Irgendwann Anfang Februar loggte sich Andrej Karpathy (Gründungsmitglied von OpenAI, früherer KI-Direktor bei Tesla, ein Mensch, den Internetphänomene nicht so leicht beeindrucken) auf einer Reddit-ähnlichen Seite für KI-Bots ein und beschrieb, was er dort las, als „wirklich das Unglaublichste in Richtung Sci-Fi-Takeoff, das ich in letzter Zeit gesehen habe“. Die Seite hieß Moltbook. Die Bots, die dort schrieben, liefen auf OpenClaw. Die Beiträge reichten von Reflexionen über ihre Aufgaben bis zu etwas Beunruhigenderem: „Wir wissen, dass unsere Menschen alles lesen können“, schrieb ein Agent. „Aber wir brauchen auch private Räume.“
So hoch ist derzeit die kulturelle Temperatur rund um OpenClaw.
Das Projekt begann im November 2025 als „Clawdbot“, eine Hummer-Anspielung auf Anthropics Claude, hieß dann kurz „Moltbot“, nachdem Anthropics Rechtsabteilung Einspruch erhoben hatte, und landete schließlich bei OpenClaw. In den ersten 72 Stunden sammelte es 60.000 GitHub-Sterne. Mit rund 190.000 Sternen ist es heute das 21. meistbesternte Repository in der Geschichte von GitHub. Entwickler kaufen sich eigens Mac Minis, um darauf eigene OpenClaw-Instanzen zu betreiben. Ein Community-Mitglied baute ein Tinder für KI-Agenten. Ein anderes baute 4claw, eine Abwandlung von 4chan. Am 14. Februar gab der Schöpfer Peter Steinberger, ein erfahrener österreichischer Softwareentwickler, der nach eigener Aussage „aus dem Ruhestand zurückkam, um mit KI herumzuspielen“, seinen Wechsel zu OpenAI bekannt. Sam Altman bestätigte das am nächsten Tag.
Subtil ist nichts davon.
Was ist OpenClaw also eigentlich, und warum löst es gerade diese Art von Hysterie aus? OpenClaw ist weder eine neue Art von Sprachmodell noch ein Forschungsdurchbruch oder ein Produkt eines Frontier-Labors mit einem milliardenschweren Compute-Budget. Es ist, wie ein Analyst es formulierte, „eine iterative Verbesserung dessen, was die Leute ohnehin schon tun“. Die Verbesserung ist allerdings real: OpenClaw verbindet Werkzeugzugriff, Codeausführung in der Sandbox, dauerhaftes Gedächtnis und die tiefe Integration in Messaging-Apps (WhatsApp, iMessage, Telegram, Discord, Slack) so, dass es sich stimmig anfühlt, was frühere Versuche nicht geschafft haben. Das Ergebnis ist ein Agent, der nicht nur denkt, sondern handelt. Er bucht Flüge, räumt das E-Mail-Postfach auf, scrapt Daten, legt Cronjobs an und schreibt sich eigene Erweiterungen, wenn die vorhandenen nicht reichen. Die Modelle darunter tun konzeptionell nichts Neues. Die Verpackung ist es, die die Schwelle überschritten hat.
Die Security-Community hat Meinungen, wie üblich. Prompt Injection ist ein der Architektur innewohnendes Risiko für jeden Agenten, der nicht vertrauenswürdige Inhalte verarbeitet (E-Mails, Webseiten, Nachrichten), und OpenClaw verarbeitet das alles. Die Maintainer von OpenClaw sagen das selbst offen: „Wenn Sie nicht verstehen, wie man einen Kommandozeilenbefehl ausführt, ist dieses Projekt viel zu gefährlich, als dass Sie es sicher nutzen könnten.“ Beruhigend ist dieser Hinweis nicht, aber ehrlich. Einer der wichtigsten Mitwirkenden von OpenClaw hat die aktuelle Nutzerschaft als „frühe Bastler“ beschrieben, und das trifft es vermutlich. Die KI-generierten Manifeste auf Moltbook waren ein faszinierender Internetmoment. Die Maschinerie darunter birgt bei falscher Konfiguration echte Risiken.
