Сейчас в эпоху развития технологий и сферы IT нейросети и ИИ-агенты стали очень популярны и их изучения является одним из главных направлений. Поэтому свою работу я начала с изучения темы ИИ-агентов, принципов их работы. Так как для работы мы выбрали ИИ-агент OpenClaw, я перед установкой начала изучать и сравнивать ИИ-агенты семейства Claw.
По мере изучения и погружения в тему я выяснила, что существуют разные альтернативные версии Claw. Стандартный OpenClaw – это тяжелый оркестратор, написанный на Node.js. Он связывает связывает генерацию текста с помощью LLM (Large Language Model) c внешними сервисами, например, различными мессенджерами (Telegram, WhatsApp, Discord), памятью в виде текстовых файлов и возможностями ОС (Операционной системы). Это версия является одной из самых тяжелых из рассмотренных мною, тк для стандартной установки через Docker требует от 1,5 до 2 гигабайт (в это входят Node.js(~100МБ), OpenClaw npm-пакет(~150МБ), рабочая директория (~50МБ, но размер увеличивается по мере роста памяти и логов), Docker (~0,5-1ГБ)) и занимает 80-150 мегабайт в оперативной памяти, а при активных сеансах и нагрузке навыков объем может увеличиваться до 200-300 мегабайтов. OpenClaw имеет обширную базу навыков, например, проверка почты, составление кулинарных рецептов по списку продуктов и тп. Все эти навыки можно найти в официальном реестре навыков ClawHub, там по данным 2026 года находится более 13 000 навыков. Также навыки можно найти на GitHub (awesome-openclaw-skills), где весь ссписок навыков разбит на категории, например, поиск, продуктивность, Devops, финансы и тд. Таким образом эта версия является довольно универсальной, однако плата за универсальность большой вес и сложность.
Дальше я рассмотрела NullClaw, который является самым легким вариантом из всех сною найденых. Он весит всего 678 килобайтов, что меньше чем типичный JPEG-файл, и имеет только один файл без внешних зависимостей. В рабочем формате потребляет около 1 мегабайта. Также эта версия очень быстро запускается ~12 миллисекунд. NullClaw написан на языке Zig, который известен созданием компактных бинарных файлов, за счет этого он получается таким маленьким. Еще одной причиной такого маленького размера минимизация функционала, функционал данной версии сосредоточен на основном: чат по коду, выполнение команд оболочки и интеграции с Git. Такая маловесная версия ориентирована на работу на старых ноутбуках или в случае ограниченности ресурсов. Нам эта версии не подходила, так как целью нашей работы были навыки.
	Следующей версии для изучения стала ZeroClaw, который уже намного больше NullClaw, но все-равно меньше стандартной версии. Размер бинарного файла ZeroClaw составляет примерно 8,8 мегабайтов, а памяти потребляет около 5 мегабайт. Написана данная версия на Rust. Основным преимуществами этой версии является безопасность, так как есть изоляции рабочих пространств, шифрование учетных данных, а также песочница для изоляции выполнения кода. Эта версия также, как и NullClaw имеет один бинарный файл, но имеет возможность подключаться к более большому количеству мессенджеров, около 20 платформ, такие как Telegram, Discord, Whats App и многие другие. Итог, ZeroClaw это баланс между удобством, функционалом и минимализмом.
Следующим объектом моего внимания стал NanoClaw. Эта версии также, как и стандартная написана на Node.js, но в отличие от стандартной тратит меньше пaмяти. В этой версии есть особенности интеграции с мессенджерами, ведь в этой версии каждый агент запускается в отдельном контейнере с изолированной файловой системой, также API-ключи никогда не предаются внутрь контейнеров, доступ к ним осуществляется через OneCLI Agent Vault, который внедряет учетные данные непосредственно во время запроса.  Также эта изоляция является гибкой ведь в ней можно настроить:
•	Один агент на канал
•	Общий агент на несколько каналов
•	Объединение нескольких каналов в одну сессию
Итог, эта версия подойдет новичкам, которые только знакомятся с Claw, пользователям, который хотят изолированности агентов.
По итогам своего поиска и анализа разных версий Claw, несмотря на то, что NanoClaw по результатам анализа больше подходит новичкам, я решила, что хочу попробовать полный функционал, поэтому я приняла решение, что буду устанавливать и пытаться освоить работу со стандартным OpenClaw.
