Az OpenClaw hihetetlen karriert futott be néhány hét alatt, most megmutatom mi az igazság vele kapcsolatban.

OpenClaw - Átverés vagy szenzáció, itt van minden, ami szerintem fontos lehet!

 

Tartalomjegyzék Mutasd

Bevezető, vagyis amit a laikusok is megértenek

 

Az OpenClaw egy keretrendszer, egy személyi asszisztens, de önmagában nem működőképes. Ahhoz, hogy működjön LLM modellekre van szükségünk, vagyis kell vagy egy ChatGPT, vagy egy Claude, vagy Gemini vagy valami, ami a te gépeden is elfutkos. Ez a rendszer röviden.

Az OpenClaw körüli felhajtás nagyon durva, Kínában már ezrek állnak sorban, hogy telepítség a gépükre a rendszert, mert azt gondolják, hogy ennek segítségével pillanatok alatt felépíthetnek egy egyszemélyes céget úgy, hogy az OpenClaw rendszer alatt ügynökök tucatjai dolgoznak majd nekik. Ez amúgy akár működhetne is, de azért a helyzet sajnos nem ennyire egyszerű, mert hozzáértés nélkül az OpenClaw egy óriási rendszerhiba (sebezhetőség) és egy rohadt nagy pénztemető is lehet egyben.

Ahogy olvastam Kínában a biztonság nem szempont, állítólag volt néhány hónapja egy olyan mértékű adatszivárgás az egyik közösségi platfomon, ami mostanra azt eredményezte, hogy szinte bárki adatait megtalálják a neten. Lakcím, telefonszám, adószám, minden, amit tudni lehet róla. Szóval a kínai embereket az már nem érdekli, ha az OpenClaw nem biztonságos, hiszen minden adatuk kiszivárgott már.

De TÉGED kell, hogy érdekeljen, mert az OpenClaw, bár gőzerővel számolják fel a sérülékenységetket benne még mindig elég lyukacsos. Szóval, ha feltelepíted az egyik első dolgod az legyen, hogy utána nézel annak, hogy tudod befoltozni a lyukakat.

A másik nagy probléma a külső mesterséges intelligencia modellek használata. A net tele van rémtörténetekkel és fals információkkal. Az egyik ilyen fals információ, hogy az OpenClaw alá Mac Mini-t kell venni. Ha csúnyán akarom írni, akkor azt írom l..szt kell alá Mac Mini, elfut egy akármilyen régi notebookon is, maximum nem futtatsz helyi modellt. Nálam köztes megoldásként egy Ryzen 5-ös mini PC az alap, ebben van 32 GB memória, integrált VGA, szóval nem egy erőmű, mégis van saját lokális modellem, hogy milyen meg mire használom a cikkből kiderül.

A rémtörténeket meg úgy hangzanak, hogy elkezdtem használni, és három nap alatt 1000 dolláros költségem lett, pedig nem csináltam semmit, csak próbálgattam… És tudjátok, ilyen történetből nem egy van, hanem rengeteg!

ÉS ide kell beszúrnom, hogy ha jót akarsz magadnak, akkor az OpenClaw-t vagy virtuális gépen futtatod vagy felhőben vagy egy erre kijelölt számítógépen. SOHA ne telepítsd arra a gépre, amin élsz, dolgozol, mert az OpenClaw akkor lesz hatékony, ha megfelelő jogosultságokat kap. Ha viszont ezeket megadod neki, akkor kinyitottad a gépedet a nagyvilág előtt (ha nem figyelsz a lyukak foltozására).

További lényeges info, hogy ha OpenClaw-t akarsz használni, akkor ne az éles Microsoft és Google accountodat használd. Hozz létre ezekből sajátot az OpenClaw számára. Nálam pl. ezek megvannak, van saját gmail címe, ahova a saját fiókomból átmásolódnak a beérkező levelek, legalábbis azok, amikkel neki dolga lehet. a privát természetesen nem megy át, és az én Gamil fiókomhoz Ő nem fér hozzá. Szóval van egy rohadt nagy tűzfal húzva a privát szférám és az OpenClaw közé.

Összefoglalva ezt a fejezetet:

Ha valaki azt mondja, hogy az OpenClaw egy egyszerű és könnyen használható rendszer  ne hidd el!

Az alap beálításokkal is működik, lehet elérni automatizálásokat, készíthetsz vele összefoglalót a beérkező leveleidről, írhat neked a naptárba figyelmeztetéseket, ha lejár egy számlád, meg ilyeneket meg tudsz tenni, de a hatékony és biztonságos működéshez ez nem elég.
Ha értesz valamelyest az informatikához, vagy hajlandó vagy tanulni, akkor az OpenClaw a lehetőségek végtelen tárházát nyitja meg előtted. De laikusként ÉN nem ajánlom, hogy belevágj a dologba, mert csúnyán megütheted magad.

