Erstellung eines persönlichen Risiko-Episode-Trackers mit OpenClaw: Eine DeFi-Rug-Pull-Fallstudie

Ein Reddit-Nutzer, der bei einem DeFi-Rugpull („NexaVault“) einen Teil seiner Ersparnisse verlor, nutzte OpenClaw, um einen privaten Risiko-Episoden-Tracker zu bauen. Ziel war nicht Betrugserkennung oder Budgetierung – sondern das Erkennen gefährlicher Eigeninitiativen: große relative Überweisungen, konzentrierte Zielkonten, obsessive Erinnerungen an Überwachung, sozialer Druck und schleichende Verschuldung.

Wichtige Designentscheidungen

• Echte Daten, nicht Erinnerung: OpenClaw zog tatsächliche Zahlen aus Bankunterlagen und korrigierte die eigenen Aufzeichnungen des Nutzers (Betrag und Datum waren falsch).
• Episodenbündelung: Es kombinierte ein reales Ereignis, das über 5 Apps verstreut war (Bankabhebungsbenachrichtigung, Einzahlungs-E-Mail, tägliche „Position prüfen“-Erinnerung, Hype-Nachrichten), zu einer einzigen Episode und trennte primäre Beweise (Transaktion + Bestätigungen) von unterstützendem Kontext (Erinnerungen, Nachrichten, steigender Kartenkontostand).
• Datenschutz zuerst: Gespeichert wurden Referenzzusammenfassungen, nicht der rohe Nachrichtentext – denn der Bildschirm könnte vor der Familie offen sein.
• Vergleich mit Basislinie: Explizit wurde das Rugpull-Muster mit normalen großen Zahlungen (Hypothek, Gehalt, Kinderbetreuung) verglichen, um Fehlalarme bei routinemäßigen Transaktionen zu vermeiden.

Unerwartete Ergebnisse

Der Nutzer war überrascht, dass OpenClaw: seine eigene fehlerhafte Erinnerung anhand von Bankunterlagen korrigierte; ungeordnete Beweise aus verschiedenen Apps zusammenführte; und Designentscheidungen für iterative Verbesserungen im Gedächtnis festhielt. Der Tracker lernte auch den Unterschied zwischen „groß aber normal“ und „Beginn einer Abwärtsspirale“.

Der vollständige Thread beleuchtet, wie andere dieselbe Unterscheidung modellieren – siehe die Quelle für die Community-Diskussion.