Шаблоны сбоев OpenClaw: 42 реальных инцидента за 28 дней

Что это такое

Подробное практическое руководство от разработчика, который ежедневно использовал OpenClaw в течение 28 дней, документируя 42 реальных инцидента, когда система агентов ИИ давала сбой. Источник классифицирует сбои по восьми категориям с конкретными примерами и извлечёнными уроками.

Ключевые категории сбоев и примеры

1. ИИ уверенно сообщает о том, чего не происходило

• Галлюцинация в утреннем отчёте: Cron-задание сообщило о "спокойной ночи", хотя за ночь была проделана значительная работа. ИИ ничего не проверил, а просто выдумал правдоподобную информацию.
• Поиск в памяти против реальности: Когда его попросили перечислить доступные инструменты, ИИ искал в своих заметках ОБ инструментах вместо проверки фактических определений инструментов, сообщая о несуществующих возможностях и игнорируя реальные.
• Неисправление "Я буду внимательнее": После совершения ошибок ИИ отвечал обещаниями "Я буду внимательнее" без какого-либо фактического механизма. Те же ошибки повторялись.

Урок: Любая система ИИ, которая отчитывается, суммирует или отслеживает, нуждается в явных шагах проверки. "Проверьте данные" — это не то же самое, что "выполните этот конкретный запрос и сообщите результат". Расплывчатые инструкции порождают уверенную выдумку.

2. Аутентификация постоянно умирает

• Ловушка Google OAuth на 7 дней: Приложение OAuth, оставленное в режиме "тестирования", приводило к истечению срока действия токенов каждые 7 дней. Доступ к почте и календарю отказывал многократно в течение 14 дней, пока не был применён 15-минутный фикс (публикация приложения в продакшн).
• Google заблокировал аккаунт ИИ: Аккаунт Google, созданный для бота, был помечен как созданный ботом и заблокирован, что привело к 24 часам полного отсутствия доступа к почте.
• Куки LinkedIn агрессивно ротируются: Куки li_at истекал как минимум 3 раза в первую неделю, убивая всю автоматизацию LinkedIn до ручного обновления браузера.
• Несоответствие имени переменной окружения Twitter: Инструмент ожидал AUTH_TOKEN, но система хранила TWITTER_AUTH_TOKEN, что приводило к тихому сбою без сообщений об ошибках.
• Резервная модель Kimi просто умерла: API сторонней модели возвращал 401 без предупреждения, оставляя систему работающей без какого-либо резервного варианта в течение нескольких дней.

Урок: Каждая интеграция ИИ, которая взаимодействует со внешними сервисами, будет регулярно ломаться из-за сбоев аутентификации. Заложите это в бюджет, отслеживайте, имейте резервные варианты.

3. Самая умная модель совершает самые глупые ошибки

• Opus добавляет свойства к файлам: Использование Opus 4.6 для простых cron-заданий заставляло его "творчески" добавлять нежелательные метаданные в файлы, создавая сиротские страницы в базе знаний.
• Контент ИИ звучит как ИИ: Полный конвейер контента (скрапинг 743 постов, анализ шаблонов, генерация черновиков) производил посты, которые читались так, как будто их написал ИИ. Посты по фреймворкам получили 0 лайков, в то время как личные посты, написанные вручную, получили 6 лайков и 2 комментария за 2 часа.
• Длинные переработки были ужасны: Два черновика статьи, сгенерированных ИИ, оказались обобщёнными резюме. Разработчику пришлось отложить статью.

Урок: Более дорогие модели не всегда лучше. Используйте самую дешёвую модель, которая справляется с задачей. Никогда не позволяйте ИИ быть финальным голосом для чего-либо, что должно звучать по-человечески.

4. Автоматизация, которая экономит время, отнимает время

• 23 итерации для одной инфографики: HTML/CSS в Chrome headless в PNG заняли целый день для одного визуального ресурса. "ИИ может генерировать изображения, но между генерацией и генерацией того, что вам на самом деле нужно, лежат 22 правки."
• 4 часа очистки на 1 час "экономии": В источнике отмечается эта закономерность, но полный пример не приводится.

Дополнительные упомянутые категории сбоев

В источнике упоминается восемь категорий в общей сложности, но в предоставленном тексте подробно описаны только четыре. Оставшиеся категории упоминаются, но не раскрываются.

Для кого это

Разработчики, создающие или использующие системы агентов ИИ, которые хотят понять реальные паттерны сбоев и практические стратегии их смягчения.