Первым делом перед установкой OpenClaw я прочитала документацию по установке и настройке с использованием бота в Telegram. После прочтения я приняла решение, что в целях безопасности, я буду устанавливать OpenClaw на виртуальную машину, в моем случае я использовала Virtual Box с установленной виртуальной машиной с Linux. Изначально установка шла довольно неплохо, большая языковая модель подключилась с первого раза, в вот после подключения модели начались проблемы с подключением к Telegram боту. После нескольких неудачных попыток мне наконец удалось создать бота и подключить к нему ИИ-агента. Агент мог в чате Телеграмма читать вопрос и писать осмысленный ответ.
На основе изученной информации о ИИ-агентах, навыков для них и принципах создания навыков был создан навык для OpenClaw, который на основе предоставленного ему репозитория (ссылки на репозиторий) анализирует данные в нем и представляет структурированный отчет содержащий:
•	Общее описание проекта и его назначение
•	Историю разработки и распределение вкладов участников в проект
•	Количество метрик активности
•	Оценка общего состояния разработка
•	Выявление того, что уже реализовано, а что еще находится в стадии разработки
Это навык будет довольно полезным и востребованным в разных сферах IT индустрии. И я могу привести несколько примеров возможного использования данного навыка в бизнесе.
Очевидным вариантом использования навыка является оценка эффективности вклада в работу каждого участника проекта без внедрения дополнительных аналитиков. Так руководство больших компаний может увидеть правдивую информации о работе каждого участника, и на основе нее сделать выводы о сотрудниках их продуктивности и их причастности к проекту. Это поможет сэкономить деньги, не нанимая отдельных людей для анализа работы над проектами, а также если какой-то участник команды плохо работает и не выполняет свою работу это будет видно по отчету, и даст понять руководителю, что возможно с каким-то сотрудником надо серьезно поговорить, вынести предупреждение или вообще уволить.
Также данным навыком могут пользоваться и сами участники команд или тимлиды, чтобы отслеживать выполнение этапов проекта каждым участником и вовремя вносить корректировки в план работы. 
В больших командах, где одну роль занимают сразу несколько людей может произойти какое, что один участник вышел в отпуск или заболел из-за чего отсутствовал какое-то время и не имел возможности подробно следит за движением проекта. Но когда он обратно вернулся в рабочий процесс ему нужно быстро влиться в работу и понять, что ему нужно делать, какие задачи уже сделаны и на каком этапе проект теперь находится. Для этого он сможет использовать наш навык и не мониторить репозитории вручную, просматривая добаленные файлы и произошедшие изменения.
Еще тимлид может использовать этот навык, чтобы, автоматически не затрачивая много времи и ресурсов, составлять отчеты для руководства о проделанной командой работе и состоянии проекта в данной время.
В крупных компаниях обычно ведется много разных проектов одновременно. И для выделения ресурсов на поддержку руководству необходимо понимать какие проекта наиболее активны и востребованы, а какие требуют внимания. И с помощью навыка мониторинга можно быстро понять какой проект из себя что приставляет, и на какой проект надо выделить больше ресурсов, а какой возможно стоит приостановить, так как он приносит меньше положительных результатов.
Также данный мониторинга может пригодится в бизнесе для мониторинга публичных репозиториев конкурентов, чтобы компания могла понимать в каком направлении они развиваются. И уже на основе полученных данных о репозиториях конкурентов компания сможет спланировать собственные план по развитию и дальнейшей разработки новых проектов, чтобы обогнать конкурентов и получить больше прибыли от проектов.
Таким образом данный навык отслеживания Git репозиториев и составления отчетов на их основе может очень помочь компаниям автоматизировать процесс работы, тем самым освободив время сотрудников для более важных задач. Этот навык поможет сэкономить компаниям не только силы и время сотрудников, но и деньги на поиск и найм новых сотрудников для мониторинга, а также засчёт освобождения времени у сотрудников будет ускорен процесс разработки новых продуктов.
Далее хотелось бы рассмотреть алгоритм работы навыка. Данный навык написан на языке Python 3. Алгоритм клонирует целевой репозиторий во временную директорию, выполняет команды Git для получения списка коммитов из всех веток, узнает информацию diff каждом коммите, статистику изменений и список веток, после чего сохраняет результат в заданную директорию в формате JSON. Временные файлы удаляются по завершению работы. Это общий принцип работы, теперь рассмотрим принци работы алгоритма по пунктово с примерами кода:
1.	Парсинг. Навык принимает обязательный аргумен –repo-url (URL репозитория). Опционально задаются –since и –until (границы дат в формате YYYY-MM-DD), --max-diff-size (максимальный размер diff в символах, по умолчанию 5000), --max-commits (максимальное число обрабатываемых коммитов, по умолчанию 500). Из URL извлекается имя репозитория для именования выходного файла.
