GateRook: Как я дал ИИ доступ к базам и логам, сохранив контроль над изменениями
GateRook is a setup for giving an AI agent access to databases and logs while keeping changes under control. The example task is changing the email of a test user with id = 1. For a developer that is one SQL line, but for an AI agent it requires several steps: finding the connection, choosing the environment and database, understanding the schema, building the query and running it. A mistake at any of those steps can be far more costly than a badly generated method.
Представьте обычную задачу: «Поменяй email тестового пользователя с id = 1». Для разработчика это одна строка SQL. Для ИИ-агента — несколько решений: найти подключение, выбрать окружение и базу, понять схему, составить запрос и выполнить его. Ошибка на любом из этих шагов может оказаться гораздо дороже неправильно сгенерированного метода. Мне хотелось пользоваться ИИ не только как редактором исходников. Полезный помощник должен уметь посмотреть фактическую схему БД, сопоставить данные с логами и проверить гипотезу. Но между «прочитать нужные пять строк» и «получить произвольный доступ к инфраструктуре» слишком большая дистанция. Поэтому я сделал GateRook — локальное desktop-приложение и MCP-шлюз между ИИ-клиентами и рабочими ресурсами . Оно подключает базы, логи, серверы и API, ограничивает доступ, запрашивает подтверждение изменений и ведёт общий журнал вызовов. Исходники открыты под Apache 2.0: GitHub проекта . Установщики и документация находятся на официальном сайте . Ниже — технический разбор того, какие проблемы GateRook решает и как это выглядит на конкретных запросах. Я автор проекта, поэтому интерес к нему у меня прямой. Вместо обещаний «безопасного ИИ вообще» покажу устройство границы доступа и её ограничения. Мне интересно