Stiva LLM de $0 pe care o rulez în Claude Code

Cum am conectat peste 30 de agenți AI gratuiti la un singur Opus plătit, i-am făcut să se certe între ei și am încetat să-mi mai ard limita săptămânală de token-uri pe muncă pe care o poate face un model gratuit.

Am conectat peste 30 de agenți AI gratuiti și nu aveam nicio idee ce să fac cu ei

Iată adevărul jenant despre cum a început totul.

Aveam Claude Code pe planul Max și, la fel ca toată lumea, consumam bugetul săptămânal de token-uri într-un ritm alarmant. Fiecare refactorizare, fiecare sesiune de cercetare, fiecare “rezumă aceste patruzeci de fișiere” trecea prin agentul principal scump. Până miercuri ajungeam să raționalizez. Până în weekend eram blocat, uitându-mă la un temporizator de cooldown, întrebându-mă de ce plătesc pentru un instrument pe care nu îl pot folosi jumătate din săptămână.

Așa că am făcut lucrul rezonabil: am conectat vreo treizeci și ceva de agenți AI gratuiti la configurația mea. LLM-uri web, API-uri din zona gratuită, un model local pe propriul meu GPU. Și apoi am stat acolo cu treizeci de creiere gratuite și absolut nicio idee ce să fac cu toate.

Primul instinct, de a ruta fiecare sarcină către orice model gratuit era la îndemână, a fost un dezastru, și voi reveni la motivul pentru care s-a întâmplat asta. Lucrul care a funcționat cu adevărat a fost mai ciudat și mai bun: am încetat să mai cer unui singur model un răspuns și am început să pun un grup format din ele să se certe până când unul a supraviețuit argumentației.

Aceasta este povestea acelui sistem. Rulează cu cost marginal de 0$ pentru tot, cu excepția orchestrării, mi-a permis să construiesc aproape zece proiecte în aproximativ două luni și jumătate și este motivul pentru care nu mă ating deloc de Haiku sau Sonnet, de fapt le-am blocat în configurația mea Claude Code, astfel încât agentul principal nici măcar să nu le poată lansa. Doar Opus dirijează, iar o orchestră gratuită face treaba.

Nu vă mai ardeți limitele: delegați munca grea

Navigați pe orice comunitate Claude Code și veți găsi aceeași plângere repetată la nesfârșit: “Mi-am ars limita în trei zile.” Și aproape nimeni nu își pune întrebarea evidentă: de ce face agentul scump munca ieftină?

Când spun că flota gratuită face munca grea, iată exact la ce mă refer, munca de volum mare și raționament scăzut care umple cea mai mare parte a unei sesiuni: citirea fișierelor, căutarea cu grep prin repo-uri, rezumarea log-urilor, parcurgerea documentației, clasificarea rândurilor, redactarea de boilerplate și rularea rundelor de verificare în clustere. Nimic din toate acestea nu are nevoie de un model de top. Are nevoie de un model competent, și există o duzină de astfel de modele disponibile gratuit.

Așa că regula mea este absolută: agentul principal plătit (Opus) doar orchestrează și verifică. Toată munca grea merge pe o bandă de 0$. Opus decide ce să facă și verifică dacă a fost făcut corect; flota gratuită se ocupă de execuție.

Rezultatul este aproape amuzant. Pentru că economisesc atât de mult buget cu munca de rutină, am o rezervă absurdă pentru rarele momente care merită forța unui model de top. În a șasea zi a ferestrei mele săptămânale, când majoritatea oamenilor sunt blocați, eu pot lansa un Workflow care pornește în jur de șaizeci de agenți Opus și îmi consumă întreaga cotă săptămânală rămasă în douăzeci și patru de ore pe o singură problemă grea. Nu este nesăbuință, este aritmetică. Munca de rutină din întreaga săptămână nu s-a atins niciodată de acel buget, așa că el este încă acolo pentru a fi cheltuit extravagant atunci când contează.

