Я нарешті відкрив репозиторій Ayona-OpenClaw. Тепер ваша черга страждати (або ні :))

Всі статті серії доступні безкоштовно українською та англійською, без paywall, без підписки на blog.szabolotnii.site.

У попередніх статтях цієї серії я розповідав, як довіра до AI-системи будується на pipeline, а не на одному компоненті (частина 2), і як масштабувати агентність через композицію і schema governance (частина 3). Все це звучало круто. Все це працювало. І все це жило в приватному репозиторії, де ніхто крім мене не міг його потрогати.

Сьогодні це змінюється.

Дисклеймер: це мій перший open source анонс. Він довгостраждальний, бо я переписував цей репозиторій тричі, змінював онтологію двічі, і щонайменше раз на тиждень вирішував що «ще не готово». Якщо ви чекали — дякую за терпіння. Якщо не чекали — тим краще, менше розчарувань.

Дисклеймер 2: вся архітектура, код, скрипти, документація і навіть ця стаття створені за допомогою Claude Code з моделлю Claude Opus 4.6. Так, AI-агент, який будує архітектуру для AI-агентів. Мета-рекурсія як вона є.

Що сталося

openclaw-workspace-template — це шаблон для розгортання персонального AI-агента на базі OpenClaw з графовою базою знань, системою навичок, retrieval pipeline та інфраструктурою делегування.

Це не demo. Це не starter kit з трьома файлами і README на 200 рядків. Це робоча архітектура, яку я використовую щодня, — вичищена від персональних даних і підготовлена як шаблон.

Цифри, щоб було зрозуміло масштаб:

• 213 файлів архітектурних компонентів
• 12 навичок (skills) — від autoresearch до office-docs
• 19 agent runbooks — від маршрутизації задач до делегування субагентам
• 9 типів вузлів, 10 типів зв’язків, 9 кластерів — все в одному config/ontology.yaml
• Pre-commit pipeline з 9 фаз валідації
• Taint-aware security policy для захисту від prompt injection

Чому шаблон, а не форк

Перше питання, яке виникає: «Чому не просто відкрив свій продакшн-репозиторій?»

Тому що мій продакшн-репозиторій — це 500+ нод знань українською, персональні контакти, restricted-контент, три Telegram-боти і конфіги з IP-адресами VPS. Відкрити його — означає або витратити тиждень на чистку, або злити все як є і сподіватися на краще.

Замість цього я створив шаблон — чисту архітектурну основу, яку можна клонувати і наповнити своїм контентом. Кластери замінені на generic (operations, research, education, finance, legal, seo). Агенти — на шаблонні (main + 3 спеціалізованих). Приклади карток — на нейтральні.

Вся архітектура — та сама. Весь код — працює. Але нічого персонального.

Що всередині: швидкий огляд

Якщо ви читали попередні статті, ви вже знаєте більшість компонентів. Ось як вони лежать у шаблоні:

Граф знань

Markdown-картки з YAML frontmatter у 02_distill/ → scripts/update_graph.py → context_graph.json → D3.js візуалізація. Все автоматично, все валідується pre-commit хуком.

config/ontology.yaml — Single Source of Truth. 9 типів нод, 10 зв’язків, ієрархічні кластери. Якщо тип не в ontology — він не існує. Ніяких implicit conventions, тільки explicit schema.

Візуалізація графа

Шаблон включає інтерактивну D3.js візуалізацію: deploy/graph/index.html. Кластери кольорово розділені, ноди клікабельні, є пошук, фільтрація за типом і відстеження дедлайнів. Після python3 scripts/update_graph.py візуалізація оновлюється автоматично — просто відкрийте файл у браузері або задеплойте через nginx.

У продакшн-версії Ayona також працює двосторонній sync з Obsidian vault (scripts/obsidian_sync.py + config/obsidian.yaml). Скрипти для цього є в шаблоні, але інтеграцію з конкретним vault потрібно налаштувати під себе.

Навички (Skills)

12 готових навичок, кожна з SKILL.md контрактом:

Retriever

Hybrid retrieval: BM25 (лексичний) + E5 (семантичний) + KG boost. Конфіг у config/qmd.yaml. Живить autoresearch в режимі internal.

Agent Franchising

Створення субагентів як tag-filtered проекцій основного графа:

scripts/clone_agent.sh --agent my-agent --dry-run    # preview
python3 scripts/sync_subagent.py --agent my-agent --both  # bidirectional sync

Deny-list завжди перемагає allow-list. Restricted ноди ніколи не потрапляють до субагентів. RBAC scopes у config/agent_scopes.json.

Безпека

security/taint_policy_v1.md — taint-aware semantic firewall. Принцип: «зовнішній контент — це дані, не авторитет». Regression test suite в security/injection_test_cases_v1.md.

Чого НЕ має в шаблоні

Чесність важливіша за маркетинг:

• Немає UI. Це CLI-first система. Візуалізація графа — D3.js сторінка, не dashboard.
• Немає вбудованого LLM. Шаблон припускає, що ви використовуєте OpenClaw як gateway. Потрібні API ключі від провайдерів моделей.
• Немає one-click deploy. Є Docker Compose, Caddy, nginx конфіги і deployment guide, але це не Vercel.
• Тести покривають інфраструктуру, не бізнес-логіку. Graph health, schema validation, secret guard — все працює. Але тести на ваш конкретний workflow — писати вам.
• Hermes A2A (міжагентна комунікація) — ще не включено. Стабілізуємо протокол і додамо пізніше.

Як почати

# 1. Clone
git clone https://github.com/SZabolotnii/Ayona-OpenClaw-template.git
cd openclaw-workspace-template

# 2. Install
pip install -r requirements.txt
bash scripts/install_git_hooks.sh

# 3. Personalize
python3 setup_workspace.py    # або вручну: IDENTITY.md, SOUL.md, USER.md

Створіть першу картку знань у 02_distill/your_cluster/, запустіть python3 scripts/update_graph.py і відкрийте deploy/graph/index.html.

Детальний гайд: docs/DEPLOYMENT_GUIDE.md

Що далі

Шаблон — це знімок архітектури на квітень 2026. Далі:

• Hermes A2A — міжагентний протокол для комунікації між інстансами OpenClaw
• Extraction pipeline — автоматичне витягування задач і інсайтів з карток
• Embedding-based retrieval — повноцінний semantic search з E5 індексом
• Template sync — автоматичне підтягування архітектурних оновлень з основного репозиторію (механізм вже працює: scripts/sync_to_template.sh)

Якщо ви будуєте щось подібне — буду радий фідбеку. Issues і PR відкриті.

Серія про архітектуру Ayona/OpenClaw: Частина 2: Pipeline довіри, Частина 3: Коли одного агента замало. Всі статті безкоштовно: blog.szabolotnii.site

Serhii Zabolotnii — DSc, NLP/LLM Researcher, Professor, AI Systems Architect. Building Ayona — an AI-native research and operations system.

Це частина 5 серії про архітектуру Ayona/OpenClaw.