Kimi Claw Tutorial: Ein Leitfaden mit Praxisbeispielen

Beispiel 2: Geplante Aufgaben einrichten

In diesem Beispiel habe ich Kimi Claw gebeten, eine geplante Aufgabe auszuführen, die eine Websuche und eine Zusammenfassung umfasst. Kimi Claw interpretierte die Anweisung als wiederkehrenden Workflow und erstellte automatisch eine Cron-ähnliche geplante Aufgabe, die täglich läuft.

Prompt:

Search for new papers, model releases, and tools in LLMs and multimodal AI at 9:00 AM daily and provide me 5 key updates.

Der Agent sucht täglich nach neuen Papers, Modell-Releases und Tools rund um LLMs und multimodale KI und liefert jeden Morgen eine kompakte Zusammenfassung mit fünf wichtigsten Updates. Wie im Screenshot zu sehen, hat Kimi Claw mit nur einem Prompt in natürlicher Sprache automatisch einen Cron-ähnlichen Job erstellt, der jeden Tag um 9:00 Uhr läuft. In der Praxis fühlt es sich an, als würde man eine einfache Chat-Anweisung in eine dauerhafte Hintergrundaufgabe verwandeln.

Bemerkenswert ist auch das Aufgabenmanagement. Ich habe einen zweiten ähnlichen Digest hinzugefügt und später beide wieder entfernt. Das Erstellen, Aktualisieren und Löschen dieser geplanten Aufgaben war so einfach wie das Senden von Folgeanweisungen im Chat – das macht das laufende Automationsmanagement leichtgewichtig und dialogorientiert.

Sind die Aufgaben einmal konfiguriert, laufen sie unabhängig von der Chatsitzung und verwandeln Kimi Claw effektiv in ein kontinuierliches Monitoringsystem für bestimmte Informationsdomänen. Die aktuelle Einschränkung liegt jedoch bei der Betriebstransparenz. Zwar funktioniert die cron-ähnliche Ausführung zuverlässig, aber Einblick in Ausführungsprotokolle, Zustellhistorie oder Fehlerbehandlung ist begrenzt – Nutzer haben nur minimale Überwachung und Kontrolle über den Aufgabenlebenszyklus.

Insgesamt zeigt dieses Beispiel eine der praktischsten Stärken von Kimi Claw: Einen einfachen Prompt in einen dauerhaften Cron-Job zu verwandeln, der mit minimalem Setup kontinuierlich Informationen sammelt und zusammenfasst.

Beispiel 3: ClawHub-Skill-Bibliothek

In diesem Beispiel zeigte Kimi Claw, wie es seine Funktionen über die ClawHub Skill Library erweitern kann – und den Agenten so zu einem aufgabenspezifischen Analysetool macht, statt sich nur auf allgemeines Reasoning zu stützen.

Prompt

Search ClawHub and install the best skill for CSV EDA and insights (charts if supported). After installing, run a step-by-step flow and ask me the minimum questions needed, then analyze the dataset.

Nach dem Prompt durchsuchte das System automatisch ClawHub, wählte einen passenden Skill für CSV-Analysen aus und startete einen strukturierten Workflow. Anstatt die Analyse sofort zu starten, stellte es zunächst wenige gezielte Fragen zu Ziel und Kontext des Datensatzes. 

Dieser schrittweise Intake-Prozess ist wichtig, weil er zeigt, dass der Skill einer definierten Ausführungspipeline folgt – statt nur eine generische EDA-Zusammenfassung zu produzieren.

Sobald die Inputs geklärt waren, führte der Skill die Analyse end-to-end durch – inklusive Datenüberblick, Qualitätschecks, zentraler Erkenntnisse und Diagrammerstellung. Die Hauptgrenze zeigte sich jedoch beim Umgang mit den Ausgaben. 

Obwohl Diagramme generiert wurden, wurden sie nicht direkt im Chat gerendert. Stattdessen lieferte das System einen Dateipfad: /root/.openclaw/workspace/ev_brand_analysis.png. 

Dieser Pfad verweist auf den internen Cloud-Arbeitsbereich, der vom Browser aus nicht direkt zugänglich ist. Dadurch ließen sich die Visualisierungen weder in der Vorschau anzeigen noch einfach herunterladen.

Insgesamt ist die Skill-Ausführung zuverlässig und workflow-orientiert und damit nützlich für strukturierte Aufgaben wie Datensatzanalysen. Die Sichtbarkeit von Artefakten und der Dateizugriff sind jedoch noch eingeschränkt – das schmälert die Nutzbarkeit für Workflows, die herunterladbare Ergebnisse produzieren.