Aceasta este întreaga filozofie: fii zgârcit cu 90% din lucrurile plictisitoare, astfel încât să poți fi extravagant cu cele 10% care contează.

Benzile: web, API și local

Totul se rutează printr-o singură interfață (cc.<lane>). Sub ea se află trei familii de calcul gratuit, plus clusterele construite deasupra lor.

Benzile web din browser

Acestea controlează propriile mele tab-uri de browser în care sunt autentificat, prin intermediul Chrome DevTools Protocol. Modelul crede că discută cu un om; de fapt, el răspunde orchestratorului meu. Lista, cu modelele exacte pe care le rulez:

GLM-5.2 (Z.ai), raționatorul meu implicit, pe primul loc în clasamentul meu. Când serverele Z.ai sunt supraîncărcate și GLM-5.2 afișează un ecran de “ore de vârf”, banda face auto-fallback la GLM-5-Turbo și retrimite, astfel încât un server ocupat degradează performanța în loc să eșueze.
DeepSeek V4 Pro, raționatorul greu (modul expert + deep-think), fără web, pură profunzime. Fratele său mai ușor, DeepSeek V4 Flash, este nivelul rapid fără raționament profund pentru muncă rapidă.
Qwen3.7 Max, raționament dur și cod.
Kimi K2.6, context lung, web live; plus Kimi K2.7-Code printr-un agregator multi-model.
Gemini 3.5 Flash, conectat la web, rapid, pentru orice are nevoie de fapte actuale.
Grok 4.3, cealaltă bandă web live, fapte actuale rapide.
Mistral Medium 3.5, întregește opțiunile de web live.
ChatGPT 5.5, obține cele mai mari scoruri la teste, dar este anti-bot și riscant din punct de vedere al ToS-ului, așa că stă pe bancă, nu în rotație.

Regulile de inginerie care le fac fiabile: atașează-te la un browser pe care îl am deja deschis, nu deschide niciodată un tab nou; un singur proprietar CDP per browser (o a doua atașare o blochează pe prima cu o eroare de tip broken-pipe, așa că un blocaj cross-process o protejează); captează prin interceptarea fluxului de răspuns al site-ului mai întâi, fă scrape în DOM doar ca fallback (și elimină urmele vizibile de “gândire”, vreau răspunsul, nu monologul); și verifică dacă trimiterea a fost într-adevăr recepționată înainte de a citi înapoi. Trei browsere, trei porturi de debug izolate, Chrome pe 9222, Edge (calul de bătaie pentru chat) pe 9223, TradingView pe 9224, un singur proprietar pentru fiecare.

Aceste benzi sunt cea mai instabilă parte a întregului sistem, și voi fi sincer cu privire la asta mai târziu. Dar ele sunt singura mea ușă gratuită către cele mai puternice modele de raționament care există, și asta merită mult efort de urmărire a selectorilor.

Benzile API din zona gratuită

Mai rapide, mai stabile, fără browser:

NVIDIA NIM, acces compatibil cu OpenAI la familia Nemotron și la modele open-weight. După un test comparativ de treizeci de prompt-uri, nemotron-3-nano-30b a câștigat detașat: 26/30 corecte la aproximativ 183 de token-uri pe secundă. Este raționatorul meu rapid implicit și căpitanul a două clustere. Varianta 120B Super se potrivește ca acuratețe, dar se târăște la aproximativ 6 tok/s, fiind utilă doar pentru contextul său de un milion de token-uri, nu pentru viteză. Limitele NIM sunt pe minut, așa că aceasta este banda pe care o folosesc pentru fan out.
Groq, demonul vitezei, implicit gpt-oss-120b. O verificare live a celor cinci modele active ale mele a ieșit curată: cele două modele GPT-OSS la aproximativ 0.3s, qwen3-32b și qwen3.6-27b sub jumătate de secundă, llama-3.3-70b la 1.0s. O capcană: Groq se află în spatele Cloudflare, iar o cerere fără un User-Agent de browser primește un 403, este un filtru de boti, nu o bandă moartă, iar clientul canonic trimite un UA corespunzător și trece direct. Zona gratuită de la Groq este limitată de cererile pe zi, ceea ce este neobișnuit și merită luat în considerare la proiectare.
OpenRouter, douăzeci și șase de modele gratuite, reglat la aproximativ 19 cereri pe minut cu un blocaj cross-session. Pe hârtie oferă giganți, un Nemotron Ultra de 550B, un Hermes de 405B, un Qwen3-Coder de un milion de token-uri, dar în practică cele mari sunt frecvent învechite sau nu răspund, așa că le tratez ca pe un bonus, nu ca pe ceva pe care să mă bazez.

