Triage gratuit du dépôt OpenClaw avec des modèles d'IA locaux

Ce billet montre comment les auteurs ont remplacé les modèles d'IA fermés par des modèles open-weight locaux pour trier les problèmes et les PR dans le dépôt OpenClaw, motivés par le risque de voir les modèles fermés disparaître (citant le retrait de Claude Fable 5 d'Anthropic). En utilisant un harnais appelé 'localpager-agent' avec reposhell (un shell restreint en lecture seule), le système classe chaque élément dans des catégories comme local_models, self_hosted_inference, etc. Ils ont testé Gemma 4 26B et Qwen 3.6 35B sur un système NVIDIA GB10 (128 Go de mémoire unifiée). Gemma a obtenu un rappel plus élevé (0,905) et un débit supérieur (1,41 seconde par ligne, 16 workers simultanés), tandis que Qwen avait une précision plus élevée (0,831) et un score d'exactitude plus élevé (0,540), mais prenait 13,51 secondes par ligne avec seulement 4 workers. Une architecture semi-agentique utilise le LLM uniquement pour la classification ; les notifications sont basées sur des règles. Le système traite les éléments via un miroir gitcrawl, stocke les résultats dans SQLite et notifie via Discord.