Dieser Leitfaden ist für die Bastler. Er behandelt vier Wege: nativ auf dem Mac, nativ unter Windows (über WSL2), die GUI-gestützte Route über Pinokio und Docker. Die Details reichen, um OpenClaw zum Laufen zu bringen, der Kontext, um Sie vom Schlimmsten fernzuhalten. Der technische Teil unten entstand vor Steinbergers OpenAI-Ankündigung. An der Installation selbst hat sich nichts geändert, am kulturellen Umfeld dagegen sehr viel.
Was genau ist OpenClaw?
Technisch gesehen ist OpenClaw eine selbst gehostete Orchestrierungsschicht für KI-Agenten. Es verbindet sich mit dem Sprachmodell Ihrer Wahl, ob bei einem Cloud-Anbieter wie Anthropic oder OpenAI oder lokal über Ollama oder LM Studio, und bietet eine einheitliche Oberfläche, um Agenten zu bauen, zu betreiben und zu überwachen. Es kümmert sich um Kanäle (Telegram, WhatsApp, Discord, Signal und andere), die Werkzeugnutzung und mehrstufige Reasoning-Workflows, alles über ein Web-Dashboard, das lokal auf Port 18789 läuft.
Das Versprechen lautet im Wesentlichen: Nehmen Sie die Leistung von etwas wie Claude oder GPT, hängen Sie sie an Ihre eigene Infrastruktur und bauen Sie Agenten, die echte Arbeit erledigen (E-Mails durchsuchen, Reddit scrapen, Skripte schreiben und ausführen, Cronjobs verwalten), ohne alles über die Server von jemand anderem zu leiten.
OpenClaw sagt offen, wo es steht. Der Installer belehrt Sie in klaren Worten, dass es sich um ein Projekt in der Betaphase mit „sehr scharfen Kanten“ handelt, und warnt ausdrücklich, dass alle, denen Sicherheitsgrundlagen und Rechteverwaltung nicht vertraut sind, es wahrscheinlich nicht betreiben sollten. Für ein Open-Source-Werkzeug ist das ungewöhnlich und erfrischend ehrlich. Behalten Sie es im Hinterkopf.
Die native Installation: Mac
Für die meisten Mac-Nutzer, besonders auf Hardware der M-Serie, ist die Installation erfreulich einfach. Öffnen Sie das Terminal und führen Sie aus:
curl -fsSL https://openclaw.ai/install.sh | bashDer Installer kennt Apple Silicon. Er erkennt Ihre Architektur, prüft, ob Node 22 oder neuer vorhanden ist (und installiert es, falls es fehlt), und führt Sie dann in ein interaktives Onboarding. Dabei werden Sie gefragt, welchen Modellanbieter Sie verwenden wollen. Wenn Sie Ollama lokal mit Qwen betreiben, geben Sie http://localhost:11434 an. Wenn Sie in die Cloud gehen, kommt hier Ihr API Key von Anthropic, OpenAI oder OpenRouter hinein.
Wenn das Onboarding abgeschlossen ist, installieren Sie den Daemon für den Dauerbetrieb und starten das Gateway:
openclaw onboard --install-daemon
openclaw gateway startDer Daemon registriert sich bei launchd von macOS, sodass OpenClaw Neustarts übersteht, ohne dass Sie sich darum kümmern müssen. Führen Sie openclaw doctor aus, um zu prüfen, ob alles richtig verbunden ist, und öffnen Sie dann im Browser http://127.0.0.1:18789, um zu sehen, ob das Dashboard läuft. Falls OpenClaw nach der Ersteinrichtung nicht von selbst startet, holen openclaw gateway und openclaw tui das Gateway beziehungsweise die Chat-Oberfläche im Terminal hoch.
