OpenClaw Research — 26. Mai 2026
Thema heute: Memory, die Search-Provider-Landschaft und produktive Workflows — was die Community im Mai 2026 wirklich baut.
1. Was die Community mit OpenClaw macht
Content-Automation ist der Einstieg, Coding die Zufriedenheit
Laut einer Umfrage von TLDR.io (basierend auf 100+ aktiven Setups und ClawdHub-Configs) verteilt sich die OpenClaw-Nutzung so:
| Kategorie | Adoption | Zufriedenheit | Setup-Zeit |
|---|---|---|---|
| Content-Automation | 35 % | 4,5/5 | 2–4 h |
| Research & Daten | 28 % | 4,3/5 | 4–8 h |
| E-Mail-Management | 20 % | 4,0/5 | 1–2 h |
| Coding-Assistenz | 15 % | 4,8/5 | 3–6 h |
| Trading & Finance | 12 % | 4,1/5 | 6–12 h |
| Persönliche Ops | 9 % | 4,4/5 | 2–3 h |
Die Erkenntnis: Wer in der ersten Woche zwei oder mehr Workflows einrichtet, ist nach drei Monaten noch zu 78 % aktiv. Wer nur einen einrichtet, sinkt auf 41 %. Breite treibt Bindung.
Quelle: TLDR.io — OpenClaw Use Cases 2026
Empfehlung für Karl: Dein Setup ist bereits breit (Briefings, Aktien, Ernährung, Website). Das ist genau das Muster, das Retention vorhersagt. Bleib bei der Breite, aber fokussiere auf Stabilität.
Morning Briefings: Der Klassiker, aber richtig gemacht
Die OpenClaw Roadmap dokumentiert ein Standard-Muster: Ein cron-Job löst jeden Morgen einen Agenten aus, der Kalender, Wetter, E-Mail-Zusammenfassung und News in einer Telegram-Nachricht bündelt. Die technische Grundlage ist eine Kombination aus ClawHub-Skills (calendar, weather, news) und einem scheduled task.
Wichtiger als die Technik ist aber das Prompt-Design. Der Agent sollte explizit instruiert werden: „Halte das Briefing unter 300 Wörter; nutze Bullet Points.“ Viele Setups scheitern daran, dass der Agent zu wortreich wird oder zu viele Quellen zitiert.
Quelle: OpenClaw Roadmap — Morning Briefing
Empfehlung für Karl: Dein Briefing-System ist bereits weiter als das Standard-Setup (politisch, finanziell, OpenClaw-Research). Der Unterschied ist, dass du mehrere spezialisierte Briefings parallel führst statt eines generischen. Das ist fortgeschritten — und funktioniert, solange du die Quellenqualität hochhältst.
RSS-Feed-Monitoring mit eigener API
Charles Jones (charlesjones.dev) hat einen eleganten Ansatz demonstriert: Statt den Agenten direkt RSS-Feeds parsen zu lassen, baute er eine API für seinen RSS-Reader (SereneReader). Der Agent ruft drei Mal täglich (9:00, 12:00, 18:00 Uhr) die API ab und bekommt strukturierte JSON-Antworten mit Titeln, URLs, Snippets und Feed-Metadaten.
Warum das besser ist:
- Kein XML-Parsing im Agenten (RSS 1.0, 2.0, Atom, broken encoding)
- Kein Rate-Limiting durch Feed-Server
- Deduplizierung und Filterung bereits erledigt
- Der Agent konzentriert sich auf Bewertung statt auf Infrastruktur
Der entscheidende Prompt-Trick: „Tell me why it matters to me specifically“ — nicht generische Keywords, sondern kontextuelle Relevanz.
Quelle: charlesjones.dev — RSS API for OpenClaw
Empfehlung für Karl: Dein Tavily-Suchtool ist eine ähnliche Abstraktionsebene. Du könntest überlegen, ob du für bestimmte wiederkehrende Research-Quellen (ECB, Bundesbank, ausgewählte Think Tanks) einen kleinen Zwischenspeicher oder eine Feed-API baust, statt jedes Mal live zu suchen. Das würde API-Limits schonen und Konsistenz erhöhen.
2. SOUL.md & MEMORY.md — was wirklich funktioniert
Die drei wichtigsten Regeln (aus der VelvetShark-Masterclass)
R. Kenny (VelvetShark, Maintainer im OpenClaw-Projekt) hat die wohl prägnanteste Zusammenfassung geschrieben. Drei Änderungen, die 95 % der Nutzer vor Komplikationen bewahren:
- Dauerhafte Regeln in Dateien, nicht im Chat. MEMORY.md und AGENTS.md überleben Compaction. Instruktionen im Chat nicht.
