InquirerAeta communities in Bataan reject mining deal in ancestral landDaily MaverickAmazon’s Bezos says he helped pick Pattinson as BondThe Jerusalem PostSa’ar welcomes 250 US leaders for ‘50 States, One Israel’ initiativePunchNo evidence of Sokoto protest plot, DSS tackles Atiku20 MinutenWie weit ist ein Lichttag? Mach das Quiz zum Voyager-1-Rekord!한겨레‘리트 만점자’ 광수단·관악서 등에서 고발 이어져…수능 고득점 수사도 이뤄질 듯ZDF heuteAktuelle Pressemitteilungen des ZDFComplete SportsNNL: ‘It Will Be Disrespectful To Other Teams’ –Amuneke Speaks On Heartland’s NPFL Promotion HopesESPN CricinfoUnchanged England bat; Zampa out with back spasms for AustraliaNew Straits TimesAnwar thanks Trump for recognising Malaysia's role in easing Cambodia-Thailand tensionsLenta.ruГлава РФПИ назвал количество реализованных проектов с партнерами из АТЭСThe Japan TimesDemocracy needs room for religious difference
The Daily Newsstand · Free, Always
Wednesday, November 18, 2026

Не Клодом единым — как после бана я переписал командный плагин на разные хосты моделей

Translate

supertick 2.0: как я перенёс команду агентов из Claude Code в Kimi, Codex и OpenCode

В первой части я рассказывал про supertick, командный плагин для Claude Code. Ведущий там тонкий и почти всё время спит, его будит внешний «тик», скрипт без LLM. Исполнители - субагенты Claude и внешние CLI вроде cursor и codex. Всё это работало, пока жило в одной подписке и одной среде. Но волна банов от Anthropic докатилась и до меня.

Эта статья про то, как я решил, что нужно перестать зависеть от Claude и что всегда нужны альтернативы под рукой. Code must go ON!

У нас было:

  • 30 коммитов, 185 файлов, +23 377 строк;

  • тестов было 82, стало 420;

  • четыре среды-хоста: Claude Code (как было), Kimi Code CLI, Codex CLI и OpenCode;

  • шесть приёмочных прогонов на живых моделях, все PASS;

  • самый дешёвый прогон, в OpenCode, обошёлся примерно в $0,30.

Самое интересное не в цифрах, а в том, какие ловушки и баги сред я поймал в процессе: процессы, которые не выходят, тихие подмены модели, автоматические отказы в правах. Их я собрал в отдельную главу, она пригодится всем, даже кому supertick не интересен.

Первая идея была слишком простой. Я её отверг

Первая мысль была про то, что можно сделать свой форк Claude Code (на GitHub уже есть аналоги) и подрубать к нему «любую модель»: подменяешь эндпоинт через ANTHROPIC_BASE_URL, и вся команда идёт на DeepSeek или Kimi. Правок немного, но я решил это не наш путь.

Я решил, что мне нужен плагин, который будет независимо работать от разных вендоров, и когда Claude Code нет вовсе: я запускаю альтернативы и поднимаю команду там. Вообще в голове появилась мысль, что это три-четыре команды на разных вендорах, с разными сложностями и типами задач. Всё зависит от силы модели. То есть я смогу запустить несколько команд одновременно на хостах Claude Code, Kimi Code CLI, Codex CLI и OpenCode, и каждая из этих команд может решать свои задачи, используя под капотом supertick.

Главная задача адаптации и доработки - это перенос ведущего на три чужие среды, у которых нет ни SendMessage, ни привычных фоновых задач, ни пробуждения по концу задачи. Перенос ведущего потянул примерно на три четверти всей работы.

Я тщательно готовил ТЗ - аналитики много не бывает). Я старался описать все нюансы и варианты при изучении других сред разработки. И всё равно много правок пришлось добавлять после тестирования, где я наткнулся на сюрпризы каждой из сред.

