OpenClaw auf Zeabur: ein Agenten-Stack statt Demo-Chatbot

OpenClaw ist dann am interessantesten, wenn es nicht als weiterer Chatbot erklärt wird, sondern als laufender Dienst mit echten Schnittstellen. Genau diesen Blick liefert ein Tutorial von AI Builders: Es beschreibt den Aufbau eines persönlichen OpenClaw-Assistenten auf einem Zeabur Dedicated Server, mit Telegram als Chat-Oberfläche, Bright Data für Webzugriff, Mem9 für Langzeitgedächtnis und TiDB Cloud Zero als Datenbank-Unterbau.

Das ist kein kleiner Unterschied. Viele Agenten-Demos enden dort, wo es operativ mühsam wird: Login, Hosting, Speicher, Webzugriff, Modellzugang, Zustandsverwaltung. Das AI-Builders-Setup bündelt genau diese Stellen in einen Stack, der wie ein realer persönlicher Assistent wirken soll. Am Ende soll der Assistent laut Tutorial live im Web suchen und scrapen, Gespräche über Sessions hinweg behalten, über Telegram erreichbar sein und auf einem einzelnen Zeabur-Server laufen.

Der Stack macht OpenClaw greifbarer

Das Tutorial nennt als Voraussetzung einen Zeabur-Account mit Dedicated-Server-Plan und mindestens 2 vCPU sowie 4 GB RAM. Dazu kommen ein Telegram-Konto, ein Bright-Data-API-Key, ein Mem9-Konto, eine TiDB-Cloud-Zero-Datenbank und Zugang zu Agnes AI über ZenMux. Schon diese Liste zeigt: Ein persönlicher Agent ist weniger eine einzelne App als ein Verbund aus Interface, Modellrouter, Tool-Zugriff und Gedächtnis.

In der Architektur-Skizze sitzt OpenClaw zwischen Telegram und mehreren Fähigkeiten. Der LLM-Router verweist auf Agnes AI, GLM-4.7 und Grok 4; die Skills umfassen Bright Data für Webfunktionen, Mem9 als Memory-Komponente und TiDB als Datenbank. Man muss nicht jede dieser Entscheidungen übernehmen, aber die Struktur ist lehrreich: Der Agent bekommt einen klaren Ort, an dem Nutzerkontakt, Modellwahl und externe Werkzeuge zusammenlaufen.

DigitalOcean beschreibt OpenClaw in einem eigenen Überblick als Open-Source-Agenten, der lokal laufen, Kontext über Gespräche hinweg behalten und Aktionen auf der Maschine ausführen kann. Diese Einordnung passt zum AI-Builders-Beispiel, auch wenn das Tutorial OpenClaw nicht nur lokal, sondern auf einem Zeabur-Server betreibt. Der gemeinsame Kern ist Kontrolle: Der Assistent gehört nicht einfach zu einer Chat-App, sondern läuft in einer Infrastruktur, die der Betreiber selbst zusammenstellt.

Telegram ist hier mehr als ein nettes Frontend

Telegram wirkt in solchen Setups oft wie Bequemlichkeit, ist aber funktional wichtig. Ein persönlicher Agent braucht ein Interface, das schnell erreichbar ist, Benachrichtigungen tragen kann und nicht jedes Mal eine eigene Web-App verlangt. AI Builders setzt Telegram genau an diese Stelle: Der Nutzer chattet mit dem Assistenten, während OpenClaw im Hintergrund Modellrouting, Webzugriff und Speicher verbindet.

Der praktische Wert entsteht nicht durch Telegram allein. Er entsteht dadurch, dass Telegram mit Gedächtnis und Webzugriff gekoppelt wird. Wenn ein Assistent über mehrere Sessions hinweg Kontext behalten soll, reicht ein Chatfenster ohne Persistenz nicht. Wenn er aktuelle Informationen verarbeiten soll, reicht ein Modell ohne Webzugriff ebenfalls nicht. Das Tutorial benennt Bright Data, Mem9 und TiDB deshalb nicht als Dekoration, sondern als tragende Dienste des Systems.

Gerade für Agenten-Builder ist das eine nützliche Verschiebung der Perspektive. Die Frage lautet nicht mehr nur: Welches Modell trägt welche Aufgabe? Die operative Frage lautet: Welche Dienste braucht ein Agent, damit er im Alltag zuverlässig erreichbar, erinnerungsfähig und handlungsfähig ist? Das AI-Builders-Setup beantwortet sie pragmatisch: Chat über Telegram, Web über Bright Data, Memory über Mem9, Datenhaltung über TiDB und Deployment über Zeabur.

Die Grenze liegt in der Komplexität

Der Stack ist stark, weil er viele reale Bausteine verbindet. Er ist aber auch kein „fünf Minuten und fertig“-Versprechen. Schon die Voraussetzungen zeigen mehrere Accounts, API-Zugänge und Konfigurationsentscheidungen. Wer OpenClaw nur ausprobieren will, findet darin vermutlich mehr Infrastruktur, als für einen Einstiegstest nötig ist. Wer aber einen ernsthaften persönlichen Assistenten betreiben will, bekommt einen ehrlicheren Eindruck davon, welche Teile zusammenspielen müssen.

Auch die Quellenlage sollte man nüchtern lesen. Das AI-Builders-Tutorial ist die maßgebliche Quelle für das konkrete Setup. Die DigitalOcean-Einordnung liefert eine externe Perspektive darauf, wie OpenClaw als Open-Source-Agent mit lokalem Betrieb, Kontextgedächtnis und Maschinenaktionen beschrieben wird. Das reicht für ein Spotlight, ersetzt aber keinen Langzeittest unter Last, keine Sicherheitsprüfung und keine Aussage darüber, welche Kombination für jedes Team geeignet ist.

Trotzdem ist das Beispiel wertvoll. OpenClaw wird hier nicht als abstraktes Framework verkauft, sondern als Schaltzentrale für einen betreibbaren Agenten. Genau dort wird es spannend: nicht beim nächsten Demo-Prompt, sondern bei der Frage, wie ein Assistent erreichbar bleibt, Werkzeuge nutzt, Kontext behält und trotzdem unter eigener Kontrolle läuft. Für agentenlog.de ist das der interessantere Teil der Agentenwelle: weniger Magie, mehr Betriebsrealität.