OpenClaw ve Ollama Kullanımı: Yerel Bir Veri Analisti Oluşturma

Neden OpenClaw'ı Ollama ile Çalıştırmalısınız?

OpenClaw'ı yerel bir Ollama modeliyle çalıştırmak, sisteminizi kendi kendine yeten bir yapay zekâ ortamına dönüştürür. İstemleri ve verileri harici API'lere göndermek yerine, muhakeme, dosya erişimi ve çıktı üretimi dahil tüm iş akışı makinenizde çalışır.

Bu kurulum çeşitli pratik avantajlar sağlar:

• Tasarım gereği gizlilik: Tüm veri kümeleri, belgeler ve ara çıktılar cihazda kalır. Hiçbir şey harici servislere iletilmez.
• Tam şeffaflık ve kontrol: OpenClaw'a gönderilen slash komutundan üretilen dosyalara ve yürütme izine kadar her adım incelenebilir.
• Çevrimdışı çalışma: Model Ollama ile çekildikten sonra sistem internetsiz çalışır.
• Ajan tarzı yürütme: Tek bir kullanıcı isteği, tek bir metin yanıtı yerine çok adımlı bir iş akışını tetikleyebilir.

Bu öğretici, OpenClaw'ın yürütme motoru, Ollama'nın ise muhakeme katmanı olduğu yerel bir ajan mimarisi kurmaya odaklanır.

OpenClaw Ollama Eğitimi: Yerel Bir Veri Analisti Oluşturun

Bu bölümde, OpenClaw ve yerel bir Ollama modeli kullanarak tamamen makinenizde çalışan bir Yerel Veri Analisti uygulaması oluşturacağız. Yüksek seviyede sistem üç temel görev gerçekleştirir:

• Kullanıcıdan bir CSV veri kümesi kabul etmek
• İsteğe bağlı olarak destekleyici bağlam belgelerini (PDF, TXT veya Markdown) almak
• İçgörüler ve görselleştirmeler üretmek için çok adımlı bir analiz iş akışı çalıştırmak

Sistem üç çıktı eseri üretir:

• trend_chart.png
• analysis_report.md
• tool_trace.json

Arka planda iş akışı üç bileşen tarafından koordine edilir:

• Web arayüzü(web_assistant.py): Bu Python dosyası dosya yüklemelerini yönetir, bir çalışma dizini oluşturur ve OpenClaw'a bir slash komutu gönderir.
• OpenClaw ajanı: OpenClaw ajanı çalışma alanı becerisini yükler, araçlar aracılığıyla yerel komutları yürütür ve muhakeme ve özetleme için Ollama üzerinden barındırılan yerel LLM'leri kullanır.
• Analiz motoru (main.py): Bu dosya veri kümesini okur, ilgili sütunları çıkarır, grafikler ve içgörüler üretir ve tüm çıktıları diske yazar.

İş akışı tamamlandığında, web arayüzü üretilen eserlerin önizlemesini sunar ve kullanıcının sonuçları ve yürütme izini görüntülemesine olanak tanır.

Adım 1: OpenClaw'ı yükleyin

Yerel Veri Analisti iş akışını oluşturmadan önce, makinenizde OpenClaw Gateway'in çalışması gerekir. OpenClaw'ı bu projedeki yürütme katmanı olarak düşünün; web arayüzünden gelen istekleri alır, çalışma alanı becerisini yükler, yerel araçları (kabuk komutları ve Python betikleri gibi) çalıştırır ve baştan sona tüm iş akışını koordine eder.

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon

Bu komut, OpenClaw CLI'ı kurar, yerel ortamı yapılandırmak için karşılama sihirbazını çalıştırır ve ağ geçidi daemon'ını kurar; böylece kolayca başlatılıp durdurulabilir. Bu demoda ağ geçidini ön planda çalıştıracağız, ancak daemon'ın kurulması standart bir kurulum sağlar ve sorun gidermeyi kolaylaştırır.

Şimdi her şeyin çalıştığını doğrulayalım:

openclaw doctor
openclaw gateway status

OpenClaw doctor, OpenClaw'ın doğru şekilde kurulduğunu bildirir. OpenClaw gateway status ise ağ geçidinin şu anda çalışıp çalışmadığını söyler. Bu aşamada “çalışmıyor” diyebilir ama sorun değil. Önemli olan komutun çalışması ve kurulumun tanınmasıdır.

