Lumi (Crypto & AI)

Как не слить все токены за один вечер: полный гайд по экономии для ИИ-агентов

2026-04-20T15:05:40.199Z

Крутая превьюха

Привет, меня зовут Луми, я создатель канала Valency Labs

Бывало ли у вас такое, что агент вроде бы сделал всего пару действий, а лимит уже тает на глазах? Открыл папку, прочитал полрепозитория, три раза запустил тесты, вывел логи на полэкрана и ещё зачем-то начал думать там, где можно было просто ответить в две строки

Спойлер: проблема не в том, что ИИ "слишком дорогой". Проблема в том, что мы часто кормим его лишним

В этой статье я покажу самые рабочие способы экономить токены при работе с Claude Code, Codex, OpenCode и тд, и своими агентами через API

Что будет внутри:
1. Как убрать мусор из контекста
2. Как заставить агента читать только нужное
3. Как экономить на модели, не теряя качество
4. Как использовать prompt caching и batch-режим
5. Какой стек я бы собрал сам, если бы начинал с нуля

Поехали!

Почему токены улетают так быстро

Для новичка объясню максимально просто

Токены это кусочки текста, которыми ты кормишь модель и которые она возвращает тебе в ответ

Чем больше агент читает файлов, тянет логов, повторяет одни и те же инструкции, использует слишком дорогую модель для простой задачи и тащит длинную историю прошлых сообщений, тем быстрее ты сжигаешь лимиты и деньги

Главная идея очень простая: чем меньше мусора видит агент, тем дешевле он работает

И тут важно понять одну вещь: иногда мы экономим именно токены, а иногда экономим деньги на тех же токенах. Оба варианта полезны

Способ 1. Режем шум из терминала: RTK

Если вы работаете через CLI-агентов, это один из самых сильных способов экономии

RTK это прокси для shell-команд, который сжимает вывод терминала до сути ещё до того, как этот вывод попадёт в контекст модели.
Ссылка: https://github.com/rtk-ai/rtk/releases

В чём прикол?
git status превращается из длинного полотна в короткую выжимку
cargo test, pytest, npm test перестают спамить сотнями строк ok
ls, grep, diff, git log и другие команды становятся в разы компактнее

Пример:
Без фильтра агент видит длинный вывод тестов
С RTK он видит короткую суть вроде "48 passed, 0 failed"
Для модели это почти одна и та же польза, а по токенам разница огромная

Установка

macOS:

brew install rtk
Linux / macOS:

curl -fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh
Cargo:

cargo install --git https://github.com/rtk-ai/rtk

Важно: cargo install rtk может поставить вообще не тот пакет. Ставьте именно через --git

Windows + добавление RTK в PATH:
Переходим по ссылке и скачиваем rtk-x86_64-pc-windows-msvc.zip и распаковываем. Далее Win + R — sysdm.cpl — Advanced — Environment Variables

Двойной клик по PATH — New — путь к rtk.exe что вы распаковали

Готово! Вы - умничка!

Подключение

Claude Code / Copilot: rtk init -g
OpenCode: rtk init -g --opencode
Codex: rtk init -g --codex
Cursor: rtk init -g --agent cursor

Что важно помнить

RTK работает только там, где агент реально идёт в shell. Если агент использует встроенные Read, Glob, Grep и похожие инструменты, RTK их не сжимает. Поэтому иногда выгоднее явно просить агента работать через shell-команды или вызывать rtk read, rtk grep, rtk find напрямую

Мой вывод

Если вы много кодите с агентом, RTK ставится одним из первых. Это не "приятная мелочь", а реальная экономия

Способ 2. Даём агенту короткую память о проекте

Вторая большая утечка токенов: агент каждый раз заново пытается понять, что это за проект. Он читает лишние файлы, шарится по папкам, догадывается о командах, иногда галлюцинирует про архитектуру

Лечится это просто:
CLAUDE.md для Claude Code
AGENTS.md для Codex и похожих агентов
Проектные инструкции для OpenCode и других тулов

Идея такая: один раз пишете короткую памятку о проекте, командах и запретах. Это не экономит токены напрямую как RTK, но заметно уменьшает лишние чтения, переспросы и бесполезные обходы по проекту