Banda locală

Pentru volumul mare de peste noapte și orice este sensibil la confidențialitate, un model rulează pe propriul meu GPU prin LM Studio. Alegerea actuală este Qwen3-4B-Instruct-2507, și și-a câștigat locul în fața a peste treizeci de modele locale gratuite din LM Studio, fiind ales nu pentru acuratețea brută, ci pentru combinația care contează pe o mașină cu un singur GPU: viteza, amprenta redusă de RAM și un raționament destul de bun. Un 4B cumpătat care răspunde rapid și lasă placa liberă bate un model greu care ocupă memoria și blochează tot restul.

Acesta alimentează o sarcină de noapte: în timp ce dorm, modelul local se ocupă de curățarea memoriei, scanarea surselor, extragerea de idei, verificări ale stării codului și un rezumat de dimineață, toate cu rol consultativ, nimic aplicat automat. Fiecare dintre acele token-uri ar fi lovit altfel agentul principal plătit. Mașina pe care rulează: 128 GB de RAM, un procesor din clasa AMD Ryzen AI Max 395+, un singur GPU, motiv pentru care regulile “nu încărca niciodată un al doilea model local” și disciplina strictă a proceselor rulează prin întreaga arhitectură.

Eroul: clusterele adversariale C1, C5

Acum, partea care a făcut ca totul să funcționeze cu adevărat, și motivul pentru care am construit-o.

Când am avut prima dată grămada de agenți gratuiti, am făcut un lucru naiv: am rutat o sarcină către un singur model gratuit, de obicei unul dintre cele de 120B, și am avut încredere în răspuns. A fost un dezastru. Raționamentul era slab și inconsecvent. Un model inventa cu încredere o funcție care nu exista; altul rata un caz limită; un al treilea le contrazicea pe primele două. Trimiterea către un singur model nu eșuează zgomotos, eșuează plauzibil, iar greșeala plauzibilă-dar-eronată este cel mai scump tip de greșeală, deoarece răspunsul arată exact la fel de sigur când este greșit ca atunci când este corect.

Soluția nu a fost un model mai bun. A fost un proces mai bun. Există cinci clustere, fiecare optimizat pentru o sarcină:

Cluster	Job	Workers	Captain
C1, Fast	read, grep, summarize	NVIDIA gpt-oss-120b · Groq gpt-oss-20b · Groq qwen3-32b	nemotron-3-nano (28/30)
C2, Code	write/fix code, compile+test	gpt-oss-120b · qwen3-32b · a Cohere code model	gpt-oss-20b
C3, General	factual analysis	gpt-oss-20b · qwen3-32b · gpt-oss-120b	nemotron-3-nano
C4, Research-web	live-web facts	Gemini · Grok · Kimi	GLM-5.2
C5, Code-web	hard code/design	DeepSeek Pro · Qwen · Kimi · ChatGPT · aggregator	GLM-5.2

Mecanismul care le face să fie mai mult decât suma părților lor:

