контекстом

Для продолжительных задач TrueForge поддерживает несколько механизмов управления контекстом:

загрузку инструментов только тогда, когда они понадобились;
вынос больших результатов за пределы контекста модели;
сжатие истории;
разделение работы между подагентами.

Это важнее, чем кажется. Если просто передавать модели всю историю, агент постепенно становится дороже, медленнее и начинает теряться в старых сообщениях.

Но автоматическое сжатие тоже не волшебная кнопка: при нём можно потерять решения, ограничения и незавершённые обязательства. Поэтому перед внедрением стоит отдельно проверить, что агент сохраняет после сжатия и умеет ли восстановить ход работы после перезапуска.

От ноутбука до Kubernetes

Попробовать TrueForge можно одной командой:

npx @truefoundry/trueforge

Локальный режим запускается одним процессом и хранит данные в SQLite. Он подходит для экспериментов, но не имеет авторизации и не должен быть доступен из интернета.

Для командной и промышленной установки предусмотрены Postgres, Redis, Docker Compose, Helm, несколько реплик за балансировщиком и вход через OIDC.

Получается довольно понятный путь: сначала проверяешь идею локально, затем переносишь тот же агент в управляемую среду без полной переделки архитектуры.

Есть ли подвох

TrueForge вышел недавно, поэтому относиться к нему как к зрелой платформе пока рано. Нужно отдельно проверить:

как восстанавливаются оборванные запуски;
насколько хорошо работает сжатие контекста;
можно ли реализовать свои правила подтверждения действий;
что попадает в журналы и трассировку;
насколько изолирована песочница;
как обновления влияют на сохранённые сессии;
есть ли нужные тебе ограничения расходов и прав доступа.

TrueFoundry заявляет, что на собственных тестах TrueForge сохранил качество Claude Managed Agents и оказался дешевле. Код тестов опубликован в репозитории, но это всё ещё измерения самого разработчика. Перед выбором платформы лучше повторить их на своих задачах, моделях и инструментах.

Почему проект интересен

Главная ценность TrueForge даже не в конкретном наборе функций.

Проект показывает, что вокруг AI-агентов формируется отдельный инфраструктурный слой. Модель становится заменяемым компонентом, а основная инженерная работа переезжает в обвязку:

управление контекстом;
выполнение инструментов;
изоляцию кода;
права доступа;
подтверждения;
хранение состояния;
наблюдаемость;
восстановление после сбоев.

Если ты строишь одного небольшого агента, TrueForge может оказаться избыточным. Но если у тебя несколько моделей, MCP-серверов, долгие задачи и реальные действия во внешних системах, проект как минимум стоит изучить.

Даже если ты не возьмёшь его в прод, репозиторий можно использовать как открытую архитектурную шпаргалку: посмотреть, какие части действительно нужны агенту за пределами красивой демонстрации.

Ссылки:

TrueForge: открытая обвязка, которая превращает LLM в полноценного агента