Как запустить GSD PI с локальной LLM: тестирование моделей и честный обзор

· 2 мин чтения
ai-agents ai-coding llm superpowers productivity
Как запустить GSD PI с локальной LLM: тестирование моделей и честный обзор

Джонни Грабер (Johnny Graber) продолжает серию экспериментов с локальными LLM для AI-разработки. Ранее он тестировал Claude Code с локальными моделями, а теперь взялся за GSD PI — полностью автономного coding-агента, наследника GSD из экосистемы Superpowers. Главный вопрос: можно ли заменить дорогие API-вызовы облачных моделей локальным запуском и получить сравнимый результат?

Установка и настройка

GSD PI переехал в новый репозиторий: open-gsd/gsd-pi. Установка одной командой:

npx @opengsd/gsd-pi@latest

Проверка версии: gsd --version. Автор тестировал на версии 1.2.

Для работы с локальными моделями используется LM Studio. На машине с GB10 модели загружаются с максимальным контекстным окном и повышенным параллелизмом:

lms load openai/gpt-oss-120b -c 134144 --parallel 16
lms load qwen/qwen3-coder-next -c 262144 --parallel 16

Конфигурация моделей задаётся в файле models.json, который размещается в ~/.gsd/agent/. Формат — стандартный OpenAI-совместимый:

{
  "providers": {
    "lm-studio": {
      "baseUrl": "http://192.168.1.94:1234/v1",
      "api": "openai-completions",
      "apiKey": "lm-studio",
      "compat": {
        "supportsDeveloperRole": false,
        "supportsReasoningEffort": false
      },
      "models": [
        {
          "id": "nvidia/nemotron-3-super",
          "name": "nvidia/nemotron-3-super",
          "contextWindow": 500000,
          "maxTokens": 500000
        },
        {
          "id": "qwen/qwen3.6-35b-a3b",
          "name": "qwen/qwen3.6-35b-a3b",
          "contextWindow": 262144,
          "maxTokens": 262144
        }
      ]
    }
  }
}

После запуска GSD PI команда /model открывает выбор модели из сконфигурированных.

Тестовое задание: Image Locator

Для проверки использовался клон сервиса Pic2Map — веб-приложение, которое читает GPS-данные из EXIF-метаданных загруженного изображения и показывает точку на карте.

Стек: Python + Flask + Leaflet.js + uv + pytest + Playwright.

Требования включали:

  • Drag-and-drop загрузку изображений
  • Нумерацию загруженных изображений и соответствие меткам на карте
  • Кэширование в браузере на время сессии
  • Извлечение адреса по координатам
  • Полное покрытие unit-тестами (pytest) и e2e-тестами (Playwright)

Базовый замер: Claude Sonnet через GSD2 справился за ~60 минут и один раунд правок.

Результаты тестирования моделей

OpenAI GPT OSS 120B

Модель уверенно стартовала: составила план, начала писать Flask-приложение. Но на середине задач начались ошибки вызова инструментов из-за нехватки контекстного окна. Исправить не удалось — тест пришлось прервать до получения работающего приложения.

Qwen3 Coder 30B

Вдвое больше контекста, чем у GPT OSS. Через 40 минут и 6 миллионов токенов работа завершена, но GPS-данные не извлекались — все точки попадали в Гвинейский залив (координаты 0/0). Ещё 30 минут и 7 миллионов токенов исправлений не изменили ситуацию. Вторая попытка — аналогичный провал.

Qwen3 Coder Next

Первая попытка: 25 минут и 10 миллионов токенов — приложение без работающей загрузки. GSD PI не смог исправить эту базовую проблему.

Вторая попытка: на этот раз модель послушалась требований и написала e2e-тесты на Playwright. Это помогло GSD PI самостоятельно обнаружить, что старый процесс всё ещё висит и отдаёт устаревшее приложение. Однако баги в самом GSD PI (бесконечные циклы проверки верификации слайса) сожрали час из общего времени в 2 часа 20 минут. Итог: ~45 миллионов токенов, приложение работает, но без нумерации изображений и миниатюр.

Qwen 3.6 35B

Лучший результат. Контекстное окно 262144 токенов. 15 минут планирования, час реализации, 4.7 миллиона токенов. Приложение делает всё, что требуется, включая отображение адреса по координатам. Единственная проблема — GSD PI напортачил с Git worktree, но Gemini исправил это за 10 минут.

75 минут против 60 у Claude Sonnet — достойный результат для локальной модели.

Экономика

Главный аргумент в пользу локального запуска — цена. Разработка того же приложения через API облачных моделей Claude стоила бы от $30 до $250. Локальная модель работает бесплатно после покупки железа. Даже с учётом более медленной работы, экономия существенна, особенно при частом использовании.

Проблемы GSD PI

Автор откровенно разочарован качеством GSD PI:

  • Баг с верификацией слайсов — бесконечные циклы перепроверок, которые на облачных моделях стоили бы сотни долларов.
  • Непредсказуемость — результаты радикально различаются от запуска к запуску, невозможно понять, что считать «нормальным» поведением.
  • Чёрный ящик — технические решения агента настолько сложны, что исправить проблемы вне агента практически невозможно.
  • Необходимость постоянного внимания — агент требует надзора, чтобы не уйти в сторону.

As much as I liked GSD 1, GSD PI is a completely different creature. In its current form it is too unpredictable for me.

Выводы

GSD PI способен работать с локальными моделями — это хорошая новость на фоне растущих цен на API. Лучшая модель для этой задачи — Qwen 3.6 35B: достаточный контекст, приемлемая скорость, адекватное качество кода.

Но сам GSD PI пока слишком сырой. Баги, непредсказуемость и непрозрачность делают его рискованным инструментом для серьёзной работы. Тем не менее, направление перспективное: автономные coding-агенты на локальных LLM уже работают, пусть и не без проблем.

Источник: https://improveandrepeat.com/2026/06/how-to-run-gsd-pi-with-a-local-llm/

Похожие материалы