Относительно недавно среди автономных AI-агентом появился Openclaw и быстро привлёк внимание благодаря более прагматичному подходу. В нём изначально сделан упор на создание долгоживущих агентов, работу по расписанию, использование инструментов и внешних сервисов и много всего интересного.
Именно из-за этого сейчас вокруг openclaw сформировался довольно большой интерес. В последние месяцы он регулярно появляется в обсуждениях на форумах, в твиттере и в технических блогах.
Давайте попробуем вместе разобраться, насколько такие агенты действительно полезны на практике и можно ли применить их для реальной задачи.
Сделаем автономного агента, который сам ведёт новостной канал. Результат эксперимента можно посмотреть в Telegram-канале Polymarket News.
Polymarket — платформа, где люди торгуют вероятностями различных событий.
Это могут быть:
политические события
экономические решения
технологические новости
геополитика
Идея была в том, чтобы агент:
отслеживал информационный поток
выделял интересные события
формировал краткие посты
публиковал их в соцсетях
Это довольно типичная задача для новостных проектов и медиа, поэтому она хорошо подходит для эксперимента с автономными агентами.
Агент внутри openclaw
Базовые условия работы агента:
отдельный компьютер (сервер, ноутбук, макбук)
подключение к провайдеру LLM
После первичной настройки openclaw, переводим общение с агентом в Телеграм. Это позволяет общаться с ним напрямую — задавать вопросы, уточнять настройки или просить подготовить текст. Интересный момент в том, что взаимодействие происходит не только через текст. Агент умеет обрабатывать голосовые сообщения. Сценарий выглядит довольно естественно. Можно отправить голосовое сообщение в Telegram, например попросить агента подготовить пост или уточнить, какие события сейчас происходят на рынке. Сообщение автоматически транскрибируется, передаётся агенту, после чего он формирует ответ. Таким образом агент становится не просто автоматическим скриптом, а чем-то похожим на ассистента, с которым можно взаимодействовать в привычном формате мессенджера.
Архитектура получилась достаточно простой. Агент получает доступ к источникам информации, обрабатывает их через набор правил, генерирует текст и публикует его.
Важно, что агент работает по расписанию. Три раза в день он запускает пайплайн подготовки статьи и после этого публикует пост.
Утром агент формирует короткий обзор событий, произошедших за ночь. Днём ��оявляются посты про новые рынки или необычные изменения вероятностей. Вечером публикуется более аналитический материал — попытка интерпретировать происходящее на платформе.
Такой режим оказался достаточно комфортным: канал остаётся живым, но не превращается в поток спама.
Роль агента
В LLM-агентах не последнюю роль играет персона, которую вы задаёте модели.
Если сформулировать роль слишком абстрактно, например «журналист», то тексты получаются сухими и очень общими.
Поэтому я попробовал другой подход. Агент получил роль человека, который:
давно работает с prediction markets
регулярно торгует на Polymarket
принимает решения на основе вероятностей
относится к рынку рационально и расчётливо
не пытается делать сенсации, а скорее анализирует происходящее
В описании профиля я отдельно подчеркнул, что он смотрит на события через призму рынков: его интересуют не просто новости, а то, как эти новости влияют на вероятности.
Это заметно изменило стиль текстов. Посты стали более аналитическими и менее «новостными».
Самая важная часть — правила подготовки статей
Когда я начинал этот эксперимент, мне казалось, что ключевую роль будет играть выбор модели или архитектуры агента.
На практике всё оказалось иначе.
Самым важным элементом системы стали правила подготовки статей.
Агенту нужно было объяснить:
какие события считать интересными
какие источники использовать
какие темы игнорировать
как структурировать текст
какой длины должен быть пост
на чём делать акцент
Без этих правил тексты получались либо слишком общими, либо слишком шумными.
Поэтому процесс настройки выглядел примерно так.
Сначала агент генерировал пост, но не публиковал его. Он отправлял черновик. Я читал текст и смотрел, что пошло не так.
Иногда агент писал слишком длинно. Иногда начинал пересказывать очевидные вещи. Иногда упускал действительно интересные изменения на рынке.
После этого правила немного корректировались.
Мы уточняли, какие типы событий считаются значимыми, как именно нужно описывать изменение вероятностей, какие формулировки лучше избегать.
Этот цикл повторялся несколько раз.
Когда агент начал писать нормально
После нескольких итераций стало заметно, что тексты начинают стабилизироваться.
Агент перестал писать лишнее, стал чаще упоминать конкретные цифры и вероятности, а структура постов стала более понятной.
На этом этапе мы отключили режим черновиков и включили автопостинг.
Теперь агент сам:
собирает информацию
готовит текст
публикует его в канал
Без ручного согласования.
Иногда тексты всё ещё получаются неидеальными, но в целом качество оказалось вполне приемлемым для новостного канала.
Пример конфигурации агента
Чтобы было понятнее, как это выглядит на практике, приведу упрощённый пример конфигурации агента.
Ниже показан фрагмент настройки агента в openclaw: задаётся роль, расписание запуска задач и инструменты, которыми агент может пользоваться.
from openclaw import Agent, Schedule from tools import polymarket_news, telegram_post, twitter_post agent = Agent( name="polymarket_analyst", role=""" Ты опытный аналитик prediction markets. Ты регулярно торгуешь на Polymarket и хорошо понимаешь, как новости влияют на вероятности событий. Твоя задача — находить интересные изменения рынков, анализировать их и писать короткие аналитические посты для соцсетей. """, tools=[ polymarket_news, telegram_post, twitter_post, ] ) Schedule.daily( agent=agent, times=["08:00", "14:00", "20:00"], task=""" Подготовь короткий пост о событиях на Polymarket. Найди интересные изменения вероятностей, новые рынки или события, которые могут повлиять на текущие прогнозы. Напиши краткий аналитический текст и опубликуй его в Telegram и Twitter. """ )
В реальном проекте конфигурация получилась заметно сложнее.
Добавились:
правила отбора новостей
ограничения на стиль текста
форматирование постов
отдельные инструкции для утренних, дневных и вечерних публикаций
Но даже такой упрощённый пример хорошо показывает основную идею:
мы описываем роль агента, его инструменты и задачи, а дальше он выполняет их автономно по расписанию.
Что оказалось самым неожиданным
Самый интересный вывод из этого эксперимента — автономные агенты больше похожи на сотрудников, чем на инструменты.
Их не достаточно просто запустить. Их нужно обучать правилам работы.
Пайплайн, инструкции и ограничения играют гораздо большую роль, чем сама модель.
По сути вся разработка сводится к тому, чтобы правильно сформулировать:
роль агента
правила отбора информации
формат текста
ограничения.
Когда эти элементы настроены, система начинает работать довольно стабильно.
Можно ли использовать это в жизни
Этот проект был всего лишь pet-experiment.
Но он наглядно показывает одну вещь: при достаточном уровне настройки автономные агенты могут стать очень мощным инструментом ведения социальных сетей.
Такая система способна:
следить за новостями, анализировать события, готовить контент и публиковать его по расписанию.
Фактически это AI-SMM менеджер, который работает круглосуточно и не требует постоянного участия человека.
Конечно, для коммерческого использования потребуется гораздо более сложная система фильтрации и контроля качества.
Но базовая идея уже работает.
Что дальше
Этот эксперимент был скорее попыткой понять, как устроены подобные системы на практике.
Следующий шаг — усложнить агента:
добавить больше источников информации
улучшить правила отбора событий
попробовать делать более глубокую аналитику рынков.
И, конечно, продолжить изучать экосистему LLM-агентов, которая сейчас развивается очень быстро.
