Make It Heavy — open-source мультиагентный AI-фреймворк против Grok 4 Heavy и подписочных рабств

Почему в 2025 году "AI по подписке" начинает раздражать даже айтишников

Вы наверняка замечали: всё больше топовых LLM-сервисов работают строго “по абонентке”. Заплатил $200–300 в месяц — пользуйся или не пользуйся, деньги всё равно уйдут. Вроде бы, удобно: не думаешь о лимитах, но с ростом выбора и количества моделей хочется гибкости, а не кредитки на автосписание.

Grok 4 Heavy от xAI — один из самых громких примеров. “Heavy-режим” — мультиагентная сборка, где сразу несколько копий LLM решают одну задачу, а оркестратор собирает консенсус. Мощно? Безусловно. Но если ты не enterprise с миллионными оборотами и не выкручиваешь тысячи задач в день, экономически это абсурдно.

Make It Heavy ломает этот шаблон: open-source, плата “по счётчику”, кастомизация под любую задачу и открытый код. Нет фиксированной абонентки, нет жёсткой привязки к одной модели или облаку — платишь только за реальные вычисления, которые идут через OpenRouter (или любую другую LLM-инфраструктуру, если “подвяжешь”).

Архитектура Make It Heavy: как оно работает внутри

Ключевая идея — мультиагентность с параллелизмом и прозрачной оркестрацией. На каждый сложный запрос система порождает сразу несколько независимых “голов” (агентов), каждый из которых получает свою роль и собственный toolkit:

• Исследователь: Web search через DuckDuckGo, локальные файлы, внешние базы.

• Аналитик: Анализ закономерностей, статистика, выявление трендов.

• Оппонент: Критический анализ, поиск ошибок и уязвимостей.

• Верификатор: Согласование результатов, перепроверка гипотез и финальная агрегация.

И всё это — с live feedback прямо в терминале: ты видишь, кто что делает, где тормозит, где поймано исключение.

Пример инициализации конфигурации (config.py):

AGENT_COUNT = 4
TIMEOUT = 600
MODEL = "claude-3-opus"
API_KEY = "sk-..."
TOOLS_DIR = "./tools/"

Добавить нового агента — вопрос пары строк:

from agents import BaseAgent

class FinancialAnalystAgent(BaseAgent):
    role = "finance"
    tools = ["search", "calculate", "read", "write"]

Зарегистрировал — и в основном скрипте появится новый участник “команды”.

Установка и запуск: реальная боль или “plug-n-play”?

1. Клонируем репозиторий:

   git clone https://github.com/Doriandarko/make-it-heavy
   cd make-it-heavy
   

2. Создаём изолированное окружение (через uv или venv):

   uv venv
   source .venv/bin/activate
   

3. Ставим зависимости:

   pip install -r requirements.txt
   

4. Правим config.py: Вбиваем свой API-ключ (OpenRouter, Groq, Together, LM Studio…), выбираем модель, количество агентов, timeout, инструменты.

5. Запуск:

   uv run main.py
   

6. Вводим запрос (пример):

   "Сделать сравнительный анализ четырёх open-source LLM-фреймворков для research-задач"
   

7. Смотрим live-логи:

   [Исследователь]: нашёл 27 релевантных ссылок
   [Аналитик]: выявил основные критерии сравнения
   [Оппонент]: оспорил достоверность трёх источников
   [Верификатор]: подготовил summary, указал противоречия
   

В чём реальный профит (и где грабли) по сравнению с Grok 4 Heavy

На что надо обратить внимание:

• OpenRouter не бесплатен: Все запросы уходят к третьей стороне, но ты видишь точные расходы по токенам (выбирай любую модель: GPT-4o, Claude 3.5, Llama 3, Kimi-K2 и т.д.). Хочешь ещё дешевле — поднимай локальный endpoint (LM Studio, Ollama).

• Скорость: Зависит от скорости сети и отклика конкретных моделей. Для сложных запросов лучше закладывать увеличенные таймауты (иногда — десятки минут).

• Безопасность: Все ключи хранятся локально, но при работе с sensitive-данными смотри, куда отправляешь запросы — всегда риск утечки через сторонние API.

• Документация: Проект развивается быстро, но качество readme и inline-комментариев пока “для своих”.

