Devin AI vs Agent Zero 2026: $500/мес коммерческий vs open-source агент

Вы открываете обзор и хотите быстро понять: эти двое вообще про одно и то же? Полминуты на карту — и дальше уже по-настоящему интересно.

Категория ai-agents делится на пять подгрупп: исследовательские агенты, computer-use, кодирующие, workflow/no-code и open-source фреймворки. Devin живёт чисто в подгруппе «кодирующие агенты» — Cognition позиционирует его как «первого AI software engineer» с полноценной средой: Linux shell, VS Code-подобный редактор в браузере, git/GitHub, инструмент браузера для документации. Всё это — закрытая платформа, в которую вы заходите по подписке.

Agent Zero — это другая подгруппа: open-source фреймворк для сборки собственного агента. Архитектура — рекурсивный мульти-агент: главный агент при необходимости создаёт sub-агентов под подзадачи, каждый со своим контекстом и инструментами. В коробке — code execution в Docker, web-браузер с DuckDuckGo, файловый ввод-вывод, memory tools для долгосрочной памяти и sub-agent tool. По заявлению автора, агент умеет self-modification — переписывать собственные инструкции в памяти на основе прошлых выводов.

На карте видно главное: подгруппа у каждого своя, а пересечение — лишь функциональное. Devin тоже умеет писать код, и Agent Zero тоже умеет, но Devin делает это «из коробки готовый продукт с PR в GitHub», а Agent Zero — это набор кубиков, из которого вы собираете свой собственный «software engineer» поверх Claude или локальной Llama.

В дальнейшем сравнении мы намеренно сталкиваем их по общим осям категории — потому что пользователь, который ищет «ИИ-агента для своей задачи», смотрит именно так. Но если задача чисто кодинговая, у Devin есть равные противники, которых мы разбираем в отдельных обзорах. А если задача — это R&D-стенд для экспериментов с памятью и иерархией агентов, Agent Zero сравнивается с AutoGPT, CrewAI и Manus.

Вы поставили задачу в пятницу вечером и ушли пить чай. Через два часа возвращаетесь — что вы там увидите: чистый PR, замусоренный репозиторий или пустой экран с «жду уточнения»?

Devin построен как «нажми и забудь». В реалтайм-сессии пользователь видит экран агента — что он печатает в терминале, что открывает в браузере, какие файлы редактирует. По заявлению Cognition, агент может сам задавать уточняющие вопросы, если ТЗ расплывчатое, и поддерживает Pause/Resume — можно остановить, скорректировать курс, продолжить. На Slack-интеграции задача ставится одним сообщением, дальше Devin работает самостоятельно. Это близко к «autopilot» с лёгким human-in-the-loop через уточнения и финальный код-ревью PR.

Agent Zero выбирает противоположную крайность — максимальная прозрачность. Каждый шаг, каждая «мысль» агента, каждый вызов инструмента виден в логах Flask-веб-интерфейса. По описанию архитектуры, главный агент при необходимости порождает sub-агентов, и вся цепочка вызовов раскрыта — можно прервать, отредактировать system prompt, поправить память и перезапустить. Это «manual transmission»: больше работы, но и больше понимания, что именно происходит.

На спектре видно две стратегии. Agent Zero ближе к левой части — «всё видно, всё прерываемо, ничего не скрыто». Devin — ближе к правой: задача ставится, агент уходит работать, человек подключается на этапе PR-ревью. Обе стратегии имеют право на жизнь — но они дают разный профиль ошибок.

В нашей редакции эта разница превратилась в практическое правило. Если задача коммерческая (баг в проде, фича к дедлайну) и мы хотим минимизировать человеко-часы — мы запускаем Devin и подключаемся, когда придёт уведомление о PR. Если задача исследовательская (новый pipeline, эксперимент с памятью агентов) — мы выбираем Agent Zero, потому что нам нужно видеть процесс, а не только результат.

В понедельник нужно закрыть три тикета: «починить flaky-тест», «добавить эндпоинт под фильтр по дате», «обновить README». Кто из двоих доведёт это до зелёного CI без вашей помощи?

Это профильная задача Devin — Cognition позиционирует его именно как software engineer. В досье у Devin зафиксированы: shell, code editor в браузере, браузер для документации, git/GitHub с созданием веток и PR, sandbox-окружение в виде изолированного контейнера. End-to-end сценарий, описанный компанией: «добавь аутентификацию через Google» — Devin сам пишет код, подключает библиотеки, запускает тесты, открывает PR. На SWE-bench Verified при первом анонсе в марте 2024 Devin показал 13.86% — на тот момент первый результат выше 10% на этом бенчмарке.