Fiecare lucrător răspunde pe nevăzute și în mod independent, niciun model nu vede răspunsul altuia mai întâi. Independența este esențială: în momentul în care unul poate vedea raționamentul altuia, vor converge către aceeași greșeală.
O întrebare de încheiere însoțește fiecare prompt al lucrătorilor: “What am I missing? What other elegant solutions exist?”
Căpitanul infirmă, nu face o medie. Treaba lui este să găsească erorile și să respingă ceea ce este greșit, deoarece un răspuns greșit pe care îl împărtășesc trei modele este tot greșit, iar un răspuns corect pe care l-a găsit un singur model este tot corect. Media îngroapă singura voce corectă; infirmarea o scoate la suprafață.
O rundă suplimentară de re-provocare, în care căpitanul își atacă propriul răspuns verificat încă o dată, pe baza teoriei că cel mai periculos punct mort aparține celui care are ultimul cuvânt.
Pentru cod, acesta trebuie să se execute. C2 și C5 nu cred modelul pe cuvânt, ci îl rulează într-un sandbox securizat. Compilează și trece testul, sau este respins. Interpretorul nu are opinii, și când poți obține adevărul pur atât de ieftin, profiți de asta.

Înlăturați tehnologia și veți vedea că aceasta este cea mai veche idee despre cum stabilesc oamenii adevărul: nu aveți încredere într-o singură autoritate, adunați perspective independente, puneți-le să se provoace reciproc și păstrați ceea ce supraviețuiește. Evaluarea inter pares, instanțele adversariale, replicarea științifică, aceeași perspectivă. Eu doar am direcționat-o către o grămadă de modele de limbaj gratuite și le-am lăsat să fie arbitri unii pentru alții.

Ce a remediat: erorile au scăzut brusc, deoarece prinderea lucrătorilor greșiți este literalmente treaba căpitanului. Iar grupurile au continuat să găsească perle pe care nu le-aș fi prins niciodată singur, când am proiectat stratul meu de control al browser-ului, grupul C5 a distrus prima schiță și mi-a dat înapoi perspectivele care l-au reconfigurat (fă din stratul de observare un senzor și niciodată un executor; separă nucleul determinist de analistul LLM; încearcă recuperarea deterministă înainte de orice apel de viziune). Câteva dintre abilitățile mele la nivel de sistem s-au născut în acele sesiuni. Grupul găsește ceea ce un singur creier, oricât de bun ar fi, pur și simplu ratează.

Opus-only: Haiku and Sonnet are blocked

O consecință care m-a surprins chiar și pe mine: nu folosesc Haiku sau Sonnet deloc, sunt blocate în configurația mea Claude Code, așa că agentul principal la modul cel mai literal nu le poate lansa.

Nu pentru că ar fi proaste, sunt excelente. Ci pentru că în arhitectura mea nu au nimic de făcut. Munca ieftină și rapidă pentru care sunt făcute merge la flota gratuită, care nu costă nimic în loc de puțin. Raționamentul greu care justifică un model de nivel mediu merge la un grup adversarial care gândește mai bine decât orice model individual de nivel mediu. Ambele roluri au fost eliminate din ambele părți, așa că am eliminat tentația complet.

Deci configurația mea este: Opus ca singurul și unicul agent principal, orchestrând și verificând, plus, rareori, un Workflow de agenți Opus adversariali când o problemă merită cu adevărat forța unui model de top pe fiecare nod. Majoritatea oamenilor rulează un model ieftin și apelează la unul scump când se blochează. Eu rulez cel mai scump model ca dirijor și apelez în jos la o orchestră gratuită pentru orice altceva. Costă mai puțin și este mai fiabil, deoarece orchestra își verifică singură munca.

