Film-X-Bot — Multi-Agent Content System (OpenClaw)

Overview

Implementasi nyata OpenClaw platform sebagai middleware AI di lokal. Sistem ini bukan bot biasa yang posting berulang — ini adalah virtual content agency dengan 7 agent yang masing-masing punya tanggung jawab spesifik: riset, menulis, posting, analisis, evaluasi, konsolidasi memori, dan eksperimen.

Niche konten: opini film, review, dan industri perfilman Indonesia. Berjalan di lokal dengan OpenClaw gateway yang terhubung ke MiniMax M2.7 sebagai LLM utama.

Tech & Libraries

Teknologi dan library yang dipakai atau disentuh di project ini:

Problem

Bot konten biasa tidak bisa improve sendiri — performanya stagnan karena tidak ada feedback loop dari data engagement nyata. Selain itu, menjalankan multi-agent system biasanya butuh infrastruktur kompleks (LangGraph, CrewAI, cloud orchestration). Tantangannya: bagaimana membangun sistem yang self-improving, multi-agent, tapi bisa jalan di lokal tanpa cloud dependency berat?

My Role & Ownership

Solo builder: arsitektur multi-agent, OpenClaw configuration, skill development, prompt engineering, deployment

Technical Approach

Menggunakan OpenClaw framework sebagai middleware layer antara agent scripts dan LLM provider. OpenClaw gateway berjalan di lokal (port 18790) dan menangani routing ke MiniMax M2.7 via Anthropic-compatible API. Setiap agent adalah Python script independen yang membaca/menulis ke shared state folder.

Sistem bekerja dalam 3 siklus: Harian (Scout → Writer dengan Reflexion Loop → Publisher), Mingguan (Analyst scrape metrik → Director update directives), dan Bulanan (Memory Manager konsolidasi frozen rules → Experimenter rancang A/B test baru). Writer menggunakan Reflexion Loop: draft → self-critique (skor 1-10) → revise sampai score >= 8 atau max 3 iterasi.

Architecture Notes

Arsitektur multi-agent dengan shared state pattern:

1. OpenClaw Gateway sebagai middleware: menangani model routing, environment injection, heartbeat scheduling, dan Telegram channel. Agent tidak perlu manage API key atau connection — gateway yang handle.
2. Shared state via JSON files di folder state/: brain_state.json (KPI numerik, machine-readable), directives.md (instruksi per-agent, human-readable), frozen_rules.md (aturan permanen dari data 3+ minggu).
3. Heartbeat controller mengorkestrasi task berdasarkan interval: 4h untuk drafting pipeline, 168h untuk weekly review, 720h untuk monthly memory consolidation.
4. Skills sebagai modular tools: Playwright untuk scraping (X trending, Letterboxd, film sites), xurl untuk posting, DuckDuckGo untuk riset, dan berbagai intel modules (IMDB, Rotten Tomatoes, YouTube, Reddit).

Trade-offs

Keputusan teknis yang sengaja diambil:

1. Pakai MiniMax M2.7 sebagai LLM utama, bukan Claude/GPT — cost lebih rendah ($0.30/1M input, $1.20/1M output) dengan context window 200K dan reasoning capability. Trade-off: kurang mature dibanding Claude untuk nuanced writing, tapi cukup untuk konten opini film.
2. OpenClaw di lokal, bukan cloud deployment — supaya bisa eksperimen bebas tanpa biaya server. Trade-off: bot hanya jalan saat mesin lokal hidup, tapi untuk fase eksperimen ini acceptable.
3. Reflexion Loop di Writer agent — setiap draft di-critique sendiri sebelum posting. Trade-off: 2-3x LLM call per konten, tapi kualitas output jauh lebih konsisten.
4. State berbasis file (JSON + Markdown), bukan database — lebih mudah di-inspect manual dan di-version control. Trade-off: tidak cocok untuk concurrent writes, tapi dengan 1 agent aktif per waktu ini bukan masalah.
5. 4 persona mode (Honest Friend, Contrarian Analyst, Hidden Gems Curator, Industry Observer) yang dirotasi berdasarkan data performa — bukan fixed persona.

Implementation Highlights

• 7-agent architecture dengan separation of concerns: Scout, Writer, Publisher, Analyst, Director, Memory Manager, Experimenter
• Reflexion Loop: draft → self-critique → revise (max 3 iterasi, threshold score 8/10)
• Brain State pattern: shared memory yang dibaca semua agent tapi hanya ditulis oleh Director dan Memory Manager
• 3 siklus feedback: harian (execution), mingguan (intelligence/evaluation), bulanan (self-improvement/experimentation)
• OpenClaw heartbeat controller untuk task orchestration berbasis interval tanpa cron
• Modular intel skills: Playwright scraping untuk X trending, Letterboxd, IMDB, Rotten Tomatoes, Reddit, YouTube

Results

• Implementasi nyata multi-agent AI system yang self-improving — dari arsitektur sampai operasional, tanpa cloud dependency.
• Sistem multi-agent yang bisa self-improve berdasarkan data engagement nyata
• Reflexion Loop menghasilkan konten dengan kualitas lebih konsisten dibanding single-shot generation
• Weekly directive update membuat strategi konten adaptif tanpa intervensi manual
• Arsitektur modular: bisa tambah intel source baru (Letterboxd, IMDB, RT) tanpa ubah core logic
• 7 agent beroperasi dalam 3 siklus otomatis (harian/mingguan/bulanan)
• 30+ modular skills/tools tersedia untuk riset dan content generation
• Konten di-publish otomatis ke X pada prime hours berdasarkan data engagement

Links

• GitHub Repository