Аналоги Claude Code в России: OpenCode, Qwen Code, GigaCode и запуск на своём сервере

Claude Code от Anthropic и Codex от OpenAI — коммерческие зарубежные ассистенты для написания кода. В российской компании их использование упирается в санкции, требования к хранению данных и внутренние политики информационной безопасности. Поэтому всё чаще смотрят на альтернативы: открытые OpenCode и Qwen Code, которые можно запустить на своём железе, коммерческий GigaCode от Сбера и Codex CLI — клиент OpenAI, у которого модель работает в облаке.

Ниже — правовые и корпоративные риски Claude Code и Codex, сравнение аналогов по лицензии, локальному развёртыванию, API и цене, а затем пошаговая инструкция: как запустить собственного ИИ-агента для кода на базе OpenCode с локальной моделью через Ollama или vLLM.

Короткий ответ

Если исходный код нельзя отправлять за рубеж, начните с OpenCode или Qwen Code: оба распространяются под открытой лицензией и работают с локальной моделью через Ollama или vLLM. GigaCode от Сбера — коммерческий вариант, встроенный в российскую экосистему, но без самостоятельного развёртывания. Прямого федерального запрета на Claude Code и Codex нет, однако из-за санкций, локализации данных и ИБ-политик применять их в компании можно только после тщательной проверки и с внутренним разрешением.

Claude Code и Codex в России: можно ли использовать их в компании

Claude Code (Anthropic) и OpenAI Codex — коммерческие зарубежные продукты, и их использование в российской компании сопряжено с вопросами безопасности и законодательства. С одной стороны, пока нет прямого федерального запрета на использование иностранных ИИ-моделей в бизнесе. С другой — по ряду причин большие риски остаются открытыми.

• Экспортный контроль и санкции. Продвинутые ИИ-модели относятся к «чувствительным технологиям». США ужесточили экспортный контроль и ограничили гражданским лицам доступ к самым мощным моделям — например, Mythos 5 и Fable 5 у Anthropic. Хотя к середине 2026 года многие ограничения сняты, в общем случае доступ к новейшим моделям Anthropic и OpenAI может требовать одобрения по экспортным правилам. Reuters отмечает, что продвинутые модели могут быть недоступны в «неугодных» странах из-за опасений военных злоупотреблений. Формально российское законодательство об экспортном контроле (Федеральный закон № 183-ФЗ «Об экспортном контроле», Таможенный кодекс ЕАЭС) не содержит специальных указаний по ИИ, но международные санкции и требования самих компаний (например, политика OpenAI) могут фактически закрывать доступ.
• Персональные данные и локализация. Российские компании, особенно с иностранным бизнесом или госзаказом, тщательно контролируют передачу данных. Claude Code и Codex работают через API в облаке Anthropic и OpenAI, то есть исходный код или внутренние данные могут уходить на серверы за рубежом. Это ставит под вопрос выполнение 152-ФЗ «О персональных данных» и закона 242-ФЗ о локализации данных: государственные структуры и компании ограничивают хранение персональных данных на иностранных серверах. Поэтому во многих организациях вводить кодовые запросы в Claude или Codex без тщательного анализа рисков запрещено, хотя единого правила на этот счёт нет. Как такие утечки случаются на практике — в разборе утечки данных через ChatGPT и Shadow AI.
• Корпоративная политика. Многие ИТ-компании и банки ввели строгие правила использования внешних генеративных ИИ. GigaCode, например, подчёркивает ориентацию на требования безопасности и контроля при интеграции ИИ-агента в инфраструктуру. Службы безопасности часто запрещают публичные сервисы вроде ChatGPT и Codex из-за риска утечки исходного кода. Даже если прямого запрета нет, внедрение рекомендуется согласовать с юристами и службой ИБ: NDA, внутренние прокси и т. п.
• Лицензирование. У Claude Code и Codex нет локальных on-premise-версий: это сервисы, для которых нужно покупать подписку. OpenAI Codex CLI — лишь клиент, основная вычислительная мощность идёт через облако ChatGPT, поэтому лицензионно это услуга OpenAI. Если компания планирует долгосрочное использование, придётся учитывать коммерческие условия OpenAI и Anthropic: цены, поддержку, изменения политики. Условия использования содержат требования о соблюдении экспортных законов, включая санкции, и прав на интеллектуальную собственность. Если что-то неясно, изучите контрактные условия при конкретной закупке.

