Du hast einen Claude-Agenten gebaut. Jetzt willst du ihn über WhatsApp erreichbar machen. Oder über Slack. Oder beides gleichzeitig. Und du willst, dass er sich Gespräche merkt, geplante Jobs ausführt und auf deiner eigenen Infrastruktur läuft. nanoclaw löst genau diese Aufgabe.
Was ist nanoclaw?
nanoclaw ist ein leichtgewichtiges Agent-Framework. Es positioniert sich als schlanke Alternative zu komplexeren Orchestrierungslösungen. Der entscheidende Unterschied zu vielen anderen Ansätzen: nanoclaw läuft containerisiert. Du deployst es in einem Docker-Container auf deiner eigenen Infrastruktur. Keine fremden Server, kein Drittanbieter-Zugriff auf deine Agenten-Daten.
Das Framework verbindet deine KI-Agenten mit mehreren Kanälen gleichzeitig. Unterstützt werden WhatsApp, Telegram, Slack, Discord und Gmail. Dein Agent beantwortet Nachrichten auf allen Kanälen über eine einzige Konfiguration. Du pflegst nicht fünf verschiedene Integrationen, sondern eine.
Zwei Features machen nanoclaw besonders nützlich für den produktiven Einsatz: Memory und Scheduled Jobs. Memory bedeutet, dass dein Agent Gesprächshistorie und Nutzerkontext speichert. Er muss bei jedem neuen Gespräch nicht bei null anfangen. Scheduled Jobs bedeutet, dass du Aufgaben zeitgesteuert automatisierst, ohne den Agenten manuell anzustoßen.
Das Projekt richtet sich an Operatoren. Der Begriff kommt aus der Agent-Architektur: Du als Operator konfigurierst die Grenzen, die Kanäle, die Tools. Der Nutzer auf der anderen Seite bekommt einen fokussierten Agenten, ohne in die Mechanik eingreifen zu können.
Wie richtest du nanoclaw ein?
Der Einstieg geht über Docker. Du clonst das Repo, konfigurierst deine Channel-Credentials und startest den Container.
git clone https://github.com/nanocoai/nanoclaw
cd nanoclaw
cp .env.example .env
# Anthropic-API-Key und Kanal-Credentials eintragen
docker compose up -d
Im .env trägst du deinen Anthropic-API-Key ein sowie die Credentials für jeden Kanal, den du nutzen willst. Du musst nicht alle Kanäle aktivieren. Wenn du nur Slack und Gmail brauchst, lässt du WhatsApp und Telegram einfach weg. Das Setup ist modular.
Die Memory-Konfiguration läuft über eine einfache Datenbankanbindung. nanoclaw speichert Gesprächskontext in einer lokalen SQLite-Datenbank. Wahlweise kannst du auch eine externe Datenbank einbinden, die du selbst hostest. Das gibt dir volle Kontrolle über die gespeicherten Daten.
Für Scheduled Jobs schreibst du eine Konfigurationsdatei im YAML-Format. Du definierst, wann der Agent welche Aufgabe ausführen soll. Zum Beispiel: Jeden Morgen um 8 Uhr schickt die KI eine Zusammenfassung der letzten Kundenanfragen in den Team-Slack-Channel. Einmal konfiguriert, läuft das ohne weiteres Zutun.
nanoclaw in der Praxis: Ein konkretes Beispiel
Stell dir dieses Szenario vor: Du betreibst eine kleine Agentur oder einen E-Commerce-Shop. Deine Kunden erreichen dich über WhatsApp, manche über Gmail, dein Team arbeitet in Slack. Du willst nicht drei separate Automatisierungen bauen und pflegen.
Mit nanoclaw richtest du einen einzigen Claude-Agenten ein. Er antwortet Kunden auf WhatsApp, bearbeitet Support-Mails in Gmail und postet Tagesberichte in deinen Slack-Channel. Das Memory-Feature sorgt dafür, dass der Agent weiß, was ein Kunde gestern gefragt hat. Kein Informationsverlust zwischen den Sessions.
