В разработке, управляемой искусственным интеллектом, агенты по кодированию стали незаменимыми помощниками. Эти автономные или полуавтономные инструменты могут писать, тестировать и рефакторить код, значительно ускоряя циклы разработки. Однако по мере увеличения количества агентов, работающих над одной кодовой базой, возникают проблемы: конфликты зависимостей, утечка состояния между агентами и сложность отслеживания действий каждого агента.
Проект использования контейнеров от Dagger решает эти задачи, предлагая контейнеризированные среды, адаптированные для агентов по кодированию. Изолируя каждого агента в его контейнере, разработчики могут запускать несколько агентов одновременно без помех, проверять их действия в режиме реального времени и вмешиваться напрямую при необходимости.
Традиционно, когда агент по кодированию выполняет задачи, такие как установка зависимостей, запуск скриптов сборки или запуск серверов, он делает это в локальной среде разработчика. Этот подход быстро приводит к конфликтам: один агент может обновить общую библиотеку, которая нарушает рабочий процесс другого агента, или ошибочный скрипт может оставить после себя артефакты, которые затрудняют последующие запуски.
Контейнеризация элегантно решает эти проблемы, инкапсулируя среду каждого агента. Вместо того чтобы следить за агентами по одному, вы можете создавать совершенно новые среды, экспериментировать безопасно и мгновенно отбрасывать сбои, сохраняя при этом видимость того, что выполнял каждый агент.
Более того, поскольку контейнерами можно управлять с помощью знакомых инструментов, таких как Docker, git и стандартные утилиты командной строки, использование контейнеров легко интегрируется в существующие рабочие процессы. Вместо того чтобы привязываться к проприетарному решению, команды могут использовать предпочитаемый технологический стек, будь то виртуальные среды Python, наборы инструментов Node.js или пакеты системного уровня.
Установка и настройка
Начать работу с использованием контейнеров просто. Проект предоставляет инструмент командной строки на основе Go, `cu`, который вы создаёте и устанавливаете с помощью простой команды `make`. По умолчанию сборка нацелена на вашу текущую платформу, но поддерживается кросс-компиляция через стандартные переменные среды `TARGETPLATFORM`.
“`
Build the CLI tool
make
(Optional) Install into your PATH
make install && hash -r
“`
После выполнения этих команд двоичный файл `cu` становится доступным в вашей оболочке, готовый запускать контейнеризированные сеансы для любого агента, совместимого с MCP.
Интеграция с любимыми агентами
Одной из сильных сторон использования контейнеров является его совместимость с любым агентом, который использует протокол Model Context Protocol (MCP). Проект предоставляет примеры интеграции для популярных инструментов, таких как Claude Code, Cursor, GitHub Copilot и Goose.
Интеграция обычно включает добавление `container-use` в качестве сервера MCP в конфигурацию вашего агента и его включение:
Claude Code использует помощник NPM для регистрации сервера. Вы можете объединить рекомендованные Dagger инструкции в свой `CLAUDE.md`, чтобы при запуске `claude` автоматически запускались агенты в изолированных контейнерах.
“`
npx @anthropic-ai/claude-code mcp add container-use — $(which cu) stdio
curl -o CLAUDE.md https://raw.githubusercontent.com/dagger/container-use/main/rules/agent.md
“`
Примеры из практики
Чтобы проиллюстрировать, как использование контейнеров может революционизировать ваш рабочий процесс разработки, в репозитории Dagger включено несколько готовых к использованию примеров. Они демонстрируют типичные варианты использования и подчёркивают гибкость инструмента.
Hello World: в этом минимальном примере агент создаёт простой HTTP-сервер, например, используя Flask или модуль Node `http`, и запускает его в своём контейнере. Вы можете зайти на `localhost` в своём браузере, чтобы убедиться, что код, сгенерированный агентом, работает должным образом, полностью изолированный от вашей хост-системы.
Параллельная разработка: здесь два агента запускают различные варианты одного и того же приложения, один использует Flask, а другой — FastAPI, каждый в своём контейнере и на отдельных портах. Этот сценарий демонстрирует, как можно оценить несколько подходов параллельно, не беспокоясь о конфликтах портов или зависимостей.
Сканирование на безопасность: в этом конвейере агент выполняет плановое обслуживание, обновляя уязвимые зависимости, повторно запуская сборку, чтобы убедиться, что ничего не сломалось, и генерируя файл патча, который фиксирует все изменения. Весь процесс разворачивается в одноразовом контейнере, оставляя ваш репозиторий в исходном состоянии, если вы не решите объединить патчи.
Запуск этих примеров так же прост, как передача файла примера в команду вашего агента. Например, с Claude Code:
“`
cat examples/hello_world.md | claude
“`
Или с Goose:
“`
goose run -i examples/hello_world.md -s
“`
После выполнения каждый агент зафиксирует свою работу в выделенной ветке git, которая представляет его контейнер. Просмотр этих веток через `git checkout` позволяет вам просматривать, тестировать или объединять изменения по вашему усмотрению.
В заключение, по мере того как агенты искусственного интеллекта берут на себя всё более сложные задачи разработки, потребность в надёжной изоляции и прозрачности растёт параллельно. Использование контейнеров от Dagger предлагает прагматичное решение: контейнеризированные среды, обеспечивающие надёжность, воспроизводимость и видимость в режиме реального времени.