Clawdbot / Moltbot – Der persönliche, lokale KI-Agent 2026

Clawdbot steht für eine neue Klasse persönlicher KI-Assistenten im Jahr 2026: nicht als abgeschlossene App, sondern als lokal laufender, erweiterbarer Agent. Gesteuert wird er über vorhandene Messenger-Kanäle wie Telegram, WhatsApp, iMessage oder Slack, während die eigentliche Agent-Logik auf dem eigenen Rechner läuft. Kernidee ist ein „local-first“-Design: Einstellungen, Skills, Erinnerungen und Anweisungen liegen transparent als Ordnerstruktur und Markdown-Dateien im Workspace. Das macht den Assistenten überprüfbar, versionierbar und gezielt anpassbar, statt von einer proprietären UI und festen Features abhängig zu sein. Die Architektur setzt auf zwei Ebenen: einen LLM-gestützten Agenten mit Modellwahl auf dem Gerät sowie ein Gateway, das Chats aus verschiedenen Messengern entgegennimmt und an den Agenten weiterleitet. Entscheidend ist der Werkzeugzugriff: Skills können – mit passenden Rechten – Shell und Dateisystem nutzen. Der Agent erzeugt Skripte, führt sie aus, installiert Erweiterungen und verbindet externe Integrationen. Dadurch wird Chat zu einem Arbeitswerkzeug, das Aufgaben über Dienste hinweg orchestriert, statt für jeden Zweck eine separate Utility-App zu benötigen. Der Text ordnet das als Teil eines breiteren Trends ein: Modelle werden zunehmend als Agenten mit Tools, Browser- bzw. „Computer Use“-Fähigkeiten und längerer Laufzeit betrieben, ergänzt durch modulare Wissens- und Handlungspakete. Zwei Anwendungsfelder verdeutlichen das: Medien und Automationen. Im Medien-Setup verarbeitet der Assistent Sprachnachrichten, transkribiert sie und antwortet als Audio; beschrieben wird zudem ein kontinuierlicher „Talk Mode“ mit Streaming-Text-to-Speech. Für visuelle Ausgaben werden Bildgeneratoren angebunden, um neben Bildern auch strukturierte Darstellungen wie Übersichten, Diagramme oder Infografiken zu erzeugen. Bei Automationen ersetzt lokales Scripting (inklusive Cron) typische Cloud-Automation-Workflows wie RSS-Checks, Zählerlogik oder API-gestützte Aufgabenanlage. Das verschiebt Komfort, Kosten und Datenflüsse, weil Logik nicht zwingend über Drittplattformen laufen muss. In der Einordnung werden zwei Entwicklungen betont. Erstens: Frontier-Modelle werden explizit für agentische Workflows positioniert, etwa mit Fokus auf Coding, Agents und „Computer Use“ sowie großen Kontextfenstern. Zweitens: Der Engpass liegt oft weniger in der reinen Modellfähigkeit als in Interface, Deployment und Nutzbarkeit. OpenAI beschreibt diese Lücke als „capability overhang“, also den Abstand zwischen dem, was Systeme bereits können, und dem, was im Alltag produktiv genutzt wird. Daraus folgt ein erhöhter Druck auf klassische Utility-Apps und App-Stores als Distributionsmodell, weil ein Agent Funktionen „on demand“ nachrüsten kann. Gleichzeitig rückt Sicherheit ins Zentrum. Ein lokaler Agent mit Shell- und Dateisystemrechten erhöht das Risiko von Fehlhandlungen, Missbrauch und Angriffen wie Prompt Injection. Deshalb werden Berechtigungsmodelle, Sandboxing und kanal- bzw. sessionspezifische Einschränkungen als Voraussetzung beschrieben, damit nicht jede Konversation automatisch volle Systemrechte erhält. Die Shownotes enden mit der These, dass personalisierte Agenten vor allem dann skalieren, wenn Kontrolle, Transparenz und Sicherheitsleitplanken technisch mitwachsen. Quellen: Claude Opus 4.5 – Anthropic (https://www.anthropic.com/claude/opus) Equipping agents for the real world with Agent Skills – Anthropic Engineering (https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills) OWASP Top 10 for Large Language Model Applications (v1.1) – OWASP Foundation (https://owasp.org/www-project-top-10-for-large-language-model-applications/) AI for self empowerment – OpenAI (https://openai.com/index/ai-for-self-empowerment) How countries can end the capability overhang – OpenAI (https://openai.com/index/how-countries-can-end-the-capability-overhang/)