Wie das Gedächtnis deines Bots funktioniert - und wie du es verbesserst

Dein Bot erinnert sich. An deinen Namen, deine Projekte, deine Vorlieben. Er lernt mit jedem Gespräch dazu. Aber das Interessante beginnt, wenn du ihm beibringst, sich besser zu erinnern. Dieses Tutorial zeigt dir, wie das Gedächtnis von OpenClaw funktioniert, wie du es aktiv verbesserst und wie du mit RAG komplette Dokumentensammlungen durchsuchbar machst.

Das erste Gespräch mit einem Bot fühlt sich an wie der erste Arbeitstag eines neuen Kollegen. Er ist kompetent, hilfsbereit, aber er kennt die Abläufe noch nicht. Er weiß nicht, dass du montags immer Teamsitzung hast. Dass du Zusammenfassungen in Stichpunkten bevorzugst. Dass dein letztes Projekt gescheitert ist und du beim neuen einen anderen Ansatz wählst.

Nach ein paar Wochen ist derselbe Bot ein anderer. Er kennt deinen Arbeitsstil. Er erinnert sich an frühere Gespräche. Er weiß, wann er nachfragen sollte und wann er einfach loslegen kann. Das ist die Magie des Gedächtnisses.

Die Magie des Gedächtnisses

Dein Bot schreibt Tagebuch. Genauer gesagt: Er führt Markdown-Dateien, die in einem Docker-Volume unter /home/node/.openclaw/ liegen. Diese simplen Textdateien sind sein komplettes Gedächtnis. Die wichtigste heißt CLAUDE.md und definiert, wer dein Bot ist. Hier steht sein System-Prompt, seine Persönlichkeit, wie er sich verhalten soll. Daneben liegen Memory-Dateien, in denen der Bot sich Fakten über dich notiert.

Das Besondere: Der Bot entscheidet selbst, was wichtig ist. Wenn du ihm erzählst, dass du in Berlin lebst, dass dein Hund Rex heißt oder dass du am liebsten in Stichpunkten kommunizierst, schreibt er sich das auf. Beim nächsten Gespräch liest er seine Notizen und weiß sofort Bescheid. Es fühlt sich an wie Kontinuität, aber technisch ist es simpler: Vor jeder Antwort lädt der Bot alle relevanten .md-Dateien in seinen Kontext.

Diese Dateien überleben Container-Neustarts und Updates, weil sie in Docker-Volumes liegen. Solange die Volumes intakt sind, bleibt das Gedächtnis erhalten. Trotzdem solltest du regelmäßig Backups machen. Wie das geht, steht im Backup-Tutorial.

Stell dir die .md-Dateien wie das Notizbuch eines erfahrenen Assistenten vor: Er schreibt sich nach jedem Gespräch die wichtigsten Punkte auf und blättert vor dem nächsten Treffen kurz durch seine Notizen.

Was bleibt, was verschwindet

Nicht alles, was du sagst, wird dauerhaft gespeichert. Es gibt zwei Arten von Gedächtnis, und der Unterschied ist wichtig. Das aktive Gespräch lebt im Session-Kontext. Der Bot hat den kompletten Chat im Arbeitsgedächtnis und kann sich auf frühere Nachrichten beziehen. Wenn du sagst "Wie meinst du das mit dem zweiten Punkt?", weiß er genau, welchen Punkt du meinst, weil das gesamte Gespräch noch präsent ist.

Aber sobald die Session endet, ist dieser Kontext weg. Der exakte Wortlaut deiner Nachrichten verschwindet. Was bleibt, sind nur die Fakten, die der Bot für wichtig genug hält, um sie in seine .md-Dateien zu schreiben. Persönliche Fakten wie dein Name, dein Wohnort, dein Beruf. Präferenzen wie dein Kommunikationsstil oder bevorzugte Formatierung. Absprachen, die ihr getroffen habt. Projektkontext, beteiligte Personen, Deadlines.