У Agent Zero coding-возможности заявлены как одна из функций общего инструментария. Code execution выполняется в Docker-контейнере, доступна вся среда Python и shell, через web-tool можно искать документацию. Но это «агент, который умеет писать код», а не «агент, специально оптимизированный под software engineering». В досье Agent Zero нет ни SWE-bench-результатов, ни заявленных бенчмарков по coding, ни готовых GitHub PR-сценариев — это open-source фреймворк, который вы дотачиваете под свою задачу сами.

Цифра 13.86% на SWE-bench Verified — главный объективный артефакт coding-возможностей Devin, но к ней есть две оговорки. Первая — это результат марта 2024, на момент первого анонса. SWE-bench Verified за следующий год переписывался конкурентами многократно, и многие модели (по упоминанию в досье Devin: Claude Code, GitHub Copilot Workspace, Cursor Composer) показывают в 2025-м сопоставимые или лучшие результаты. Вторая — для Devin 2.0 (анонс мая 2025) свежий SWE-bench-результат в досье не зафиксирован. Это data gap.

Картина по coding такая. Devin — узкоспециализированный инструмент с готовым стеком shell+editor+git+PR и продемонстрированным результатом на бенчмарке. Agent Zero — универсальный фреймворк, в котором coding это одна из веток применения, и качество кода будет ровно таким, какую LLM вы подключили (GPT-4o, Claude, Llama через Ollama).

Агент перешёл по ссылке — а там 404. Или запустил тест — а компилятор выдал ошибку. Что произойдёт через минуту: попытка по альтернативному пути или бесконечный цикл «попробую ещё раз»?

Self-correction — критический параметр для production-агентов. По досье Devin, способность к recovery встроена в основной workflow: агент читает stack trace, находит root cause, исправляет, запускает тест на регрессию. Это описано как часть bug-fixing сценария. Pause/Resume позволяет пользователю вручную перехватить ситуацию, если агент застрял. Slipping на сложных задачах — отдельно вынесено как слабость в досье Devin: реальные coding challenges за пределами стандартного CRUD «часто провал или неполное решение». То есть self-correction Devin сильна в типовых сценариях и слабее в нестандартных.

В досье Agent Zero self-correction описана через две механики. Первая — self-modification через memory: агент может сохранять в долгосрочную память выводы о собственном поведении и применять их в будущих сессиях. Не «дообучение весов», а memory-based correction. Вторая — рекурсивная мульти-агентность: главный агент может породить sub-агента, который пробует альтернативный путь к подзадаче. Но качество recovery сильно зависит от того, какую LLM вы подключили — досье прямо говорит, что скорость и качество «определяются моделью».

Принципиальная разница — где живёт «обучение на ошибках». У Devin это внутренний цикл «попытка → ошибка → анализ → новая попытка» внутри одной задачи. После завершения сессии этот опыт остаётся в сессионной памяти, но не уносится в новую задачу. У Agent Zero обучение может пересекать сессии — благодаря персистентной памяти агент в теории помнит, что в прошлый раз похожая задача решалась через путь X, а путь Y не сработал. На практике эта механика требует ручной настройки и не гарантирует магического роста качества.

Слабая сторона у обоих своя. У Devin — заявленное «slipping» на сложных задачах, у Agent Zero — зависимость от подключённой LLM. Это значит, что Agent Zero с подключённым Claude и Agent Zero с локальной Llama 3 — это два разных по качеству агента, и второй на сложной задаче не вытянет.

Большая фича: рефакторинг сервиса на 40 файлов или сбор данных по 200 источникам. Можно ли поставить агента и уйти на сутки — или вернуться через час и обнаружить, что он уже забыл, с чего начинал?

Devin построен под длинные задачи именно как ключевую функцию. По досье: типичный баг-фикс — 10–30 минут, крупная задача (новая фича в существующей кодовой базе) — 1–4 часа. Контекст задачи персистентный внутри одной сессии — Devin помнит всё, что делал. На тарифе Teams возможны параллельные сессии, и Slack-интеграция позволяет ставить задачи и получать апдейты по ходу. Это профильный сценарий: «утром поставил, вечером смотришь PR на ревью».

У Agent Zero долгосрочность сделана иначе — через персистентную память между сессиями. Vector store и текстовые файлы хранят факты, которые агент может извлечь в следующем запуске. Это полезно для исследовательских сценариев: «вчера агент изучил библиотеку X, сегодня применяет полученные знания к похожей библиотеке Y». Но это другой тип «долгосрочности» — не «5 часов непрерывной работы над одной задачей», а «накопление знаний между задачами». Внутри одной сессии Agent Zero ограничен контекстом подключённой LLM (например, 200K у Claude или 128K у GPT-4o).