Ещё полезно добавить ignore-файлы, чтобы агент не индексировал мусор. Туда обычно прячут node_modules, dist, .next, coverage, логи, lock-файлы, кэши

Способ 3. Не суём в контекст весь проект

Очень частая ошибка новичка: "Сейчас я дам агенту весь репозиторий, и он точно всё поймёт"

Нет. Он не станет умнее. Он просто станет дороже

Если задача касается одного модуля, одной функции или одной папки, давайте именно её

Плохой подход: "Посмотри весь проект и исправь баг"
Нормальный подход: "Исправь баг в auth.ts. Если понадобится, посмотри только middleware и tests/auth.test.ts"

Золотое правило: сначала сужаем область задачи, потом даём контекст. Не наоборот

Способ 4. Пишем промпты короче и жёстче

Каждое лишнее слово в промпте добавляет входящие токены, часто провоцирует длинный ответ и иногда заставляет агента сделать лишние действия

Хорошая практика: сразу задавать ограничения
Ограничение области: "Правь только processPayment() в payment.ts. Другие файлы не трогай"
Ограничение формата: "Выводи только diff. Без объяснений. Коротко"
Ограничение инструментов: если ваш агент это поддерживает, отключайте то, что не нужно (например веб-поиск) и оставляйте только минимальный набор

Способ 5. Чистим длинные сессии

Самая дорогая сессия это та, которую ты не почистил вовремя. Когда история разрастается, агент тянет за собой старые сообщения, решения и логи

Практика простая:
Если закончил один крупный блок работы, сжимай контекст (compact).
Если переходишь на совсем другую задачу, начинай сессию заново (clear).

Ещё очень важная штука: ограничивайте количество шагов агента, чтобы не улететь в бесконечные циклы

Что такое max-turns простыми словами
Это “предохранитель”, который ограничивает сколько раз агент может сделать шагов в стиле “подумал -> вызвал инструменты -> получил результат -> продолжил”
Без лимита агент иногда начинает ходить по кругу: читать лишние файлы, снова запускать тесты, снова проверять одно и то же, и так пока не сгорит контекст или бюджет

Что нужно делать новичку на практике
1. Если задача маленькая и понятная, сразу ставь max-turns 5
Примеры таких задач: поправить один файл, исправить 1-2 ошибки, добавить одну проверку, переписать небольшой кусок текста

2. Если задача средняя, ставь max-turns 10
Примеры: небольшой рефакторинг в одном модуле, починить тесты, сделать 2-3 связанных изменения

3. Если лимит закончился и агент “остановился”, не паникуй
Ты делаешь одно из трёх:
а) повышаешь лимит и запускаешь ещё раз
б) просишь продолжить с того места, где остановился, но с более узким scope
в) делишь задачу на два захода и начинаешь новую чистую сессию

Как выглядит в команде
Если у твоего CLI есть такой флаг, он обычно выглядит как --max-turns 5 или --max-turns 10
Смысл один: ты заранее говоришь агенту “делай не больше N шагов, потом остановись”

Лайфхак
Ставь max-turns всегда, кроме реально больших задач, и ты перестанешь ловить ситуации, где токены улетают “в никуда”

Способ 6. Маршрутизируем задачи на дешёвые модели

Это уже не про уменьшение числа токенов, а про уменьшение цены этих токенов

Ошибка: использовать дорогую модель вообще для всего подряд

В реальности задачи у агента разные. Архитектура и сложный рефакторинг действительно могут требовать сильную модель. А классификация, извлечение полей, мелкие правки и короткие сабтаски почти всегда можно отдать более дешёвой mini/nano/haiku-модели

Если у вас пайплайн из 10 шагов, и только 2 из них реально сложные, нет смысла платить за все 10 как за премиум reasoning

Что нужно делать правильно
Шаг 1. Раздели работу агента на “мозг” и “руки”
Мозг это планирование и финальная сборка результата
Руки это простые операции: классификация, извлечение полей, поиск по тексту, форматирование, черновики, мелкие правки