Можно назвать это бюрократией, но как показывает практика, продумывание и описывание мелочей заранее - это то, что экономит время на вопросах и принятии решений потом. Самое дорогое решение в проекте приняли до первой строки кода: мы делаем переносимость ведущего, поддержка моделей тут вторична.

Для сравнения. Оценка в ТЗ до alpha-версии была около 30 рабочих дней. Фактически код занял три с половиной дня: один агент работал непрерывно, живые прогоны шли по ночам.

Архитектура в двух абзацах

Схем каталогов не будет, они есть в репозитории. Идея простая. Есть общее ядро без привязки к среде: тик, ожидание, запуск движков, конфиг, диалог подключения, диагностика, 12 брифов ролей. Над ним тонкие адаптеры для каждой среды. И один общий протокол ведущего LEAD.md для всех трёх новых сред (Claude Code не менял - там всё как в прошлой версии).

Протокол оперирует шестью операциями: ЗАПУСТИТЬ, ПРОДОЛЖИТЬ, ОТВЕТ, ЖДАТЬ, СПРОСИТЬ, ОСТАНОВИТЬ. В LEAD.md написано «ЗАПУСТИТЬ исполнителя», а как это сделать, описано в primitives.md конкретной среды. В Kimi это Agent(... run_in_background), в Codex движок codex exec, в OpenCode инструмент task.

Среды разные по возможностям, и я разложил их по уровням:

Уровень

Что умеет среда

Кто

L3

субагенты, сообщения между ними, пробуждение ведущего

Claude Code

L2

субагенты с продолжением, фон, среда сама будит ведущего

Kimi Code CLI

L1

shell, файлы, ожидание внутри хода, будить некому

Codex CLI, OpenCode

От уровня зависит ровно одна вещь: как ведущий ждёт. На L2 он запускает ожидание в фоне и заканчивает ход, среда его разбудит. На L1 он ждёт на переднем плане вызов за вызовом и не заканчивает ход до сводки. Всё остальное в протоколе одинаковое.

Два приёма, которые можно унести к себе

Протокол, который исполняет тест

Команды в LEAD.md записаны готовыми блоками bash с меткой # lead:<id>. Тест берёт эти блоки как есть, подставляет метки вроде <RUN> и <REPO> и гоняет на мок-движках цикл из двух задач: FAIL, правка, PASS, приёмка, DONE.

В итоге текст протокола и его поведение разойтись не могут. Если я поправил команду в документе и сломал её, тест упадёт. Если код поменялся, а документ нет, тоже упадёт. Для промптов, которые читает модель, это редкая роскошь: обычно инструкция живёт своей жизнью и тихо устаревает. Заодно тест следит, чтобы LEAD.md не разрастался больше 600 строк.

Решение по первой строке отчёта

Ведущий не читает код и отчёты целиком. Он смотрит первую строку: READY FOR REVIEW:, VERDICT:, ACCEPT: и так далее. По ней решает, что делать дальше.

Ведущий от этого дешёвый: контекст не забивается чужими диффами. И переносимый: такое правило удержит даже не самая сильная модель. Плата за это - жёсткий формат первой строки у всех ролей. Как этот формат ломается в реальности, расскажу в главе про ловушки.

Не сломать то, что уже работает

supertick 1.1.1 работал в Claude Code, и ради Kimi там не должно было поменяться ничего. Поэтому первые две задачи вообще не касались новых сред.

Снапшоты поведения 1.1.1 сняли до любых правок: тик на 11 сценариях, команды запуска четырёх старых пресетов, эталонная таблица «кто исполнит роль» на 10 конфигах.

Потом плагин Claude Code стал собираться генератором из ядра и папки адаптера. Сборка побайтно равна 1.1.1: хеши и бит исполняемости зафиксированы, CI падает при расхождении. Каждое осознанное отличие записано отдельной строкой с причиной, к концу их набралось 14. Если файл перестал отличаться, а строка осталась, это тоже ошибка теста. Звучит занудно, зато обещание «при переходе из Claude Code ничего не изменилось» проверяется, а не декларируется.