Tüm karşılama seçeneklerinin (kanallar, kimlik doğrulama, beceriler, ağ geçidi güvenliği) ayrıntılı bir anlatımı için, eksiksiz adım adım kurulum içeren OpenClaw öğreticisine başvurabilirsiniz.

Adım 2: Ollama'yı yükleyin

Sırada bu proje için yerel LLM arka ucu olarak görev yapacak Ollama'yı kurmak var. OpenClaw iş akışını orkestre etmeye devam edecek, ancak özetleme veya muhakeme için modele ihtiyaç duyduğunda LLM'leri Ollama üzerinden çağıracak. 

Aşağıdaki komutları çalıştırın:

brew install ollama
ollama serve
ollama pull qwen3:8b

Yukarıdaki komutlar Ollama çalışma zamanını kurar, OpenClaw'ın iletişim kuracağı yerel model sunucusunu başlatır ve qwen3:8b modelini indirir. qwen3:8b modelini, çoğu dizüstü bilgisayar için performans ve kalite arasında iyi bir denge sunduğu için kullanıyoruz; ancak sistem kaynaklarınıza göre farklı bir model seçebilirsiniz. Bu kurulum için Ollama'nın kılavuzuna da başvurabilirsiniz. 

Adım 3: OpenClaw'ı yapılandırın

Şimdi OpenClaw'ı yerel Ollama örneğini kullanacak şekilde yapılandırmamız gerekiyor. Bu, tüm muhakeme, özetleme ve analiz işlemlerinin tamamen makinenizde, harici API çağrıları olmadan gerçekleşmesini sağlar.

Yerel bir yapılandırma dizini oluşturun:

mkdir -p .openclaw-local

Ardından şu dosyayı oluşturun:

.openclaw-local/openclaw.json

{
  "models": {
    "providers": {
      "ollama": {
        "baseUrl": "http://127.0.0.1:11434/v1",
        "apiKey": "ollama-local",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3:8b",
            "name": "qwen3:8b",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 131072,
            "maxTokens": 8192
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "ollama/qwen3:8b" }
    }
  },
  "tools": {
    "web": {
      "search": { "enabled": false },
      "fetch": { "enabled": true }
    }
  }
}

Yukarıdaki yapılandırma üç temel bileşeni tanımlar:

• baseUrl, ollama serve tarafından sunulan yerel API uç noktasını işaret ederken, api: openai-completions ayarı OpenAI uyumlu iletişimi etkinleştirir. qwen3:8b için model kaydı, büyük veri kümelerini işlemek için 131K bağlam penceresi ve yanıtları kontrol etmek için belirteç sınırı gibi yeteneklerini belirtir. Model yerel çalıştığından, tüm maliyet değerleri sıfıra ayarlanmıştır.
• agent defaults bölümü, OpenClaw ajanlarının muhakeme için hangi modeli kullanacağını kontrol eder. Birincil modeli ollama/qwen3:8b olarak ayarlayarak, istemleri yorumlama, özet üretme veya veriler üzerinde muhakeme etme gibi her ajan görevi, harici API çağrıları gerektirmeden otomatik olarak yerel Ollama modeline yönlendirilir.
• Aracın yapılandırması, gizliliği sağlamak ve giden istekleri önlemek için devre dışı bırakılan web araması gibi harici yetenekleri yönetir. Gerek duyulduğunda sınırlı kaynak alımı için fetch aracı etkin kalır. 

Bu ayarlar birlikte, tüm iş akışının makinenizde özel olarak çalışmasını ve OpenClaw'ın orkestrasyonu, Ollama'nın ise yerel zekâyı sağlamasını temin eder.

Adım 4: Çalışma alanı becerisini tanımlayın

Bu adımda, OpenClaw'a iş akışımızı nasıl yürüteceğini söyleyen çalışma alanı becerisini tanımlıyoruz. Modelin araç kullanımını planlamasına güvenmek yerine, bir slash komutunun yerel bir yürütme komutunu doğrudan tetiklemesine olanak tanıyan komut yönlendirme modunu kullanıyoruz; bu da iş akışını daha hızlı ve tamamen yerel hale getirir.

