OpenClaw
Was dieser Artikel behandelt
- Was OpenClaw ist und welches Ziel es verfolgt.
- Wie man OpenClaw installiert und startet.
- Wie ein einfacher autonomer Workflow aussieht.
- Wofür OpenClaw besonders geeignet ist.
- Typische Stolpersteine für Einsteiger.
Einleitung
OpenClaw ist ein offenes Framework für die Steuerung autonomer KI-Agenten. Es geht darum, Agenten nicht nur als Helfer zu verstehen, sondern als eigenständige Einheiten, die Ziele verfolgen, Entscheidungen treffen und Aktionen ausführen. OpenClaw versucht, diese Steuerung offen und erweiterbar zu gestalten.
OpenClaw kurz erklärt
OpenClaw definiert Agenten als Systeme mit Zielen, Wahrnehmungen und Aktionen. Ein Agent beobachtet seine Umgebung, plant den nächsten Schritt und führt ihn aus. Das Framework ist weniger auf Gespräche oder Rollen fokussiert als auf Entscheidungsfindung und Ausführung.
Installation
Da sich OpenClaw schnell entwickelt, empfiehlt sich die Installation aus dem Repository:
git clone https://github.com/openclaw-ai/openclaw.git
cd openclaw
pip install -e .Sollte das Paket mittlerweile auf PyPI verfügbar sein, reicht auch:
pip install openclawFür den Betrieb mit lokalen Modellen über Ollama:
export OPENAI_BASE_URL="http://localhost:11434/v1"
export OPENAI_API_KEY="irrelevant-für-ollama"Erste Schritte: Ein einfacher Ziel-Agent
from openclaw import Agent, Goal
agent = Agent(
goal=Goal("Sammle aktuelle KI-Nachrichten von drei Quellen"),
model_config={
"model": "llama3.1",
"base_url": "http://localhost:11434/v1",
"api_key": "ollama"
}
)
agent.run()Das ist ein konzeptionelles Beispiel. Die genaue API kann je nach Version variieren. Es zeigt aber die Idee: Ein Ziel wird definiert und der Agent arbeitet darauf hin.
Wofür ist OpenClaw geeignet?
| Einsatzgebiet | Nutzen |
|---|---|
| Autonome Workflows | Agent verfolgt ein Ziel über mehrere Schritte |
| Recherche-Agenten | Sammelt und strukturiert Informationen |
| Experimente | Testet unterschiedliche Strategien der Agentensteuerung |
| Forschung | Offene Architektur für eigene Ideen |
Typische Stolpersteine
- Schnelle Entwicklung - Die API kann sich noch ändern.
- Dokumentation prüfen - Aktuelle Befehle findest Du im Repository und der Readme.
- Lokale Modelle - Autonome Agenten brauchen oft starke Modelle und viele Token.
Weiterführende Links
FAQ - Typische Fragen
Was ist OpenClaw?
OpenClaw ist ein offenes Framework für die Steuerung autonomer KI-Agenten. Es definiert Agenten als Systeme mit Zielen, Wahrnehmungen und Aktionen und legt den Fokus auf Entscheidungsfindung und Ausführung statt auf reine Konversation.
Ist OpenClaw kostenlos?
Ja, OpenClaw ist Open Source und kostenlos. Kosten entstehen nur für die Hardware und die Modelle, die Du für die Inferenz nutzt.
Ist OpenClaw für Produktivumgebungen geeignet?
Derzeit eher für Experimente und Forschung. Wer stabile Workflows braucht, setzt auf etabliertere Frameworks wie LangGraph oder CrewAI.
Kann ich OpenClaw lokal betreiben?
Ja, über OpenAI-kompatible lokale APIs wie Ollama. Die genaue Konfiguration hängt vom Release ab.
Welche Programmiersprache braucht OpenClaw?
OpenClaw ist in Python geschrieben. Du brauchst eine aktuelle Python-Version (empfohlen 3.10 oder neuer) und pip für die Installation.
Welche Modelle funktionieren mit OpenClaw?
Alle Modelle, die über eine OpenAI-kompatible API erreichbar sind. Lokal eignen sich Llama 3.1, Qwen 2.5 oder Mistral über Ollama. In der Cloud funktionieren OpenAI, Anthropic oder Together AI.
Wie installiere ich OpenClaw?
Am einfachsten über pip mit pip install openclaw. Alternativ kannst Du das Repository klonen und mit pip install -e . installieren, um die aktuelle Entwicklungsversion zu nutzen.
Wie verbinde ich OpenClaw mit Ollama?
Du setzt die Umgebungsvariable OPENAI_BASE_URL auf http://localhost:11434/v1 und OPENAI_API_KEY auf einen beliebigen Wert. Ollama bietet einen OpenAI-kompatiblen Endpunkt, den OpenClaw direkt ansprechen kann.