2.	Клонирование репозитория. С помощью subprocess.run выполняется команда git clone. Директория создается через tempfile.mkdtemp. Затем выполняется git fetch –all для получения всех удаленных веток и тегов.
3.	Получение списка коммитов из всех веток. В клонированном репозитории запускается git log –all –pretty=format. Ключ –all охватывает все локальные и удаленные ветки. Вывод парсится построчно, каждый коммит сохраняется в словарь с временными полями: хеш (первые 8 символов), автор, дата, тема.
4.	Определение веток для каждого коммита. Для каждого хеша выполняются две команды: git branch –r –contains – удаленные ветки, содержащие коммит. git branch –contains – локальные ветки.
Результаты объединяются и записываются в поле branches коммита.
5.	Сбор diff и статистики изменений. Для каждого коммита выполняются: git show –m –patch –unified=3 – получение текста изменений. При превышении максимального количества коммитов diff обрезается. git show –numstat –pretty=format– таблица с количеством добавленных и удаленных строк по каждому файлу. Парсингом вычисляются общие добавления, удаления и список измененных файлов.
6.	Формирование и сохранение выходных данных. Создается словарь, содержащий имя репозитория, временные границы периода, список коммитов с информацией о нем и пустой массив issues. Данные записываются в формате JSON с отступами и сохраняются в файл. Директория назначения создается, если отсутствует.
7.	Очистка. Временная директория с клонированным репозиторием удаляется рекурсивно командой rm –rf
После этого программа завершается.
За время прохождения данной практики я приобрела много полезных навыков, узнала много нового и научилась еще лучше справляться с трудностями, возникающими в процессе разработки программ. Я научилась производить поиск информации с последующим сравнением версий приложений для выбора наилучшего варианта. Я узнала много нового о работе ИИ-агентов и о написание навыков для них. Также я улучшила свои навыки программирования. К сожалению, за время практики мне не удалось полностью изучить все возможности OpenClaw, и попробовать написать какие-нибудь более сложные навыки для него.
Сейчас в эпоху развития технологий и сферы IT нейросети и ИИ-агенты стали очень популярны и их изучения является одним из главных направлений. Поэтому свою работу я начала с изучения темы ИИ-агентов, принципов их работы. Так как для работы мы выбрали ИИ-агент OpenClaw, я перед установкой начала изучать и сравнивать ИИ-агенты семейства Claw.
По мере изучения и погружения в тему я выяснила, что существуют разные альтернативные версии Claw. Стандартный OpenClaw – это тяжелый оркестратор, написанный на Node.js. Он связывает связывает генерацию текста с помощью LLM (Large Language Model) c внешними сервисами, например, различными мессенджерами (Telegram, WhatsApp, Discord), памятью в виде текстовых файлов и возможностями ОС (Операционной системы). Это версия является одной из самых тяжелых из рассмотренных мною, тк для стандартной установки через Docker требует от 1,5 до 2 гигабайт (в это входят Node.js(~100МБ), OpenClaw npm-пакет(~150МБ), рабочая директория (~50МБ, но размер увеличивается по мере роста памяти и логов), Docker (~0,5-1ГБ)) и занимает 80-150 мегабайт в оперативной памяти, а при активных сеансах и нагрузке навыков объем может увеличиваться до 200-300 мегабайтов. OpenClaw имеет обширную базу навыков, например, проверка почты, составление кулинарных рецептов по списку продуктов и тп. Все эти навыки можно найти в официальном реестре навыков ClawHub, там по данным 2026 года находится более 13 000 навыков. Также навыки можно найти на GitHub (awesome-openclaw-skills), где весь ссписок навыков разбит на категории, например, поиск, продуктивность, Devops, финансы и тд. Таким образом эта версия является довольно универсальной, однако плата за универсальность большой вес и сложность.
Дальше я рассмотрела NullClaw, который является самым легким вариантом из всех сною найденых. Он весит всего 678 килобайтов, что меньше чем типичный JPEG-файл, и имеет только один файл без внешних зависимостей. В рабочем формате потребляет около 1 мегабайта. Также эта версия очень быстро запускается ~12 миллисекунд. NullClaw написан на языке Zig, который известен созданием компактных бинарных файлов, за счет этого он получается таким маленьким. Еще одной причиной такого маленького размера минимизация функционала, функционал данной версии сосредоточен на основном: чат по коду, выполнение команд оболочки и интеграции с Git. Такая маловесная версия ориентирована на работу на старых ноутбуках или в случае ограниченности ресурсов. Нам эта версии не подходила, так как целью нашей работы были навыки.