Итог. Прямых юридических запретов на использование Claude Code и Codex в России пока нет. Но из-за риска нарушить санкции, требования к локализации данных и корпоративные ИБ-политики применять их в российской компании можно только после тщательной проверки и, скорее всего, с обязательным внутренним разрешением — а на практике это часто означает отказ. В условиях неопределённости крупные предприятия обычно выбирают локальные альтернативы.

Сравнение аналогов: OpenCode, Qwen Code, GigaCode, Codex CLI

Ниже — ключевые характеристики популярных ИИ-агентов для написания кода. Особое внимание уделено условиям использования в России: лицензии, возможности локального развёртывания и соответствию требованиям безопасности.

Разработчик, модели и лицензия

Инструмент	Разработчик	Семейство моделей	Лицензия
OpenCode	anomaly (open-source)	Любые модели: OpenAI, Claude, локальные	MIT (открытая)
Qwen Code	QwenLM (Alibaba)	Qwen, разные варианты 3B–20B	Apache-2.0 (открытая)
GigaCode	Сбер (GitVerse)	GLM, Kimi, DeepSeek, Qwen и др.	Проприетарная
Codex CLI	OpenAI	Семейство GPT/Codex: Codex, GPT-4	Apache-2.0 (открытая)

Локальный запуск, API и цена

Инструмент	On-premise	API и облачный доступ	Цена
OpenCode	Да, можно полностью локально	Мульти­провайдерный CLI	CLI бесплатен; модель — бесплатная из списка или платный API
Qwen Code	Да, через Ollama, vLLM и др.	Да, поддерживает Cloud API Qwen и др.	CLI бесплатен; модели Qwen для локального запуска бесплатны, коммерческие API — платно
GigaCode	Нет, работает на своей инфраструктуре	Необщедоступно, интеграция через сервер GigaCode	Платно, лицензия от Сбера или партнёров
Codex CLI	Нет: CLI локальный, сама модель — в облаке	Да, через ChatGPT API или Codex API	CLI бесплатен, но нужна платная подписка OpenAI (Business или Enterprise — для высших квот)

Ключевые выводы

• OpenCode — самый гибкий и приватный вариант: открытая лицензия MIT, локальное выполнение, нет зависимости от внешних сервисов. Модель выбираете вы — например, запускаете Llama или Qwen локально через Ollama или vLLM. У проекта активное сообщество, он быстро обновляется и доступен бесплатно. Минус — производительность и возможности сильно зависят от железа и модели.
• Qwen Code — тоже open-source (Apache-2.0), ориентирован на модели QwenLM и хорошо интегрируется с локальными провайдерами через Ollama и vLLM. Рассчитан прежде всего на китайский стек моделей и позволяет легко заменить OpenAI или Claude на модели Qwen. Плюсы — открытый код и локальное исполнение; минус — ключевые модели могут быть крупнее (MoE) и требуют мощного GPU.
• GigaCode — коммерческое решение Сбера, встроенное в российскую экосистему: требования безопасности, данные в РФ. Есть IDE-плагин, CLI и десктопное приложение, поддерживается множество открытых моделей. Главное ограничение — закрытая система с лицензированием и привязка к инфраструктуре: самостоятельного развёртывания нет. Подойдёт крупным компаниям, готовым к корпоративному SaaS.
• Codex CLI — официальная утилита OpenAI: удобный локальный интерфейс с открытым кодом, но все вычисления идут через облако (ChatGPT). Плюс — доступ к GPT-4 и Codex «из коробки». Минусы — зависимость от интернета, платная подписка и вопросы приватности. Подходит, если компания уже покупает корпоративную подписку OpenAI и готова рисковать данными.

Тенденции для российского бизнеса. Локальные и открытые решения (OpenCode, Qwen Code) дают контроль и не попадают под санкционные риски. Коммерческие (GigaCode) легитимны в корпоративной среде, но требуют бюджета. Зарубежные (Claude Code, Codex) потенциально эффективны, но их использование предполагает обход ограничений, а это создаёт риски.