Эта разница объясняет, почему две модели «долгосрочной работы» не взаимозаменяемы. Devin хорош, когда задача — это связный кусок работы на несколько часов, и нужно довести его до конца. Agent Zero хорош, когда задача — это процесс длиной в недели, в котором каждый день агент чему-то «учится» и применяет это в следующих запусках.

У обоих есть ограничения. У Devin типичные часовые задачи описаны в досье, но реальный потолок длины сессии не зафиксирован публично — это data gap. У Agent Zero персистентная память работает «лучше с тем, что вы сами в неё положите»: автоматическое накопление осмысленного контекста требует ручной настройки memory tools и prompt engineering.

Вы пишете ТЗ агенту на русском: «добавь обработчик ошибок в файле сервиса заказов». Поймёт ли он задачу с русскими комментариями в коде, и не превратятся ли русские строки в коде в кракозябры?

У Devin интерфейс на английском, и работа с кодом, содержащим русские комментарии или русские строки, «возможна, но не протестирована официально» — это прямая формулировка из досье. Под капотом у Devin собственная модель Cognition, оптимизированная под agentic coding (по заявлению компании), а не под мультиязычность. ТЗ на русском теоретически проходит, но качество в досье как отдельный сценарий не зафиксировано, поэтому ставим консервативную оценку.

У Agent Zero ситуация прямо противоположная: качество русского определяется не агентом, а подключённой LLM. Если вы подключили Claude через Anthropic API или GPT-4o через OpenAI API, русский язык будет такого же уровня, как у этих моделей в отдельных задачах — то есть свободного для понимания и генерации технических текстов. Досье Agent Zero прямо отмечает: «через Claude/GPT-4o — хорошее качество на русском».

Это редкий случай, когда open-source подход даёт реальное преимущество над flagship-продуктом. Agent Zero фактически наследует язык от лучшей доступной LLM, и пользователь сам управляет этим выбором. У Devin вы получаете то, что компания зашила в модель, и не можете подменить «движок» под русский язык.

Для русскоязычной команды это означает, что Devin полезен в основном там, где код и комментарии остаются на английском (что, к слову, типично для распределённых команд), а Agent Zero может одинаково хорошо работать с русским и английским ТЗ — без головной боли об интерфейсе.

Бюджет на инструменты — $6 000 в год на разработчика. Сразу понятно: один сервис в этот бюджет не помещается даже частично, второй — помещается полностью с большим запасом.

Тарифная сетка Devin (по досье на 2025-08): Starter $500/мес, Teams от $500/мес за несколько seats, Enterprise — custom с on-prem-опцией, SSO, audit logs и SLA. Ценовая единица — ACU (Agentic Compute Unit), реальное время работы агента в compute-единицах. Типичная задача — несколько ACUs, сложная — десятки. Точное число ACU за $500 в досье не зафиксировано (data gap). Годовая стоимость Starter без переключения — $6 000 в год, и это нижняя планка.

У Agent Zero ровно один тариф — Free на основе open-source лицензии. Нужны Python 3.10+, Docker и API keys для подключаемой LLM. По альтернативному пути — локальные модели через Ollama (Llama 3, Mistral), и тогда расходы на LLM нулевые. Из этого реально складываются три бюджетных сценария: Agent Zero + локальная Llama 3 — $0/год на LLM, Agent Zero + Claude API — оплата по факту использования у Anthropic, Agent Zero + GPT-4o API — оплата по OpenAI прайсингу. Конкретные цифры Anthropic/OpenAI в досье Agent Zero не зафиксированы (data gap по контексту обзора), но порядок «pay-per-use в десятки долларов в месяц при средней нагрузке» — типичен для самостоятельной разработки и точно ниже $500/мес.

Разрыв $6 000 vs $0 не должен заслонять смысл. Это разные модели монетизации — Devin продаёт «готовый продукт с поддержкой», Agent Zero отдаёт «исходники, собирай сам». На горизонте года расходы у Devin понятные, но фиксированные. У Agent Zero на Ollama — нулевые при условии наличия своего GPU; на Claude/GPT-4o — переменные в зависимости от объёма задач, но с большим люфтом ниже $500/мес.

Хочется попробовать без обязательств. Можно ли запустить агента в эти выходные за $0 или нужно сразу класть карту на $500?

У Devin бесплатного tier нет — в досье прямо зафиксировано как слабая сторона: «Очень дорого. $500/мес — высокий порог входа». Нижняя точка входа — Starter $500/мес. Trial-режима в досье не упоминается как стандартного, и Slipping на сложных задачах тут вдвойне неприятен: вы платите $500 за инструмент, который на ваших нетривиальных задачах может «слипнуться» без явного предупреждения.