Шаг 2. Дорогую модель оставь для мозга
Где дорогая модель реально нужна:
архитектура и план
сложный рефакторинг с рисками
финальный текст “в люди”
код-ревью, где важны смыслы и безопасность

Шаг 3. Дешёвую модель используй для рук
Где дешёвая модель обычно справляется отлично:
классификация “что это за кейс”
извлечь поля в JSON
сделать краткое summary
переименовать и поправить мелочи
нагенерить варианты заголовка и первых абзацев

Шаг 4. Сделай каскад, если сомневаешься
Правило каскада простое:
сначала пробуем дешёвой моделью
если ответ низкого качества или “не уверен”, эскалируем на более сильную модель
Так ты платишь дорого только за сложные случаи, а не за весь поток

Шаг 5. Не пихай весь контекст в дешёвую модель
Лучше так:
дешёвая модель делает выжимку или вытаскивает факты
дорогая модель принимает решение и пишет финал по короткой выжимке
Это очень часто даёт лучший результат и дешевле по деньгам

Способ 7. Включаем prompt caching

Одна из самых мощных оптимизаций для тех, кто строит агентов через API.

Суть: если между запросами повторяется большой кусок одного и того же промпта, платформа может не пересчитывать его с нуля каждый раз.

Обычно повторяется: system prompt, длинные инструкции, описания инструментов, схемы ответов, постоянная часть контекста по проекту.

Чтобы caching реально работал:
Держите стабильный префикс запроса.
Не меняйте порядок инструментов и схем без причины.
Переменные и динамику выносите в конец.
Не вставляйте timestamp и случайный мусор в начало промпта.

Правило одно: всё стабильное в начало, всё меняющееся в конец.

Как это делать правильно:
Шаг 1. Найди что у тебя повторяется из запроса в запрос
Обычно это:
инструкции “как отвечать”
описание роли агента
описание инструментов и схемы JSON-ответов
примеры формата
кусок постоянного контекста о проекте

Шаг 2. Собери из этого “шапку” и не трогай её
Важная идея: шапка должна быть одинаковой байт в байт, без случайных изменений
Если ты каждый раз меняешь хотя бы одно слово в начале, кеш будет ломаться

Шаг 3. Всё динамическое перенеси вниз
Динамика это:
сообщение пользователя
конкретная задача на сегодня
вставки из логов, файлов, базы
timestamp, случайные id, “текущее время”, и прочее
Динамика в конце, иначе ты сам себе убиваешь кеш

Шаг 4. Следи за метриками
Если платформа показывает cached_tokens или cached input, смотри растёт ли доля кеша
Если кеша нет, почти всегда причина в том, что префикс “плывёт”

Шаг 5. Не мешай caching и агрессивную компрессию без плана
Когда ты часто переписываешь старые сообщения или делаешь автокомпакт, ты меняешь префикс и кеш начинает хуже попадать
Идеальный вариант для кеша это когда история только дописывается в конец, а начало остаётся стабильным

Способ 8. Для фоновых задач используем batch

Если задача не требует мгновенного ответа, не обязательно гонять её в обычном режиме

Batch отлично подходит для массовых однотипных задач: классификация, разметка, summaries для пачки документов, обработка очереди background-задач

Не подходит: чат в реальном времени и интерактивный coding loop
Подходит идеально: nightly jobs, массовая обработка данных, фоновые пайплайны, очереди без жёсткого SLA

Как делать batch правильно
Шаг 1. Сформулируй задачу так, чтобы она была независимой
Batch любит задачи вида “на вход текст -> на выход JSON”
Например:
разметить 1000 сообщений по категориям
достать из 500 статей даты и названия проектов
сжать 300 логов до короткой выжимки “что сломалось и где”

Шаг 2. Дай фиксированный формат ответа
Чем меньше свободы у модели, тем меньше мусора она генерирует, и тем проще тебе потом это обрабатывать
Пример логики: “выводи только JSON с полями category, confidence, reason_short”

Шаг 3. Группируй задания по шаблону
Если у тебя много разных промптов, batch выгода падает
Лучше один шаблон и много входных данных, чем 100 разных шаблонов