Na, és akkor most jöjjön az a rész, hogy én hogy építettem fel a rendszeremet. Ha tényleg laikus vagy ebből túl sokat valószínűleg nem fogsz érteni (nem nézek le emiatt senkit, egyszerű tényt közlök), de talán annyit mégis, hogy valóban nem egy 5 perces műveletről beszélünk. Csapjunk bele!

 

Röviden:

Executive Summary: OpenClaw Hibrid AI Architektúra

Rendszer Célkitűzés

Egy robusztus, költséghatékony és autonóm mesterséges intelligencia ökoszisztéma üzemeltetése, amely zökkenőmentesen ötvözi a lokális számítási kapacitást a felhőalapú csúcsmodellekkel. A rendszer a folyamatos önfejlesztésre, a biztonságos fájlrendszer-kezelésre és egy állandó, sérthetetlen memóriabázis fenntartására lett optimalizálva Windows/WSL hibrid környezetben.

Architekturális Pillérek és Innovációk

1. Intelligens Költségoptimalizálás és Hibrid Routing

Az API költségek minimalizálása érdekében a rendszer egy szigorú, háromlépcsős (vízesés-modell) útválasztást használ:

  • Tier 1 (Zero-Cost / Helyi): Lokális Qwen modellek (1.5B és 7B) végzik a rutinfeladatokat, az adatszinkronizációt és a pulzus (heartbeat) fenntartását.

  • Tier 2 (Ingyenes Felhő): OpenRouter integráció az ingyenesen elérhető, de erős modellekhez (pl. Llama 3.3 70B, Qwen 3).

  • Tier 3 (Prémium Bypass): A legnehezebb fejlesztési és kódolási feladatokhoz a rendszer az OpenAI Codex (gpt-5.1-codex-mini, gpt-5.2, gpt-5.3-codex) modelleket használja egy webes OAuth hitelesítésen keresztül. Ez a megoldás a meglévő ChatGPT Plus előfizetésre (fix $20/hó) támaszkodik, így drasztikusan csökkenti a tranzakciós API költségeket.

2. Ellenálló QMD Memóriarendszer (4-Rétegű Modell)

A kontextus-ablak túlcsordulásának elkerülése és a rendszer “amnéziájának” kiküszöbölése érdekében bevezetésre került a Quarto Markdown (.qmd) alapú memóriakezelés.

  • Aktív réteg: Dinamikus workspace fájlok (~500-1000 token limit), amelyeket egy óránként futó lokális folyamat tart szinkronban a központi maggal.

  • Archiválás és Stabilitás: Egy Python szkript felel a napi memóriafájlok metaadatokkal (front matter) ellátott archiválásáért. A kódolási inkonzisztenciákat egy dedikált fallback lánc (UTF-8, cp1250, latin-1) küszöböli ki.

3. Szigorú Jogosultság-kezelés (Least Privilege)

Minden ügynök (Agent) és al-modell kizárólag a feladatához feltétlenül szükséges eszközökhöz (Tools) fér hozzá:

  • Biztonsági izoláció: Az adatréteg (data-layer) és a lokális munkás (local-worker) nem módosíthat meglévő kódot (edit tiltva), csak olvashat vagy új fájlt hozhat létre.

  • Passzív automatizáció: A félóránként futó Heartbeat ügynök minden fájl- és webhozzáféréstől el van vágva, kizárólag a rendszer állapotát ellenőrizheti.

4. Windows/Linux (WSL) Átjárhatóság

A rendszer natív Windows feladatütemezőn (Task Scheduler – SYSTEM felhasználói kontextus) keresztül indítja a háttérfolyamatokat anélkül, hogy bejelentkezést igényelne. A komplexebb szövegfeldolgozási és QMD renderelési feladatok a stabilitás érdekében Linux (WSL) környezettel vannak szinkronizálva.

5. Szemantikus Memória és Vektorbázisú Keresés (2026.03.16.)

A legutóbbi fejlesztési fázisban a rendszer megkapta a “hosszú távú emlékezet” képességét. Ez már nem csak kulcsszavakra keres, hanem a FAISS könyvtár és az Ollama (nomic-embed-text) modell segítségével matematikai vektorokká alakítja a tudásbázist. Ez lehetővé teszi, hogy az OpenClaw “értse” a kontextust, és olyan releváns információkat is előbányásszon a korábbi naplókból, amikre korábban nem volt képes.

