Magtayo ng site sa pakikipag-usap sa isang AI agent: ang halimbawa ng HackerTube

Ang isang AI agent ay kayang magtayo ng buong site para sa iyo maliban sa tatlong bagay: ang API key, ang server at ang domain. Iyan ang hati sa HackerTube, isang YouTube-style na site na sinasabi ni Andrej Karpathy na ginawa niya sa loob ng mga dalawang oras sa pamamagitan lamang ng pakikipag-usap kay Claude. Sa ibaba: ang apat na yugto na pinagdaanan ng proyekto, kung ano ang kailangan mong ihanda mismo, at kung paano tantiyahin ang magagastos ng paulit-ulit na gitnang yugto sa sarili mong data.

Apat na yugto, sa ganitong pagkakasunod-sunod#

Inilathala ni Karpathy (AI researcher, co-founder ng OpenAI, dating Tesla AI director, founder ng Eureka Labs) ang write-up noong 31 Oktubre 2026: HackerTube sa kanyang blog. Kinokolekta ng site ang mga komento sa Hacker News na nagrerekomenda ng YouTube video at hinahayaan kang i-browse ang mga ito. Sa likod nito ay may skeleton na halos lahat ng 'just talk to the agent' na proyekto ay mayroon. Subukang ayusin ito mismo:

Ang ikalawang yugto ang kakaiba. Ang download, build at deploy ay nangyayari nang isang beses bawat isa. Ang tanong na keep-o-drop ay itinatanong nang isang beses bawat item, sampu-sampung libong beses. Tandaan iyan, babalik tayo diyan pagdating sa pera.

Ano ang ginawa ng agent, sa mga numero#

Narito ang run ayon sa paglalarawan ni Karpathy. Nagtrabaho siya sa Claude Code desktop app. Ang Opus 5.5 sa medium effort, ang default niya, ay nag-download ng Hacker News comments dataset mula sa Hugging Face at nag-filter nito. Ang Sonnet ay dumaan sa mga komento sa loob ng isang Claude Code Workflow. Ang lumabas: mga 40K komento na nagrerekomenda ng YouTube video, 6,454 na video mula 2007 hanggang 2026, na pinagsama-sama sa 150 topic. Pagkatapos ay itinayo ng Opus ang interface at ini-deploy ito sa isang VPS. Ang site ay may 'ForYou' na rekomendasyon na walang account (ang state ay nasa browser session), keyboard shortcuts at data export, para maipasa ng ibang tao ang data sa sarili nilang agent.

Ang hindi ibinibigay ng post: anumang gastos o token count, at kung aling mga hakbang ang plain code kumpara sa model calls. Kaya ang 'dalawang oras' ay isang oras, hindi presyo. Kung gusto mong malaman kung bakit mahalaga ang pagkakaibang iyon, kailangan ba ng agent ang modelo sa bawat hakbang? ang sumasaklaw doon.

Tatlong bagay na nananatili sa iyo#

Tatlong hakbang ang ginawa ni Karpathy nang manwal: gumawa siya ng Google Cloud API key (para sa YouTube metadata), nag-boot ng VPS at bumili ng domain. Tingnan kung ano ang pagkakatulad nila. Ang bawat isa ay nakatali sa account mo: isang login, isang billing profile, ang pagkakakilanlan mo. Kayang isulat ng agent ang bawat command, pero hindi ito makakatayo sa checkout sa halip mo. Parang pagkuha ng builder: itatayo nila ang bahay, pero ikaw ang pipirma para sa lupa.

Sa pagsasanay, hihinto ang agent at magtatanong. Gawin mo mismo ang key, ilagay ito sa isang environment variable, at ibigay sa agent ang pangalan ng variable lamang, hindi kailanman ang key mismo. Kung bago sa iyo ang mga key, ano ang API key at paano ito iimbak nang ligtas ay tumatagal ng limang minuto.

Subukan ang parehong hugis sa sarili mong data#

Sabihin nating mayroon kang reviews.csv na may 40,000 product review at gusto mo ng maliit na searchable na pahina na may mga review lamang tungkol sa battery life. Isang prompt sa diwa ng HackerTube:

I have reviews.csv (40000 rows, column: text). Goal: a small searchable web page with only the reviews about battery life.

1. Look at the file and tell me what is in it. Change nothing yet.
2. Write a script that sends each review to a model and gets back keep or drop. Use an OpenAI-compatible API: base URL https://api.cheaptokens.dev/v1, key from the environment variable CHEAPTOKENS_API_KEY, model deepseek-ai/DeepSeek-V4-Flash-0731.
3. Run it on the first 100 reviews, show me the results and the tokens used. Wait for my OK before the full run.
4. Build the page from the kept reviews.
Whenever you need an account, a key or a payment from me, stop and tell me what to do.

Ang hakbang 3 ang ugali na dapat mong nakawin. Ang isang daang row ay halos walang gastos, at nakikita mo ang mga pagkakamali ng modelo bago ito gumastos ng pera sa apatnapung libo. Ang huling linya ay ang handoff mula sa nakaraang seksyon, nakasulat. Ang base URL at ang model id ay nagmumula sa CheapTokens docs; ikaw mismo ang gumagawa ng key doon.

Magkano ang bulk stage#

Bumalik tayo sa yugtong paulit-ulit. Sabihin nating ang bawat review kasama ang isang linyang instruction ay mga 150 token, at ang sagot ('keep' o 'drop') ay mga 10. Para sa 40,000 review, iyon ay 40000 × 150 = 6000000 input token at 40000 × 10 = 400000 output token. Sa DeepSeek-V4-Flash ang buong pass ay $0.13, sa GLM-5.3-Flash $0.136. Kung pagsasamahin ang input at output, pareho silang mas mura kaysa OpenRouter. Napakaliit ng bawat request, kaya ang 380K at 390K context window ay hindi kailanman pumapasok; ang mahalaga ay ang presyo kada token na pinarami ng napakalaking bilang ng calls.

Palitan ang mga numero ng sarili mong data at tingnan:

Isang yugto lamang iyon. Ang pagbuo at pag-deploy ay hiwalay na session kasama ang agent, at ang tunay mong filter prompt ay mas mahaba sa isang linya. I-filter ang 40K komento gamit ang LLM ay nagpapakita ng buong keep/drop prompt, at model routing ay nagpapaliwanag kung paano ipadala muna ang madaling item sa murang modelo. Ang kasalukuyang presyo para sa bawat modelo ay nasa pricing page.

Ang unang hakbang mo: ipadala ang 100 row na iyon sa first-request setup, basahin ang mga sagot, at pagkatapos lamang hayaan ang agent na patakbuhin ang natitira.