Temporärer Kontext wie "den Link, den ich dir gerade geschickt habe" oder "die drei Optionen, die du mir genannt hast" geht nach der Session verloren, sofern der Bot ihn nicht explizit als wichtig einstuft. Das System ist selektiv. Es erinnert sich an das Wesentliche, nicht an jedes Detail.

Der beste Weg, um herauszufinden, was dein Bot über dich weiß? Frag ihn einfach:

Die Antwort wird dich überraschen. Manche Bots haben nach wenigen Wochen erstaunlich detaillierte Profile über ihre Nutzer aufgebaut. Andere sind noch fast leer. Das hängt davon ab, wie viel du mit deinem Bot interagierst und wie persönlich eure Gespräche sind.

Deinem Bot das Erinnern beibringen

Du musst nicht darauf warten, dass dein Bot sich alles selbst merkt. Du kannst sein Gedächtnis aktiv verbessern, indem du die .md-Dateien direkt bearbeitest. Das ist wie einem neuen Mitarbeiter am ersten Tag eine Mappe mit den wichtigsten Informationen zu geben, statt darauf zu warten, dass er alles selbst herausfindet.

Verbinde dich per SSH mit deinem Server:

ssh root@46.224.200.64

Die Konfigurationsdateien deines Bots liegen im Docker-Volume. Du kannst sie direkt bearbeiten:

# Config-Verzeichnis finden
ls /var/lib/docker/volumes/crabhub-DEINNAME-config/_data/

# Hauptkonfiguration bearbeiten
nano /var/lib/docker/volumes/crabhub-DEINNAME-config/_data/CLAUDE.md

Ersetze DEINNAME durch den Namen deines Bots (den gleichen Namen, der auch in deinem Container-Namen crabhub-DEINNAME-gateway steht). Dann schreibst du rein, was der Bot wissen soll. Persönliche Informationen wie deinen Namen, Beruf, Standort, Zeitzone, Kommunikationsstil. Projektkontext mit aktuellen Projekten, beteiligten Personen, wiederkehrenden Aufgaben, wichtigen Terminen. Häufig benötigte Informationen wie Adressen, Vorlagen für E-Mails, Standard-Formulierungen. Verhaltensregeln wie "Antworte immer auf Deutsch" oder "Fasse dich kurz".

Du kannst auch den Bot selbst bitten, sein Gedächtnis zu verbessern. Das ist besonders nützlich, wenn ihr schon eine Weile zusammenarbeitet und der Bot viele verstreute Informationen über dich gesammelt hat:

Der Bot wird daraufhin seine Memory-Dateien durchgehen, die Informationen konsolidieren und eine saubere, strukturierte Übersicht erstellen. Danach hat er nicht nur einen besseren Überblick, die Informationen sind auch besser organisiert und schneller abrufbar.

Verwende in deinen .md-Dateien klare Überschriften und Aufzählungspunkte statt Fließtext. Der Bot kann strukturierte Informationen deutlich besser verarbeiten als lange Absätze.

RAG: Gedächtnis auf Steroiden

Das Standard-Gedächtnis ist gut für persönliche Fakten und Präferenzen. Aber was, wenn du möchtest, dass dein Bot auf ganze Dokumente zugreifen kann? Auf deine Verträge, Notizen, Anleitungen oder Projektdokumentation? Hier kommt RAG ins Spiel, kurz für Retrieval Augmented Generation.

Die einfachste Erklärung liefert IBM Research: "It's the difference between an open-book and a closed-book exam." Ohne RAG versucht dein Bot, die Antwort aus seinem Gedächtnis zu rekonstruieren, wie ein Mensch, der versucht, sich an einen Text zu erinnern, den er vor Wochen gelesen hat. Das funktioniert, ist aber ungenau. Details gehen verloren, Zahlen werden verwechselt, Nuancen verschwinden.

