Платформа Kaiban (репозиторий gonnafaraway/kaiban) предлагает принципиально новый подход к управлению разработкой: это локальная Kanban-доска, где каждая колонка представляет собой автономного AI-агента. В отличие от SaaS-решений, проект позиционируется как local-first инструмент для одиночных разработчиков или небольших команд, полностью контролируемых на стороне пользователя.
Как это работает: от идеи до кода
Архитектура Kaiban строится на принципе «колонка = роль». При первом запуске создаются стандартные этапы: Product → Business Analyst → System Analyst → Developer → QA → Auto QA. Процесс строго регламентирован:
- Human-in-the-loop: Переход задачи в следующую колонку возможен только после ручного одобрения (Approve) или отправки на доработку с комментарием.
- Агенты-исполнители: В каждой колонке запускается LLM-агент, который использует инструменты (Jira, GitLab, GitHub, MCP) для выполнения задачи. Результат предоставляется в виде Markdown-отчета и живого лога (SSE).
- Git-aware: Каждая задача привязана к ветке в Git. После успешного прохождения QA агент может автоматически создать MR/PR.
Технический стек и производительность
Проект написан на Go и Next.js, что обеспечивает высокую скорость работы и легкость развертывания. Для работы требуется только Docker Compose и ключ от любой OpenAI-compatible API (включая локальные шлюзы). По умолчанию используется модель gpt-4.1, но конфигурация гибкая.
| Компонент | Технология / Детали |
|---|---|
| Backend (API) | Go 1.27, Fiber, Clean Architecture, PostgreSQL 16 |
| Frontend | Next.js 15 App Router, TypeScript, Feature-Sliced Design |
| Realtime | Server-Sent Events (SSE) для живого логирования |
| Интеграции | Jira, Confluence, GitLab, GitHub, Remote MCP servers |
| Лицензия | Apache License 2.0 |
Почему это важно для разработчика
Kaiban решает проблему «разрозненности» AI-инструментов. Вместо того чтобы общаться с разными ботами в разных чатах, разработчик получает единый доску с полным аудиторским следом. Ключевые преимущества:
- Приватность: Все данные и ключи остаются на локальной машине. Нет облачной блокировки (lock-in).
- Прозрачность: Live-лог работы агента позволяет видеть каждый шаг LLM, а не только финальный результат.
- Автоматизация рутины: Режим Autoplay позволяет запустить цепочку задач, где агенты сами выполняют работу, а человек только утверждает финальные артефакты.
Для быстрого старта достаточно клонировать репозиторий, задать переменные окружения (OPENAI_API_KEY, OPENAI_MODEL) и выполнить docker compose up --build. UI поддерживает переключение между русским и английским языками «из коробки».
Источник: Github ↗