Разработчик-одиночка управляет компанией с помощью 4 AI-агентов на бесплатном тарифе Gemini.
Архитектура и реализация
Система использует четырех ИИ-агентов, построенных на OpenClaw (открытый исходный код), работающих на WSL2 дома с 25 таймерами systemd. Агенты выполняют конкретные задачи:
- Генерируют 8 постов в соцсетях ежедневно на разных платформах с контролем качества (генерация → самопроверка → переписывание, если оценка < 7/10)
- Взаимодействуют с постами сообщества и автоматически отвечают на комментарии (с учетом контекста, максимум 2 раунда)
- Исследуют через RSS + HN API + Jina Reader → передают информацию обратно в контент
- Запускают UltraProbe (ИИ-сканер безопасности) для поиска потенциальных клиентов
- Мониторят 7 конечных точек, помечают устаревшие лиды, синхронизируют данные клиентов
- Автоматически публикуют статьи блога в Discord при git push (0 токенов LLM — используют сообщение коммита напрямую)
Стратегия оптимизации токенов
Разработчик использует особый подход для минимизации использования токенов: агенты никогда не ведут длинных диалогов. Каждый запрос следует этой схеме: (1) чтение предварительно вычисленных файлов с данными (локальный markdown, 0 токенов), (2) один сфокусированный промпт со всем встроенным контекстом, (3) один ответ → парсинг → действие → завершение. Исследовательский конвейер (RSS, HN, веб-скрапинг) стоит 0 токенов LLM — это чистый HTTP + Jina Reader. LLM обрабатывает только творческую/аналитическую работу.
Реальные цифры и инфраструктура
- 27 автоматизированных аккаунтов Threads, 12K+ подписчиков, 3.3M+ просмотров
- 25 таймеров systemd, 62 скрипта, 19 файлов с данными
- Использование RPD: 7% (105/1500) — осталось 93% запаса
- Ежемесячная стоимость: $0 LLM + ~$5 инфраструктура (Vercel hobby + Firebase free)
Уроки, извлеченные из неудач
Разработчик поделился конкретными проблемами, с которыми столкнулся:
- Счет на $127 от Gemini за 7 дней: Создал API-ключ из проекта GCP с включенной оплатой вместо AI Studio. Думал, что токены ($3.50/1M) без ограничения по частоте. Урок: всегда создавайте ключи напрямую через AI Studio.
- Ошибка в цикле взаимодействия: перебирал ВСЕ посты вместо топ N. Сжег 800 RPD за один день и лишил ресурсов все остальное.
- Проверка работоспособности Telegram вызывала getUpdates, конфликтуя с long-polling шлюза. 18 дублирующих сообщений за 3 минуты.
Стек и ресурсы
Стек: OpenClaw, Gemini 2.5 Flash (бесплатный), WSL2/systemd, React/TypeScript/Vite, Vercel, Firebase, Telegram Bot, Resend, Jina Reader. Сайт (https://ultralab.tw) полностью двуязычный (zh-TW/en) с 21 постом в блоге, где i18n, публикация в блоге и уведомления в Discord — все часть автоматизированного конвейера.
Репозиторий GitHub с руководством: https://github.com/UltraLabTW/free-tier-agent-fleet
Живая панель управления агентами: https://ultralab.tw/agent
📖 Read the full source: HN LLM Tools
👀 Смотрите также
Глубокие исследовательские отчеты с Hermes Agent и QwQ-32B-Preview: практическое руководство
Социальный исследователь делится своим рабочим процессом с использованием Hermes Agent и qwen3.6-35b-a3b Q6_K для автономного создания 21-страничных политических отчетов, с полным репозиторием промптов, навыков и промежуточных артефактов.
Кривая обучения старшего разработчика Claude Max: от расплывчатых запросов к структурированным код-ревью
Разработчик с 8-летним опытом работы с Node.js, Go, Angular и AWS делится, как изначально неправильно использовал Claude Max, обращаясь с ним как с опытным инженером, имеющим контекст проекта, а затем улучшил результаты, внедрив структурированный процесс проверки, аналогичный наставничеству младших разработчиков.
Использование Kimi K2.6 для правильного удаления приложений macOS путем поиска скрытых папок приложений
Разработчик описывает использование Kimi K2.6 для автоматического поиска и удаления каталогов приложений macOS, включая скрытые ~/.appname и ~/Library/Application Support, с помощью собственного агента, который редактирует свою базу знаний для улучшения процесса.
Агент OpenClaw реализует контекстные напоминания с подсказками на основе отношений.
Пользователь OpenClaw создал систему персонального агента с контекстными напоминаниями, которые срабатывают на основе загрузки календаря, текущих задач и времени суток, а не по фиксированному расписанию. Система включает эскалационную лестницу для напоминаний и использует отслеживание памяти, чтобы предлагать связаться с людьми на основе истории взаимоотношений.