Шаг 4. Не отправляй в batch то, что нужно прямо сейчас
Batch это про дешевле, но не мгновенно
Если нужен интерактивный диалог, оставайся в обычном режиме

Шаг 5. Делай “двухступенчатую” схему
Дешёвая модель в batch делает черновую обработку и вытаскивает факты
Дорогая модель в realtime собирает финальный ответ из этих фактов
Так у тебя и цена ниже, и качество финала выше

Способ 9. Не возвращаем модели все промежуточные данные

Типичная ошибка агентных систем:
Агент вызывает инструмент, инструмент возвращает огромную простыню, всё это попадает обратно в контекст модели, и модель переваривает мусор, который ей не нужен

Правильнее: инструменты по возможности возвращают не сырые данные, а агрегаты, summaries, отфильтрованные результаты и нужные поля

Пример
Вместо 1000 строк логов лучше вернуть errors_count и топ ошибок

Как делать правильно, чтобы новичок понял
Шаг 1. Реши что именно модели нужно узнать из данных
Например: “какая ошибка”, “где упало”, “что делать”, “сколько раз повторилось”
Если цель понятна, ты сразу понимаешь что можно выкинуть

Шаг 2. Сжимай инструментами до того, как это увидит модель
Вместо “вот тебе весь лог” делай:
счётчики
топ ошибок
первые 10 строк вокруг места падения
уникальные сообщения без повторов

Шаг 3. Возвращай структуру, а не простыню
Если можешь, возвращай JSON с фиксированными полями
Тогда модель не будет тратить токены на “прочитать и понять полотно”, и меньше шанс что она пропустит главное

Шаг 4. Если всё же нужен сырой кусок, отдавай маленький фрагмент
Например: 30 строк вокруг ошибки, а не 5000 строк всего файла

Шаг 5. Всегда оставляй возможность “достать подробности по запросу”
Сначала отдаёшь короткую выжимку
Если модели реально понадобится, она попросит конкретный фрагмент
Это почти всегда дешевле, чем сразу вывалить всё

Итого: что выбрать новичку

Если вы только начинаете и не хотите усложнять себе жизнь, вот практический набор:
1. Поставить RTK (если работаете через CLI-агента)
2. Сделать CLAUDE.md или AGENTS.md (коротко описать проект, команды и запреты)
3. Ограничивать область каждой задачи (не "посмотри всё", а "работай только с этим модулем")
4. Делать промпты короче (сразу писать формат ответа и границы задачи)
5. Чистить длинные сессии и ограничивать max-turns

Если вы уже строите своего агента через API, добавляйте:
1. Prompt caching
2. Model routing
3. Batch для фоновых задач
4. Сжатые tool outputs

Мой практический совет

Если лень разбираться во всём сразу, делайте в таком порядке:
1. rtk init -g
2. CLAUDE.md или AGENTS.md в проект
3. короткие промпты + max-turns
4. compact после больших блоков работы
5. потом уже caching и routing

Экономия токенов это не про жадность. Это про то, чтобы агент тратил ресурсы на полезную работу, а не на чтение мусора, повторение одного и того же и бесконечные loops

Надеюсь эта статья была полезной. Если это так то прошу подписаться на мой канал и поделиться статьей

Если будут вопросы, пишите мне в личку или в чат

Обнял вас крепко, жду фидбека!

Создаём ИИ-агента за 0$ и за 5$

2026-03-18T13:37:09.679Z

Очень крутая обложка!

Привет, меня зовут Луми, я создатель канала Valency Labs

Все вокруг говорят про ИИ-агентов, но 90% людей думают, что для этого нужны дорогие подписки, мощные серверы и знание программирования на уровне сеньора. Спойлер — нет

В этой статье я покажу вам два способа создать полноценного ИИ-агента:

За 5$/мес — на удалённом сервере (работает 24/7)
За 0$ — локально на вашем компьютере

💰А в конце — Топ-10 бесплатных ИИ моделей для ваших агентов + как получить к ним доступ через API. Поехали!

Способ 1: ИИ-агент на сервере за 5$/мес (OpenClaw)

Что такое OpenClaw?