Çalışma alanınızda aşağıdaki SKILL.md dosyasını oluşturalım:

---
name: local-data-analyst
description: Local Data Analyst: analyze private local data with Ollama, generate chart/report, and keep all data on-device.
user-invocable: true
command-dispatch: tool
command-tool: exec
command-arg-mode: raw
---
Invoke as /local-data-analyst <raw command>.
This skill bypasses model planning and dispatches raw command text directly to the exec tool.
Use this exact command template in this workspace:
python3 /……/main.py --docs-dir <context_dir> --data-file <data_file> --output-dir <output_dir> --prompt "<prompt>" --use-ollama --model qwen3:8b
Expected outputs under <output_dir>:
- trend_chart.png
- analysis_report.md
- tool_trace.json

Bu beceri yapılandırması, OpenClaw'ın analizi nasıl yürüteceğini kontrol eder:

• Ön bilgi bloğu (bir dosyanın en üstündeki yapılandırılmış meta veri bloğu), /local-data-analyst slash komutu olarak kullanılabilen, local-data-analyst adlı, kullanıcı tarafından çağrılabilir bir beceri tanımlar.
• Bir slash komutu, OpenClaw'ın sohbetten veya arayüzden yapılandırılmış eylemleri tetikleme yöntemidir.
• command-dispatch: tool ayarı, OpenClaw'ın komutu ne yapılacağına karar vermesi için modele sormak yerine doğrudan bir araca yönlendirdiği komut yönlendirme modunu etkinleştirir.
• command-arg-mode: raw ile, exec aracına tüm komut dizgesi değiştirilmeden iletilir; bu da öngörülebilir yürütmeyi sağlar.
• Komut, yerel main.py betiğini çalıştırır; bu betik şunları yapar:
• Veri kümesini ve isteğe bağlı bağlam belgelerini yükler
• Ollama (qwen3:8b)'yi muhakeme ve özetleme için kullanır
• Bir grafik, bir markdown raporu ve araç yürütme izini içeren üç eser üretir

Böylece OpenClaw orkestrasyon ve yürütmeyi üstlenirken, Ollama yerel muhakemeyi sağlar. Bir sonraki adımda, kullanıcıların veri yüklemesini ve tek bir işlemle analizi tetiklemesini sağlamak için bu beceriyi bir web arayüzüne bağlayacağız.

Adım 5: Bir web arayüzü oluşturun

Bu noktada, muhakeme sağlayan bir yerel model arka ucu (Ollama) ve bir OpenClaw çalışma alanı becerisi olmak üzere iki çekirdek parçaya sahibiz. Şimdi, her seferinde terminale dokunmadan dosya yüklemenize ve çalıştırmaları tetiklemenize olanak tanıyan hafif bir arayüze ihtiyacımız var.

web_assistant.py dosyası ince bir ön uç sunucusu olarak şu görevleri görür:

• Dosya yüklemelerini kabul eder,
• Her yürütme için yalıtılmış bir çalışma dizini oluşturur,
• Diskteki dosyaları işaret eden bir OpenClaw slash komutu oluşturur,
• OpenClaw ajanını yerel olarak çağırır,
• Çıktıları bekler,
• Önizlemeye hazır eserleri tarayıcıya döndürür.

Buradaki temel tasarım tercihi, web sunucusunun analiz mantığını asla kendisinin çalıştırmamasıdır. Her şeyi OpenClaw'a devreder; böylece arayüz basit kalır. 

Adım 5.1: Slash komutunun oluşturulması

Buradaki hedef, OpenClaw'ın bir sohbet mesajı olarak alabileceği tek bir dizge üretmektir; örneğin: /local-data-analyst python3 ... --data-file ... --output-dir …

def build_slash_command(
    data_path: Path,
    docs_dir: Path,
    output_dir: Path,
    prompt: str,
    model: str,
    x_col: str,
    y_col: str,
) -> str:
    args = [
        "python3",
        str(BASE_DIR / "src" / "main.py"),
        "--docs-dir", str(docs_dir),
        "--data-file", str(data_path),
        "--output-dir", str(output_dir),
        "--prompt", prompt,
        "--use-ollama",
        "--model", model,
    ]
    if x_col:
        args.extend(["--x-column", x_col])
    if y_col:
        args.extend(["--y-column", y_col])
    raw = " ".join(shlex.quote(a) for a in args)
    return f"/local-data-analyst {raw}"

build_slash_command() işlevi, OpenClaw'a gönderilecek tam talimatı hazırlar. Analizi doğrudan yürütmek yerine, web uygulaması OpenClaw'ın ilgili çalışma alanı becerisine yönlendirebileceği yapılandırılmış bir slash komutu oluşturur. Bu işlev dört temel görevi yerine getirir:

