Поначалу я, как и все, использовал облако. Но чем сложнее становились проекты, тем больше росли расходы на серверы, а их мощностей начинало не хватать. В какой-то момент стало очевидно: для полноценной AI-разработки нужна собственная инфраструктура. Так появился UGREEN DXP4800+ — NAS с Intel Pentium Gold 8505, 64 ГБ DDR5 и SSD на 1.8 ТБ под Docker-контейнеры.

Архитектура получилась двухуровневой. На NAS крутятся 40+ Docker-контейнеров: среда разработки с Claude Code, CosmoDoc, n8n для автоматизаций, Dify с RAG-пайплайнами, Ollama для локальных LLM, Jellyfin, Immich и полный медиа-стек. VPS в Амстердаме выступает фронтом: XRay Reality на порту 443 маскирует VPN-трафик под обычный HTTPS, а Nginx на :8443 раздаёт веб-сервисы. SSH reverse tunnels пробрасывают порты с NAS на VPS, обеспечивая публичный доступ без проброса портов на роутере.

Отдельная история — обход блокировок. В российских реалиях заблокированы не только API Anthropic и OpenAI, но и Cloudflare proxy, TMDB, api.radarr.video, servarr.com. Решение — контейнер xray-client с VLESS Reality, через который весь заблокированный трафик уходит на VPS и далее в интернет. Cloudflare DNS работает только в режиме DNS-only — прокси-режим блокируется на территории РФ. Каждый новый сервис приходится проверять: нужен ли ему прокси?

Среди подводных камней: UGOS kernel ACL блокирует доступ к shared-папкам для non-root пользователей, кастомный resolv.conf ломает Docker DNS, fail2ban на VPS банит при множественных SSH-подключениях. Каждая проблема — это опыт, который экономит часы в будущих проектах. Self-hosted — это не просто экономия, это полный контроль над данными, производительностью и архитектурой.

At first, like everyone, I used the cloud. But as projects grew more complex, server costs kept rising while resources became insufficient. At some point it became obvious: serious AI development needs its own infrastructure. That's how UGREEN DXP4800+ appeared — a NAS with Intel Pentium Gold 8505, 64 GB DDR5, and a 1.8 TB SSD for Docker containers.

The architecture ended up two-tiered. The NAS runs 40+ Docker containers: Claude Code development environment, CosmoDoc, n8n automations, Dify with RAG pipelines, Ollama for local LLMs, Jellyfin, Immich, and the full media stack. An Amsterdam VPS serves as the front: XRay Reality on port 443 disguises VPN traffic as regular HTTPS, while Nginx on :8443 serves web applications. SSH reverse tunnels forward ports from NAS to VPS, providing public access without router port forwarding.

A separate challenge — bypassing restrictions. In Russia, not only Anthropic and OpenAI APIs are blocked, but also Cloudflare proxy, TMDB, api.radarr.video, servarr.com. The solution is an xray-client container with VLESS Reality, routing all blocked traffic through the VPS. Cloudflare DNS only works in DNS-only mode — proxy mode is blocked in Russia. Every new service requires checking: does it need a proxy?

Among the pitfalls: UGOS kernel ACL blocks shared folder access for non-root users, custom resolv.conf breaks Docker DNS, fail2ban on VPS triggers bans from multiple SSH connections. Each problem is experience that saves hours in future projects. Self-hosted isn't just about cost savings — it's full control over data, performance, and architecture.

Мой основной опыт с мультиагентными системами — это развёртывание Dify Platform на self-hosted инфраструктуре. 11 Docker-контейнеров: API-сервер на Flask, фронтенд на Next.js, PostgreSQL, Redis, Weaviate для векторного поиска, песочница для безопасного выполнения кода, воркеры Celery для фоновых задач. Визуальный конструктор workflow позволяет строить цепочки из LLM-вызовов, RAG-запросов и кастомных инструментов без написания кода.

Инструментарий включает Claude Agent SDK для программной оркестрации, MCP-серверы для подключения внешних источников данных, и сам Dify как платформу для визуального проектирования AI-приложений. Каждый инструмент закрывает свою нишу: SDK — для кастомной логики, MCP — для интеграций, Dify — для быстрого прототипирования и командной работы.

Главная проблема, с которой я столкнулся — сохранение контекста. Когда мультиагентная система используется командой, критически важно, чтобы каждый участник имел доступ к контексту запросов коллег и мог его вызвать. RAG-пайплайны с Weaviate частично решают эту задачу: документы, переписки, результаты предыдущих запросов индексируются и доступны всем агентам. Но полноценное решение требует продуманной архитектуры памяти — краткосрочной, долгосрочной и эпизодической.

Куда движется технология? Невозможно даже предугадать масштаб изменений. Возможно, мы на пороге появления мультиагентных систем с полной автономностью, которые будут проходить весь цикл разработки самостоятельно — от анализа требований до деплоя — и лишь запрашивать итоговое разрешение у разработчика на запуск готового продукта. Уже сейчас агенты пишут код, тестируют его и деплоят. Вопрос лишь в том, когда уровень доверия позволит убрать человека из цикла.

My main experience with multi-agent systems comes from deploying Dify Platform on self-hosted infrastructure. 11 Docker containers: Flask API server, Next.js frontend, PostgreSQL, Redis, Weaviate for vector search, a sandbox for safe code execution, Celery workers for background tasks. The visual workflow builder lets you chain LLM calls, RAG queries, and custom tools without writing code.

The toolkit includes Claude Agent SDK for programmatic orchestration, MCP servers for connecting external data sources, and Dify itself as a platform for visual AI application design. Each tool fills its niche: SDK for custom logic, MCP for integrations, Dify for rapid prototyping and team collaboration.

The main challenge I faced — context preservation. When a multi-agent system is used by a team, it's critical that each member has access to colleagues' query context and can retrieve it. RAG pipelines with Weaviate partially solve this: documents, conversations, and previous query results are indexed and available to all agents. But a complete solution requires thoughtful memory architecture — short-term, long-term, and episodic.

Where is the technology heading? It's impossible to predict the scale of changes. Perhaps we're on the verge of fully autonomous multi-agent systems that handle the entire development cycle independently — from requirements analysis to deployment — only requesting final approval from the developer to launch the finished product. Agents already write code, test it, and deploy. The only question is when the level of trust will allow removing humans from the loop.