Как запустить агента на своей модели: OpenCode + Ollama или vLLM

Ниже — пошаговая инструкция по развёртыванию собственного ИИ-агента для кода на базе OpenCode с локальным LLM-сервером: Ollama или vLLM. В ней описаны необходимые ресурсы, конфигурация, примерные команды, меры безопасности и отладка. Пример приведён для Linux (Ubuntu, Red Hat); команды для macOS и Windows аналогичны. Чем Ollama отличается от vLLM и что выбрать под нагрузку, подробно разобрано в статье Ollama vs vLLM.

Шаг 1. Подготовка и установка компонентов

• Системные требования. Для локальной LLM нужно мощное железо. Для небольших моделей (примерно до 4–8B) достаточно GPU с видеопамятью от 10–16 ГБ, для крупных (30–70B) — нескольких GPU или серверов с HBM. Многие модели запускаются и на CPU, но медленно — это вариант для тестов, лучше GPU. Учтите, что модели Qwen и Llama могут потребовать десятки гигабайт ОЗУ; если памяти не хватает, примените квантование или возьмите модель поменьше.
• Docker или виртуальная машина (опционально). LLM-сервер можно изолировать в контейнере. Установите Docker по инструкции на docs.docker.com. Если Docker не используете, ставьте ПО напрямую.

Установка Ollama (если выбран Ollama). Ollama — инструмент для запуска моделей под Windows, macOS и Linux. Скачивание:

curl -fsSL https://ollama.com/install.sh | sh

Или скачайте бинарный файл с официального сайта и поместите его в PATH. Проверка: команда ollama --version должна вывести версию.

Альтернатива — запустить Docker-образ:

docker pull ollama/ollama
docker run --rm -p 11434:11434 ollama/ollama serve

Это запустит сервер Ollama на порту 11434.

Установка OpenCode. OpenCode CLI ставится официальным скриптом или через пакетные менеджеры:

curl -fsSL https://opencode.ai/v2/install | bash

Для macOS и Linux есть варианты brew install anomalyco/tap/opencode-v2 или npm i -g @opencode/cli. После установки станет доступна команда opencode.

Установка vLLM (если выбран vLLM):

# Установим vLLM в Python 3.10+ окружении
python3 -m pip install vllm

Для надёжности рекомендуется использовать uv, но pip тоже сработает. Убедитесь, что есть доступ к GPU (CUDA или ROCm), иначе vLLM придётся настраивать для CPU, а это заметно медленнее.

Шаг 2. Запуск и настройка локальной LLM

Вариант А: Ollama. Сначала загрузите модель. В Ollama есть встроенные модели — Gemma, Kimi, GLM, MiniMax и другие. Для начала загрузите нужную:

# Например, модель Gemma 4 (желательно свежая универсальная модель):
ollama pull gemma4

Для моделей Qwen:

ollama pull qwen2:1.5b

Список доступных моделей покажет ollama list после установки; ещё его можно посмотреть в библиотеке на docs.ollama.com/library. Модели с суффиксом -cloud можно запускать через Ollama Cloud, но для локального запуска лучше брать варианты без этого суффикса.

Запуск сервера Ollama:

ollama serve

По умолчанию сервер запустится на http://localhost:11434. Если Ollama ставили скриптом на Linux или запустили в Docker, сервер уже работает и отдельно запускать его не нужно. Адрес и порт задаются переменной окружения OLLAMA_HOST — флага --port у ollama serve нет. Например, чтобы сервер был доступен с других машин в сети:

OLLAMA_HOST=0.0.0.0:11434 ollama serve

Адрес 0.0.0.0 открывает сервер для всей сети, поэтому держите его за межсетевым экраном (см. шаг 5). Проверить работу — список загруженных моделей отдаёт /api/tags, OpenAI-совместимый вариант — /v1/models:

curl http://localhost:11434/api/tags

или

ollama ls

Команда должна показать загруженную модель, например gemma4 или qwen3-coder.