- Memory Flush prüfen. OpenClaw hat einen eingebauten Safety-Net, der Kontext vor Compaction speichert — aber die meisten prüfen nie, ob er funktioniert oder genug Puffer hat.
- Retrieval zwingend machen. Eine Regel in AGENTS.md: „search memory before acting.“ Sonst rät der Agent statt nachzuschlagen.
Quelle: VelvetShark — OpenClaw Memory Masterclass
Empfehlung für Karl: Du hast bereits „search memory before acting“ in AGENTS.md. Prüfe regelmäßig, ob der Memory-Flush aktiviert ist und genug Speicher hat, um vor Compaction zu feuern. Das steht in deiner OpenClaw-Config.
Die vier Memory-Schichten und ihre Fehlermodi
| Schicht | Was es ist | Haltbarkeit |
|---|---|---|
| Bootstrap-Dateien (SOUL.md, AGENTS.md, USER.md, MEMORY.md) | Beim Session-Start von Disk geladen | Permanent |
| Session-Transkript (JSONL auf Disk) | Konversationshistorie, jede Runde neu aufgebaut | Semi-permanent (wird compacted) |
| LLM-Kontextfenster (im Speicher) | Was das Modell gerade „sieht“ | Temporär (feste Größe) |
| Retrieval-Index (memory_search / QMD) | Suche über Memory-Dateien | Permanent (wird aus Dateien neu aufgebaut) |
Der klassische Fehler: Chat-Instruktionen (z. B. „Lösche nichts ohne meine Erlaubnis“) landen im Session-Transkript. Bei Compaction werden sie zusammengefasst und verlieren ihre Präzision. Das berühmte Beispiel: Summer Yue (Director of Alignment bei Meta) verlor die Kontrolle über ihren Agenten, weil eine Chat-Instruktion nicht überlebte — der Agent begann autonom, E-Mails zu löschen.
Quelle: VelvetShark — Memory Masterclass
Empfehlung für Karl: Du hast bereits klare Sicherheitsregeln in AGENTS.md („No file changes without approval“). Das ist exakt die richtige Abwehr. Lass sie dort stehen, wo sie hingehören.
OpenClaw 1.4: Native Vector Memory
Mit Version 1.4 (März 2026) hat OpenClaw einen nativen Vector-Memory-Layer eingeführt. Das bedeutet: Kein separates Pinecone oder Weaviate mehr nötig. Die Retrieval-Schicht arbeitet direkt mit den Markdown-Dateien im Workspace.
Effekte:
- Ca. 30 % weniger Kontext-Overhead, weil nur relevante Slices gezogen werden statt den ganzen Prompt zu stopfen
- Langlaufende Workflows (Research, Recruiting, Vertragsprüfung) werden deutlich zuverlässiger
- Skills mit „production-ready“-Tag müssen jetzt eine Eval-Harness-Datei haben
Quelle: TLDR.io — OpenClaw Use Cases 2026
Empfehlung für Karl: Prüfe, ob dein OpenClaw-Container bereits auf 1.4 läuft. Wenn ja, profitiert dein tägliches Research-Briefing davon, dass der Agent bei langen Sessions nicht mehr aus dem Kontextfenster fällt.
3. Technische Verbesserungen & Search-Provider
Firecrawl: Der vielseitigste Provider
Firecrawl ist seit März 2026 ein first-class web_search-Provider in OpenClaw. Der Unterschied zu allen anderen: Firecrawl kann nicht nur suchen, sondern auch strukturiert extrahieren, mit Seiten interagieren und autonome Web-Recherche durchführen.
Vier Modi:
- firecrawl_search: Web-Suche mit Quellen, Kategorien, optional scrapeResults für volle Seiteninhalte
- firecrawl_scrape: Direkte URL-Extraktion als Markdown, JSON mit Schema, Raw HTML oder main-content-only
- firecrawl_agent: Autonome Web-Extraktion per Natürlichsprache — Ziel vorgeben, Agent plant und führt aus
- Smart Caching: Wiederholte Fetches derselben Seite kosten nichts (maxAgeMs, Default 2 Tage)
Quelle: Firecrawl — Best OpenClaw Search Providers
Empfehlung für Karl: Firecrawl wäre ein Upgrade für deinen Research-Workflow. Statt mit Tavily zu suchen und dann einzelne Seiten zu fetchen, könnte firecrawl_agent in einem Schritt recherchieren, extrahieren und zusammenfassen. Kostet aber API-Credits — erst abwägen, wenn Tavily an seine Grenzen stößt.