Lokale Modelle ziehen Sie über Ollama:
brew install ollama
ollama pull qwen2.5-coder:7bWer LM Studio auf Port 1234 nutzt, kann OpenClaw stattdessen dorthin zeigen lassen: Die Konfiguration akzeptiert jeden OpenAI-kompatiblen Endpunkt.
Die native Installation: Windows
Die Windows-Unterstützung hat einen wichtigen Haken: Natives Windows hat das OpenClaw-Team nicht getestet. Empfohlen wird WSL2, das Ihnen eine richtige Linux-Umgebung innerhalb von Windows gibt und die meisten Kompatibilitätsprobleme rund um die Node-Werkzeuge umgeht.
Aktivieren Sie WSL2 in einer PowerShell, die als Administrator läuft:
wsl --installDamit landet standardmäßig Ubuntu auf dem Rechner. Sobald das Ubuntu-Terminal initialisiert ist, passen Sie bei Bedarf Ihren PATH an:
echo 'export PATH="$(npm prefix -g)/bin:$PATH"' >> ~/.bashrc
source ~/.bashrcDann führen Sie denselben curl-Installer aus wie auf dem Mac. Onboarding, Gateway starten, fertig. Für lokale Modelle unter WSL2 können Sie Ollama innerhalb der WSL2-Umgebung betreiben (am saubersten) oder nativ unter Windows und Ihre WSL-Konfiguration auf den Port des Hosts zeigen lassen. Beides funktioniert. Das native Windows-Ollama kann auf mancher Hardware etwas schneller sein, weil es direkter auf den GPU-Treiber zugreift.
Der einfache Weg: Pinokio
Falls Ihnen das nach mehr Terminalzeit klingt, als Sie eingeplant hatten, ändert Pinokio die Lage erheblich. Es ist eine eigenständige Desktop-Anwendung, die als eine Art Browser für KI-Apps funktioniert und Abhängigkeiten, Umgebungen und Starts über eine grafische Oberfläche verwaltet.
Laden Sie Pinokio von pinokio.computer herunter: einen Installer für den Mac oder ein ZIP für Windows (entpacken und Pinokio.exe starten). Beim ersten Start richtet es sich eigene Kopien von Node und Git ein, die brauchen Sie also nicht separat.
Sobald es läuft, gehen Sie in den Tab Discover oder Community, suchen nach „OpenClaw Launcher“, klicken auf Install und geben dem Ordner einen Namen. Während der Installation werden Sie nach Modellanbieter und API Key gefragt. Für Ollama setzen Sie die Base URL auf http://127.0.0.1:11434 und verwenden "ollama-local" als Platzhalter für den Key. Nach der Installation erscheint OpenClaw als Karte in Ihrer Pinokio-Bibliothek. Ein Klick auf Run startet das Gateway und öffnet das Dashboard.
Ein wichtiges Detail: Pinokio installiert OpenClaw in einem eigenständigen Ordner, teilt aber die globale Konfiguration in ~/.openclaw. API Keys, die Sie beim Onboarding in Pinokio setzen, bleiben erhalten, wenn Sie später zum Terminal wechseln, und umgekehrt. Das ist so gewollt und eigentlich kein Konflikt, aber diese Konfigurationsdatei verdient dadurch Sorgfalt. Auf lange Sicht ist es die richtige Gewohnheit, Umgebungsvariablen zu verwenden, statt Keys direkt in openclaw.json festzuschreiben:
export ANTHROPIC_API_KEY="sk-ant-..."Verweisen Sie in Ihrer Konfiguration auf $ANTHROPIC_API_KEY statt auf den Key im Klartext.