Аппаратные ресурсы. Ollama сам распределяет нагрузку между GPU и CPU. Крупным моделям нужно достаточно памяти: например, Gemma 4 7B требует около 8–16 ГБ видеопамяти. Если ресурсов мало, Ollama может брать модели из «облака»; есть и режим CPU, но он медленнее.

Вариант Б: vLLM. vLLM работает с моделями Hugging Face и сам подтягивает их оттуда — например, Llama 2 Chat (7B) или Qwen2.5:

# Скачать и запустить сервер с Llama 2 7B Chat
vllm serve meta-llama/Llama-2-7b-chat-hf

Репозиторий Llama 2 на Hugging Face закрыт лицензионным соглашением Meta: сначала примите условия на странице модели и передайте токен Hugging Face в переменной окружения HF_TOKEN. При первом запуске модель загрузится с Hugging Face, дальше она кэшируется в ~/.cache/huggingface. Адрес и порт задаются флагами --host и --port, по умолчанию — localhost:8000:

vllm serve meta-llama/Llama-2-7b-chat-hf --host 0.0.0.0 --port 8000

• Конфигурация безопасности. По умолчанию vLLM открывает интерфейс без API-ключа, поэтому лучше задать свой ключ: vllm serve meta-llama/Llama-2-7b-chat-hf --api-key=YOURKEY123. Тогда OpenCode должен будет отправлять этот ключ с каждым запросом.
• Настройки инференса. Если модель большая, уменьшите максимальную длину контекста флагом --max-model-len и число одновременно обрабатываемых запросов флагом --max-num-seqs — это помогает уместиться в доступную видеопамять.
• Проверка. Командами curl http://localhost:8000/v1/models и curl -X POST http://localhost:8000/v1/chat/completions можно убедиться, что API отвечает: формат тот же, что у OpenAI API.
• Аппаратные ресурсы. vLLM эффективно использует GPU и оптимизации для высокой пропускной способности. Для Llama-7B понадобится около 10–16 ГБ видеопамяти, для Llama-13B — от 20 ГБ; расчётные требования описаны в репозитории модели на Hugging Face.

Шаг 3. Настройка OpenCode для работы с локальной LLM

Создайте файл ~/.config/opencode/opencode.json (на Linux; на Windows — %APPDATA%\opencode\opencode.json) со следующим содержимым. Пример для Ollama:

{
  "$schema": "https://opencode.ai/config.json",
  "model": "ollama/qwen3-coder",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama",
      "options": {
        "baseURL": "http://localhost:11434/v1"
      },
      "models": {
        "gemma4": {
          "name": "Gemma 4"
        },
        "qwen3-coder": {
          "name": "Qwen3 Coder"
        }
      }
    }
  }
}

• Блок "provider": {"ollama": {...}} настраивает Ollama. Путь baseURL указывает на ваш локальный сервер, а "models" перечисляет загруженные модели — с теми же именами, что в командах ollama.
• Поле "model": "ollama/qwen3-coder" задаёт модель по умолчанию. Укажите ту, которую загрузили, например "ollama/gemma4" или "ollama/qwen2:1.5b".
• Ключ "npm": "@ai-sdk/openai-compatible" сообщает OpenCode, что интерфейс LLM совместим с OpenAI API, — его реализуют и Ollama, и vLLM.
• Идентификаторы моделей указывайте в формате provider/имя, как в JSON, — тогда между ними можно переключаться командами OpenCode: /models в TUI или /model в строке запроса.

Для vLLM конфигурация почти такая же, меняется только провайдер:

"provider": {
  "vllm": {
    "npm": "@ai-sdk/openai-compatible",
    "name": "vLLM",
    "options": {
      "baseURL": "http://localhost:8000/v1"
    },
    "models": {
      "meta-llama/Llama-2-7b-chat-hf": {
        "name": "Llama 2 7B Chat"
      }
    }
  }
},
"model": "vllm/meta-llama/Llama-2-7b-chat-hf"

Шаг 4. Запуск и проверка

• Старт OpenCode. Запустите opencode в терминале — откроется TUI-интерфейс. После загрузки нажмите Tab, чтобы выбрать режим (обычно build — для полноценного доступа).
• Выбор модели. Наберите /models, чтобы увидеть список моделей из конфига, и выберите нужную, например /model gemma4.
• Проверка. Напишите простой запрос, например /ask Как создать функцию на Python, которая вычисляет факториал? Агент направит запрос в локальную модель, получит ответ и выведет его.
• Ошибки. Если OpenCode не видит провайдера или модель, проверьте файл opencode.json и путь ~/.config/opencode. Убедитесь также, что Ollama или vLLM запущен и доступен на указанном порту.