Controlul traficului despre care nu vă vorbește nimeni

Cu peste treizeci de benzi, la întrebarea “care dintre ele?” nu se poate răspunde manual de fiecare dată. Un router îmi oferă o singură interfață peste fiecare model plus un registru, așa că atunci când o bandă devine învechită sau apare una mai bună, modific o singură mapare în loc de o sută de locuri de apel. Un alocator de capabilități potrivește o sarcină cu un index de câteva sute de abilități, script-uri și benzi și returnează instrumentul potrivit la dificultatea potrivită, raționatori puternici pentru cod și probleme grele, benzi bazate pe web pentru fapte actuale, modelul local pentru volum mare.

Dedesubt se află un planificator per bandă care transformă limitele de rată dintr-o problemă într-un non-subiect: cozi de prioritate mare/mică, anti-înfometare, ritm per bandă adaptat la limitele reale ale fiecărui furnizor și un registru de cote care redirecționează traficul de la o bandă la 80% înainte de a se lovi de un zid. Când cinci sesiuni și o sarcină de noapte vor toate Groq în același timp, planificatorul le așază la rând la rata reală a Groq, în loc să le lase să se blocheze într-un 429. Partea inteligentă a unui sistem cu mai multe benzi nu sunt modelele, ci controlul traficului.

Povești de război: ce strică de fapt o flotă gratuită

Partea dificilă în rularea a treizeci de agenți gratuiti nu a fost niciodată inteligența artificială. A fost infrastructura de conectare. Dacă construiți asta, vă veți lovi de fiecare dintre acestea.

Eroarea Cloudflare 403 care nu însemna o bandă moartă. Banda mea Groq a început să returneze 403, iar primul meu instinct, cel căruia trebuie să îi reziști, a fost să o declar moartă și să rutez pe lângă ea. Greșit: eroarea 403 era scutul anti-bot al Cloudflare care respingea o cerere simplă. Un User-Agent real de browser trece direct. Banda nu a fost niciodată picată; sonda mea a fost. Acum tratez situația “o bandă pare moartă” ca pe o ipoteză de verificat, niciodată ca pe un fapt pe baza căruia să acționez.

Doi clienți, un singur browser, blocaj instantaneu. Driverul continua să se blocheze cu o eroare de tip broken-pipe, dar doar uneori. Cauza: CDP-ul la nivel de browser este single-client, iar un al doilea proces care se atașează la același browser îl blochează pe primul. Soluția este un blocaj cross-process bazat pe PID în jurul atașării, un cod mic care elimină o întreagă clasă de crash-uri imposibil de reprodus.

Ferestrele de consolă care apăreau intermitent. Sarcinile Python din fundal continuau să deschidă ferestre de consolă vizibile pentru o fracțiune de secundă. Soluția a avut două straturi, lansarea fiecărei sarcini din fundal prin interpretorul fără fereastră cu ieșirea redirecționată către un fișier, și schimbarea terminalului implicit al sistemului de operare către host-ul moștenit, iar apoi am transformat asta într-o regulă pe care sistemul o impune lui însuși: un hook care blochează orice lansare simplă de python în fundal și cere forma fără fereastră. Cele mai bune soluții nu sunt cele pe care vă amintiți să le aplicați; sunt cele pe care sistemul nu vă lasă să le săriți.

Apocalipsa proceselor orfane și învechite. O limită de siguranță care refuză să lanseze procese noi când rulează deja prea multe continua să mă blocheze când mașina nu era ocupată. Două cauze: sarcinile finalizate lăsau procese orfane învechite în memorie (o pereche a stat acolo timp de treizeci și nouă de ore), iar lansatorul Windows pornește interpretorul ca o pereche, așa că fiecare sarcină număra de două ori. Protecția vedea douăzeci și șase de procese și declanșa o limită de treizeci când numărul real de sarcini logice era trei. Soluția a fost să număr ce contează, să exclud daemonii, să restrâng perechile lansatorului, să sar peste orfanii morți și să adaug un reaper care îi curăță pe cei învechiți pe baza unui program. O metrică ce numără un lucru greșit este mai rea decât lipsa unei metrici, deoarece vă câștigă încrederea și apoi vă minte.