Das Scheduled-Jobs-Feature übernimmt die täglichen Reports. Du definierst einmal: Jeden Abend um 18 Uhr fasst der Agent die offenen Anfragen zusammen und schickt sie ins Slack. Kein manuelles Triggern, keine vergessenen Updates, kein Aufwand für dich.
Der Security-Aspekt ist in diesem Kontext besonders relevant. Du verarbeitest Kundendaten, Bestellinformationen, manchmal auch sensitive Geschäftsdaten. Diese Daten auf einem selbst gehosteten Container zu halten statt über externe Cloud-Dienste zu leiten, ist ein klarer Vorteil. Die containerisierte Architektur von nanoclaw ist genau dafür ausgelegt.
Was das für Claude-Code-Nutzer bedeutet: Du baust und testest deinen Agenten in Claude Code. Du deployst ihn dann mit nanoclaw und gibst ihm einen produktionstauglichen Kanal-Layer. Die zwei Workflows ergänzen sich, ohne sich zu überschneiden.
Wann lohnt sich nanoclaw?
nanoclaw ist keine Lösung für schnelle Experimente. Es ist ein Framework für Operatoren, die produktiv und selbstgehostet deployen wollen.
Es lohnt sich wenn:
- Du Multi-Channel-Kommunikation in einem Agenten zusammenführen willst
- Self-Hosting für dich keine Option, sondern Pflicht ist (Datenschutz, Compliance)
- Du Scheduled Jobs für automatisierte KI-Aufgaben brauchst
- Dein Agent Gesprächskontext über mehrere Sessions hinweg behalten soll
- Du ein schlankes Setup bevorzugst und keine komplexe Monolith-Architektur willst
Für einfache Einzelprojekte ohne Multi-Channel-Anforderung ist nanoclaw überdimensioniert. Wenn du nur schnell mit Claude Code arbeiten willst, brauchst du kein Framework dieser Art. Prüf zuerst, ob ein einzelner MCP-Server dein Problem löst. Was MCP-Server leisten und wie du sie einrichtest, erklärt der Post MCP Server einfach erklärt.
nanoclaw macht den Unterschied, wenn Kanal-Anbindung, Persistenz und Scheduling die eigentliche Herausforderung sind. Nicht das Prompt-Engineering.
FAQ
Ist nanoclaw kostenlos?
Das Framework selbst ist Open Source. Du zahlst für die API-Kosten der KI-Modelle, die du einbindest, also zum Beispiel für die Anthropic Claude API. Die Infrastrukturkosten hängen davon ab, wo du den Docker-Container deployst. Ein günstiger VPS reicht für die meisten Anwendungsfälle.
Welche Messaging-Kanäle unterstützt nanoclaw?
Laut aktueller Dokumentation: WhatsApp, Telegram, Slack, Discord und Gmail. Neue Kanäle kommen über Community-Contributions dazu. Prüf das Repo für den jeweils aktuellen Stand, da sich das bei aktiven Open-Source-Projekten schnell ändert.
Brauche ich eigene Server?
Ja. Der containerisierte Ansatz setzt voraus, dass du den Docker-Container irgendwo deployst. Ein VPS bei Hetzner oder DigitalOcean, ein Homeserver oder eine Cloud-VM funktionieren alle. Der Container-Ansatz ist genau dafür gedacht: flexibles Deployment ohne Vendor-Lock-in.
Wenn du ähnliche Frameworks für selbstgehostete Agenten vergleichen willst, lies den Post über hermes-agent: Operator-Agent für selbstgehostete KI. Beide Frameworks adressieren ähnliche Zielgruppen, lösen aber unterschiedliche Kernprobleme.
Komm in die kostenlose Claude Business Community: lerne Claude, Automatisierung, Co-Work, Claude Code, App-Building und Agent-Coding. Zeit sparen, Kosten sparen, Business skalieren. Zur kostenlosen Community.
Marcel Porcher, newways.ai