Как запустить Claude Code на любой модели и забыть про ограничения

Недавно Anthropic выпустила Claude Code — крутой CLI-инструмент для разработчиков, который сам пишет код, правит баги и гоняет тесты. Штука мощная, но есть нюанс: она намертво привязана к API Anthropic. Если вы хотите использовать DeepSeek (потому что дешево), Gemini (потому что бесплатно в Google AI Studio) или локальную Llama через Ollama, официальный клиент вам не поможет.

Тут на сцену выходит OpenClaude. Это опенсорсная реализация того же рабочего процесса, но с полной свободой в выборе «мозгов». Разработчики взяли концепцию терминального агента и отвязали её от одного провайдера.

Что это вообще такое

OpenClaude — это терминальный агент, который не просто чатится с вами, а имеет доступ к вашей файловой системе и консоли. Он может прочитать файл, найти в нем ошибку, создать патч, применить его и запустить npm test, чтобы проверить, не сломалось ли что-то еще.

Проект написан на TypeScript и работает через Bun или Node.js. Главная фишка здесь в поддержке протокола MCP (Model Context Protocol) и возможности прокидывать любые OpenAI-совместимые API.

Чем он полезен в ежедневной работе

Я часто ловлю себя на том, что переключаться между IDE и браузером с ChatGPT — это лишний когнитивный налог. OpenClaude решает эту проблему, оставаясь в терминале.

Работа с локальными моделями

Если у вас есть Ollama, вы можете запустить qwen2.5-coder или llama3 и работать с кодом вообще без интернета. Это критично, если политика безопасности компании запрещает отправлять исходники в облако. Настройка выглядит максимально просто:

export CLAUDE_CODE_USE_OPENAI=1
export OPENAI_BASE_URL=http://localhost:11434/v1
export OPENAI_MODEL=qwen2.5-coder:7b
openclaude

Умный поиск по коду

В инструмент встроены grep и glob. Вы можете попросить: «Найди все места, где используется устаревший метод API, и замени его на новый». Агент сам просканирует дерево файлов, составит план правок и выполнит их.

Гибкий роутинг агентов

Это, пожалуй, самая интересная техническая деталь. В конфиге ~/.claude/settings.json можно настроить, какая модель за что отвечает. Например, планирование архитектуры отдать дорогой GPT-4o, а рутинное написание фронтенд-компонентов — дешевому DeepSeek.

{
  "agentRouting": {
    "Plan": "gpt-4o",
    "frontend-dev": "deepseek-chat",
    "default": "gpt-4o"
  }
}

Инструменты под капотом

OpenClaude — это не просто обертка над API. У него есть набор инструментов (tools), которые он вызывает по мере необходимости:

• Bash: выполнение команд в вашей системе.
• File Read/Write: прямая работа с файлами проекта.
• WebSearch: поиск в сети через DuckDuckGo или Firecrawl, если модели не хватает знаний о свежей библиотеке.
• MCP: поддержка протокола контекста, что позволяет подключать внешние базы данных или специфичные API как дополнительные знания для модели.

Кстати, для тех, кто не любит чистый терминал, в репозитории лежит расширение для VS Code. Оно добавляет графический интерфейс для управления провайдерами и темами.

Как начать пользоваться

Установка стандартная через npm:

npm install -g @gitlawb/openclaude

После этого запускаете команду openclaude. Внутри есть интерактивный помощник /provider, который проведет за руку по настройке ключей. Если вы работаете на macOS или Linux, достаточно прокинуть переменные окружения, и всё заведется за минуту.

Интересный момент: проект поддерживает headless-режим через gRPC. Это значит, что возможности агента можно встроить в свои собственные пайплайны или CI/CD. Например, автоматически генерировать описание к Pull Request, основываясь на реальном анализе изменений кода.

Стоит ли пробовать

Если вы уже привыкли к курсору (Cursor) или оригинальному Claude Code, OpenClaude может показаться чуть менее «отлизанным» в плане UI. Но его ценность в другом — в тотальном контроле.

Кому точно зайдет:

• Тем, кто хочет использовать DeepSeek V3 для кодинга прямо в консоли.
• Параноикам (в хорошем смысле), предпочитающим локальные модели через Ollama.
• Разработчикам, которым нужно автоматизировать рутинные правки в больших монорепозиториях.

Проект активно развивается, о чем говорят почти 20 тысяч звезд на GitHub. Видно, что сообществу не хватало именно такой «отмычки» для закрытых экосистем AI-агентов. Единственное, стоит помнить, что качество работы сильно зависит от модели. Маленькие локальные сетки на 7 миллиардов параметров часто путаются в сложных многошаговых задачах, так что для серьезного рефакторинга лучше все же брать модели покрупнее.