OpenClaw Onboarding: Wie Du Deinen KI-Agenten Richtig Trainierst
OpenClaw Onboarding: Wie Du Deinen KI-Agenten Richtig Trainierst
Onboarding ist die wichtigste Phase der Arbeit mit OpenClaw. Wie du dich dem Agenten "vorstellst", bestimmt die Qualität aller zukünftigen Arbeit. Es ist eine Investition von 30-50€ in Tokens, die sich vielfach auszahlt.
Warum Das Kritisch Ist
"Denke an OpenClaw als günstige Arbeitskraft, die du trainieren musst — Müll-Anweisungen = Müll-Output"
Der Agent ist kein fertiges Produkt—es ist ein trainierbares System. Je besser du es trainierst, desto nützlicher wird es.
Modell für Onboarding
Nutze Claude Opus
- Gibt dem Agenten die beste "Persönlichkeit"
- Versteht Nuancen
- Kostet 30-50€ in Tokens
- Nach Setup zu günstigem Modell wechseln
"Kommt an nichts anderes heran. Wird deinem Bot die meiste Persönlichkeit geben."
Was Du Dem Agenten Erzählen Sollst
Über dich:
- Beruf und Arbeitsbereich
- Arbeitsgewohnheiten
- Persönliche Gewohnheiten
- Zeitplan (wann du arbeitest, wann du schläfst)
- Zeitzone
Über Interessen:
- Welche Inhalte du konsumierst
- Welche Nachrichten dich interessieren
- Hobbys
- Sport
- Essen
Über Ziele:
- Warum du den Agenten brauchst
- Welche Aufgaben automatisieren
- Was am meisten Zeit kostet
- Was dich an der Routine nervt
Q&A-Session
Bitte den Agenten, dich zu interviewen:
"Mach ein sehr tiefgehendes Q&A über mich, meine Arbeitsgewohnheiten, meine persönlichen Gewohnheiten, wofür ich dich nutzen will, welche Dinge mich interessieren, welche Inhalte ich schaue, welches Essen ich mag, welchen Sport ich verfolge."
Antworte so detailliert wie möglich.
Definiere die Persönlichkeit
Beispiele:
- Ziggy aus Quantum Leap
- JARVIS aus Iron Man
- Cortana aus Halo
- Deine eigene einzigartige Persönlichkeit
Was definieren:
- Wie er dich anspricht
- Formell / informell
- Humor oder Ernst
- Tonfall
- Emoji-Nutzung
Nach dem Onboarding
- Führe
/compactaus — Kontext leeren - Bitte um Speicherung im Gedächtnis
- Überprüfe, was gespeichert wurde
- Zu günstigem Modell wechseln
Investiere ins Onboarding—zahlt sich für immer aus.
👀 Siehe auch
Qwen3.x-Modelle schlagen in OpenClaw aufgrund eines Formatfehlers bei der Streaming-Ausgabe stillschweigend fehl
Qwen3.x-Modelle im Streaming-Modus geben ihre Antworten im 'reasoning'-Feld statt im 'content'-Feld aus, wodurch OpenClaw stillschweigend auf Fallback-Modelle zurückgreift. Ein Proxy, der API-Formate übersetzt und 'think: false' einfügt, behebt das Problem und ermöglicht die vollständige Tool-Call-Auswertung.
OpenClaw-Einrichtung für menschliche Beteiligung bei der Browser-Automatisierung mit Docker, Chromium und noVNC
Ein Entwickler teilt sein Docker-Container-Setup, das es OpenClaw ermöglicht, CAPTCHAs und Genehmigungen während des Betriebs zu verarbeiten, indem Chromium mit noVNC für Fernzugriff verwendet wird, was etwa 300 MB RAM und 3 Sekunden Kaltstartzeit erfordert.
5 Kohärenzprüfungen vor der Veröffentlichung eines OpenClaw-Profils
Hör auf, nach perfektem Spoofing zu jagen. Die interne Signalkohärenz ist wichtiger. TLS, Locale, WebGL, Canvas und Verhaltenschecks von r/openclaw.
Aufteilung des Agentenkontexts in drei Ebenen zur Lösung des 700-Zeilen-Monolithen-Problems
Ein Team, das ein 6-Agenten-autonomes System aufbaut, löste das Problem des aufgeblähten Kontextdateien-Volumens, indem es den Agentenkontext in drei Ebenen aufteilte, basierend auf der Art der Anforderung und der Änderungshäufigkeit: CLAUDE.md für die Identität, BRIEFING.md für die Mission und PLAYBOOK.md für den Betrieb. Dieser Ansatz verhindert stille Fehler durch Argumentgrenzen und macht die Bearbeitung vorhersehbar.