Was ist der Unterschied zwischen OpenClaw und CrewAI?
CrewAI fokussiert sich auf die Zusammenarbeit mehrerer Agenten mit Rollen. OpenClaw legt den Schwerpunkt auf einzelne autonome Agenten, die ein Ziel verfolgen und selbstständig Entscheidungen treffen.
Was ist der Unterschied zwischen OpenClaw und LangGraph?
LangGraph modelliert Agenten als Graphen mit Knoten und Kanten. OpenClaw abstrahiert stärker über Ziele und Aktionen. LangGraph ist ausgereifter und besser dokumentiert, OpenClaw experimenteller.
Brauche ich eine Grafikkarte für OpenClaw?
Nicht zwingend. Wenn Du lokale Modelle über Ollama nutzt, beschleunigt eine GPU die Inferenz deutlich. Du kannst OpenClaw aber auch mit Cloud-APIs verwenden, dann reicht ein normaler Rechner.
Kann ich mehrere Agenten gleichzeitig laufen lassen?
Ja, OpenClaw unterstützt mehrere Agenten. Du kannst sie nacheinander oder parallel starten. Für komplexe Multi-Agenten-Workflows sind aber Frameworks wie AutoGen oder CrewAI oft besser geeignet.
Wie viel RAM brauche ich für OpenClaw mit lokalen Modellen?
Für 7B-Modelle mindestens 16 GB RAM, besser 32 GB. Größere Modelle wie 70B benötigen 64 GB oder mehr. Mit Cloud-APIs reicht der Speicher für das Framework selbst.
Kann ich OpenClaw in Docker betreiben?
Ja. Du kannst ein Dockerfile schreiben, das Python, OpenClaw und optional Ollama enthält. So lässt sich der Agent isoliert und reproduzierbar betreiben.
Gibt es eine grafische Oberfläche für OpenClaw?
OpenClaw selbst ist primär ein CLI- und Python-Framework. Für eine Oberfläche kannst Du Open WebUI oder eigene Frontends anbinden, die die API ansprechen.
Wie debugge ich einen OpenClaw-Agenten?
Nutze Logging in Python, zum Beispiel logging.basicConfig(level=logging.DEBUG). OpenClaw gibt in der Regel aus, welche Schritte der Agent plant und ausführt. Bei Verbindungsproblemen hilft ein Curl-Test gegen die Modell-API.
Kann OpenClaw auf Dateien zugreifen?
Ja, Du kannst einem Agenten Werkzeuge geben, die Dateien lesen oder schreiben. Die genaue Implementierung hängt von der OpenClaw-Version ab. Schau in die Readme des Repositories.
Was ist ein Goal in OpenClaw?
Ein Goal ist das Ziel, das ein Agent verfolgen soll. Es kann ein Text wie “Sammle Nachrichten von drei Quellen” sein. Der Agent plant selbstständig die nötigen Schritte, um das Ziel zu erreichen.
Kann ich OpenClaw mit MCP nutzen?
MCP (Model Context Protocol) ist ein Standard für Werkzeuge und Kontext. Ob OpenClaw MCP direkt unterstützt, hängt vom Release ab. Schau in die aktuelle Dokumentation oder die Issues im Repository.
Ist OpenClaw sicher für autonome Aktionen?
Autonome Agenten können unerwartete Aktionen ausführen. Nutze Sandbox-Umgebungen, begrenze Werkzeuge und protokolliere alle Schritte. Setze produktive Workflows nie ohne Überwachung ein.
Wo finde ich die Dokumentation?
Die primäre Quelle ist die Readme im OpenClaw GitHub-Repository. Da sich das Framework schnell entwickelt, ist die Readme oft aktueller als externe Tutorials.
Kann ich OpenClaw kommerziell nutzen?
Das hängt von der Lizenz ab. Prüfe die Lizenz im Repository. Open-Source-Lizenzen wie MIT oder Apache 2.0 erlauben kommerzielle Nutzung, aber Du solltest die genaue Lizenz lesen.
Wie halte ich OpenClaw aktuell?
Wenn Du über pip installiert hast, reicht pip install —upgrade openclaw. Bei einer Installation aus dem Repository nutze git pull und pip install -e . erneut.
Gibt es Beispiele für OpenClaw-Workflows?
Im Repository findest Du oft Beispiele im examples/-Ordner. Sie zeigen, wie man Ziele definiert, Werkzeuge anbindet und Agenten startet.
Was mache ich, wenn mein Agent nicht reagiert?
Prüfe zuerst, ob die Modell-API erreichbar ist. Teste mit curl http://localhost:11434/v1/models für Ollama. Schau dann ins Log von OpenClaw. Oft ist ein falscher Modellname oder eine fehlende Umgebungsvariable das Problem.