Mit RAG hat dein Bot zusätzlich einen Aktenschrank, den er durchsuchen kann. Bevor er antwortet, schaut er zuerst in deine Dokumente nach, findet die relevanten Passagen und nutzt sie als Grundlage für seine Antwort. Das Ergebnis ist deutlich genauer, besonders bei faktischen Informationen wie Vertragsbedingungen, technischen Spezifikationen oder Prozessbeschreibungen.

Hinter den Kulissen passiert Folgendes: Deine Dokumente werden in kleine Abschnitte (Chunks) aufgeteilt, typischerweise einige hundert Wörter pro Chunk. Jeder Chunk wird in einen mathematischen Vektor umgewandelt, ein sogenanntes Embedding. Dieser Vektor repräsentiert die Bedeutung des Textes, nicht den Wortlaut. Dafür brauchen wir ein Embedding-Modell, hier kommt die Gemini API ins Spiel.

Die Vektoren werden in einer Datenbank gespeichert, die sehr schnelle Ähnlichkeitssuchen ermöglicht. Wenn du eine Frage stellst, wird auch deine Frage in einen Vektor umgewandelt. Dann sucht das System nach den Chunks, deren Vektoren deiner Frage am ähnlichsten sind. Die gefundenen Chunks werden dem Bot als zusätzlicher Kontext mitgegeben. Er antwortet auf Basis deiner Dokumente, nicht auf Basis vager Erinnerungen.

Das klingt komplex, aber in der Praxis musst du davon nichts verstehen. Du brauchst nur einen API-Key für die Embeddings und ein paar Dokumente. Den Rest erledigt OpenClaw.

RAG einrichten

Für die Embedding-Berechnung braucht OpenClaw ein Embedding-Modell. Die Gemini API von Google eignet sich hervorragend dafür: Das kostenlose Kontingent ist großzügig genug für die meisten Anwendungsfälle, und die Embedding-Qualität ist erstklassig.

Öffne Google AI Studio in deinem Browser. Melde dich mit deinem Google-Konto an (oder erstelle ein neues, idealerweise ein separates Bot-Konto, wie wir es im Artikel über getrennte Konten empfehlen). Klicke auf "Get API Key" und dann auf "Create API key". Kopiere den generierten Key.

Verbinde dich per SSH mit deinem Server und schaue dir die aktuelle Konfiguration deines Bots an:

Die Ausgabe zeigt dir die aktuelle Konfiguration. Du wirst vermutlich sehen, dass noch kein Embedding-Provider konfiguriert ist. Bearbeite die Datei:

# Konfigurationsdatei öffnen
nano /var/lib/docker/volumes/crabhub-DEINNAME-config/_data/openclaw.json

Füge den Embedding-Abschnitt zur Konfiguration hinzu (oder ändere ihn, wenn er bereits existiert):

{
  "embeddingProvider": "gemini",
  "embeddingApiKey": "DEIN-GEMINI-API-KEY",
  "embeddingModel": "text-embedding-004"
}

Ersetze DEIN-GEMINI-API-KEY durch den Key, den du kopiert hast. Dann starte den Container neu:

docker restart crabhub-DEINNAME-gateway

Warte 10-15 Sekunden und prüfe dann die Logs, um sicherzustellen, dass alles korrekt gestartet ist:

docker logs --tail 20 crabhub-DEINNAME-gateway

Wenn du in den Logs keine Fehlermeldungen siehst und der Bot wieder reagiert, ist RAG aktiviert. Jetzt musst du nur noch Dokumente hinzufügen.

Dokumente füttern

RAG ist nur so gut wie die Dokumente, die du deinem Bot gibst. Am besten funktioniert Markdown (.md), weil es strukturiert, leicht zu bearbeiten und vom Bot am besten verarbeitbar ist. Klartext (.txt) funktioniert gut für einfache Notizen und Protokolle. PDFs werden unterstützt, aber die Textextraktion ist nicht immer perfekt, besonders bei gescannten Dokumenten. Wenn möglich, konvertiere PDFs vorher in Markdown.

