OpenClaw-Agentenarchitekturmuster: Multi-Agenten-Delegation, 5-Schichten-Speicher und Watchdog-Systeme

Multi-Agent-Delegation zur Kostenkontrolle

Der Entwickler setzt spezialisierte Sub-Agenten für verschiedene Aufgaben ein, um API-Kosten zu senken und gleichzeitig die Qualität zu erhalten. Das Setup umfasst:

• Ein kostengünstiges Modell für Hintergrundwartung und Heartbeats (speziell Haiku 4.5 für heartbeat.md)
• Ein forschungsorientiertes Modell für Web-Scans
• Ein Grok-Modell für native X-Suche
• Ein sicherheitsfokussiertes Modell für tägliche Systemaudits
• Das primäre Modell für direkte Konversation

Jeder Agent hat sein eigenes Briefing-Dokument, das seine Rolle definiert, und das primäre Modell orchestriert die Aufgabenverteilung. Der Entwickler versuchte, auf ein sehr kostengünstiges Primärmodell umzusteigen, war jedoch mit den Ergebnissen unzufrieden und merkte an, dass die Hälfte von OpenClaws Reiz in der Verwendung hochwertiger Modelle liegt.

5-Schichten-Gedächtnisarchitektur

Um OpenClaws begrenzten internen Speicher zu adressieren, implementierte der Entwickler ein Fünf-Schichten-System:

• Strukturierte Fakten-Datenbank (SQLite mit Entitäten, Beziehungen, Konfidenzscores, Gewichtung nach Wichtigkeit)
• Vektorspeicher (ChromaDB für semantische Suche über alles)
• Episodisches Gedächtnis (bedeutende Ereignisse mit Zeitstempeln und Wichtigkeit)
• Prozedurales Gedächtnis (Verfolgung von was funktioniert hat, was nicht und Effektivität)
• Graph-Gedächtnis (Entitätsbeziehungen, die zeigen, wer mit was verbunden ist)

Ein hybrides Abrufsystem fragt alle fünf Schichten ab und bewertet die Ergebnisse. Das System enthält einen Gedächtnisverfallsmechanismus, bei dem Fakten mit der Zeit an Genauigkeit verlieren, anstatt einfach behalten oder gelöscht zu werden. Hochwichtige Erinnerungen bleiben in voller Auflösung, während weniger genutzte zu Zusammenfassungen, dann zu Essenzen und schließlich nur zu einem Hash komprimiert werden, der beweist, dass sie existierten. Der Agent kann verfallene Erinnerungen wieder in volle Auflösung zurückversetzen, wenn sie wieder relevant werden.

Multi-Agent-Räte (MACx)

Für komplexe Entscheidungen startet der Entwickler 5 Frontier-Modelle parallel über verschiedene Anbieter:

• ChatGPT 5.4 Thinking
• Grok 4.20 Reasoning
• Opus 4.6
• Minimax M2.5
• Gemini 3.1

Modelle werden ausgetauscht, sobald neue veröffentlicht werden. Jedes Modell analysiert unabhängig, dann überprüfen sie gegenseitig ihre Arbeit, und ein Vorsitzender synthetisiert die Ergebnisse. Das System hat drei Modi: Deliberation (Entscheidungsunterstützung), Forschung (tiefgehende Untersuchung) und Brainstorming (kreative Ideenfindung). Kürzlich wurde eine "Phase 0" hinzugefügt, in der der Rat zuerst Annahmen identifiziert und Klärungsfragen stellt, bevor er berät.

Sicherheits- und Überwachungsansatz

Nachdem der Entwickler von Malware auf Skill-Hubs gehört hatte, übernahm er die Strategie, maßgeschneiderte Lösungen für jede skill-ähnliche Modifikation zu erstellen. Claude Code, das über ACPX mit OpenClaw kommuniziert, konstruiert etwas mit Autorisierung, nachdem es die Codebasen anderer Skills bewertet hat. Jeder neue Build beginnt halb von Grund auf, nur mit der Idee.

Ein täglicher Subagent scannt, was andere mit ihren OpenClaw-Agenten machen, um Inspiration zu sammeln. Das Watchdog-System hat drei Ebenen: grundlegende Gesundheitsüberwachung, Service-Level-Checks und tiefergehende Diagnosefähigkeiten, die mit einem ACPX-Aufruf an einen Vibe-Coder verbunden sind, der auf dem Host-Rechner läuft, wenn grundlegende Checks und Befehle nicht ausreichen.