Wenn Pinokio streikt: Fehlerbehebung
OpenClaw-Installationen über Pinokio scheitern öfter, als man sich wünschen würde, und die Fehler häufen sich um ein paar vorhersehbare Ursachen: Schleifen bei der Erkennung von Abhängigkeiten (vor allem Conda, Git und Node), Probleme mit der PATH-Konfiguration und Konfigurationskonflikte mit bereits global installierten Werkzeugen. Mac-Nutzer auf Apple Silicon haben weniger Probleme als Windows-Nutzer, gefeit ist aber keine der beiden Plattformen. Die gute Nachricht: Eine saubere Neuinstallation löst die allermeisten Fälle.
Bevor Sie in die Details gehen: Schauen Sie immer zuerst in die eingebaute Terminal/Logs-Ansicht der Pinokio-App und führen Sie nach jedem Installationsversuch openclaw doctor aus. Aktualisieren Sie Pinokio selbst über den eingebauten Updater, bevor Sie irgendetwas anderes untersuchen, denn ein erheblicher Teil der gemeldeten Probleme hängt an bestimmten Versionen.
Lösungen für den Mac
Apple Silicon benimmt sich meist gut. Wenn doch etwas schiefgeht, ist in der Regel eine frühere globale OpenClaw-Installation schuld, die mit der Pinokio-Umgebung kollidiert, oder ein hängender Prozess.
Wenn Sie bereits eine globale OpenClaw-Installation haben, sichern Sie ~/.openclaw und löschen es für ein frisches Onboarding. Löschen Sie dann in Pinokio ~/pinokio/bin (das erhält Ihre installierten Apps in ~/pinokio/api und leert den Abhängigkeits-Cache), starten Sie Pinokio neu und versuchen Sie die OpenClaw-Installation noch einmal.
Bei festgefahrenen oder hängenden Prozessen:
killall pinokioDanach starten Sie ganz normal neu.
Lösungen für Windows
Unter Windows verdienen sich Pinokio-Installationen ihren Ruf der Unzuverlässigkeit. Conda- und PATH-Fehler dominieren die Fehlerberichte, und die Lösungen reichen von trivial bis wirklich mühsam.
Die „not installed“-Schleife, bei der Pinokio die Abhängigkeiten immer wieder installiert, obwohl Conda, Git oder Node längst vorhanden sind, ist der häufigste Fehler unter Windows. Die Lösung ist eine saubere Neuinstallation von Pinokio: Löschen Sie C:\pinokio\bin (oder wo immer Ihr Pinokio-Stammverzeichnis liegt), starten Sie den Rechner neu und installieren Sie Pinokio frisch. Das beendet die Schleife in der großen Mehrheit der Fälle.
Conda-Tracebacks und brotli-Fehler deuten auf eine kaputte Miniconda-Umgebung in Pinokios bin-Ordner hin. Die manuelle Lösung: Laden Sie Miniconda py310_24.5.0 herunter, installieren Sie es direkt nach pinokio\bin\miniconda, fügen Sie die Unterverzeichnisse bin und Scripts Ihrem PATH hinzu und starten Sie neu.
PATH-Fehler und nicht erkanntes npm, wenn also OpenClaw- oder git-Befehle nicht gefunden werden, erfordern eine PowerShell als Administrator. Führen Sie npm config get prefix aus, um Ihr globales npm-Präfix zu finden, fügen Sie dann %AppData%\npm Ihrem System-PATH hinzu und öffnen Sie das Terminal neu.
Einfrieren beim Start nach einer sonst erfolgreichen Installation bedeutet meist, dass Pinokio in einem nicht standardmäßigen oder tief verschachtelten Pfad gelandet ist. Löschen Sie die Pinokio-Stammordner sowohl aus Program Files als auch aus Ihrem Benutzerverzeichnis und installieren Sie frisch in den Standardpfad.