Третья проверка мне нравится больше всех. Новый тик прогнали на записях 22 прошлых живых прогонов. У 1.1.1 там было 2576 событий, у 2.0 ноль новых и ноль потерянных.

Ловушки сред: что не написано в документации

Правило проекта было такое: до адаптера идёт спайк на 0,5-0,75 дня. Заполняешь таблицу примитивов реальными командами и реальным выводом, документацию в расчёт не берёшь. Вопросы для всех сред одинаковые: headless-запуск, продолжение сессии, права, выбор модели, лимит shell, фон, субагенты, вопрос человеку.

Документация отвечает на вопрос «что CLI умеет». Спайк отвечает на другой вопрос: что CLI сделает с твоим протоколом в три часа ночи без человека. Почти все ловушки ниже ровно про это.

Kimi Code CLI

kimi -p не выходит, пока жива фоновая задача. Ведущий запустил второе ожидание и забыл про первое. Прогон висел до часового таймаута. Отсюда правило «одно ожидание на прогон»: новое гасит прежние, на финише --stop. Первая починка через pid-файл проиграла гонку: новое ожидание пишет pid, а ловушка выхода старого его стирает. Вторая версия ищет ожидания по командной строке и работает.

Квота подписки общая на всю команду. Два SIMPLE-прогона на родных субагентах выбрали пятичасовое окно Kimi Code целиком и закончились APIProviderQuotaExhaustedError. Пока ты работаешь один, о квоте почти не думаешь. Команда из десятка исполнителей съедает её на глазах. Тут понятно, что на более дорогих тарифах квоты выше, я для теста брал подписку PRO за $30.

Мелочь, но показательная: модель исполнила блок вычисления корня буквально и проигнорировала $SUPERTICK_ROOT. Блок пришлось переписать как cd "${SUPERTICK_ROOT:-${KIMI_SKILL_DIR}/../..}".

Codex CLI

codex exec resume без -m берёт модель по умолчанию, а не модель сессии. Продолжаешь кодера, а он уже другая модель, и никто об этом не сказал. Теперь модель и усилие передаются явно при каждом продолжении.

.git в песочнице только для чтения. В режиме workspace-write кодер не может закоммитить. Мы открыли запись в .git только кодеру. Но раз открыт .git, открыты и .git/hooks, а хук потом исполнит уже владелец, вне песочницы. Так появился сторож .git: отпечаток в начале прогона, сверка в конце.

Песочница в песочнице не собирается. Ведущий Codex из своей песочницы не может запустить дочерний codex exec. Решение: ведущий работает без своей песочницы, а ограничения держат песочницы исполнителей. Не идеально, но честно.

Ещё одна смешная: брифы ролей начинаются с ---, и Codex без -- перед промптом читал это как неизвестный ключ.

OpenCode

Здесь были самые неожиданные ловушки за весь проект.

Любой отказ в правах обрывает opencode run на месте. Правило ask в headless-режиме отклоняется автоматически, после отказа модель уже не отвечает, прогон кончается без сводки.

Файлы вне проекта читать нельзя, но не совсем. cat файла вне проекта отклоняется, а python3 <тот же файл> проходит. Каталоги навыков открыты сами. Мы не стали играть в эту лотерею и положили весь набор supertick внутрь каталога навыка. Навык сам сообщает свой путь строкой «Base directory for this skill».

Каталог проекта берётся из PWD, а не из рабочего каталога процесса. Унаследованный PWD увёл ведущего пробы работать в чужой репозиторий.

Продолжение без --agent откатывается к агенту build. Роль «только чтение» на продолжении спокойно создала файл. Теперь --agent повторяется всегда.

bash обрывает команду через 120 секунд, если не передан timeout. У ожидания теперь всегда timeout: 1800000.

Кончился бесплатный лимит Zen, и opencode run молча висит. Сообщение «Free usage limit reached» пишется только в лог OpenCode, а процесс не выходит. У нас он так провисел 35 минут. Тут я тестировал бесплатными моделями из OpenCode и упёрся в их лимиты на бесплатные модели. Дальше закинул денег на баланс и недорогими моделями закрыл вопрос тестов среды.

