Triaje gratuito del repositorio OpenClaw usando modelos locales de IA

El blog muestra cómo los autores reemplazaron modelos de IA cerrados con modelos locales de peso abierto para clasificar incidencias y solicitudes de incorporación de cambios (pull requests) en el repositorio OpenClaw, motivados por el riesgo de que los modelos cerrados sean retirados (citando la eliminación de Claude Fable 5 de Anthropic). Usando un sistema llamado 'localpager-agent' con reposhell (un shell restringido de solo lectura), el sistema clasifica cada elemento en categorías como local_models, self_hosted_inference, etc. Probaron Gemma 4 26B y Qwen 3.6 35B en un sistema NVIDIA GB10 (128 GB de memoria unificada). Gemma logró una recuperación más alta (0.905) y rendimiento (1.41 segundos por fila, 16 trabajadores concurrentes), mientras que Qwen tuvo mayor precisión (0.831) y coincidencia exacta (0.540), pero tardó 13.51 segundos por fila con solo 4 trabajadores. Una arquitectura semi-agente utiliza el modelo de lenguaje grande (LLM, por sus siglas en inglés) solo para clasificación; las notificaciones se basan en reglas. El sistema procesa elementos mediante duplicación de gitcrawl, almacena resultados en SQLite y notifica a través de Discord.