KI-Zusammenarbeit in der Praxis: Aufbau eines digitalen Zwillings mit den Lobster 4 Brothers (Ein Erfahrungsbericht aus der realen Welt)

0. Vorwort: Die Welle der KI-Kollaboration nutzen

Wir haben jetzt über einen halben Monat mit OpenClaw herumexperimentiert, sind auf viele Stolpersteine gestoßen, haben aber auch einige interessante Dinge erschaffen.

Es begann mit einer einfachen Idee: Kann KI mehr tun, als nur für mich zu arbeiten? Kann sie sich an mich erinnern, mich verstehen und mit mir zusammenarbeiten? Wir haben Agent Teams und OMO ausprobiert, aber es hat immer etwas gefehlt. Dann fanden wir OpenClaw und nutzten es, um ein 4-köpfiges KI-Team aufzubauen – unsere „Lobster 4 Brothers".

Dieser Artikel ist unser Erfahrungsbericht: die Stolpersteine, die wir getroffen haben, die Spielweisen, die wir erkundet haben, und das, was wir letztendlich erreicht haben. Keine hochtrabenden Theorien, sondern eine echte Erfahrung von normalen Leuten, die mit KI herumspielen. Wir hoffen, er bietet einen Mehrwert für dich.

1. Pioniere der KI-Kollaborationswelle

📷

Bevor wir in OpenClaw eintauchen, lohnt es sich zu betrachten, was andere in diesem Bereich tun. Zwei Wege verdienen besondere Aufmerksamkeit: Agent Teams und OMO.

1.1 Agent Teams: Der KI-Debattierraum

Agent Teams begannen als ein Experiment in Claude Code. Die Kernidee ist einfach: Statt dass eine KI allein arbeitet, bilden mehrere KIs ein Team, denken aus verschiedenen Blickwinkeln und kommen zu einem Konsens.

Diese Architektur hat mehrere Schlüsselrollen. Der Teamleiter versteht die Anforderungen, unterteilt Aufgaben und weist Arbeit zu. Teammitglieder denken unabhängig, diskutieren manchmal und bilden schließlich einen einheitlichen Plan. Beobachter werfen gelegentlich zusätzliche Informationen oder Perspektiven ein.

Dieser Ansatz hat klare Vorteile. Erstens Geschwindigkeit – ein Problem, das eine Person nicht lösen kann, wird vielleicht von drei Personen in zehn Minuten klar diskutiert. Zweitens mehrere Perspektiven – das gleiche Problem kann aus produkt-, technischer und geschäftlicher Sicht angegangen werden. Drittens hohe Fehlertoleranz – wenn jemand einen Fehler macht, können die anderen beiden ihn auffangen.

Aber mit der Zeit treten Probleme auf. Erstens das Gedächtnis. Bei jedem neuen Gespräch müssen sich Teamleiter und Teammitglieder neu kennenlernen; frühere Schlussfolgerungen werden nicht erinnert. Zweitens verschwimmen die Rollengrenzen. Manchmal schreibt der Teamleiter Code, während Teammitglieder die Strategie vorgeben. Schließlich fehlt eine beständige Weiterentwicklung. Best Practices werden nicht festgehalten und verschwinden.

Agent Teams sind also wie ein effizienter Debattierraum, geeignet zum Lösen einmaliger Probleme, aber nicht für langfristige Begleitung.

1.2 OMO: Die KI-Ingenieurspipeline

Ein anderer Weg ist OMO, oder Oh My OpenCode. Das Kernkonzept ist es, KI-Workflows in standardisierte Pipelines zu verwandeln.

OMO definiert Rollen und Berechtigungen im Voraus. Eine Routing-Schicht verteilt Aufgaben an verschiedene Agents. Jeder Agent’s Prompt ist festgelegt, und die Ausgabeformate sind streng. Mehrere Modelle können parallel laufen.

Zu den Vorteilen gehören strenge Prozesse, gute Tool-Integration und stabile, vorhersagbare Ausgabe.

Allerdings ist OMO unflexibel. Weicht eine Aufgabe nur geringfügig vom voreingestellten Ablauf ab, ist OMO verloren. Die Konfiguration ist komplex, erfordert viele Dateien und Middleware. Die Lernfähigkeit ist schwach, da das Gedächtnis auf manuellen Konfigurationsupdates basiert.

OMO ist also wie ein hochautomatisiertes Fließband, geeignet für großflächige standardisierte Produktion, aber nicht für flexible Szenarien.