Отдельный случай: не каждая модель годится в ведущие

На OpenCode до первого успешного запуска пробы ведущего ушло шесть попыток. Часть провалов дали ловушки выше, а одна попытка упала из-за самой модели.

Бесплатная deepseek-v4.1-flash-free ведущим не годится. Вместо того чтобы идти по протоколу, она начала изучать сам набор: читала скрипты supertick, полезла в конфиг вне проекта. А дальше сработала первая ловушка OpenCode: отказ в правах и обрыв прогона. Любопытство, которое в обычной сессии выглядит как старательность, у ведущего превращается в аварию.

Платная glm-5.3-flash ($0,15 за 1M входных токенов и $0,50 за выходные) прошла пробу ведущего за 7 минут.

Похожая история с Codex, только тоньше. На пробе с протоколом в 596 строк gpt-5.6-sol набрал 10 из 10, а gpt-5.6-luna 9 из 10: пропустил правило из середины текста. Девять из десяти звучит неплохо, но это одно правило, которое ведущий нарушит в каждом прогоне.

Вывод для себя я сделал такой: пробу ведущего нужно гонять для каждой модели, а не для семейства и не «по отзывам». Для этого в supertick есть lead-probe: стенд с мок-исполнителями и 9 проверок по файлам, включая «ведущий сам код не трогал». Занимает несколько минут.

cursor-agent как исполнитель

cursor-agent часто начинает ответ вступлением, приклеенным прямо к вердикту: «Читаю бриф роли…VERDICT: task #1 - APPROVED». Ведущий решает по первой строке, первая строка не по формату, и приёмка честно отклоняла отчёт. В одном прогоне это стоило лишнего круга ревью и приёмки, около 15 минут. Теперь запуск движка кладёт в отчёт текст начиная со строки-шапки протокола, а полный ответ сохраняет рядом.

Живой прогон и есть приёмка

Для приёмки сделал отдельный стенд вне боевого проекта: маленький репозиторий на Python, только stdlib, на каждый прогон свежий клон. Задача одна для всех сред: добавить функцию slugify (нижний регистр, всё, кроме букв и цифр, заменяется одним дефисом, кириллица сохраняется) и тесты. Сложность SIMPLE, человека нет, в промпте «вопросов не задавай, выбирай безопасный вариант сам».

Прогон

Что проверяет

Итог

Время

R1

Claude Code без нового конфига, регрессия

PASS

17 мин

R2

только Kimi, все роли родные

PASS с 4-го раза

29 мин

R3

ведущий Kimi, исполнители на codex и cursor

PASS со 2-го

28 мин

R4

OpenCode, все роли родные

PASS

15 мин, ≈ $0,30

R5

Codex, роли на движке codex

PASS

37 мин

R6

как R3, но cursor-agent «удалён»

PASS со 2-го

32 мин

Все шесть PASS, но всего на стенде было 11 прогонов, считая проваленные и повторы. Самое ценное как раз в провалах.

R2: сделал всё и не вышел. Работа была выполнена дважды, а kimi -p висел до таймаута: ведущий держал два фоновых ожидания и остановил одно. Чинили «одним ожиданием», первая починка проиграла гонку, вторая сработала. Третий прогон оборвала квота Kimi. Четвёртый, после сброса окна, прошёл чисто, и kimi -p наконец вышел сам.

R2, ещё до запуска: профиль врал. Диалог подключения показывал «все роли native», а прогон отдал семь ролей cursor. Профиль с пустыми ролями не перекрывал роли из старого конфига 1.x. Теперь роль без назначения пишется явно как null, а таблицу в диалоге строит то же разрешение, что и прогон. Пользователь видит ровно то, что исполнится.