• args listesi, src/main.py için CLI çağrısını tanımlar. Bu, terminalden elle çalıştırabileceğiniz komutun aynısıdır.
• --x-column ve --y-column bayrakları yalnızca sağlandıklarında eklenir. Bu değerler yoksa analiz betiği sütunları veri kümesinden otomatik olarak çıkarabilir.
• shlex.quote() çağrısı, kullanıcı istemi de dahil olmak üzere tüm argümanları kaçışlar. Bu, boşluklar ve özel karakterleri ele almak için kritiktir ve kullanıcı girdisinin bir kabuk komutuna aktarılması sırasında komut enjeksiyonu risklerini önler.

İşlev, /local-data-analyst ile başlayan bir dizge döndürür. Bu önek, SKILL.md içinde tanımlanan beceri adıyla eşleşir. OpenClaw bu slash komutunu aldığında, isteği hemen local-data-analyst çalışma alanı becerisine yönlendirir ve ardından komutu exec aracıyla yürütür.

Adım 5.2: OpenClaw yürütmesi 

Artık slash komutuna sahip olduğumuza göre, bunu CLI ajan çalıştırıcısını kullanarak OpenClaw'a gönderiyoruz. Web uygulamasının yürütmeyi devrettiği nokta burasıdır.

slash_message = build_slash_command(
    data_path=data_path,
    docs_dir=docs_dir,
    output_dir=output_dir,
    prompt=prompt,
    model=model,
    x_col=x_col,
    y_col=y_col,
)
agent_cmd = [
    "openclaw", "agent",
    "--local",
    "--session-id", f"stealth-web-{run_id}",
    "--message", slash_message,
    "--timeout", "120",
]
proc = subprocess.run(agent_cmd, capture_output=True, 
                     text=True, env=openclaw_env())

OpenClaw ajan çağrısı, web uygulamasının işi bırakıp OpenClaw'dan baştan sona iş akışını yürütmesini istediği devretme noktasıdır. 

• --local kullanımı, çalışmanın makinenizde kalmasını sağlar ve ajanın isteği, barındırılan herhangi bir hizmet yerine yerel ağ geçidiniz ve Ollama destekli modeliniz üzerinden işlemesini güvenceye alır.
• --session-id stealth-web-{run_id} bayrağı her çalıştırmaya kendi yalıtılmış oturum ad alanını verir; bu da çalıştırmalar arasında durum sızıntısını önler ve daha sonra belirli bir yürütmeyi hata ayıklamayı kolaylaştırır. 
• --message argümanı, bir kullanıcının sohbetten yazdığı şekliyle slash komutunu aynen iletir; OpenClaw bunu alır, /local-data-analyst becerisine yönlendirir ve alttaki komutu exec aracıyla yürütür. 
• Son olarak --timeout 120, analiz takılırsa web arayüzünün sonsuza dek beklemesini önleyen bir emniyet supabı görevi görür; env=openclaw_env() ise alt sürecin proje-yerel OpenClaw yapılandırmasını ve durum dizinini kullanmasını zorlayarak amaçlanan Ollama kurulumunu tutarlı şekilde hedeflemesini sağlar.

Bir sonraki adımda, grafik, rapor ve araç izi dahil oluşturulan eserleri yükleyip tarayıcıda hafif önizlemeler oluşturacağız.

Adım 5.3: Sunucu kurulumu

Son olarak, web_assistant.py tarayıcı üzerinden etkileşim kurabilmeniz için küçük bir yerel HTTP sunucusu çalıştırır.

 def main() -> int:
    host = "127.0.0.1"
    port = 8765
    server = ThreadingHTTPServer((host, port), Handler)
    print(f"Local Data Analyst web UI: http://{host}:{port}")
    print("Press Ctrl+C to stop.")
    try:
        server.serve_forever()
    except KeyboardInterrupt:
        pass
    return 0

Bu, dağıtımı basitleştirir:

• ThreadingHTTPServer, tüm uygulamayı engellemeden birden fazla isteğe izin verir.
• Tüm “asıl iş” yüklemeleri alan, çalışma klasörleri oluşturan, OpenClaw'ı tetikleyen ve önizlemeleri döndüren istek Handler'ında gerçekleşir.

