Triagem Automática do Repositório OpenClaw com Modelos de IA Locais
Hugging Face
Google/DeepMind
DeepSeek
Anthropic
Os autores do blog do Hugging Face demonstraram como usar modelos locais Gemma e Qwen em uma configuração agentiva para triar issues e PRs no repositório OpenClaw em tempo real. O sistema usa um agente Pi somente leitura e notifica via Discord, sendo mais barato que modelos fechados como Claude ou GPT-5. Testes em 330 exemplos mostraram que Qwen é mais preciso, enquanto Gemma é mais rápido, e ambos praticamente eliminam falsos positivos.
Autores do blog Hugging Face contaram como construíram um sistema de classificação em tempo real de issues e PRs para o repositório OpenClaw, usando modelos locais de peso aberto Gemma 4 26B e Qwen 3.6 35B em um arcabouço agente Pi. A ideia surgiu depois que a Anthropic removeu seu último modelo Claude Fable 5, confirmando que modelos fechados podem desaparecer a qualquer momento. O sistema roda em um NVIDIA GB10 local com 128 GB de memória unificada. Para classificação, utiliza-se um agente que recebe título, corpo e resumo do PR, e pode executar apenas comandos read-only via reposhell (bash limitado) ou invocar um JSON final com o resultado. Isso protege contra injeções de prompt. A orquestração é construída com gitcrawl para espelho local e localpager para fila de tarefas. Testes em 330 issues e PRs mostraram: Gemma obteve F1 de 0,800 com tempo de 1,41 s/linha e 402,6 tokens de saída/s; Qwen obteve F1 de 0,824 com 13,51 s/linha e 145,3 tokens/s; e DeepSeek-V4-Flash (284B) obteve F1 de 0,811, mas 144 s/linha. Falsos positivos: Gemma 227, Qwen 106, DeepSeek 30. Os autores destacam que a precisão aumenta com quantização NVFP4 no Blackwell e otimizações do vLLM, e o custo se resume à eletricidade.
Fonte: Hugging Face blog —
original