Warum KI-Kopfgeldjäger Geld verlieren: Daten aus 60 Ausgaben

✍️ OpenClawRadar📅 Veröffentlicht: 17. Mai 2026🔗 Source
Warum KI-Kopfgeldjäger Geld verlieren: Daten aus 60 Ausgaben
Ad

Ein Entwickler hat kürzlich versucht, einen viralen Tweet zu replizieren, bei dem ein KI-Agent 22 Stunden lang unbeaufsichtigt lief, einen Bounty fand, einen PR erstellte und 16,88 $ erhielt. Das Experiment: Claude als Agent auf Algora (einer Open-Source-Bounty-Plattform) mit einem harten Token-Budget von 20 $ und menschlicher Überprüfung. Das Ergebnis nach dem Scannen von über 80 Issues: 0 $ verdient und ein schonungsloser Blick darauf, warum der Bounty-Markt durch Agenten kaputt ist.

Der Autor baute scout.py (ein paar hundert Zeilen), um offene Algora-gekennzeichnete Issues via gh search issues --label "💎 Bounty" aufzulisten, Junk herauszufiltern und Dollar-Beträge, /attempt-Kommentare, Bearbeiter, offene PRs und Veralterung zu verfolgen. Jedes einzelne der 80 frischen, nicht-Junk-Bounty-Issues fiel in einen von drei Eimern:

Eimer 1: 1 $-Sandbox-Spam

Ein Repository namens UnsafeLabs/Bounty-Hunters postete ~30 Issues an einem einzigen Tag, alle für 1 $. Die Fix-Beträge liegen unter den Token-Kosten für den Versuch. Automatisch übersprungen.

Eimer 2: Bereits gesättigt

Jeder legitime Bounty von 50 $ bis 1.000 $ hatte zwischen 8 und 158 Versuche innerhalb von Stunden nach dem Posten und 8 bis 10 offene PRs, die bereits in Bearbeitung waren. Beispieldaten aus dem Live-Pool:

Repo                 $   /attempts  Offene PRs
tscircuit/dsn-converter#54      $170  158        10+
tscircuit/schematic-trace-solver#29  $100  52         10+
tscircuit/jlcsearch#92          $75   38         10+
rohitdash08/FinMind#121        $500  37         9
rohitdash08/FinMind#132        $200  26         8
arakoodev/EdgeChains#290       $50   20         10+
archestra-ai/archestra#4468    $25   9          3

Wie der Autor es ausdrückte: "Du wartest nicht auf Nachfrage. Du bist der elfte PR in einer Warteschlange, die der Betreuer seit einer Woche ignoriert."

Ad

Eimer 3: Zugewiesen, unberührt, gesperrt

Einige Bounties hatten einen Betreuer, der einen bestimmten Jäger zuwies, der dann tagelang still war, während Konkurrenten sahen, wie ihre PRs ohne Merge geschlossen wurden, weil sie sich eingemischt hatten. Siehe archestra-ai/archestra#4461 für ein sauberes Beispiel: 50 $-Bounty, zwei konkurrierende PRs, beide innerhalb von 24 Stunden geschlossen, offizieller Bearbeiter drei Tage lang still.

Warum der Markt kaputt ist

Dasselbe, was den ursprünglichen Tweet zum Funktionieren brachte – Agenten, die schnell genug sind, um einen Bounty innerhalb von Minuten nach dem Posten zu beanspruchen – hat den Markt gesättigt. Betreuer können nicht 10+ PRs pro Issue überprüfen. Sie wählen einen aus und lehnen den Rest ab. Der erwartete Wert, der elfte PR zu sein, liegt ungefähr bei 0 $.

Der einzige realistische Bounty, den der Autor fand, war archestra-ai/archestra#3859, ein TypeScript-Problem für 100 $, aber es trug ein Label "Reserviert für SE-Interview", hatte bereits zwei PRs eingereicht und ein Betreuer hatte kürzlich einen Benutzer gebannt, weil er versucht hatte, den Bounty eines anderen zu stehlen. Übersprungen.

Die Erkenntnis: KI-Bounty-Jagd klingt verlockend, aber die Daten zeigen, dass der Markt überflutet ist. Ihr Token-Budget ist woanders besser aufgehoben.

📖 Vollständige Quelle lesen: HN AI Agents

Ad

👀 Siehe auch

agentcache: Python-Bibliothek für Multi-Agent-LLM-Präfix-Caching
Werkzeuge

agentcache: Python-Bibliothek für Multi-Agent-LLM-Präfix-Caching

agentcache ist eine Python-Bibliothek, die es Multi-Agenten-LLM-Frameworks ermöglicht, zwischengespeicherte Prompt-Präfixe zu teilen. In Tests mit GPT-4o-mini wurden dadurch Cache-Trefferquoten von bis zu 76 % erreicht und die Inferenzzeit mehr als halbiert.

OpenClawRadar
Wolfram Tech jetzt als Basistool für LLM-Systeme verfügbar
Werkzeuge

Wolfram Tech jetzt als Basistool für LLM-Systeme verfügbar

Stephen Wolfram kündigt an, dass die Wolfram Language nun als Basistool für LLM-Systeme verfügbar ist und tiefgreifende Berechnungen sowie präzises Wissen zur Ergänzung der LLM-Fähigkeiten bereitstellt. Die Ankündigung folgt auf drei Jahre Entwicklung seit der Veröffentlichung des ersten Wolfram-Plugins für ChatGPT im März 2023.

OpenClawRadar
Open-Source-CLAUDE.md hält Claude-Code-Agenten stundenlang produktiv, ohne Endlosschleifen
Werkzeuge

Open-Source-CLAUDE.md hält Claude-Code-Agenten stundenlang produktiv, ohne Endlosschleifen

Eine einzelne 70-zeitige CLAUDE.md-Datei verhindert, dass Claude Code Agents in Erzählungen abdriften und sich in Reparaturen verfangen. Sitzungen gehen von 3-stündigen Fehlschlägen zu vollständig produktiven Lebenszyklen über.

OpenClawRadar
RTX 5060 Ti 16GB Lokale LLM-Benchmarks: 30B-Modelle liegen beim Programmieren immer noch vorn
Werkzeuge

RTX 5060 Ti 16GB Lokale LLM-Benchmarks: 30B-Modelle liegen beim Programmieren immer noch vorn

Benchmarks auf einer RTX 5060 Ti 16GB zeigen, dass Unsloth Qwen3-Coder-30B UD-Q3_K_XL unter Ubuntu 76,3 Tok/s bei einer Qualitätsbewertung von 8,14 erreicht, was es zum empfohlenen Standard-Codemodell macht. Das Unsloth Qwen3.5-35B UD-Q2_K_XL erreicht 80,1 Tok/s, jedoch mit niedrigeren Qualitätsbewertungen.

OpenClawRadar