R6: замена была, а причины в сводке не было. cursor-agent спрятали подставным HOME. Рецензент честно ушёл на родного исполнителя, прогон не упал. Но ведущий пересказал служебную строку о замене своими словами («reviewer - native»), а в итоговой сводке о замене не было ни слова. Формально всё прошло. По факту отказ CLI превращался в незаметную деградацию. Теперь строки о заменах выводятся дословно и попадают в сводку.

Ни один из этих дефектов не поймали юнит-тесты. Все они про поведение реальной модели в реальной среде: процесс не выходит, модель пересказывает вместо того чтобы цитировать, вступление перед вердиктом, квота. Каждый найденный дефект потом получил тест, и каждый тест я проверял поломкой: сломал код, тест покраснел, починил.

Ещё одно наблюдение по времени. SIMPLE из трёх задач занимает от 15 до 37 минут в зависимости от среды. Самый медленный элемент не исполнители, а раздумья ведущего между шагами. В R3 движки отвечали за 1-2 минуты, а ведущий Kimi думал между шагами по 3-9 минут.

Что из этого взять себе

Сначала неприятное правило, и только потом выбор модели.

Команда оправдана не на каждой задаче. В октябре я сравнивал на простой задаче (подсветка строки на странице) команду supertick и одну сессию без плагина. Команда: 21 минута и $7,19. Одна сессия: 8,4 минуты и $1,10. Слепая проверка трёх патчей дала 10 из 10 всем. На мелкой задаче команда качества не добавляет и стоит в 6,5 раза дороже. Я для себя оставил командный прогон для сложных задач, которые задевают деньги (оплата, баланс, тарифы) или безопасность (вход, права, данные). Остальное делаю одной сессией.

Ведущий важнее исполнителей. Если ведущий не держит протокол, дорогие исполнители не спасут: прогон оборвётся или зациклится. Исполнителей можно брать дешевле, а рецензента лучше держать на другой модели, чем кодер, это бесплатное второе мнение. Мой личный опыт и лучшая практика на данный момент: архитекторы по бэку и фронту, рецензенты и ревьюеры кода из разных фронтирных моделей. А для написания самого кода можно использовать более простые, но качественные по написанию кода модели. Причём выбор моделей для кода сейчас большой: четыре среды через CLI позволяют вызывать любые свои модели в качестве исполнителей. Поэтому мне нравится, что в архитекторах кода у меня разные модели и в ревьюерах разные сильные модели. Я на этом хорошо ловлю корнер-кейсы в багах и логике.

Три уровня по цене - качество

Хай: Claude Code или Codex с gpt-5.6-sol. Claude Code прошёл SIMPLE за 17 минут без лишних вопросов, Codex за 37 минут с пробой ведущего 10 из 10. Работает по подписке. Если считать за токены через Zen, SIMPLE стоил бы примерно $2 на Claude Sonnet 5.5, $4 на Opus 5.5 и $5,5 на gpt-5.6-sol. Это пересчёт, а не замер. Брать для сложного, где ошибка дорого стоит: деньги, права, миграции данных, общая инфраструктура.

Медиум: OpenCode и недорогие платные модели. glm-5.3-flash: проба ведущего за 7 минут (≈ $0,16), SIMPLE за 15 минут (≈ $0,30). Весь день испытаний обошёлся в $0,46. Минусы: исполнители иногда ломают формат первой строки, и ведущему нужен лишний вызов, чтобы это исправить. Дешевле есть кандидаты (claude-haiku-5-5 и gpt-6-luna с оценкой около $0,14 за SIMPLE, deepseek-v4.1-flash около $0,21), но ведущими они не проверены. Сначала проба.

Эконом: Kimi Code и бесплатные модели OpenCode. Kimi k3 прошёл SIMPLE за 29 минут, но квота пятичасового окна общая на всю команду. Бесплатная glm-5.3-flash-free протокол держала, пока не кончился общий лимит (у нас примерно через 1,5 часа проб), после чего opencode run молча завис. Хороший эконом-приём: ведущий на Kimi, исполнители на других CLI. Тогда квота Kimi тратится только на ведущего. Так прошёл R3, за 28 минут.