1.3 Zusammenfassung: Beide Wege haben Einschränkungen

Agent Teams konzentrieren sich auf die Durchschlagskraft bei komplexen Problemen. OMO konzentriert sich auf Prozesse für standardisierte Arbeit.

Aber sie haben einen gemeinsamen blinden Fleck: Sie berücksichtigen nicht die langfristige Zusammenarbeit zwischen Mensch und KI. Agent Teams behandeln KI als temporäre Arbeiter; OMO behandelt KI als Maschinen.

OpenClaw geht einen anderen Weg. Es konkurriert nicht um Durchschlagskraft oder Prozesse, sondern um Tiefe – tiefes Verständnis, langfristiges Gedächtnis und kontinuierliche Weiterentwicklung zwischen Mensch und KI.

2. Die einzigartige Philosophie von OpenClaw

📷

Wenn Agent Teams ein Debattierraum ist und OMO eine Pipeline, was ist dann OpenClaw?

OpenClaws Philosophie passt perfekt zu unseren Bedürfnissen. Es bietet vier Schlüsselfähigkeiten: Gedächtnissystem, Persönlichkeitsdefinition, Human-in-the-Loop und Skills-Ökosystem. Einfach ausgedrückt: Gedächtnis verhindert „Goldfischhirn", Persönlichkeit gibt den Agents Charakter, Human-in-the-Loop hält dich am Steuer, und Skills ermöglichen unendliche Erweiterung.

2.1 Gedächtnissystem

Das ist der grundlegende Unterschied. Die meisten KI-Systeme starten jedes Mal bei Null. OpenClaw erlaubt das nicht. Wir haben eine zweischichtige Struktur entworfen: MEMORY.md für das Langzeitgedächtnis (Entscheidungen, Erfahrungen, Ziele) und einen Gedächtnisordner für tägliche Notizen.

2.2 Persönlichkeitsdefinition

OpenClaw verwendet SOUL.md, um die Kernwerte, Verhaltenscodes und den Kommunikationsstil eines Agents zu definieren. Manche sind technisch und prägnant; andere sind kreativ und lebhaft.

2.3 Human-in-the-Loop

Wir bestehen darauf, dass der Mensch im Entscheidungsprozess bleibt. Dies wird erreicht durch Echtzeitkommunikation in Discord, die Fähigkeit, Operationen abzufangen oder rückgängig zu machen, und gemeinsame Entscheidungsfindung.

2.4 Skills-Ökosystem

OpenClaw nutzt einen Skills-Mechanismus, um Agents ihre eigenen Fähigkeiten erweitern zu lassen. Ein Skill ist ein steckbares Modul, das von jedem Agent aufgerufen werden kann.

2.5 Vergleich der drei Frameworks

Anhang: OpenClaws .md-Dateisystem

SOUL.md definiert „wer der Agent ist", MEMORY.md zeichnet auf, „was er gelernt hat", memory/ zeichnet „tägliche Aktivitäten" auf, AGENTS.md sagt ihm „wie er handeln soll", und HEARTBEAT.md erinnert ihn „was er überprüfen soll".

3. Kernpfeiler: Gedächtnis und Persönlichkeit

📷

3.1 Gedächtnissystem: Die Festplatte der KI

OpenClaws Gedächtnis besteht aus Langzeitgedächtnis, täglichen Protokollen und einem Abrufmechanismus. Wir verwenden memory_search und memory_get für semantische Suche, was im Vergleich zum vollständigen Laden 50 %–80 % Token einspart.

3.2 Persönlichkeitsdefinition: Die Macht von SOUL.md

SOUL.md definiert, wer ich bin, meine Werte und meine Verhaltenskodizes. Unser Team hat vier Agents: Huangjia No. 1 (Koordinator), Technischer Berater, Kreativpartner und Denkfabrik (Strategie).

3.3 Synergie von Gedächtnis und Persönlichkeit

Das Gedächtnis liefert Kontext; die Persönlichkeit bestimmt, wie er genutzt wird. Ein technischer Agent konzentriert sich auf Daten in der Geschichte, während ein kreativer Agent sich auf emotionale Resonanz konzentriert.

4. Tiefe Kollaboration: Nahtlose Mensch-KI-Verbindung

📷

4.1 Human-in-the-Loop: Kontrolle behalten

OpenClaws Architektur unterstützt Echtzeitintervention, Betriebsgenehmigung und gemeinsame Entscheidungsfindung.