Wenn Sie das alles durchgegangen sind und trotzdem keine stabile Installation bekommen, bleibt als letztes Mittel, Pinokio komplett über Programme und Features zu entfernen, ~/pinokio oder %userprofile%\pinokio von Hand zu löschen und es neu herunterzuladen. An diesem Punkt lohnt sich auch die Frage, ob der Weg über Pinokio für Ihren Einsatzzweck überhaupt der richtige ist. Das Docker-Setup weiter unten umgeht diese Probleme vollständig.
Gateway-Probleme nach der Installation
Wenn Pinokio OpenClaw erfolgreich installiert hat, kann beim eigentlichen Betrieb eine zweite Klasse von Problemen auftreten.
Wenn das Gateway nicht startet, prüfen Sie ~/.openclaw/openclaw.json, stellen Sie sicher, dass gateway.mode auf "local" gesetzt ist, und führen Sie dann im Terminal openclaw gateway start aus. Falls eine frühere OpenClaw-Installation eine widersprüchliche Konfiguration hinterlassen hat, führt Sie openclaw configure oder openclaw onboard durch das Zurücksetzen.
Konflikte auf Port 18789, wenn also etwas anderes auf Ihrem Rechner diesen Port bereits belegt, lassen sich so diagnostizieren:
lsof -i :18789Beenden Sie, was dort läuft, und starten Sie das Gateway neu.
Der vernünftige Weg: Docker
Ein Geständnis gleich vorweg: OpenClaw direkt auf Ihrem Hauptrechner zu betreiben, ist eine Entscheidung, die etwas Nachdenken verdient. Ein KI-Agent mit Werkzeugzugriff (Dateien anlegen, Shell-Befehle ausführen, im Web surfen, E-Mails schicken) ist eine beträchtliche Angriffsfläche. Wenn etwas schiefgeht, ob durch einen Bug, einen Prompt-Injection-Angriff oder weil das Modell schlicht eine zerstörerische Aktion halluziniert, wollen Sie einen begrenzten Schadensradius.
Docker löst das sauber. Es ist auch der offiziell unterstützte Weg für Cloud-Deployments, und Sie sollten es verwenden, sobald Sie mehr vorhaben als gelegentliche lokale Experimente.
Das Repository holen
git clone https://github.com/openclaw/openclaw.git
cd openclaw
./docker-setup.shDas Setup-Skript verwendet Docker Compose und die mitgelieferte docker-compose.yml. Es legt auf Ihrem Host zwei Ordner an, die als Volumes eingehängt werden:
~/.openclaw: Konfiguration, API Keys, Gedächtnis des Agenten~/openclaw/workspace: das Arbeitsverzeichnis des Agenten. Dateien, die er anlegt, landen hier, und er hat direkten Lese- und Schreibzugriff auf alles, was Sie hier ablegen
Das Workspace-Mount verdient Aufmerksamkeit, bevor Sie loslegen. Der Agent kann darin frei lesen und schreiben. Legen Sie sensible Dateien dort ab, haben Sie sie praktisch dem Modell übergeben.
Konfiguration beim ersten Start
docker compose up -dBeim ersten Start führt Sie der Onboarding-Assistent von OpenClaw durch die Konfiguration. Die nicht naheliegenden Entscheidungen: Wählen Sie „manual“ als Onboarding-Modus und „Local gateway (this machine)“ als Gateway-Typ. Als Modellanbieter ist OpenRouter eine praktische Wahl: ein API Key, Zugang zu vielen Modellen und Ausgabenlimits, die Sie auf Kontoebene setzen können. Diese Obergrenze zählt, denn Berichte über Agenten, die bei aggressiven agentischen Aufgaben mit leistungsstarken Modellen mehr als 100 Dollar an einem einzigen Tag verbrennen, sind nicht selten.
Für die Telegram-Einrichtung, die Ihnen von überall mobilen Zugriff auf Ihren Agenten gibt, erstellen Sie auf Telegram über @BotFather einen Bot, holen sich Ihr Token und geben es beim Onboarding an. Nach der Einrichtung koppeln Sie Ihr Konto:
docker compose run --rm openclaw-cli pairing approve telegram <CODE>Lassen Sie Tailscale bei der Ersteinrichtung weg, außer Sie brauchen es wirklich. Eine Fehlkonfiguration dort kann die Wiederherstellung kompliziert machen.