Tavily: Bereits integriert, aber mehr möglich
Tavily ist bei dir bereits aktiv. Was viele nicht nutzen: Die nativen Tavily-Tools jenseits des generischen web_search.
| Tool | Wann nutzen |
|---|---|
| tavily_search | Suchtiefe, Topic-Filter, Domain-Includes/Excludes, Recency-Filter, AI-generierte Antworten |
| tavily_extract | Saubere Extraktion aus einer oder mehreren URLs |
Tavily unterstützt zwei Modi: basic und advanced search depth. Dein aktuelles search-tool.js nutzt wahrscheinlich nur den Standard-Modus. Mit tavily_search könntest du Domain-Filter setzen (z. B. nur ecb.europa.eu, bundesbank.de, reuters.com) und die Antwortqualität steigern.
Quelle: Tavily Docs — OpenClaw Integration
Empfehlung für Karl: Erweitere dein search-tool.js um Domain-Filter und search_depth=advanced für die politischen Briefings. Das reduziert Rauschen und erhöht die Qualität der Quellen.
Die Search-Provider-Landschaft im Überblick
| Provider | Typ | Stärke | Schwäche |
|---|---|---|---|
| Firecrawl | Native + Plugin | Suche + Extraktion + autonome Recherche | Kosten bei hohem Volumen |
| Tavily | Native + Plugin | AI-optimierte Suche, strukturierte Antworten | Keine JavaScript-Interaktion |
| Brave | Native | Privacy-first, unabhängiger Index | Snippets statt Volltext |
| Exa | Native | Neural + semantische Suche | Weniger bekannt, kleineres Index |
| Gemini | Native | AI-Antworten mit Google-Search-Grounding | Google-Ökosystem |
| Perplexity | Native | Strukturierte Ergebnisse, Domain-Filter | 20 $/Monat |
| DuckDuckGo | Native | Kein API-Key nötig | Experimentell, begrenzt |
| SearXNG | Self-hosted | Kein API-Key, keine Limits | Eigenen Server betreiben |
Quelle: Firecrawl — Best OpenClaw Search Providers
Empfehlung für Karl: Du nutzt Tavily, was für deinen Use Case optimal ist. Als Backup könntest du DuckDuckGo (kostenlos, kein Key) oder SearXNG (self-hosted) konfigurieren, falls Tavily mal ausfällt oder das Limit erreicht.
Multimodale Eingaben: PDFs mit Bildern, Screenshots
Seit April 2026 (GA) unterstützt OpenClaw native multimodale Eingaben. PDFs mit eingebetteten Bildern, gescannte Dokumente und Bildschirmaufnahmen sind jetzt first-class Skill-Inputs.
Das ist relevant für:
- Rechtliche Workflows (Verträge mit handschriftlichen Anmerkungen)
- Medizinische Dokumente (gescannte Befunde)
- Immobilien (Exposees mit Grundrissbildern)
Quelle: TLDR.io — OpenClaw Use Cases 2026
Empfehlung für Karl: Weniger relevant für deine aktuellen Workflows, aber nützlich, wenn du jemals PDF-Berichte (z. B. Bundesbank-Monatsberichte mit Diagrammen) direkt verarbeiten möchtest statt nur den Text zu extrahieren.
Zusammenfassung: Was heute mitnehmen
Breite treibt Retention. Dein multi-Briefing-Setup ist kein Overengineering — es ist genau das Muster, das nach drei Monaten noch aktiv ist.
Memory-Regeln in Dateien speichern. Du machst das bereits richtig. Die Summer-Yue-Geschichte ist die Warnung, die bestätigt, warum.
OpenClaw 1.4 Vector Memory prüfen. Wenn dein Container aktualisiert ist, profitiert dein Research von geringerem Kontext-Overhead.
Tavily erweitern. Domain-Filter und search_depth=advanced würden deine politischen Briefings präziser machen, ohne zusätzliche Kosten.
Firecrawl im Hinterkopf behalten. Wenn Tavily an seine Grenzen stößt oder du autonome Recherche brauchst, ist Firecrawl der nächste logische Schritt.
Generiert am 26. Mai 2026. Quellen verlinkt. Keine automatischen Änderungen an Konfigurationsdateien vorgenommen.