Három vállalati AI-agent nyert a Vultr San Franciscó-i hackathonján

A hackathon középpontjában az infrastruktúra állt

A Vultr szerint az agentikus AI fejlődése olyan infrastruktúrát igényel, amely képes támogatni az önállóan működő AI-agenteket. Ez volt a 2026. október 8-án bemutatott Agent Arena Hackathon fókusza, amelyet a vállalat a Cerebral Valleyvel közösen rendezett San Franciscóban.

A versenyzők a Vultr Serverless Inference, a Vultr Cloud Compute és virtuális gépes háttérrendszerek használatával építettek vállalati környezetben is használhatónak szánt agentikus rendszereket. A Vultr közlése szerint a rendezvény azt mutatta meg, hogy az agentek képességei mellett az őket kiszolgáló infrastruktúra is meghatározó.

Nusa és Skeleton Key: gyorsabb modellek, API nélküli weboldalak

Az egyik győztes projekt, a Nusa azt célozza, hogy a felhasználó meglévő CPU-szerverein gyorsabban fussanak az AI-modellek. A modell kiválasztása után a rendszer átírja annak leglassabb kernelét az adott CPU-hoz, majd visszaadja a modell gyorsabb változatát.

A Nusa a Vultr Serverless Inference szolgáltatásán futó nagy nyelvi modell. A hackathon során a Vultr VX1 Cloud Compute-hoz igazított modelleket, és a modellprofil alapján azt a kernelt írta át, amely a legtöbb időt vette igénybe. A Vultr szerint a rendszer felügyelet nélkül is működhet, minden próbálkozást elkülönített, hálózati kapcsolat nélküli microVM-ben futtatva. Az AMD Llama 3.1 8B esetében akár kétszer gyorsabb dekódolási időt eredményezett.

A Skeleton Key az API-val nem rendelkező weboldalak agentek általi használatát teszi lehetővé. A rendszer feltérképezi az oldalt, számozott elemazonosítókkal kattint, rögzíti a webhely kéréseit, ezeket műveletekké alakítja, majd sandboxban futtatja és ellenőrzi őket. Az eredmények MCP-ként, REST- vagy OpenAPI-specifikációként, illetve letölthető Python-kódként is közzétehetők, a személyes adatokat pedig a rendszer kitakarja.

A projekt teljes vezérlősíkját Vultr-szolgáltatások adják, köztük a Cloud Compute virtuális gépei, a Vultr VPC, a Serverless Inference, a Container Registry és az Object Storage. A Skeleton Keyt Carl Okpala és Jiyun Park készítette.

Az RL Forge dokumentumokból épít tanulási környezetet

A harmadik győztes, az RL Forge lehetővé teszi, hogy a felhasználók egy tanulmányt vagy specifikációt töltsenek fel, a rendszer pedig gyakorlatokat és önálló értékelési környezetet hozzon létre. Az agent ebben a környezetben próbálkozásokon és hibákon keresztül tanulhat.

Az RL Forge dokumentumkinyerést, feladatgenerálást, sandboxos végrehajtást és jutalom-ellenőrzést használ. A Vultr által közölt eredmények szerint egy matematikai értékelésben 2/20-ról 5/20-ra javította a pontosságot. Egy nyolcfordulós LEGO-híd-környezetben a sikeres mérnöki javítások száma 3/20-ról 7/20-ra nőtt. A projektet Vishnu Vennelakanti készítette.

Mit jelent ez a felhasználóknak?

A bemutatott projektek eltérő problémákat kezelnek, de mindegyiknél központi szerepet kap a futtatási környezet. A Nusa a meglévő CPU-k jobb kihasználását, a Skeleton Key az API nélküli webhelyek elérését, az RL Forge pedig az agentek gyakorlati tanulását célozza.

A Vultr szerint a hackathon eredményei azt támasztják alá, hogy az agentikus AI vállalati alkalmazásához olyan felhős rétegre van szükség, amely a modellek futtatását, az elkülönített végrehajtást, az adatkezelést és az értékelést is támogatja. A cég ezt az infrastruktúra-réteget a bemutatott fejlesztői projektekkel együtt szemléltette.