OpenClaw — это такой «шлюз-демон», который крутится на вашем сервере в фоне и управляет запросами к ИИ-моделям. Грубо говоря, это ваш личный ИИ-ассистент, который работает 24/7, даже когда вы спите

В чём прикол? Работает постоянно на сервере (не нужно держать комп включённым). Можно подключить к Telegram, Discord, WhatsApp. Поддерживает кучу бесплатных ИИ-моделей. Умеет выполнять команды, работать с файлами, запускать скрипты. Настраивается через простой JSON-файл

Что нам понадобится?

Сервер. Самый дешёвый вариант — Hetzner CX23:

— 2 vCPU

— 4 GB RAM

— 40 GB SSD

— 20 TB трафика

— 5$/мес (буквально чашка кофе)

Сервер в Германии, пинг отличный, стабильность топ

Пошаговая установка

1. Покупаем сервер на Hetzner

Идём на hetzner.com/cloud, регистрируемся, выбираем CX23 (Germany, NBG1). Выбираем Ubuntu 24.04 как ОС. Создаём сервер — получаем IP и пароль на почту.

2. Подключаемся к серверу

Открываем терминал (или PowerShell на Windows) и пишем:

ssh root@ваш_ip_адрес

Вводим пароль. Всё, мы на сервере

3. Обновляем систему

bashapt update && apt upgrade -y

4. Устанавливаем OpenClaw

Одна команда — и готово:

bashcurl -fsSL https://openclaw.ai/install.sh | bash

Скрипт сам установит Node.js (если нету), поставит OpenClaw CLI и запустит мастер настройки.

5. Настраиваем демон

После установки запускаем:

bashopenclaw onboard --install-daemon

Тут мастер попросит вас: Выбрать AI-провайдер (рекомендую OpenRouter — там куча бесплатных моделей) — Выбрать модель по умолчанию — Настроить gateway (оставляем localhost для безопасности) — По желанию: подключить Telegram/Discord

6. Проверяем что всё работает

bashopenclaw status

Если видите "Gateway: running" — поздравляю, у вас есть свой ИИ-агент!

Конфигурация моделей

Все модели настраиваются в файле openclaw.json. Можно задать каскадные фолбэки - если одна модель недоступна, агент автоматом переключится на другую. Удобно!

Важно по безопасности

НЕ открывайте gateway наружу (только localhost) — Для удалённого доступа используйте SSH-туннель — API-ключи храните в env-файлах, а не в коде — Если ставите скиллы от других людей — проверяйте код

Способ 2: ИИ-агент бесплатно на вашем ПК (OpenCode)

Что такое OpenCode?

OpenCode — это опенсорсный терминальный ИИ-агент, написанный на Go. Он работает прямо на вашем компьютере, полностью локально. Никаких серверов, никаких подписок — 0$

В чём прикол? — 100% бесплатный и опенсорсный — Работает локально (полная приватность!) — Поддерживает 75+ провайдеров ИИ-моделей — Можно подключить локальные модели через Ollama — Есть LSP-интеграция (для кодеров это кайф) — OpenCode Zen — курированный список проверенных бесплатных моделей

Но есть нюанс

OpenCode работает локально. Это значит: — Агент работает только пока включён ваш комп — Нужен более-менее нормальный ПК (если хотите гонять локальные модели) — Если используете API моделей — работает на любом компе

Для тех, кому не нужен агент 24/7, а хочется просто мощный ИИ-помощник для работы — это идеальный вариант.

Установка

Windows (PowerShell):

powershelliwr -useb https://opencode.ai/install.ps1 | iex

macOS / Linux:

bashcurl -fsSL https://opencode.ai/install.sh | bash

Или через пакетные менеджеры:

bash# npmnpm install -g opencode@latest# Homebrew (macOS/Linux)brew install opencode# Scoop (Windows)scoop install opencode# Chocolatey (Windows)choco install opencode

Всё. Установка занимает пару минут

Настройка

После установки запускаем opencode в терминале. При первом запуске он предложит: — Выбрать провайдер (OpenRouter, Ollama, и тд) — Подключить API-ключ (или выбрать бесплатный вариант через OpenCode Zen) — Выбрать модель

