Desenvolvedor Solo Gerencia Empresa com 4 Agentes de IA no Plano Gratuito do Gemini
Arquitetura e Implementação
O sistema utiliza quatro agentes de IA construídos em OpenClaw (código aberto), executando no WSL2 em casa com 25 temporizadores systemd. Os agentes lidam com tarefas específicas:
- Gerar 8 posts diários em redes sociais em várias plataformas com controle de qualidade (gerar → autoavaliação → reescrever se pontuação < 7/10)
- Interagir com posts da comunidade e responder automaticamente a comentários (consciente do contexto, máximo 2 rodadas)
- Pesquisar via RSS + API HN + Jina Reader → alimentar inteligência de volta no conteúdo
- Executar UltraProbe (scanner de segurança com IA) para geração de leads
- Monitorar 7 endpoints, sinalizar leads estagnados, sincronizar dados de clientes
- Postar automaticamente artigos de blog no Discord ao fazer push no git (0 tokens LLM — usa a mensagem de commit diretamente)
Estratégia de Otimização de Tokens
O desenvolvedor usa uma abordagem específica para minimizar o uso de tokens: os agentes nunca têm conversas longas. Cada solicitação segue este padrão: (1) ler arquivos de inteligência pré-computados (markdown local, 0 tokens), (2) um prompt focado com todo o contexto injetado, (3) uma resposta → analisar → agir → concluído. O pipeline de pesquisa (RSS, HN, web scraping) custa 0 tokens LLM — é puro HTTP + Jina Reader. O LLM só lida com trabalho criativo/analítico.
Números Reais e Infraestrutura
- 27 contas automatizadas no Threads, 12K+ seguidores, 3.3M+ visualizações
- 25 temporizadores systemd, 62 scripts, 19 arquivos de inteligência
- Utilização RPD: 7% (105/1.500) — 93% de margem restante
- Custo mensal: US$ 0 LLM + ~US$ 5 infra (Vercel hobby + Firebase gratuito)
Lições Aprendidas com Falhas
O desenvolvedor compartilhou problemas específicos encontrados:
- Conta de US$ 127 do Gemini em 7 dias: Criou uma chave de API de um projeto GCP com faturamento habilitado em vez do AI Studio. Pensando em tokens (US$ 3,50/1M) sem limite de taxa. Lição: sempre crie chaves diretamente do AI Studio.
- Bug no loop de engajamento: iterou TODOS os posts em vez dos N principais. Queimou 800 RPD em um dia e privou todo o resto.
- Verificação de saúde do Telegram chamou getUpdates, conflitando com a long-polling do gateway. 18 mensagens duplicadas em 3 minutos.
Stack e Recursos
Stack: OpenClaw, Gemini 2.5 Flash (gratuito), WSL2/systemd, React/TypeScript/Vite, Vercel, Firebase, Telegram Bot, Resend, Jina Reader. O site (https://ultralab.tw) é totalmente bilíngue (zh-TW/en) com 21 posts de blog, com i18n, publicação de blog e notificações do Discord todos parte do pipeline automatizado.
Repositório GitHub com playbook: https://github.com/UltraLabTW/free-tier-agent-fleet
Painel de agentes ao vivo: https://ultralab.tw/agent
📖 Leia a fonte completa: Ferramentas LLM do HN
👀 See Also
Usando o Gateway MCP da Lava com Claude Code para Fluxo de Trabalho de Conteúdo de Baixo Custo
Um usuário conectou o gateway MCP da Lava ao Claude Code e acessou ferramentas de pesquisa como Exa, Serper e Tavily sem contas ou chaves de API, criando um fluxo de trabalho para conteúdo de mídia social por US$ 0,03.
Agente de IA de autodesenvolvimento estagnou devido à inchação de processos, corrigido cortando 60% da configuração
Um agente de IA autodesenvolvedor de um programador atingiu um platô de desempenho conforme o inchaço de processos se acumulou, com o pipeline de escrita crescendo para 10 etapas e a pesquisa noturna gastando mais contexto carregando instruções do que lendo artigos. A solução envolveu cortar cerca de 60% da configuração raiz, reduzir o pipeline de escrita de 10 para 5 etapas e reestruturar o ciclo de sonho.
Explorando os Benefícios e Desvantagens: LLM na Nuvem vs. Agentes de IA Locais
O debate entre modelos de IA baseados em nuvem e processamento local de IA continua a despertar interesse, com cada um oferecendo vantagens e desafios distintos. Mergulhe em nossa análise para entender os principais pontos.
Fadiga de Codificação Agentiva: Por Que Mais Agentes Não o Salvarão
O post no blog de Sid argumenta que a codificação agentiva comprime o fluxo natural do desenvolvimento, forçando os desenvolvedores a um ciclo constante de fadiga de decisão e esgotamento. A solução não são mais agentes — é uma verificação melhor, mas construir isso é um beco sem saída.