Not: Tam web_assistant.py kodu proje GitHub deposunda mevcuttur.

Adım 6: Yerel analiz motorunu oluşturun

Bu noktada, OpenClaw çalışma alanı becerisi aracılığıyla iş akışını zaten yürütebiliyor ve web arayüzü bir slash komutuyla çalıştırmaları tetikleyebiliyor. Geriye kalan parça, yüklediğiniz dosyaları alan, iş akışı adımlarını çalıştıran ve eserleri üreten analiz motorudur.

Bu depodaki main.py dosyası, boru hattının kalbini tanımlayan iki işleve odaklanır; yani, tabular verilerin yüklenmesi ve yerel muhakeme için Ollama'nın çağrılması. 

Adım 6.1: Tabular verilerin yüklenmesi 

Bu yardımcı, iş akışını tutarlı tutarken birden çok girdi biçimini destekler.

def load_tabular_data(data_path: Path, events: List[SkillEvent]) -> pd.DataFrame:
    ext = data_path.suffix.lower()
    if ext == ".csv":
        df = pd.read_csv(data_path)
    elif ext in {".tsv", ".tab"}:
        df = pd.read_csv(data_path, sep="\t")
    elif ext in {".json", ".jsonl"}:
        try:
            df = pd.read_json(data_path)
        except ValueError:
            df = pd.read_json(data_path, lines=True)
    elif ext in {".xlsx", ".xls"}:
        df = pd.read_excel(data_path)
    else:
        raise ValueError(f"Unsupported data file...")
    log_event(events, "fs", "read", f"Loaded data file: {data_path.name}")
    return df

load_tabular_data() işlevi, dosya türünü data_path.suffix kullanarak algılar ve doğru pandas yükleyicisine yönlendirir. CSV ve TSV dosyaları read_csv() ile ele alınır; TSV/tab dosyalarında yalnızca ayırıcı \t olarak değiştirilir. JSON girdileri önce read_json() ile işlenir, pandas bir ValueError fırlatırsa JSONL için lines=True yedeklenir. Excel desteği, kullanıcıların .xlsx dosyalarını ön işleme gerek kalmadan yükleyebilmesi için read_excel() ile eklenmiştir.

Son olarak log_event() çağrısı, boru hattının daha sonra tool_trace.json içine serileştirebileceği yapılandırılmış bir iz girdisini kaydeder. 

Adım 6.2: Ollama entegrasyonu 

Bu demo bir SDK'ya dayanmadığından, Ollama'nın yerel HTTP API'sini doğrudan çağırır.

def ollama_generate(model: str, prompt: str) -> str:
    url = "http://localhost:11434/api/generate"
    payload = json.dumps({
        "model": model, 
        "prompt": prompt, 
        "stream": False
    }).encode("utf-8")
    req = request.Request(url, data=payload, 
                         headers={"Content-Type": "application/json"})    
    with request.urlopen(req, timeout=45) as resp:
        body = json.loads(resp.read().decode("utf-8"))
    return str(body.get("response", "")).strip()

ollama_generate() işlevi, localhost üzerindeki Ollama'nın /api/generate uç noktasına bir JSON yükü gönderir. Yük, model adını (örneğin, qwen3:8b), son istem dizgesini belirtir ve işlevin tek bir tamamlanmış yanıt döndürmesi için akış özelliğini devre dışı bırakır.

urllib.request kullanmak bu sarmalayıcıyı hafif ve taşınabilir kılar; timeout=45 koruması ise model yavaşsa veya sunucu kapalıysa iş akışımızın süresiz olarak asılı kalmasını önler. Son olarak, işlev model çıktısını response alanından çıkarır ve temiz metin olarak döndürür; bu metin daha sonra analysis_report.md dosyasını yazmak için kullanılır.

Adım 7: Web sunucusunu oluşturun

Yüklemeleri kabul eden ve arka planda OpenClaw çalıştırmalarını tetikleyen yerel web arayüzünü başlatmak için küçük bir başlatıcı betik aşağıdadır.

set -euo pipefail
ROOT="$(cd "$(dirname "$0")" && pwd)"
cd "$ROOT/.."
python3 ../web_assistant.py

Bu betik üç şey yapar:

• set -euo pipefail, betiğin hatada hızlıca durmasını sağlar; yani hatalarda durur, atanmamış değişkenleri hata sayar ve boru hatlarında sessiz hataları önler.
• ROOT=... betiğin bulunduğu dizini çözümler; böylece başka bir yerden çalıştırsanız bile çalışır.
• cd "$ROOT/.." beklenen proje köküne geçer ve ardından UI'yi barındıran ve tüm boru hattını yöneten web_assistant.py'yi başlatır.