Beispiel 4: Mehrstufige Rechercheaufgabe

In diesem Beispiel habe ich Kimi Claw mit einer forschungsorientierten Aufgabe betraut, die Informationen aus mehreren Quellen sammeln und zu einem strukturierten Vergleich verdichten sollte. Nach dem Prompt führte der Agent Websuchen durch und organisierte die Ergebnisse in einem klaren Bericht.

Research the top 5 open-source agent frameworks.
Compare:
- Architecture
- Memory model
- Tool support
- Production readiness
Return a structured report.

Statt Informationen nur der Reihe nach aufzulisten, war die Antwort vergleichend strukturiert – dadurch lassen sich Trade-offs zwischen Frameworks leichter bewerten. Das legt nahe, dass Kimi Claw für breitere Rechercheaufgaben einen Planungs-Workflow anwendet, bei dem Informationsbeschaffung und Synthese zusammenlaufen statt als isolierte Schritte zu erfolgen.

Auch die Effizienz war auffällig: Die Aufgabe wurde in vertretbarer Zeit abgeschlossen und erforderte keine Rückfragen – ein Zeichen dafür, dass Kimi Claw klar definierte, mehrfach eingeschränkte Prompts zuverlässig verarbeitet, auch ohne explizite Schritt-für-Schritt-Anweisungen.

Die aktuellen Beta-Grenzen sind jedoch sichtbar. Obwohl die Ergebnisqualität stark ist, fehlten in einigen Abschnitten explizite Quellenangaben oder Annahmen – beides wichtig für technische Entscheidungen. Für tiefere Recherche-Workflows sind zusätzliche Verifikation oder manuelle Validierung weiterhin sinnvoll.

Trotz Beta-Status mit einigen betrieblichen Einschränkungen ist Kimi Claw jedoch effizient darin, aus einem einzigen Prompt ein strukturiertes Research-Briefing zu erstellen, das sonst mehrere manuelle Suchen und Schritte erfordern würde.

Beispiel 5: Telegram-KI-Analyst

In diesem Beispiel habe ich getestet, wie gut Kimi Claw als externer Kommunikationsagent funktioniert, indem ich es über ein BotFather-(Bot-Generator-)Token mit Telegram integriert habe.

Prompt

Configure Telegram channel and test:
Team Q&AMeeting summariesResearch bot for group

Kimi Claw erzeugte Schritt-für-Schritt-Anweisungen, übernahm das Pairing und bestätigte die Verbindung – ohne manuelle Konfiguration außerhalb der Chatoberfläche. Das zeigt, dass Kimi Claw externe Integrationen über geführte, natürliche Sprache statt über klassische manuelle Setups handhaben kann.

Das Betriebsverhalten war nach der Verbindung jedoch inkonsistent. Der Bot antwortete in der Telegram-Umgebung nicht zuverlässig, und gruppenbasierte Interaktionen wie Team-Q&A oder Rechercheunterstützung funktionierten nicht wie erwartet. 

Das deckt sich mit der aktuellen Dokumentation: Kanalintegrationen sind noch in der Beta und funktionieren nicht in allen Szenarien zuverlässig.

Fazit aus diesem Beispiel: Der Integrationsablauf ist grundsätzlich funktionsfähig, die Laufzeitzuverlässigkeit für externe Kanäle ist aber noch nicht produktionsreif. Das Feature hat Potenzial, Kimi Claw zu einem Teamassistenten über Kommunikationsplattformen hinweg zu machen – derzeit sollte es jedoch als experimentell gelten.

Fazit

In diesem Tutorial hat Kimi Claw gezeigt, wie ein Konversationsmodell als Agent arbeiten kann, der laufende Aufgaben übernimmt statt nur einmaliger Anfragen. In den Beispielen verwandelte es einfache Anweisungen in natürlicher Sprache in geplante Jobs, strukturierte Recherchen, skillgestützte Analysen und externe Integrationen – mit wenig menschlichem Eingriff.

Gleichzeitig zeigen die Praxistests die aktuellen Grenzen. Während Terminplanung und Recherche-Workflows zuverlässig funktionieren, sind Bereiche wie Artefakt-Sichtbarkeit, Dateizugriff, Monitoring-Kontrollen und Integrationen externer Kanäle noch eingeschränkt. 

Insgesamt spielt Kimi Claw seine Stärken bei breiten, asynchronen Workflows aus – etwa täglichem Monitoring, mehrstufiger Recherche und leichter Automatisierung. Für Entwickler, Forschende und Wissensarbeiter, die Agenten-Workflows erkunden wollen (insbesondere ohne OpenClaw lokal einzurichten und ohne Infrastruktur zu managen), bietet es eine einfache und vielversprechende Umgebung für erste Experimente.

Wenn du mehr über agentische Workflows lernen willst, empfehle ich den Kurs zu Multi-Agenten-Systemen mit LangGraph.