Шаг 5. Безопасность и отладка

• Ограничение доступа. Запускайте локальный LLM-сервер в изолированной сети за межсетевым экраном и включайте аутентификацию (--api-key) — так вы предотвратите несанкционированный доступ. Как строится такой контур целиком, мы разбирали в статье ИИ в закрытом контуре.
• Изоляция среды. Удобно работать с Docker-контейнером: например, docker run -d --name ollama -p 11434:11434 ollama/ollama serve позволит в любой момент перезапустить или удалить контейнер. С vLLM — так же, если есть образ.
• Хранение данных. OpenCode хранит свои данные локально. Модели и логи не отправляются наружу, если не настроено обратное. Всегда проверяйте, нет ли в конфиге «чёрного ящика» — провайдера вроде openai с API-ключом, пока вы не готовы работать с облачным сервисом.
• Если модель тормозит. Когда модель не отвечает или работает крайне медленно, проверьте потребление памяти. Частая проблема — нехватка видеопамяти: модель выгружается на диск и начинается подкачка. Решения — взять модель поменьше (Llama 3, Qwen 3B вместо Qwen 30B), включить квантование INT8 или FP8 (его поддерживает vLLM) или добавить GPU. В дистрибутивах могут понадобиться дополнительные библиотеки: CUDA, NCCL, Intel oneAPI и др.
• Логи. OpenCode, Ollama и vLLM выводят ошибки в консоль и логи. При сбое смотрите консоль LLM-сервиса и проверьте, доходят ли запросы, — часто помогает прямой curl.
• Обновления. OpenCode, Ollama и vLLM регулярно обновляются. Держите их в актуальном состоянии: новые версии обычно исправляют критичные ошибки.

Как устроена связка

OpenCode работает на машине разработчика и обращается к локальному LLM-серверу — Ollama или vLLM, а тот передаёт запрос модели.

Последовательность такая:

1. Разработчик вводит запрос в OpenCode (CLI или TUI).
2. OpenCode отправляет HTTP-запрос в формате OpenAI API — POST /v1/chat/completions — на локальный сервер Ollama или vLLM.
3. Сервер передаёт запрос нейросетевой модели, которая работает на GPU или CPU в серверной части.
4. Модель генерирует ответ, и сервер возвращает его OpenCode в виде JSON.
5. Агент выдаёт разработчику код или объяснение.

Что в итоге

Для компании в России выбор агента для программирования сводится к тому, где будет работать модель. OpenCode и Qwen Code с моделью на своём сервере дают контроль и не попадают под санкционные риски. GigaCode закрывает задачу коммерческим продуктом в российской экосистеме, но требует бюджета. Claude Code и Codex без тщательной проверки рисков и внутреннего разрешения использовать не стоит.

Если модель для разработчиков нужно не просто запустить, а встроить в контур компании, начните с выбора между Ollama и vLLM. Как подключить ИИ к корпоративным системам, не отдавая данные наружу, — в разборе MCP-серверов для 1С; общий контекст — в статье что такое ИИ-агент.

Роботок разворачивает локальный ИИ в контуре заказчика — от подбора железа и модели до сопровождения. Обсудить задачу можно на странице внедрения ИИ on-premise.

Источники

• OpenCode — официальная документация: opencode.ai.
• Qwen Code — репозиторий: github.com/QwenLM/qwen-code.
• Codex CLI — репозиторий: github.com/openai/codex.
• Ollama — ollama.com.
• vLLM — github.com/vllm-project/vllm.
• Пресс-релизы и обзоры GigaCode от Сбера, материалы Reuters об экспортном контроле ИИ.