Der einfachste Weg, Dokumente auf den Server zu bringen, ist SCP. Führe diesen Befehl auf deinem lokalen Computer aus (nicht auf dem Server):

Ersetze dokument.pdf durch den Namen deiner Datei und DEINNAME durch den Namen deines Bots. Dokumente für RAG gehören in das Workspace-Verzeichnis deines Bots, auf dem Host-System ist das /var/lib/docker/volumes/crabhub-DEINNAME-workspace/_data/.

Du kannst auch Unterordner anlegen, um deine Dokumente zu organisieren:

# Ordnerstruktur erstellen
mkdir -p /var/lib/docker/volumes/crabhub-DEINNAME-workspace/_data/vertraege
mkdir -p /var/lib/docker/volumes/crabhub-DEINNAME-workspace/_data/notizen
mkdir -p /var/lib/docker/volumes/crabhub-DEINNAME-workspace/_data/anleitungen

# Dateien ownership korrigieren (wichtig!)
chown -R 1000:1000 /var/lib/docker/volumes/crabhub-DEINNAME-workspace/_data/

Alle Dateien im Workspace müssen dem User 1000:1000 (node) gehören. Ohne korrekte Berechtigungen kann der Bot die Dateien nicht lesen. Führe nach jedem Upload chown -R 1000:1000 auf das Verzeichnis aus.

Verwende beschreibende Dateinamen wie mietvertrag-2024.md statt dokument1.md. Der Bot nutzt den Dateinamen als zusätzlichen Kontext. Eine Datei mit allen Informationen zu einem Vertrag ist besser als eine Datei mit Informationen zu fünf verschiedenen Themen. Verwende Markdown-Überschriften (#, ##, ###) um den Text zu strukturieren. Das verbessert die Chunk-Qualität erheblich. Und halte die Dokumente aktuell: Veraltete Dokumente führen zu veralteten Antworten.

Das Gedächtnis scharf halten

Egal ob du RAG nutzt oder nicht, diese Praktiken helfen dir, das Gedächtnis deines Bots langfristig in Form zu halten. Halte deine .md-Dateien organisiert. Verwende klare Überschriften und unterteile Informationen in logische Abschnitte. Dein Bot kann strukturierte Daten viel besser verarbeiten als einen einzigen langen Textblock.

Überprüfe die Memory-Dateien regelmäßig. Alle zwei Wochen einen Blick in die Dateien werfen reicht. So erkennst du, ob der Bot falsche Informationen gespeichert hat oder ob veraltete Fakten aufgeräumt werden müssen. Trenne nach Themen: Eine Datei für persönliche Informationen, eine für Projekte, eine für Präferenzen. Nicht alles in eine riesige Datei stopfen, das verlangsamt die Verarbeitung und macht die Pflege schwieriger.

Stichpunkte statt Fließtext. Aufzählungspunkte und kurze Sätze sind für den Bot leichter zu parsen als verschachtelte Absätze. Denke an Spickzettel, nicht an Aufsätze. Sage dem Bot, was er vergessen soll. Wenn sich Informationen ändern (neuer Job, neuer Wohnort, anderes Projekt), sage es deinem Bot explizit: "Vergiss, dass ich bei Firma X arbeite. Ich bin jetzt bei Firma Y." Sonst behält er veraltete Fakten.

Mache regelmäßig Backups. Bevor du größere Änderungen an den Memory-Dateien vornimmst, sichere den aktuellen Stand. Wie das geht, steht in unserem Backup-Tutorial. Und nutze den Bot als Gedächtnis-Manager. Anstatt Dateien manuell zu bearbeiten, kannst du deinem Bot auch einfach sagen: "Merke dir, dass mein neues Projekt XY heißt und am 1. März startet." Er speichert es automatisch.

Das perfekte Bot-Gedächtnis ist wie ein gut geführtes Notizbuch: regelmäßig gepflegt, übersichtlich strukturiert und frei von veralteten Einträgen. Investiere alle paar Wochen zehn Minuten. Dein Bot wird es dir mit besseren Antworten danken.