Рейтинг по нашим замерам

Место

Связка

Качество

Цена SIMPLE

Время

1

OpenCode + glm-5.3-flash

ALL_PASS с первого прогона

≈ $0,30

15 мин

2

Kimi k3, роли родные

ALL_PASS

подписка, ≈ половина окна

29 мин

3

ведущий Kimi + исполнители codex / cursor

ALL_PASS

подписки

28 мин

4

Claude Code

ALL_PASS, самый зрелый протокол

подписка

17 мин

5

Codex gpt-5.6-sol

ALL_PASS, проба 10/10

подписка (≈ $5,5 за токены)

37 мин

вне рейтинга

OpenCode glm-5.3-flash-free

держит протокол до лимита

$0

до лимита

вне рейтинга

OpenCode deepseek-v4.1-flash-free

ведущим не годится

$0

-

Рейтинг построен по соотношению цены прогона к результату на простой задаче. На сложных задачах хай-уровень поднимется выше: там цена ошибки больше цены токенов.

Какую задачу каким уровнем

Задача

Уровень

Почему

Разведка кода, исследование вариантов

эконом

читать много, решать мало, можно перезапустить

Тесты к готовому коду, документация

эконом или медиум

легко проверить запуском

Обычная фича в одном-двух слоях

одна сессия медиум

команда на простом не окупается

Рефакторинг по образцам

медиум

нужны дисциплина и ревью, а не глубина

Сложная фича в нескольких слоях

медиум-исполнители + хай-рецензент

ошибки ловит ревью на другой модели

Деньги, вход и права, миграции

хай

цена ошибки больше цены токенов

Долгий прогон без человека

хай или платный медиум

бесплатные лимиты обрывают прогон молча

Оговорки, пока их не написали в комментариях

  • Каждая связка прогнана один раз (n = 1) на одной задаче SIMPLE. Для выводов про сложные задачи нужны свои прогоны.

  • Цены других моделей я не замерял, а пересчитал по объёму токенов замеренного прогона (около 209 тыс. ввода, 81 тыс. вывода и 7,6 млн чтения кэша) по ценам Zen. Модели тратят токены по-разному, так что это порядок, а не счёт. Основную долю цены, кстати, даёт чтение кэша, а не вывод.

  • Цены подписок Claude, ChatGPT и Kimi Code меняются. Всё выше указано на дату публикации.

Пять уроков и что дальше

  1. Сначала правильный вопрос. «Любая модель» и «любой рантайм» отличаются по объёму в 3-4 раза. Неделя на ТЗ окупилась.

  2. Не сломать работающее первым делом. Снапшоты поведения и сборка «побайтно как 1.1.1» до первой правки, каждое отличие с причиной.

  3. Спайк до адаптера. Каждая среда меня удивила: автоотказ OpenCode, модель по умолчанию на продолжении Codex, невыходящий kimi -p. В документации этого нет.

  4. Никаких тихих замен. Любая замена движка или модели видна дословно и попадает в сводку. Иначе отказ CLI становится незаметной деградацией.

  5. Живой прогон и есть приёмка, а не демо в конце. Все значимые дефекты нашли прогоны. Тесты появились после.

Что дальше. Хочу прогнать supertick 2.0 на настоящей задаче проекта, а не на стенде, с бюджетами в режиме enforce. Повторить R1 на Claude Code уже с 2.0.0-beta.1 из маркетплейса. Посмотреть, что из протокола можно отдать скриптам: ведущий Kimi думает 3-9 минут между шагами, и это главный тормоз. И сравнительными прогонами решить вопрос языка промптов, сейчас они на русском.

Если у вас был свой опыт с ведущим на не-Claude моделях, особенно с тем, какая модель держит длинный протокол, а какая начинает «исследовать», напишите в комментариях. Мне правда интересно, совпадает ли это с нашими наблюдениями.

View the original on Хабр →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.