Kostenloses OpenClaw-Repository-Triage mit lokalen KI-Modellen

Der Blog zeigt, wie die Autoren geschlossene KI-Modelle durch lokale Open-Weight-Modelle ersetzt haben, um Issues und Pull Requests im OpenClaw-Repository zu klassifizieren – motiviert durch das Risiko, dass geschlossene Modelle entfernt werden (zitiert wird die Entfernung von Anthropics Claude Fable 5). Mithilfe eines Frameworks namens „localpager-agent“ mit reposhell (einer eingeschränkten Read-Only-Shell) wird jedes Element in Kategorien wie local_models, self_hosted_inference usw. eingeordnet. Getestet wurden Gemma 4 26B und Qwen 3.6 35B auf einem NVIDIA GB10-System (128 GB Unified Memory). Gemma erzielte eine höhere Trefferquote (Recall: 0,905) und einen höheren Durchsatz (1,41 Sekunden pro Zeile, 16 parallele Worker), während Qwen eine höhere Präzision (Precision: 0,831) und eine höhere exakte Übereinstimmung (Exact Match: 0,540) aufwies, aber mit nur 4 Workern 13,51 Sekunden pro Zeile benötigte. Eine semi-agentische Architektur nutzt das Large Language Model, also das große Sprachmodell, nur zur Klassifikation; Benachrichtigungen erfolgen regelbasiert. Das System verarbeitet Elemente über gitcrawl-Mirroring, speichert Ergebnisse in SQLite und benachrichtigt über Discord.