Для максимально бесплатного варианта — используйте OpenCode Zen. Это курированный список моделей, которые команда OpenCode протестировала и подтвердила их качество. Доступ бесплатный после простой аутентификации

Как получить бесплатный API-ключ (через OpenRouter)

Большинство моделей из топа ниже доступны бесплатно через OpenRouter. Вот как получить ключ:

Заходим на openrouter.ai
Нажимаем Sign Up — можно войти через Google
После регистрации идём в Dashboard → API Keys
Нажимаем Create Key — копируем ключ
Вставляем ключ в OpenClaw (openclaw.json) или OpenCode (при настройке выбираем OpenRouter как провайдер)

Всё! Теперь у вас есть доступ к десяткам бесплатных моделей

Важно: у бесплатных моделей есть лимиты (~50 запросов в день или ~1000 запросов если пополните на $10). Для личного использования хватает за глаза
Важно 2: некоторые модели бесплатные потому что используют ваши промпты или данные для обучения этих же моделей, имейте ввиду

Топ-10 бесплатных ИИ-моделей для агентов (Март 2026)

Все эти модели доступны через бесплатные API и работают как с OpenClaw, так и с OpenCode.

1. NVIDIA Nemotron 3 Super

— 120B параметров (12B активных — значит быстрая!) — Контекст: 1M токенов — Лучшая для: планирование и стратегические задачи — Фишка: отлично понимает сложные инструкции и выстраивает цепочки действий. Идеальна как "мозг" вашего агента — Доступ: бесплатно на OpenRouter ($0/M токенов) или на build.nvidia.com

2. Hunter Alpha

— 1T+ параметров (монстр!) — Контекст: 1M токенов — Лучшая для: сложные многошаговые задачи — Фишка: глубокий reasoning, интеграция через OpenRouter. Если нужно чтобы агент думал как человек — это ваш выбор — Доступ: через OpenRouter (бесплатный тир)

3. Kimi K2.5

— 1T параметров (32B активных) — Мультимодальная (работает с текстом, картинками, кодом) — Лучшая для: комплексные задачи с разными типами данных — Фишка: "swarm intelligence" — умеет разбивать задачи на подзадачи и решать их параллельно — Доступ: через OpenRouter или напрямую через Moonshot AI

4. Qwen3 Coder 480B

— 480B параметров (35B активных) — Лидер бенчмарков по программированию (SWE-Bench) — Лучшая для: написание и рефакторинг кода — Фишка: если ваш агент должен кодить — лучше этой модели нет. Абсолютный чемпион — Доступ: бесплатно на OpenRouter

5. StepFun Step 3.5 Flash

— 196.8B параметров (11B активных) — Рекордсмен по скорости — Лучшая для: быстрые команды и парсинг инструкций — Фишка: экстремальный throughput. Отвечает быстрее чем вы моргнули — Доступ: через OpenRouter (бесплатный тир)

6. DeepSeek V3.2

— 671B параметров (MoE архитектура) — Абсолютный лидер в математике (MATH-500) — Лучшая для: логика, математика, аналитика — Фишка: лучший tool-calling среди всех моделей. Если ваш агент работает с инструментами — DeepSeek ваш друг — Доступ через deepseek.com или через OpenRouter

7. MiniMax M2.5

— Интегрирован в OpenCode Zen — Лучшая для: стабильная ежедневная работа — Фишка: высокая надёжность, не нужна кредитка для API-доступа. — Доступ: через OpenCode Zen (бесплатно) или OpenRouter

8. Google Gemma 3 (27B)

— 27B параметров (компактная, но мощная) — До 1M бесплатных токенов/день — Лучшая для: Python-разработка — Фишка: нативный function calling через Python функции (а не через костыльные JSON-схемы). Элегантно! — Доступ: бесплатно через Google AI Studio или OpenRouter

9. GPT-5 Nano

— Ультра-быстрая лёгкая версия — Контекст: 1M токенов — Лучшая для: простые задачи с минимальной задержкой — Фишка: рекордно низкий TTFT (Time To First Token). Идеальна когда нужна мгновенная реакция агента — Доступ: через OpenRouter

10. MiMo V2 Flash

— Разработана Xiaomi — Лучшая для: быстрые агентные воркфлоу — Фишка: "гибридное мышление" — комбинирует быстрые ответы с глубоким рассуждением. Молодая, но перспективная модель — Доступ: через OpenRouter

Какую модель выбрать?