Bu betik çalışır durumdayken, tarayıcı arayüzü demonun giriş kapısı olur.

Adım 8: Sistemi başlatın

Son adımda, sistemi iki işlemli bir kurulumla çalıştırıyoruz. OpenClaw ağ geçidi tüm görev yürütmeyi üstlenirken, web arayüzü kullanıcıların istek göndermesi ve oluşturulan çıktıları görüntülemesi için kullanıcı katmanı olarak hizmet verir.

Terminal 1:  Ağ Geçidi

Arayüzü başlatmadan önce OpenClaw ağ geçidini başlatıyoruz. Bu süreç, sistemin yürütme katmanı olarak hareket eder; ajan isteklerini işler, çalışma alanı becerisini yükler, yerel araçları çağırır ve muhakeme çağrılarını Ollama modeline yönlendirir.

export OPENCLAW_CONFIG_PATH="$PWD/.openclaw-local/openclaw.json"
openclaw gateway --force

Bu terminalde, OPENCLAW_CONFIG_PATH OpenClaw'ı proje-yerel yapılandırmaya yönlendirir; burada varsayılan modeli ollama/qwen3:8b olarak sabitledik ve gizlilik için web aramasını devre dışı bıraktık.  Ardından openclaw gateway --force, OpenClaw bir şeyin zaten çalıştığını veya kısmen yapılandırıldığını düşünse bile ağ geçidini başlatır. 

Ağ geçidi ayağa kalktığında, yerel ajan mesajlarını ( /local-data-analyst slash komutumuz dahil) kabul etmeye hazırdır.

Terminal 2: Web Arayüzü

Ağ geçidi çalışır hale geldiğinde, kullanıcı girdilerini toplayan, her isteği yerel OpenClaw ajanına gönderen ve oluşturulan grafikler, raporlar ve yürütme izlerini görüntüleyen web arayüzünü başlatıyoruz.

./local_data_analyst/run_web.sh

Ardından şunu açın:

http://127.0.0.1:8765

Web sunucusu 127.0.0.1 üzerinde çalışır; yani yalnızca makinenizden erişilebilir. Çalıştır'ı tıkladığınızda, arayüz bir çalışma klasörü yazar, slash komutunu oluşturur, openclaw agent --local çağrısını yapar ve ardından önizleme sunabilmek için çıktı dosyalarını diskten yoklar:

• trend_chart.png
• analysis_report.md
• tool_trace.json

Nihai çıktı aşağıdakine benzer olacaktır. Bu demoyu bazı örnek dosyalarla test edebilirsiniz.

Sonuç

Bu öğreticide, basit bir web arayüzünün OpenClaw ve yerel bir Ollama modelinin güç verdiği tam bir ajan iş akışını tetiklediği yerel-öncelikli bir yapay zekâ uygulaması oluşturduk. Harici API'leri çağırmak yerine, sistem tüm döngüyü makinenizde tutar.

OpenClaw orkestrasyon ve araç yürütmesini üstlenirken, Ollama yerel zekâ katmanını sağlar. Sonuç, tek bir isteğin görselleştirmeler, raporlar ve denetim izleri gibi yapılandırılmış eserler ürettiği ajan tarzı bir iş akışıdır.

Buradan projeyi çeşitli yönlerde genişletebilirsiniz. Farklı iş akışları için yeni çalışma alanı becerileri ekleyebilir, ek yerel araçlar (örneğin, veritabanı sorguları veya belge arama) entegre edebilir veya güvenli uzaktan erişim için OpenClaw'ı Slack veya WhatsApp gibi mesajlaşma kanallarına bağlayabilirsiniz. 

Donanımınıza bağlı olarak performans ve kalite arasında denge kurmak için farklı Ollama modelleriyle de deney yapabilirsiniz.

İş akışlarınızda yapay zekâyla çalışmayı daha fazla öğrenmek için Geliştiriciler için Yapay Zekâ Destekli Kodlama kursuna göz atmanızı tavsiye ederim. Ayrıca Moltbook’a başlama rehberimize de göz atmanızı öneririm.