У Agent Zero весь продукт — это и есть «free навсегда». MIT-совместимая лицензия, исходники открыты, инструмент работает на вашем железе. Чтобы агент стал полезным, потребуются API keys для LLM (или Ollama, чтобы и за это не платить). По досье — порог входа: Python 3.10+, Docker, базовое понимание system prompt. Это техническая, а не финансовая планка.

Эта подтема плохо подходит под классическую калибровку. У Devin тут объективная пятёрка из десяти — отсутствие пробного режима в категории, где «vibe demo vs реальная работа» — известная проблема, это серьёзный минус для решения о покупке. У Agent Zero — десятка, потому что весь продукт бесплатный и без trial-ловушки.

Вам нужен агент, который в production будет вызываться из вашего же кода — по webhook от CI/CD или из Slack-бота. Кто из двух пускает себя в pipeline без бубна?

У Devin есть API, но статус его в досье — «есть для Enterprise; публичный API в ограниченном виде». То есть для команды на Starter — это в первую очередь UI-агент, для Enterprise — встраиваемый. Slack-интеграция фактически выполняет роль публичного «API»: ставить задачи можно текстом в канале и получать апдейты. Для классического REST-вызова из CI/CD пайплайна вам понадобится Enterprise-контракт.

У Agent Zero API в обычном смысле нет — это не SaaS. Но он сам встраивается куда угодно, потому что вы запускаете его в своём Docker и сами решаете, как вызывать. Доступны Flask web UI, ручной запуск из CLI, любые Python-импорты внутри проекта. По досье — Agent Zero работает с любым OpenAI-compatible API, что означает возможность подменять LLM-провайдера прозрачно. Webhook-поддержку под триггеры можно прикрутить руками — но именно прикрутить, а не получить из коробки.

Эта подтема — про разные модели интеграции. Devin предлагает «готовый эндпоинт за деньги», и это удобно, если ваш бюджет позволяет Enterprise-контракт. Agent Zero не предлагает эндпоинта, но и не ограничивает — внутри вашего Docker вы делаете с ним всё, что хотите, включая собственный REST-фасад.

Команда в Москве, дата начала проекта через неделю. Какой агент можно реально запустить без танцев с зарубежной картой и без блокировки IP?

У Devin прямой доступ без VPN — нет: американская компания с геоблокировками, плюс под капотом — компоненты, ограниченные для РФ. Оплата российскими картами — нет. Обходной путь, зафиксированный в досье: VPN плюс зарубежная карта или корпоративный контракт через EU/US юрлицо. Для команды без зарубежной структуры это означает либо посредника, либо отказ от инструмента. Точный статус геоблокировки на 2026-05 в досье помечен как data gap, но базовый паттерн понятен.

У Agent Zero другой профиль: прямой доступ без VPN — да, потому что это self-hosted и нет geo-restrictions. Оплата зависит от выбранного LLM. Если выбрана Ollama с локальной моделью — оплата в принципе не нужна, ноль рублей и никаких карт. Если подключён Claude или GPT-4o API — расходы перекладываются на оплату Anthropic или OpenAI, и российская карта тут проблема. Но это та же проблема, что у любого пользователя этих API, и она не вызвана самим Agent Zero.

Это та подтема, где Devin теряет больше всего. Не потому, что инструмент плохой, а потому что бизнес-модель «закрытый американский SaaS с подпиской» в РФ работает плохо по объективным причинам. Agent Zero выигрывает по доступности именно из-за противоположной модели — self-hosted open-source, который в РФ запускается ровно так же, как в Праге или Берлине.

Агент выполняет команду в shell. Вопрос: что произойдёт, если он по ошибке наберёт rm -rf не там, где надо? Затрётся ли ваш ноутбук, или это всё внутри песочницы?

У Devin sandbox-окружение — это базовая часть архитектуры. По досье: код выполняется в изолированном контейнере, не на серверах клиента и не на машине пользователя. Для Enterprise-тарифа доступна on-prem-опция, когда контейнер деплоится на инфраструктуре клиента. Уровень изоляции «контейнер у вендора» снимает с пользователя обязанность настраивать изоляцию самостоятельно — это один из аргументов в пользу платной подписки.

У Agent Zero sandbox реализуется через Docker — обязательный компонент стека. Код выполняется в Docker-контейнере, не на хост-системе, и это объявлено в архитектуре как сознательное проектное решение. По досье: «Docker sandbox: код выполняется в изолированном контейнере, не на хост-системе». Глубина изоляции зависит от того, как вы настроили Docker — стандартный режим без shared volumes даёт хороший базовый уровень, но это ваша зона ответственности, а не вендора.

