Architektur für den OpenClaw Health-Tracking Agenten mit Telegram

Ein Reddit-Nutzer plant einen OpenClaw-Agenten, um Gesundheitsziele (Prädiabetes, Ernährung, Bewegung, Schlaf) per Telegram zu verfolgen. Der Agent soll tägliche Eingabeaufforderungen, Fotoanalyse, Feedback und Trendberichte übernehmen. Nachfolgend eine technische Aufschlüsselung basierend auf dem Quellbeitrag und praktischer Kenntnis ähnlicher Arbeitsabläufe.

Architekturempfehlung

Das Kernmuster: Telegram Bot → OpenClaw Agent (mit LLM-Backend) → Datenbank → Reporting-Cronjob.

• Telegram Bot: Verwenden Sie python-telegram-bot oder node-telegram-bot-api, um Nachrichten zu empfangen und proaktive Erinnerungen zu senden. Planen Sie Erinnerungen über einen Hintergrund-Cron (z. B. APScheduler oder CronJob).
• OpenClaw Agent: Der Agent umschließt ein LLM (GPT-4o oder Gemini 2.0 Flash aus Kostengründen) mit einem System-Prompt, der:
  • Bei Essensfotos: Gerichtsname, Portionsschätzung und Einhaltung der Mittelmeerdiät extrahiert.
  • Bei Bewegungs-/Schlaf-Screenshots: strukturierte Daten parst (z. B. Schritte, Schlafdauer).
  • Pro Update 3-4 Sätze Feedback zurückgibt.
• Speicher: PostgreSQL oder SQLite aus Einfachheit. Siehe DB-Schema unten.
• Reporting: Wöchentlicher Cron führt eine Aggregationsabfrage aus und ruft LLM auf, um einen Bericht in natürlicher Sprache zu generieren.

Datenbankstruktur

-- Benutzertabelle
CREATE TABLE users (
  user_id INTEGER PRIMARY KEY,
  telegram_id TEXT UNIQUE,
  goals TEXT,          -- JSON: Ziele für Ernährung, Bewegung, Schlaf, Wasser
  blood_test_results TEXT -- JSON, optional
);

-- Tägliche Einträge (einer pro Typ pro Tag)
CREATE TABLE entries (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  user_id INTEGER,
  entry_date DATE,
  type TEXT CHECK(type IN ('sleep', 'water', 'exercise', 'meal')),
  raw_text TEXT,
  raw_image BLOB,       -- oder S3-URL
  structured_data JSON, -- z.B. {"hours":7.5,"quality":"good"}
  feedback TEXT,
  created_at TIMESTAMP
);
-- Wöchentliche/monatliche Zusammenfassungen (vorberechnet)
CREATE TABLE reports (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  user_id INTEGER,
  period_type TEXT CHECK(period_type IN ('weekly', 'monthly')),
  period_start DATE,
  report_text TEXT,
  generated_at TIMESTAMP
);

Zuverlässigkeit der Bildinterpretation

OpenClaw-Agenten verlassen sich auf die visuellen Fähigkeiten des zugrunde liegenden LLM. GPT-4o und Gemini 2.0 Flash sind gut darin, die Einhaltung der Mittelmeerdiät zu erkennen (Gemüse, Hülsenfrüchte, Olivenöl), haben aber Schwierigkeiten mit präzisen Portionsgrößen. Bei Screenshots von Fitness-/Schlaf-Apps funktioniert die Textextraktion per OCR gut, wenn das Bild klar ist. Budget-Tipp: Verwenden Sie Gemini 2.0 Flash (0,10 $/1 Mio. Input-Tokens) für Bilder und GPT-4o-mini für Text.

Machbarkeit des Budgets (50 $/Monat)

Realistisch mit Optimierung. Beispielaufschlüsselung:

• LLM-Inferenz: ~40-50 Aufrufe/Tag (tägliche Check-ins, Fotos, Berichte). Mit Gemini 2.0 Flash (0,10 $/1 Mio. Input, 0,40 $/1 Mio. Output) → ~5 $/Monat.
• Datenbank: SQLite auf einem 5 $-VPS (z. B. Hetzner CX22) → 5 $/Monat.
• Telegram-Bot-Hosting: Gleicher VPS → inbegriffen.
• Gesamt: ~10-15 $/Monat. Bleibt Spielraum für GPT-4o-Fallback (20 Aufrufe, ~8 $) oder gelegentliche Bildanalyse mit Gemini Pro Vision.

Risiken & fehlende Funktionen

• Grenze der medizinischen Beratung: Der System-Prompt muss strengstens verbieten, Diagnosen zu stellen oder professionelle Ratschläge zu ändern. Speichern Sie einen Haftungsausschluss pro Benutzer.
• Datenschutz: Verschlüsseln Sie Gesundheitsdaten im Ruhezustand (AES-256). Ziehen Sie die HIPAA-Konformität in Betracht, wenn Sie andere bedienen.
• Feedback-Schleife: Der Benutzer ignoriert möglicherweise Erinnerungen. Entwerfen Sie eskalierende Benachrichtigungen (z. B. nach 3 ignorierten Wasseraufforderungen ein lustiges GIF senden).
• Wöchentliche Berichterstellung: Risiko von LLM-Halluzinationen. Bevorzugen Sie deterministische Aggregation für Metriken, verwenden Sie LLM nur für narrative Teile.

Vorhandene Komponenten: Sie können den integrierten Telegram-Connector und die PostgreSQL-Vorlage von OpenClaw anpassen. Es gibt keinen vorgefertigten Gesundheitsagenten – Sie müssen den Prompt und das DB-Schema von Grund auf neu erstellen.