	Следующей версии для изучения стала ZeroClaw, который уже намного больше NullClaw, но все-равно меньше стандартной версии. Размер бинарного файла ZeroClaw составляет примерно 8,8 мегабайтов, а памяти потребляет около 5 мегабайт. Написана данная версия на Rust. Основным преимуществами этой версии является безопасность, так как есть изоляции рабочих пространств, шифрование учетных данных, а также песочница для изоляции выполнения кода. Эта версия также, как и NullClaw имеет один бинарный файл, но имеет возможность подключаться к более большому количеству мессенджеров, около 20 платформ, такие как Telegram, Discord, Whats App и многие другие. Итог, ZeroClaw это баланс между удобством, функционалом и минимализмом.
Следующим объектом моего внимания стал NanoClaw. Эта версии также, как и стандартная написана на Node.js, но в отличие от стандартной тратит меньше пaмяти. В этой версии есть особенности интеграции с мессенджерами, ведь в этой версии каждый агент запускается в отдельном контейнере с изолированной файловой системой, также API-ключи никогда не предаются внутрь контейнеров, доступ к ним осуществляется через OneCLI Agent Vault, который внедряет учетные данные непосредственно во время запроса.  Также эта изоляция является гибкой ведь в ней можно настроить:
•	Один агент на канал
•	Общий агент на несколько каналов
•	Объединение нескольких каналов в одну сессию
Итог, эта версия подойдет новичкам, которые только знакомятся с Claw, пользователям, который хотят изолированности агентов.
По итогам своего поиска и анализа разных версий Claw, несмотря на то, что NanoClaw по результатам анализа больше подходит новичкам, я решила, что хочу попробовать полный функционал, поэтому я приняла решение, что буду устанавливать и пытаться освоить работу со стандартным OpenClaw.
Первым делом перед установкой OpenClaw я прочитала документацию по установке и настройке с использованием бота в Telegram. После прочтения я приняла решение, что в целях безопасности, я буду устанавливать OpenClaw на виртуальную машину, в моем случае я использовала Virtual Box с установленной виртуальной машиной с Linux. Изначально установка шла довольно неплохо, большая языковая модель подключилась с первого раза, в вот после подключения модели начались проблемы с подключением к Telegram боту. После нескольких неудачных попыток мне наконец удалось создать бота и подключить к нему ИИ-агента. Агент мог в чате Телеграмма читать вопрос и писать осмысленный ответ.
На основе изученной информации о ИИ-агентах, навыков для них и принципах создания навыков был создан навык для OpenClaw, который на основе предоставленного ему репозитория (ссылки на репозиторий) анализирует данные в нем и представляет структурированный отчет содержащий:
•	Общее описание проекта и его назначение
•	Историю разработки и распределение вкладов участников в проект
•	Количество метрик активности
•	Оценка общего состояния разработка
•	Выявление того, что уже реализовано, а что еще находится в стадии разработки
Это навык будет довольно полезным и востребованным в разных сферах IT индустрии. И я могу привести несколько примеров возможного использования данного навыка в бизнесе.
Очевидным вариантом использования навыка является оценка эффективности вклада в работу каждого участника проекта без внедрения дополнительных аналитиков. Так руководство больших компаний может увидеть правдивую информации о работе каждого участника, и на основе нее сделать выводы о сотрудниках их продуктивности и их причастности к проекту. Это поможет сэкономить деньги, не нанимая отдельных людей для анализа работы над проектами, а также если какой-то участник команды плохо работает и не выполняет свою работу это будет видно по отчету, и даст понять руководителю, что возможно с каким-то сотрудником надо серьезно поговорить, вынести предупреждение или вообще уволить.
Также данным навыком могут пользоваться и сами участники команд или тимлиды, чтобы отслеживать выполнение этапов проекта каждым участником и вовремя вносить корректировки в план работы. 
В больших командах, где одну роль занимают сразу несколько людей может произойти какое, что один участник вышел в отпуск или заболел из-за чего отсутствовал какое-то время и не имел возможности подробно следит за движением проекта. Но когда он обратно вернулся в рабочий процесс ему нужно быстро влиться в работу и понять, что ему нужно делать, какие задачи уже сделаны и на каком этапе проект теперь находится. Для этого он сможет использовать наш навык и не мониторить репозитории вручную, просматривая добаленные файлы и произошедшие изменения.