Fiabilitatea clusterelor. Când distribui sarcinile către cinci benzi web plus un căpitan, totul merge prost în același timp. O bandă devine ocupată, așa că fiecare bandă are un întrerupător de circuit și un lanț de fallback care avansează la următorul model disponibil. O captură vine goală pentru că scraper-ul a terminat înaintea modelului, așa că așteaptă în timp ce fluxul crește și se reconciliază cu DOM-ul final dacă s-a întrerupt devreme. Două loturi de clustere se ciocnesc în planificatorul partajat și își anulează reciproc munca, așa că rulez loturile secvențial. Nimic din toate acestea nu este glorios; totul reprezintă diferența dintre un demo și ceva în care ai încredere la ora 2 dimineața.

Un ghid de teren pentru benzile mele

După o vreme, benzile își dezvoltă personalități. GLM-5.2 este prima mea opțiune pentru orice are nevoie să gândească, dar nu să caute. Gemini Flash și Grok sunt cei pe care îi întreb când răspunsul depinde de ceva actual. DeepSeek Pro este modelul greu pe care îl păstrez pentru logică cu adevărat grea; în Qwen am încredere pentru raționament și cod; Kimi este calul de bătaie pentru context lung și web live. Pe partea de API, Groq este pentru când am nevoie de un răspuns în trei sute de milisecunde, iar nemotron-nano de la NVIDIA este modelul tăcut care face cea mai mare parte din muncă în întreaga structură. Iar modelul local 4B face cea mai ingrată muncă, cu cel mai mare volum de toate, rularea de peste noapte și trecerile sensibile la confidențialitate, ceea ce nu este ceea ce te-ai aștepta de la cel mai mic model din cameră.

Scopul de a avea atât de multe nu este completitudinea. Ci faptul că tipuri diferite de muncă cer forme diferite, rapid versus profund, conectat la realitate versus raționament pur, cloud versus local, și când fiecare formă este la distanță de un singur apel de funcție gratuit, nu mai faci compromisuri.

Câteva note sincere înainte de a copia ceva din toate acestea

Totul de aici este real și provine din propriul meu sistem funcțional. Numerele sunt propriile mele teste comparative și verificări live; poveștile de război sunt bug-uri de care m-am lovit efectiv; arhitectura este cea care se află pe mașina mea chiar acum, nu o diagramă împrumutată de pe blogul altcuiva. Acolo unde o idee a venit din exterior, un clasament de modele pe care îl consult, un tipar despre care am citit, mă bazez pe ea ca pe o sursă, nu ca pe ceva pe care să îl prezint ca fiind al meu.

Opus este, și a fost întotdeauna, singurul și unicul meu agent principal. Nu este retrogradat niciodată pentru a economisi token-uri, deoarece retrogradarea dirijorului este exact economia greșită. Economisești bani prin delegarea muncii, nu prin simplificarea deciziilor.

Benzile web au fost, și încă sunt, cea mai grea parte, dar merită oricum. Controlul interfețelor de chat în care ești autentificat este o luptă constantă: un site se redenumește și o captură se strică; un format de streaming se schimbă peste noapte și un răspuns se trunchiază; o sesiune expiră. Debugging-ul este lent pentru că jumătate din eșecuri apar doar live, în mijlocul fluxului, într-un browser real. Am investit mai multe ore în benzile web decât în orice altceva. Dar ele sunt singura mea ușă gratuită către cele mai puternice modele de raționament de pe planetă, iar profunzimea raționamentului pe care îl oferă înapoi merită fiecare oră de urmărire a selectorilor.