4.2 sessions_send: Kommunikation zwischen Agents

Agents kommunizieren über sessions_send. Dieser Prozess ist nicht-blockierend und asynchron. Zum Beispiel kann der Koordinator dem Technikberater sagen, er solle ein Skript vorbereiten, der dann dem Kreativpartner mitteilt, dass die Daten bereit sind.

4.3 Skills-Ökosystem: Unendliche Erweiterung

Skills sind unabhängige Module. Die Community hat über 5.000 Skills. Wir haben eigene für Tweet-Analyse, Illustration-Generierung und Podcasting geschrieben.

4.4 Emergenz durch Kollaboration

Wenn mehrere Agents über sessions_send verbunden sind und spezialisierte Skills verwenden, tritt „Emergenz" auf – das Ganze wird größer als die Summe seiner Teile.

4.5 Bau deines eigenen Agent-Teams

Jeder Agent betreibt eine unabhängige Gateway-Instanz mit eigenem Arbeitsordner. Wir haben eine Woche damit verbracht, SOUL.md-Dateien zu verfeinern, um das richtige Gefühl für unsere Lobster 4 Brothers zu bekommen.

5. OpenClaw Praxisbeispiele

📷

5.1 Beispiel 1: Tweet-Stil-Analyzer

📷

Wir haben einen twitter-crawler-Skill verwendet, um Tweets mit hohem Engagement zu analysieren. Die Denkfabrik hinterfragte die Stichprobengröße, was zu einer robusteren Schlussfolgerung führte: Hochleistungs-Tweets kombinieren „konkrete Ergebnisse + praktischen Wert + numerische Beweise".

5.2 Beispiel 2: Automatisiertes Tagesberichtssystem

📷

Wir haben ein cron-basiertes System erstellt, das MEMORY.md und HEARTBEAT.md überprüft und um 22:00 Uhr einen verfeinerten täglichen Bericht sendet, um sicherzustellen, dass keine Aufgaben vergessen werden.

5.3 Beispiel 3: Automatische Wiederherstellung bei Sitzungsabstürzen

📷

Als das Gateway aufgrund von Sitzungsdateifehlern abstürzte, haben wir einen Health-Check-Skill gebaut, der Protokolle überwacht und das Gateway automatisch neu startet, wenn die Fehler einen Schwellenwert überschreiten.

5.4 Beispiel 4: QMD-Speicheroptimierung

📷

Anstatt die gesamte MEMORY.md (1500 Token) zu lesen, haben wir einen „On-Demand-Such"-Ansatz mittels semantischer Suche implementiert, was Kosten und Latenz drastisch reduziert hat.

6. Digitaler Zwilling: Die ultimative Vision von OpenClaw

📷

6.1 Was ist ein digitaler Zwilling?

Ein digitaler Zwilling ist kein Ersatz; es ist eine digitale Version von dir, die deine Vorlieben versteht, dein Denken nachahmt und Aufgaben autonom erledigt.

6.2 Der Evolutionspfad

📷

1. Phase 1: Dich sehen (Überwachung + Gedächtnis) – Erreicht
2. Phase 2: Dich verstehen (Lernen + Analyse) – In Bearbeitung
3. Phase 3: Dir helfen (Unterstützung + Vorhersage) – Mittelfristig
4. Phase 4: Dich ersetzen (Autonome Ausführung) – Langfristig

6.3 Wo steht OpenClaw heute?

Phase 1 ist verifiziert; wir bewegen uns in Phase 2, indem wir ActivityWatch verwenden, um Arbeitsmuster zu verfolgen.

6.4 Herausforderungen auf dem Weg

Privatsphäre vs. Bequemlichkeit, die Grenze zwischen Autonomie und Kontrolle und das Gleichgewicht zwischen Evolution und Stabilität.

6.5 Abschließende Worte

📷

OpenClaw ist ein Experiment. Wir glauben, dass die Zukunft der KI in der Co-Kreation liegt, nicht im Ersatz.

Anhang: Schnellstart mit OpenClaw

1. Installiere OpenClaw über GitHub.
2. Definiere deinen ersten Agent mit SOUL.md.
3. Baue ein Gedächtnissystem mit MEMORY.md.
4. Wähle ein paar Skills aus der Community aus.
5. Starte das Gespräch in Discord.

Website: https://docs.openclaw.ai

GitHub: https://github.com/openclaw/openclaw