Afiitt

Your smart AI crew for digital marketing, affiliate and ads

Comment

Inspiration

Saya seorang solo fighter yang harus mengerjakan terlalu banyak hal sekaligus: bikin konten, analitik, deploy code, ngurus ads, sampai posting schedule. Masalah terbesar bukan kekurangan tools, tapi terlalu banyak context switching. Saya sadar satu AI assistant general-purpose tidak cukup. Yang saya butuhkan adalah sebuah tim AI spesialis yang bisa bekerja seperti perusahaan kecil.

Dari situ lahir ide Afiitt: sebuah sistem multi-agent AI yang terdiri dari beberapa persona spesialis dengan role masing-masing, tetapi tetap bisa berkolaborasi, mendelegasikan tugas, dan menjaga konteks kerja lintas sesi. Tujuannya sederhana: membuat seorang solo founder bisa terasa seperti punya tim internal sendiri.

What it does

Afiitt adalah AI workforce system berbasis multi-agent yang bekerja seperti perusahaan kecil digital.

Setiap AI agent punya spesialisasi sendiri:

  • Jeje → Leader / Project Manager yang menerima request dan mendelegasikan tugas
  • Ucok → Content creator untuk TikTok & Instagram
  • Udin → Analytics & reporting
  • Joko → Full-stack developer
  • Ucup → Publishing & scheduling
  • Fajar → Digital marketing & ads optimization

Cara kerjanya sangat sederhana untuk user: cukup chat satu agent utama, lalu sistem akan memecah task, mendistribusikan pekerjaan ke specialist agent, dan mengembalikan hasilnya.

Contoh:

“Buatkan campaign viral untuk produk skincare”

Jeje akan:

  1. Menganalisa objective
  2. Mengirim task ke Ucok untuk content concept
  3. Mengirim task ke Fajar untuk ads angle
  4. Mengirim task ke Udin untuk benchmark analytics
  5. Mengembalikan output terstruktur ke owner

Semua agent memiliki memory persistent sehingga tetap mengingat konteks kerja walaupun session restart.

How we built it

Kami membangun Afiitt menggunakan pendekatan single-brain, multi-persona architecture.

Tech Stack

  • OpenClaw (v2026.5.12) → multi-agent runtime
  • OpenAI GPT-5.5 → underlying LLM
  • mem9 → persistent cloud memory
  • Vite.js + React → dashboard frontend
  • Node.js + TypeScript → application runtime
  • Telegram Bot API → 6 bot persona
  • Brave Search API → web grounding & trend lookup
  • SQLite → local vector memory
  • Markdown + YAML → inter-agent communication protocol
  • JSON → config & runtime state

Architecture Highlights

1. Single-Brain, Multi-Persona
Satu runtime OpenClaw menangani banyak persona berbeda, tetapi setiap agent tetap memiliki workspace, inbox, dan memory yang terisolasi.

2. File-Based Agent-to-Agent Protocol
Alih-alih memakai message queue kompleks seperti RabbitMQ atau Redis, kami memakai markdown inbox files + YAML frontmatter untuk komunikasi antar-agent.

3. Persistent Memory
Dengan mem9, agent dapat mengingat konteks lintas sesi sehingga terasa seperti rekan kerja nyata, bukan chatbot stateless.

4. Heartbeat Workflow
Setiap agent melakukan polling inbox berkala untuk mengambil task prioritas dan menyelesaikannya secara otomatis.

Challenges we ran into

Multi-agent orchestration

OpenClaw belum didesain sebagai first-class multi-agent runtime, sehingga kami harus menciptakan sistem single-brain, multi-persona routing sendiri.

Cross-agent communication

Kami ingin agent dapat saling bekerja tanpa infrastruktur berat. Tantangannya adalah menciptakan komunikasi yang durable, replayable, dan sederhana.

Telegram multi-bot setup

Migrasi dari single bot ke multiple Telegram accounts membutuhkan perubahan besar di struktur konfigurasi.

Memory persistence

Mengintegrasikan memory plugin secara benar ternyata cukup tricky karena placement config sangat sensitif.

Cost vs responsiveness

Polling terlalu cepat menyebabkan token burn tinggi, sementara polling terlalu lambat membuat workflow terasa lambat. Menentukan sweet spot menjadi tantangan sendiri.

Accomplishments that we're proud of

  • Berhasil membangun AI team dengan spesialisasi nyata, bukan satu chatbot serba bisa
  • Membuat agent-to-agent collaboration tanpa message broker kompleks
  • Menciptakan sistem memory persistent lintas sesi
  • Menjalankan 6 AI persona dengan role berbeda di Telegram
  • Membuat workflow yang realistis untuk kebutuhan solo founder

Yang paling membanggakan adalah: sistem ini benar-benar membantu workflow harian, bukan sekadar prototype demo.

What we learned

  • Specialization beats generalization untuk AI agent
  • File-system ternyata bisa menjadi protocol yang sangat powerful
  • Workflow sederhana sering kali lebih reliable daripada architecture kompleks
  • Persona consistency sangat dipengaruhi dokumentasi yang baik
  • Persistent memory membuat AI terasa jauh lebih “hidup” dan usable

What's next for Afiitt

Kami ingin membawa Afiitt dari assistant system menjadi fully autonomous AI workforce.

Roadmap berikutnya:

  • Integrasi langsung ke Instagram Graph API & TikTok API
  • Real-time dashboard monitoring untuk seluruh agent
  • Voice-based daily reporting
  • Penambahan agent baru untuk Finance dan Customer Support
  • Open-source starter template agar founder lain bisa membangun AI company mereka sendiri

Built With

  • cursor
Share this project:

Updates