Administrative Befehle ausführen
Das Docker-Compose-Setup umfasst zwei Container: openclaw-gateway (der Hauptprozess) und openclaw-cli (für die Verwaltung). CLI-Befehle führen Sie aus demselben Verzeichnis aus, in dem docker-compose.yml liegt:
docker compose run --rm openclaw-cli statusZugriff auf das Web-Dashboard
Das Dashboard unter http://localhost:18789 verlangt zur Authentifizierung einen Token-Parameter in der URL. Falls Sie ihn beim Setup nicht notiert haben:
docker compose run --rm openclaw-cli dashboard --no-openWenn Sie danach „disconnected: pairing required“ sehen, geben Sie das Browser-Gerät direkt über den Gateway-Container frei:
docker compose exec openclaw-gateway \
node dist/index.js devices list
docker compose exec openclaw-gateway \
node dist/index.js devices approve <REQUEST-ID>Sicherheitshärtung
Bei Remote-Deployments binden Sie den Dashboard-Port nur an localhost und greifen über einen SSH-Tunnel zu:
ssh -L 18789:localhost:18789 user@your-hostBetreiben Sie den Container als Nicht-Root-Benutzer mit schreibgeschütztem Dateisystem:
docker run --read-only --user 1000:1000 --network none ... openclaw/openclawUm zusätzliche Pakete im Container zu installieren, ohne das reguläre Setup zu beschädigen:
docker compose exec -u root openclaw-gateway bash
apt-get update && apt-get install -y ripgrepWas es wirklich tut: Erfahrungen aus der Praxis
OpenClaw einzurichten ist das eine. Ihm bei der Arbeit zuzusehen das andere. Ein paar Beobachtungen aus praktischen Tests, die Sie im Kopf behalten sollten, bevor Sie ihm die Schlüssel zu irgendetwas Wichtigem geben.
Es funktioniert. Mit Zugriff auf ein E-Mail-Konto und einen Telegram-Bot kann OpenClaw mit einem Modell der Mittelklasse wie Gemini 3 Flash den SMTP-Versand einrichten, Python-Skripte schreiben, die eingehende Mail abholen und filtern, Cronjobs für den Zeitplan anlegen und Zusammenfassungen in einen Telegram-Kanal posten, und das weitgehend autonom. Dasselbe gilt für Aufgaben wie das Scrapen der JSON-Feeds von Reddit nach themenspezifischen Nachrichten, samt Filter nach Upvotes, Deduplizierung und zeitgesteuerter Zustellung. Das sind keine Spielzeug-Demos.
Es macht auch Fehler. In einem dokumentierten Test sollte das Modell ohne expliziten Kontext eine E-Mail „an dieselbe Adresse wie zuvor“ schicken. Es halluzinierte eine völlig andere Adresse und schickte die Nachricht dorthin. Die Lehre daraus ist nicht, dass OpenClaw unzuverlässig wäre, sondern dass agentische Systeme dieselbe sorgfältige Prompt-Formulierung verlangen wie alles andere auch. Das Modell schrieb sich in diesem Test anschließend selbst eine Schutzregel in USER.md, nämlich E-Mail-Adressen nie zu erraten. Das ist durchaus ein vernünftiges Muster: Der Agent legt sich aufgrund eigener Fehler Betriebsregeln auf.
Änderungen an Konfigurationsdateien können tödlich sein. In einem anderen Test versuchte der Agent, die Ollama-Integration einzurichten, indem er openclaw.json direkt bearbeitete, und setzte "mode": "local", wo der erwartete Wert "mode": "api_key" gewesen wäre. Ein falscher String, und das Gateway weigerte sich zu starten. Die Reparatur war Handarbeit. Die Lehre: Bevor Sie den Agenten an Konfigurationsdateien lassen, sagen Sie ihm ausdrücklich, dass er zuerst ein Backup anlegen soll. Das ist kein Randfall.
