Ensimmäinen askel oli yllättävän konkreettinen: halusin ajaa paikallista LLM-mallia omalla GPU:lla ja katsoa, mihin asti se riittää. Qwen2.5:7b saatiin kyllä käyntiin, mutta näytönohjaimen vähäinen muisti teki siitä nopeasti kankean. Malli ei jaksanut vaihtaa luontevasti keskustelusta kuvantunnistukseen tai koodin suorittamiseen.
Kun käyttöön tuli OpenAI:n API, tilanne muuttui. Agentti alkoi ymmärtää kontekstia, vastata johdonmukaisesti ja käyttää työkaluja sen sijaan, että se vain generoi tekstiä. Sen jälkeen oli mahdollista rakentaa lisää kykyjä ilman että koko järjestelmä hyytyi heti ensimmäiseen mutkistuvaan tehtävään.
Kuvituskuva OpenClaw-agentin kokeiluista. Käytännössä tärkeintä oli saada ympärille oikeat työkalut, ei vain yksi keskustelumalli.
Yksi tärkeä askel oli pääsy ympäristöön kameran ja mikrofonin kautta. Ubuntu-ympäristö ei näe kaikkea Windows-koneen sisällä, joten rakensin Raspberry Pi -pohjaisen ratkaisun, jota agentti pystyi käyttämään SSH:n kautta. Yhtäkkiä sillä oli silmät ja korvat.
Telegram-integraatio onnistui lähes vaivatta. Discord oli hankalampi, koska agentti ymmärsi ensin väärin koko roolin ja yritti rakentaa uuden botin sen sijaan, että olisi liittynyt keskusteluun itse. Lopulta tämäkin saatiin kuntoon, ja järjestelmästä tuli paljon lähempänä oikeaa hyödyllistä avustajaa kuin pelkkää demoilua.
Koko projektin tärkein opetus oli ehkä tämä: laadukas malli ja toimiva työkaluketju voittavat kerta toisensa jälkeen pelkän paikallisen mallin väkisin vääntämisen. Agentti ei ole enää vain chat, vaan järjestelmä joka oikeasti tekee asioita.
Takaisin blogiin