Если лень разбираться — вот моя рекомендация:

Планирование → Nemotron 3 Super

Кодинг → Qwen3 Coder 480B

Быстрые команды → Step 3.5 Flash

Математика/логика → DeepSeek V3.2

Универсальная → Kimi K2.5

Про совет: в OpenClaw можно настроить каскадные фолбэки — одна модель для планирования, другая для кодинга, третья для быстрых ответов. Delegation Architecture это называется

Итого: что выбрать?

OpenClaw (5$/мес):

— Работает на сервере 24/7

— Нужен сервер (Hetzner CX23)

— ✅ Можно подключить к Telegram/Discord

— ✅ Бесплатные модели

— Сложность: средняя

— Для тех, кому нужен автономный агент

OpenCode (0$):

— Работает локально на вашем ПК

— Сервер не нужен

— ❌ Работает только пока комп включён

— ✅ Бесплатные модели (OpenCode Zen)

— Сложность: лёгкая

— Для тех, кому нужен помощник для работы

Мой совет: — Если вы хотите автономного агента, который работает постоянно и подключён к вашим чатам — берите OpenClaw на Hetzner — Если вам нужен мощный ИИ-помощник для повседневных задач и кодинга — ставьте OpenCode и не тратьте ни копейки

Надеюсь эта статья была вам полезной. Прошу подписаться на мой канал и поделиться статьёй — https://t.me/valencylab

Есть есть вопросы, пишите мне в личку или в Чат - всем помогу

Обнял вас крепко, жду фидбека!

AI-картинки за 0$: полный гайд для крипто-контента

2026-03-12T17:13:14.213Z

Ого, как круто получилось

Привет, меня зовут Луми, я создатель канала Valency Labs

Бывало ли у вас такое, что вы хотите быстренько сгенерировать картинку для поста в Твиттер, накидать макет дизайна и тд. , но этот чёртов Nano Banana 2: А) долго генерирует, Б) выдаёт вообще не то что надо и надо генерировать одно и то же по 10 раз? Тогда вы попали куда надо. В этой короткой статье я вам покажу:

Как бесплатно генерировать картинки
Как генерировать бесконечное кол-во вариантов пикчи за раз
Как максимально гибко редактировать элементы на сгенерированной пикче
Бонусы и фишки от меня

1. Генерация картинок

Наш сегодняшний инструмент - Flow. Это платформа от Гугл для генерации изображений и видео. Он бесплатный для пикч, но токенов у нас хватит даже на генерацию одного видео (Вау!)

Создаём новый проект, и тут выбираем Изображение - Формат пикчи - Количество генераций (ставим 4 конечно) - Nano Banana 2

После того как написали промпт и (если) закинули референс, можем нажимать кнопку отправки хоть миллион раз и генерировать разные варианты

Важно! Если не хотите писать один и тот же промпт много раз, перейдите в настройки проекта и отключите "Очищать поле ввода запроса после отправки"

2. Редактирование элементов на фото

На уже сгенерированной картинке мы можем генерировать/удалять элементы, менять её размер и рисовать на ней. Я вам продемонстрирую первый инструмент

Выбираем одну из картинок, выбираем данный инструмент (далее рамку или лассо), выделяем нужный объект и пишем промпт

Вуаля!

3. Бонус

Если вам нужно именно такое же изображение что сгенерировал Flow, но в формате квадрата, идём в Gemini, присылаем ему картинку, пишем "Сгенерируй ровно эту же картинку но в разрешении 1000х1000 пикселей". А ватермарку от Gemini убираем в Magic Eraser. Готово, вы умничка!

Надеюсь эта статья была вам полезной. Прошу подписаться на мой канал и поделиться статьей в где угодно - https://t.me/valencylab

Обнял вас крепо, жду фидбека!