Por que os Caçadores de Recompensas de IA Estão Perdendo Dinheiro: Dados de 60 Edições

Um desenvolvedor tentou recentemente replicar um tweet viral onde um agente de IA operou sem supervisão por 22 horas, encontrou uma recompensa, submeteu um PR e recebeu $16,88. O experimento: usar o Claude como agente no Algora (uma plataforma de recompensas de código aberto) com um orçamento rígido de $20 em tokens e revisão humana no ciclo. O resultado após escanear mais de 60 issues: $0 ganhos e uma análise brutalmente honesta de por que o mercado de recompensas foi quebrado por agentes.
O autor construiu scout.py (algumas centenas de linhas) para enumerar issues abertas com a etiqueta Algora via gh search issues --label "💎 Bounty", filtrando lixo e rastreando valores em dólares, comentários /attempt, responsáveis, PRs abertos e antiguidade. Cada uma das 80 issues de recompensa frescas e não-lixo caiu em um de três baldes:
Balde 1: Spam de Sandbox de $1
Um repositório chamado UnsafeLabs/Bounty-Hunters postou ~30 issues em um único dia, todas de $1. Os valores de correção estão abaixo do custo de token para tentá-las. Puladas automaticamente.
Balde 2: Já Saturado
Toda recompensa legítima de $50 a $1.000 teve entre 8 e 158 tentativas em horas após ser postada, e 8 a 10 PRs abertos já em andamento. Dados amostrais do pool ao vivo:
Repo $ /attempts PRs Abertos 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
Como o autor colocou: "Você não está esperando a demanda. Você é o décimo primeiro PR em uma fila que o mantenedor vem ignorando há uma semana."
Balde 3: Atribuído, Intocado, Bloqueado
Algumas recompensas tinham um mantenedor atribuindo um caçador específico, que então ficou em silêncio por dias enquanto concorrentes viam seus PRs fechados sem merge por se intrometerem. Veja archestra-ai/archestra#4461 para um exemplo claro: recompensa de $50, dois PRs concorrentes ambos fechados em 24 horas, responsável oficial em silêncio por três dias.
Por que o Mercado Está Quebrado
A mesma coisa que fez o tweet original funcionar — agentes rápidos o suficiente para reivindicar uma recompensa minutos após a postagem — saturou o mercado. Mantenedores não podem revisar mais de 10 PRs por issue. Eles escolhem um e rejeitam o resto. O valor esperado de ser o 11º PR é aproximadamente $0.
A única recompensa realista que o autor encontrou foi archestra-ai/archestra#3859, uma issue TypeScript de $100, mas carregava uma etiqueta "Reservado para entrevista SE", tinha dois PRs já submetidos, e um mantenedor havia banido recentemente um usuário por tentar roubar a recompensa de outro. Pulada.
A conclusão: caça a recompensas com IA parece tentador, mas os dados mostram que o mercado está inundado. Seu orçamento de tokens é melhor gasto em outro lugar.
📖 Leia a fonte completa: HN AI Agents
👀 See Also

Superglue CLI: Permita que Agentes de IA Executem Chamadas de API Sem Ferramentas Pré-Construídas
O Superglue CLI oferece uma habilidade que ensina agentes de IA de codificação a usar seus comandos, lidar com autenticação, construir ferramentas e depurar falhas. Em vez de criar ferramentas pré-construídas para cada integração de API, os agentes podem ler especificações de API em tempo de execução e planejar chamadas de várias etapas.

Claude-Skills Maintainer Solicita Feedback sobre Biblioteca de 181 Habilidades de Agentes
Reza, mantenedor do claude-skills, está pedindo feedback da comunidade sobre sua biblioteca de código aberto que contém 181 habilidades de agentes, 250 ferramentas Python e 15 personas de agentes que funcionam em 11 ferramentas de codificação de IA. Ele está questionando se a abordagem de habilidades isoladas é eficaz e quer opiniões sobre habilidades ausentes, agentes baseados em personas e integrações de ferramentas.

Aplicativo Claude Desktop Adiciona Recurso de Projetos à Interface de Colaboração
O aplicativo de desktop do Claude agora inclui um recurso de Projetos no Cowork, permitindo que os usuários organizem tarefas e contexto em espaços de trabalho dedicados. Os arquivos e instruções permanecem no computador local do usuário, com opções para importar projetos existentes ou iniciar novos.

Ninetails Memory Engine V4.5: Quantização Int8 + Cache LRU Reduz Memória Local MCP para 60MB
O Ninetails Memory Engine V4.5 utiliza quantização escalar Int8 e evicção de cache LRU para reduzir o armazenamento de vetores de 6KB para 1,5KB por embedding, mantendo todo o mecanismo em 40-60MB de RAM. Ele combina 70% de similaridade vetorial com 30% de busca BM25 em uma implementação totalmente local com SQLite.