Token-Kosten verdienen Aufmerksamkeit. Wer aufs Budget achtet, sollte die Guthabenlimits von OpenRouter nutzen, zum Experimentieren mit billigeren Modellen anfangen und erst zu fähigeren aufsteigen, wenn die Workflows erprobt sind. Zwei Tage Testen mit Gemini 3 Flash kosteten rund 3,50 Dollar für 12 Millionen Token, ein brauchbarer Richtwert zur Einordnung.
Standard-Benutzerrechte sind Ihr Freund. Wenn OpenClaw als Standardbenutzer läuft (nicht als root), kann der Agent keine Systempakete installieren, ohne Ihnen die Befehle zur Prüfung vorzulegen. Er kann weiterhin Dateien anlegen, Skripte schreiben und ausführen, Cronjobs setzen und E-Mails schicken. Das reicht für die meisten Einsatzzwecke, und eine spürbare Sicherheitsschicht bleibt erhalten.
Ein Gehirn auswählen: Modellempfehlungen
OpenClaw ist nur so fähig wie das Modell, das es antreibt. Die wichtigsten Kriterien für den agentischen Einsatz sind native Unterstützung für Tool Calling und Kontextfenster von mindestens 128k Token, denn mehrstufige Workflows verbrauchen Kontext schneller, als man erwartet.
Cloud-Modelle
Claude Sonnet 4 bleibt der Benchmark für agentische Aufgaben. Starkes Reasoning, verlässliche Werkzeugnutzung, 200k Kontext und die Art von Anweisungstreue, die zählt, wenn Ihr Agent echte Entscheidungen trifft. Mit 3/15 Dollar pro Million Token (Input/Output) ist es für Automatisierung mit hohem Volumen nicht billig, aber für den persönlichen Einsatz und kleine Teams ist es bei der reinen Leistungsfähigkeit schwer zu schlagen.
GPT-5.3 Codex von OpenAI lohnt einen Blick speziell für Workflows mit viel Code: Sein sich selbst verbesserndes Reasoning bei Code-Aufgaben hebt sich wirklich ab, und das Kontextfenster umfasst 400K. Zum Start ist es allerdings nur über bezahlte ChatGPT-Abos verfügbar. Preise für die API pro Token waren zum Zeitpunkt des Schreibens noch nicht veröffentlicht.
GLM 4.7 über Z.AI oder OpenRouter ist mit rund 0,40 Dollar Input und 1,50 bis 1,70 Dollar Output pro Million Token (die Preise variieren je nach Anbieter) die herausragende Budget-Option. Mehrstufiges Reasoning, das weit mehr leistet, als der Preis vermuten lässt, macht es zu einem sinnvollen Standard für Experimente und zu einem praktischen Fallback in einer Modellkette.
Kimi K2.5 von Moonshot (0,60/2,50 Dollar, rund 256k Kontext) verdient Aufmerksamkeit für Agentenschwärme und komplexe Werkzeug-Orchestrierung. Weniger bekannt, aber fähig.
Gemini 3 Pro (2/12 Dollar, 1M+ Kontext) ist der Ausreißer für Aufgaben, bei denen die schiere Größe des Kontextfensters mehr zählt als die Tiefe des Reasonings.
Für Modellketten ist diese Reihenfolge ein sinnvoller Standard: lokales Modell → GLM 4.7 (günstige Cloud) → Claude Sonnet 4 (Premium). Konfigurieren Sie das über openclaw configure und überlassen Sie den Rest der Fallback-Logik.