Кейс 1: Code Review на стероидах

Пусть задача — провести ревью кода небольшого API на Python. Загружаем в папку проекта файлы, запускаем Make It Heavy с запросом:
"Провести глубокий код-ревью API для обработки персональных данных, выделить баги, дать рекомендации по безопасности и производительности"

В процессе лог выглядит так:

[Исследователь]: анализирует code style и ищет устаревшие паттерны
[Аналитик]: считает покрытие тестами, сравнивает с best practices
[Оппонент]: генерирует edge-cases, проверяет уязвимости
[Верификатор]: валидирует замечания, подытоживает рекомендации

== Итог:
- Обнаружено 3 бага в обработке ошибок
- Нет защиты от SQL-инъекций
- Тестовое покрытие 63%, рекомендуется поднять до 90%

Кейс 2: Анализ рынка — теперь “больше мнений”

Для клиента из SMB: анализируем тренды внедрения NextCloud в РФ. Запрос:
"Собрать сценарии внедрения NextCloud для SMB в России, выделить риски и прогнозы развития рынка"

[Исследователь]: собрал свежие новости, отчёты, отзывы на форумах
[Аналитик]: сделал сводку трендов (рост SaaS vs on-prem)
[Оппонент]: указал на недостатки open-source внедрений (кадры, поддержка)
[Верификатор]: сверил с данными из отчётов CNews, подготовил таблицу рисков

== Итог:
| Сценарий             | Риски                  | Прогноз   |
|----------------------|------------------------|-----------|
| Self-hosted          | Кадровый голод         | Рост 20%  |
| SaaS                 | Юридические вопросы    | Рост 40%  |
| Фриланс-внедрение    | Качество поддержки     | Рост 10%  |

Экономика: сколько реально стоит “тяжёлая” AI-работа

Всё зависит от выбранной модели. Например:

• Claude 3.5 Sonnet — ~$0.003/1K токенов (output), ~$0.0015/1K (input)

• GPT-4o — ~$0.005/1K токенов

• Llama 3 — почти бесплатно (локально через LM Studio/Ollama)

Калькуляция (условно):
Один агент за сессию обрабатывает 30K токенов → 4 агента = 120K токенов →
На Sonnet: (120 x 0.003) = $0.36 за одну сложную задачу, против $300 за месяц подписки Grok.

Для проектных задач (раз в неделю) разница выходит на порядки!

Расширяемость и кастомизация: свои тулзы за вечер

Добавить свой тул:

1. Кидаем скрипт в tools/:

def parse_csv(file_path):
    # парсим CSV, ищем аномалии
    return anomalies_report

2. В конфиге прописываем, что этот тул доступен агенту DataScientistAgent.

3. Перезапускаем — готово, теперь можно делать анализ данных “на лету”.

Альтернативы, с чем сравнивать?

• AutoGen (Microsoft): Сложнее, требует развертывания, но аналогичный подход мультиагентности.

• CrewAI: Попроще для no-code, но не даёт такой кастомизации “на низком уровне”.

• OpenInterpreter: Для интерактивных CLI задач, но слабее с research.

• LangChain Agents: Можно собрать что-то похожее, но придётся городить пайплайн самому.

Когда Make It Heavy не подойдёт?

• Нужно мгновенное решение “под ключ” без заморочек — выбирай Grok или аналоги, плати и забудь.

• Есть жёсткие требования по интеграции с X/Twitter и другими приватными API (там, где нужен токен xAI).

• Нет времени и желания ковыряться в Python — проще купить SaaS.

Лайфхаки и best practices

• Миксуй быстрые и тяжёлые модели: Пиши workflow: сначала llama, потом Claude/GPT на финал.

• Логируй расходы: Следи за usage через OpenRouter dashboard.

• Пиши юнит-тесты для своих тулзов: Ошибка в одном агенте может “сломать” всё выполнение.

• Используй локальные модели для внутренних задач: Особенно при работе с чувствительными данными.

Итоги: почему Make It Heavy реально “делает погоду” в 2025-м

• Ты полностью управляешь своими расходами и архитектурой.

• Можешь быстро адаптировать фреймворк под любые нестандартные задачи.

• Порог входа — минимальный для айтишника: Python, venv, API-ключ.

• Идеально для SMB, консультантов, тех, кто ценит экономию и гибкость.

AI больше не роскошь. Make It Heavy — это рабочая лошадка для тех, кто не хочет быть вечным подписчиком.

“Мультиагентные системы станут стандартом для всех, кто хочет выйти за рамки банальных задач в AI.”
— Из паблика Progressive OS

Репозиторий: github.com/Doriandarko/make-it-heavy
Видео-обзор: ищите на YouTube “Make it Heavy Grok analog”

Статья написана на основе реального опыта запуска и тестов Progressive OS. Любые вопросы — пишите в Telegram @progressiveos