Einzelentwickler führt Unternehmen mit 4 KI-Agenten auf Geminis kostenloser Stufe

Architektur und Implementierung

Das System verwendet vier KI-Agenten, die auf OpenClaw (Open Source) basieren und auf WSL2 zu Hause mit 25 systemd-Timern laufen. Die Agenten übernehmen spezifische Aufgaben:

• Erstellen täglich 8 Social-Media-Beiträge über Plattformen hinweg mit Qualitätsprüfung (erzeugen → Selbstprüfung → neu schreiben bei Bewertung < 7/10)
• Interagieren mit Community-Beiträgen und antworten automatisch auf Kommentare (kontextbewusst, maximal 2 Runden)
• Recherche über RSS + HN-API + Jina Reader → speisen Erkenntnisse zurück in Inhalte
• UltraProbe (KI-Sicherheitsscanner) für Lead-Generierung ausführen
• 7 Endpunkte überwachen, veraltete Leads kennzeichnen, Kundendaten synchronisieren
• Blog-Artikel automatisch auf Discord posten bei Git-Push (0 LLM-Tokens – verwendet Commit-Nachricht direkt)

Token-Optimierungsstrategie

Der Entwickler verwendet einen spezifischen Ansatz, um den Token-Verbrauch zu minimieren: Agenten führen niemals lange Gespräche. Jede Anfrage folgt diesem Muster: (1) vorkalkulierte Intelligenzdateien lesen (lokales Markdown, 0 Tokens), (2) ein fokussierter Prompt mit eingefügtem Kontext, (3) eine Antwort → parsen → handeln → fertig. Die Recherche-Pipeline (RSS, HN, Web-Scraping) kostet 0 LLM-Tokens – es ist reiner HTTP + Jina Reader. Das LLM übernimmt nur kreative/analytische Arbeit.

Echte Zahlen und Infrastruktur

• 27 automatisierte Threads-Konten, 12K+ Follower, 3,3M+ Aufrufe
• 25 systemd-Timer, 62 Skripte, 19 Intelligenzdateien
• RPD-Nutzung: 7 % (105/1.500) – 93 % Spielraum verbleiben
• Monatliche Kosten: 0 $ LLM + ~5 $ Infrastruktur (Vercel Hobby + Firebase kostenlos)

Erkenntnisse aus Fehlern

Der Entwickler teilte spezifische aufgetretene Probleme mit:

• 127 $-Gemini-Rechnung in 7 Tagen: API-Schlüssel aus einem abrechnungsfähigen GCP-Projekt erstellt statt aus AI Studio. Dachten, Tokens (3,50 $/1M) ohne Ratenbegrenzung. Lektion: immer Schlüssel direkt aus AI Studio erstellen.
• Engagement-Schleifen-Fehler: iterierte ALLE Beiträge statt Top N. Verbrannte 800 RPD an einem Tag und verhungerte alles andere.
• Telegram-Health-Check rief getUpdates auf, kollidierte mit Long-Polling des Gateways. 18 doppelte Nachrichten in 3 Minuten.

Stack und Ressourcen

Stack: OpenClaw, Gemini 2.5 Flash (kostenlos), WSL2/systemd, React/TypeScript/Vite, Vercel, Firebase, Telegram Bot, Resend, Jina Reader. Die Website (https://ultralab.tw) ist vollständig zweisprachig (zh-TW/en) mit 21 Blogbeiträgen, wobei i18n, Blog-Publishing und Discord-Benachrichtigungen alle Teil der automatisierten Pipeline sind.

GitHub-Repository mit Playbook: https://github.com/UltraLabTW/free-tier-agent-fleet

Live-Agenten-Dashboard: https://ultralab.tw/agent