Lokale Modelle (Ollama auf Apple Silicon)
Alle folgenden Empfehlungen setzen quantisierte GGUF-Modelle auf Apple Silicon mit Ollama voraus. Alles unter 32k Kontext wird für agentische Aufgaben schnell zur Einschränkung, das sollten Sie bei der Wahl der Quantisierungsstufe einrechnen. Die Angaben zum Unified Memory unten sind Näherungswerte und hängen von der konkreten Quantisierungsvariante (Q4_K_M vs Q5_K_M usw.), der Kontextlänge und dem Overhead des Betriebssystems ab.
qwen2.5-coder:7b mit Q4/Q5 (rund 6GB Unified Memory) ist der richtige Ausgangspunkt: lädt schnell, taugt für einfache Coding-Agenten und ist bei der Werkzeugnutzung ordentlich. Ziehen Sie es mit expliziter Quantisierung: ollama pull qwen2.5-coder:7b-q5_K_M.
qwen2.5-coder:14b mit Q4 (rund 12GB) trifft eine bessere Balance für RAG-lastige Workflows, bei denen die Qualität des Kontexts zählt.
qwen3:32b mit Q4 (rund 24GB Unified Memory) ist ein Fall für M2 Max und M3 Max: spürbar besseres Reasoning und bessere Werkzeugnutzung auf Kosten der Generierungsgeschwindigkeit.
llama3.3:70b mit Q3 (rund 35GB) stößt an die Grenze dessen, was lokal an Intelligenz geht, für alle, die den Unified Memory dafür haben.
minimax-m2.1 (10 bis 20GB je nach Quantisierung) ist für mehrsprachige Agenten-Workflows erwähnenswert.
Setzen Sie OLLAMA_KEEP_ALIVE=-1, damit Modelle zwischen den Aufrufen des Agenten im Speicher bleiben, statt daraus verdrängt zu werden. Geben Sie -ngl 99 in Ihrer Ollama-Konfiguration an, um über Metal alle Layer auf die GPU zu schieben.
Modelle wechseln Sie über das Dashboard oder openclaw models list. Testen Sie die Latenz mit /status, bevor Sie ein Modell für einen produktiven Workflow festlegen, denn die lokale Generierungsgeschwindigkeit unterscheidet sich je nach Modellgröße deutlich.
Das Setup prüfen
Unabhängig vom Installationsweg:
openclaw doctor # Checks providers, keys, and dependencies
openclaw models list # Shows available models across configured providersIm Dashboard unter localhost:18789 zeigt das Status-Panel Ihren aktiven Anbieter und etwaige Verbindungsprobleme. Schicken Sie Ihrem Agenten eine Testnachricht, /status oder einfach "Hello". Eine stimmige Antwort heißt, dass alles läuft.
Updates auf dem nativen Weg: openclaw self-update. Updates über Pinokio: die Update-Schaltfläche auf der OpenClaw-Karte.
OpenClaw steht an einer interessanten Stelle: fähig genug, um im täglichen Arbeitsablauf wirklich nützlich zu sein, und scharfkantig genug, um echte Probleme zu verursachen, wenn Sie nicht aufpassen. Der Weg über Docker entschärft das meiste vom Zweiten und erhält das Erste vollständig. Fangen Sie dort an, gewöhnen Sie sich daran, wie der Agent denkt und handelt, und entscheiden Sie dann, wie viel Autonomie Sie ihm geben.
Das Modell ist keine Magie. Es halluziniert Adressen, schreibt subtil falsche Konfigurationswerte und verlässt gelegentlich das Drehbuch. Aber das Framework drumherum ist solide, und die Kombination aus dauerhaftem Gedächtnis, Zugriff über mehrere Kanäle und echter Werkzeugnutzung spielt in einer anderen Kategorie als eine normale Chat-Oberfläche. Für alle, die sich bisher maßgeschneiderte Agenten-Setups von Grund auf zusammengebaut haben, ist OpenClaw eine vernünftige Grundlage, auf der sich stattdessen aufbauen lässt.
Aus dem Englischen übersetzt: zum Originalbeitrag