A fost greu la început, și m-a costat. Primele săptămâni au însemnat debugging aproape constant, ciocniri, ziduri de limite de rată, capturi goale, browsere blocate, răspunsuri sigure dar greșite. Sincer, probabil că mi-am petrecut aproape jumătate din timp construind regulile, hook-urile, abilitățile și benzile, în loc să lucrez la proiectele în sine. Asta sună inversat până când vezi evoluția: efortul se concentrează la început, fiecare bug pe care l-am rezolvat a devenit o protecție care le-a oprit pe următoarele zece, iar câștigul este în întregime pe termen lung. Astăzi rulează în mare parte singur, sarcina de noapte se termină în timp ce dorm și rezumatul de dimineață mă așteaptă. Acea fluiditate nu a fost proiectată de la început. A fost obținută prin debugging, rezolvând fiecare problemă pe rând.

Raftul cu abilități

Benzile și clusterele sunt motorul; abilitățile sunt comenzile, comenzi personalizate care transformă o sarcină repetitivă într-un singur cuvânt. Setul de lucru, grupat:

Free-LLM & clusters, /web-lane (întreabă orice web LLM gratuit, privește-l live) · /web-chain (debată adversarială cross-LLM) · /c1, /c5 (un cluster în mod direct) · /cluster (meniul complet al grupului) · /free-capabilities (ce pot face benzile de 0$) · /browser-agent (un lucrător de browser autonom de 0$)

Orchestration & planning, /repa (cercetează, verifică, explică, propune, întreabă) · /askme (interoghează-mă până când nimic nu mai este ambiguu) · /autonom (stabilește domeniul de aplicare, apoi lucrează non-stop până la finalizare) · /plan-mode (plan structurat înainte de cod) · /recap (progresul sesiunii) · /deep-audit (un grup de cercetare format din cinci agenți)

Save, optimize, diagnose, MAX SAVE (arhivă tarball + punct de control al stării) · /max-opt (optimizator de proiect de tip deterministic-first) · /session-insight (retrospectivă + propuneri de remediere) · /cc-doctor (verificarea completă a stării structurii live) · /health (verdicturi per sub-sistem) · /compact-tight (salvează, compactează, auto-reîncarcă) · /ping45 (păstrează cache-ul de prompt-uri cald) · /qmon (rezumatul sarcinilor din fundal cross-session)

Data & enrichment (for a data project), /risco-enrich (îmbogățirea datelor companiei, cu limitare de rată) · /enrichment-pipeline (procesul în șapte pași per companie) · /cui-verifier (verifică dacă un site afișează legal ID-ul companiei) · /lead-promotion (trece lead-urile în așteptare în cele calificate)

Trading & TradingView, /fixp (repară Pine, trimite următoarea versiune în cloud) · /tv-read-all (extrage setările unei strategii) · /tv-write (configurează intrările pe un grafic live) · /tv-parity (compară rezultatul TradingView cu codul meu Python) · /tv-candle-export (extrage lumânările în CSV pentru analiză offline) · /megasweep (rulează o strategie pe întregul istoric al prețurilor)

Content & overnight, /post (procesul în cinci etape pentru LinkedIn) · /humanizer (elimină indiciile de AI) · /qwen-nightly-cron (sarcină de noapte în loturi pentru local-LLM) · /QDD (rezumatul Qwen de dimineață) · /skill-creator (creează următoarea abilitate din această listă)

Majoritatea acestora au început ca o sarcină pe care am făcut-o de două ori și am refuzat să o mai fac a treia oară manual.

Ce v-as spune daca ati incepe acum

Inteligența nu a fost niciodată blocajul. Modelele gratuite în 2026 sunt uimitor de capabile, iar diferența dintre un model de top și unul gratuit bun, pentru munca ce umple cea mai mare parte a unei sesiuni, este mai mică decât sugerează diferența de preț. Ceea ce separă o grămadă de agenți gratuiti de un sistem pe care te poți baza este ingineria lipsită de strălucire: blocajele care îi opresc să se ciocnească, ritmul care respectă limitele de rată, procesul de eliminare care îi curăță pe cei morți și, mai presus de toate, refuzul de a avea încredere într-un singur răspuns când poți pune mai multe modele să se certe pentru a ajunge la unul verificat.