Еще тимлид может использовать этот навык, чтобы, автоматически не затрачивая много времи и ресурсов, составлять отчеты для руководства о проделанной командой работе и состоянии проекта в данной время.
В крупных компаниях обычно ведется много разных проектов одновременно. И для выделения ресурсов на поддержку руководству необходимо понимать какие проекта наиболее активны и востребованы, а какие требуют внимания. И с помощью навыка мониторинга можно быстро понять какой проект из себя что приставляет, и на какой проект надо выделить больше ресурсов, а какой возможно стоит приостановить, так как он приносит меньше положительных результатов.
Также данный мониторинга может пригодится в бизнесе для мониторинга публичных репозиториев конкурентов, чтобы компания могла понимать в каком направлении они развиваются. И уже на основе полученных данных о репозиториях конкурентов компания сможет спланировать собственные план по развитию и дальнейшей разработки новых проектов, чтобы обогнать конкурентов и получить больше прибыли от проектов.
Таким образом данный навык отслеживания Git репозиториев и составления отчетов на их основе может очень помочь компаниям автоматизировать процесс работы, тем самым освободив время сотрудников для более важных задач. Этот навык поможет сэкономить компаниям не только силы и время сотрудников, но и деньги на поиск и найм новых сотрудников для мониторинга, а также засчёт освобождения времени у сотрудников будет ускорен процесс разработки новых продуктов.
Далее хотелось бы рассмотреть алгоритм работы навыка. Данный навык написан на языке Python 3. Алгоритм клонирует целевой репозиторий во временную директорию, выполняет команды Git для получения списка коммитов из всех веток, узнает информацию diff каждом коммите, статистику изменений и список веток, после чего сохраняет результат в заданную директорию в формате JSON. Временные файлы удаляются по завершению работы. Это общий принцип работы, теперь рассмотрим принци работы алгоритма по пунктово с примерами кода:
1.	Парсинг. Навык принимает обязательный аргумен –repo-url (URL репозитория). Опционально задаются –since и –until (границы дат в формате YYYY-MM-DD), --max-diff-size (максимальный размер diff в символах, по умолчанию 5000), --max-commits (максимальное число обрабатываемых коммитов, по умолчанию 500). Из URL извлекается имя репозитория для именования выходного файла.
2.	Клонирование репозитория. С помощью subprocess.run выполняется команда git clone. Директория создается через tempfile.mkdtemp. Затем выполняется git fetch –all для получения всех удаленных веток и тегов.
3.	Получение списка коммитов из всех веток. В клонированном репозитории запускается git log –all –pretty=format. Ключ –all охватывает все локальные и удаленные ветки. Вывод парсится построчно, каждый коммит сохраняется в словарь с временными полями: хеш (первые 8 символов), автор, дата, тема.
4.	Определение веток для каждого коммита. Для каждого хеша выполняются две команды: git branch –r –contains – удаленные ветки, содержащие коммит. git branch –contains – локальные ветки.
Результаты объединяются и записываются в поле branches коммита.
5.	Сбор diff и статистики изменений. Для каждого коммита выполняются: git show –m –patch –unified=3 – получение текста изменений. При превышении максимального количества коммитов diff обрезается. git show –numstat –pretty=format– таблица с количеством добавленных и удаленных строк по каждому файлу. Парсингом вычисляются общие добавления, удаления и список измененных файлов.
6.	Формирование и сохранение выходных данных. Создается словарь, содержащий имя репозитория, временные границы периода, список коммитов с информацией о нем и пустой массив issues. Данные записываются в формате JSON с отступами и сохраняются в файл. Директория назначения создается, если отсутствует.
7.	Очистка. Временная директория с клонированным репозиторием удаляется рекурсивно командой rm –rf
После этого программа завершается.
За время прохождения данной практики я приобрела много полезных навыков, узнала много нового и научилась еще лучше справляться с трудностями, возникающими в процессе разработки программ. Я научилась производить поиск информации с последующим сравнением версий приложений для выбора наилучшего варианта. Я узнала много нового о работе ИИ-агентов и о написание навыков для них. Также я улучшила свои навыки программирования. К сожалению, за время практики мне не удалось полностью изучить все возможности OpenClaw, и попробовать написать какие-нибудь более сложные навыки для него.