Принципиальная развилка — кто отвечает за безопасность. У Devin вендор отвечает за изоляцию контейнера и за то, что агент не вырвется наружу. У Agent Zero вы сами отвечаете за Docker-конфигурацию: какие volumes примонтированы, какие порты открыты, какие сетевые правила настроены. Это даёт максимальный контроль и максимальную ответственность одновременно.

Юристы спросили: «А вы уверены, что в этот сервис можно загружать наш закрытый код?» Вы открываете рот — и понимаете, что у одного из двоих ответа на этот вопрос буквально нет.

У Devin compliance-история построена по классической enterprise-схеме. По досье: для Enterprise-контракта обещают SOC 2 Type 2 и enterprise-grade соглашения, on-prem-опция для деплоя на инфраструктуре клиента. Для Starter-пользователей действуют «стандартные условия». Точный сертификационный статус SOC 2 на дату dossier — data gap, требующий уточнения у Cognition.

У Agent Zero compliance-история выглядит иначе. Это не сертифицируемый продукт — это open-source код, который вы запускаете у себя. Соответственно SOC 2/GDPR — это про вашу собственную инфраструктуру, а не про сторонний сервис. Если вы используете Agent Zero с локальной моделью через Ollama, никакие данные не покидают периметр компании в принципе. Если подключаете Claude или GPT-4o — compliance вопрос смещается на Anthropic или OpenAI, и за ним обращаются к их собственным DPA.

Для регулируемых индустрий — финтех, медицина, государственный сектор — это критически важная развилка. Agent Zero на Ollama даёт уровень приватности, недостижимый для облачного Devin: модель работает на вашем железе, ни байта запроса не уходит наружу. Платой за это — собственная инфра для GPU и сам факт того, что compliance-сертификации у Agent Zero нет и быть не может.

Вы вложили в инструмент 50 человеко-часов на интеграцию. А что, если через год его не будет — компанию купят, цены поднимут, проект забросят? Какой здесь риск у каждого из двух?

У Devin за спиной Cognition AI — приватная компания с серией A на $21M (январь 2024, ведущий инвестор Founders Fund) и серией B на $175M (апрель 2024, оценка $2B, тот же лид-инвестор). По всем меркам венчурной индустрии это один из самых хорошо финансированных стартапов в сегменте AI agents. Краткосрочный риск закрытия — очень низкий. Среднесрочный — стандартный для венчурного pre-revenue стартапа: смена бизнес-модели, пересмотр цен, продажа большему игроку.

У Agent Zero — противоположная картина. Это индивидуальный open-source проект автора из Чехии, у которого нет венчурного финансирования. По досье — около 8K+ GitHub stars (точное число на 2025-08 в data gap) и YouTube-сообщество около 50–100K подписчиков (тоже приблизительно). Риск «один разработчик» зафиксирован в досье прямо: «Один разработчик. Риск заброса проекта». Контрарумент к этому: open-source код останется доступным даже после ухода автора — форкнуть и поддерживать может любая команда.

Парадокс этой пары — у обоих долгосрочный риск есть, но он принципиально разный. У Devin риск «цены вырастут, бизнес-модель изменится, продукт станет доступным только Enterprise». У Agent Zero — «автор устанет, проект перестанет получать обновления, но код останется». Для разных команд эти риски считаются по-разному.

Финальный вопрос, ради которого читают весь обзор: «у меня вот такая ситуация — кто из двоих?» Соберём матрицу профилей и адресных рекомендаций.

По досье Devin профиль идеального пользователя: технологическая компания, которой нужно масштабировать разработку на рутинных задачах (тесты, документация, мелкие баги, CRUD-фичи); команда, использующая GitHub и Slack. Не подходит: ограниченный бюджет (<$500/мес), нужна высокая надёжность на сложных задачах, нет чёткого ТЗ, работа в РФ без VPN.

По досье Agent Zero профиль идеального пользователя: технически грамотный разработчик или исследователь, хочет полный контроль, приватность, нулевые API-costs через Ollama. Экспериментатор в AI. Не подходит: нужен no-code, нужна production-grade надёжность, нет Docker-опыта.

Сводно: Devin покупают там, где есть бюджет, есть GitHub-workflow, есть Slack — и нужно «отдать рутину машине». Agent Zero ставят там, где есть инженер, есть Docker-навыки, есть требование к приватности или ограниченный бюджет, и нужно «получить агента, которым можно управлять до последнего винтика».