Începeți absurd de simplu. Rutați o singură categorie de muncă, rezumatele de fișiere, către un singur API gratuit și păstrați agentul scump ca dirijor care decide și verifică. Priviți cum bugetul de token-uri nu se mai risipește. Apoi adăugați un al doilea model și un arbitru, și aveți un mic grup adversarial care bate deja încrederea orbă. Dezvoltați-l pe măsură ce sarcinile apar de la sine.

Nu aveți prea multă încredere în propria judecată despre ce este “mort” sau “terminat”. Jumătate din cele mai grele bug-uri ale mele au fost fals negative, o bandă pe care am trecut-o la pierderi și care era în regulă, o limită care mințea pentru că număra un lucru greșit. Verificați în raport cu realitatea, nu cu memoria. Puneți sistemul să își verifice singur munca, pentru că nu veți fi întotdeauna acolo să o verificați în locul lui.

Am început cu treizeci de creiere gratuite și nicio idee ce să fac cu ele. Răspunsul s-a dovedit a fi cel mai vechi truc din epistemologie: nu întreba un singur expert, adună un grup și pune-i să se certe până când adevărul rămâne singurul lucru în picioare. Modelele sunt gratuite. Arbitrajul este meșteșugul.

The stack runs at $0 marginal cost on free tiers, browser sessions, and a local GPU. The only paid component is the Opus orchestrator, used deliberately, for the 10% that earns it.

Ce lipsește și ce alte soluții elegante există

Lacune operaționale în designul curent:

Riscul de coliziune a datelor în modul local (Race Conditions): Rularea lotului nocturn /qwen-nightly-cron direct pe baza de date de memorie partajată local, fără un mecanism de izolare tranzacțională strict, poate corupe intrările din registru dacă o sesiune interactivă reziduală scrie în același timp.
Fragilitatea detectării trunchierii fluxului web (Web Stream Truncation): Interceptarea fluxului de răspuns al site-ului ca primă linie de apărare este elegantă, dar vulnerabilă la modificări silențioase ale formatului de server-sent events (SSE). Dacă protocolul se schimbă, parserul poate înregistra un cod de succes deși a capturat doar un răspuns parțial.
Lipsa sandbox-ului pentru uneltele OS alternative: În timp ce codul generat de C2 și C5 rulează într-un sandbox controlat, scripturile executate prin /browser-agent interacționează direct cu porturile CDP locale (9222-9224). O injecție de prompt indirectă dintr-un site malițios poate manipula sesiunea de browser deschisă pentru a accesa resurse din rețeaua locală (LAN).

Soluții elegante alternative:

Sistem de fișiere virtualizat efemer (OverlayFS): În loc să rulați procesele de verificare și compilare pe spațiul de stocare principal sau în sandbox-uri izolate simplu, generați un strat OverlayFS efemer pentru fiecare iterație a clusterului C2. Toate mutațiile de fișiere sunt izolate complet în RAM și sunt aplicate pe ramura de lucru doar după ce căpitanul validează rezultatul.
Arbitraj prin matrice de distanță semantică (Embedding-Based Consensus): În loc să folosiți doar un model căpitan care să analizeze textual argumentele lucrătorilor din clustere, generați vectori de incluziune (embeddings) pentru răspunsurile independente ale lucrătorilor. Calculați distanța cosinus între răspunsuri pentru a identifica instantaneu modelele care au deviat (anomalii/halucinații) înainte ca textul să fie trimis către faza de refutație a căpitanului.
Protocol de poartă cu token de unică folosință pentru CDP: Pentru a securiza benzile web, implementați un proxy CDP local intermediar care injectează token-uri de autentificare dinamice, cu durată de viață scurtă, pentru fiecare apel al agentului. Acest lucru împiedică un proces orfan sau un script injectat să preia controlul persistent asupra instanțelor de browser atașate pe porturile deschise.