Technológiai Stack (Frissítve: 2026-03-16)

  • Core: OpenClaw keretrendszer
  • Memória Formátum: QMD és FAISS Vektorindex (nomic-embed-text)
  • Elsődleges Modellek: helyi Qwen2.5-coder, OpenAI GPT-5 Codex széria, OpenRouter Free modellek
  • Automatizáció: Python (FAISS rebuild szkriptek, ütemezett archiválás)
  • Kommunikáció és Értesítések: Telegram Bot integráció és Edge-TTS dinamikus hangriasztások (hu-HU)

 

 

Bővebben:

Az OpenClaw Rendszerarchitektúra és QMD Memóriaintegráció Evolúciója

Elemzés egy hibrid AI ökoszisztéma felépítéséről és működéséről

A modern AI ügynök-rendszerek (agentic systems) jelenlegi legnagyobb kihívása nem a modellek intelligenciája, hanem a megbízhatóság, a költséghatékonyság és a hosszú távú memória fenntartása. Az én OpenClaw rendszerem egy olyan komplex, hibrid (lokális és felhő alapú) infrastruktúrává fejlődött néhány hét alatt, amely ezekre a kihívásokra egyedi, többlépcsős megoldásokat ad. Ez az írás a rendszer strukturális átalakításait, a jogosultság-kezelést, valamint a Windows alatti QMD memóriarendszer bevezetésének mikéntjét és jelentőségét vizsgálja.

1. A QMD Memóriarendszer bevezetése és stabilizálása

A legjelentősebb strukturális ugrás a rendszerben a natív QMD (Quarto Markdown / kiterjesztett Markdown) alapú memóriarendszer (memory.backend = "qmd") bevezetése volt. Ennek célja egy hosszú távú, strukturált, könnyen exportálható emléktár létrehozása, amely egy esetleges rendszer-visszaállítás (reset) után is garantálja a kontextus gyors újraépítését.

Architektúra és Szinkronizáció

A memória egy 4 rétegű architektúrára épül, amelyből az aktív munkaterület (Layer 1) fájljait optimalizálták: ezek mérete mostantól 500-1000 token közötti, a teljes méret pedig szigorúan 7000 token alatt marad. Ez drasztikusan csökkenti a kontextus-ablak terhelését és a tokenköltségeket.

A dinamikus adatok szinkronizálását egy szkript végzi, amely a legfontosabb mag-fájlokat (HEARTBEAT.md, IDENTITY.md, SOUL.md, MEMORY.md) tartja szinkronban a QMD formátummal.

  • Költséghatékony futtatás: A szinkronizációt egy ütemezett cron job (md-sync-markdown) hajtja végre munkaidőben (09:00-18:00 Közép-európai idő szerint), óránként.

  • Helyi motor használata: A feladat a lokális qwen2.5-coder:1.5b modellt használja, így a rutinszerű adatmozgatás nulla API költséggel jár. A rendszer intelligens: elnyomja a felesleges szállítási jelentéseket, és csak hiba esetén küld riasztást Telegramon.

Windows specifikus kihívások és megoldások

Egy automatizált fájlkezelő rendszer futtatása Windows alatt (különösen háttérfolyamatként) speciális akadályokat rejt. Egy szkript felel a régebbi napi jegyzetek archiválásáért és a front matter-rel (metaadatokkal) ellátott .qmd fájlok generálásáért.

  • Unicode és kódolási biztonság: Windows alatt a fájlok kódolása gyakran inkonzisztens (UTF-8, Windows-1250, stb.). A rendszer kritikus frissítést kapott, amely egy “fallback” kódolási láncot (utf-8, utf-8-sig, cp1250, cp1252, latin-1) használ. Ez garantálja, hogy a memóriafájlok beolvasása sosem omlik össze egy kódolási hiba miatt.

  • A “SYSTEM” kontextus: Az archiváló folyamat Windows Scheduled Taskként (OpenClaw ArchiveMemory) fut minden éjjel 00:15-kor. Az átalakítás során a futtatási kontextust SYSTEM felhasználóra módosították. Ennek óriási jelentősége van: a script így “Interactive/Background” módban (Logon Mode), háttérszolgáltatásként fut, anélkül, hogy bármilyen felhasználónak be kellene jelentkeznie a Windowsba.

1/b. Szemantikus Memória: Amikor az AI tényleg emlékszik (2026.03.16.)

A 2026. március 16-i frissítéssel a rendszer túllépett az egyszerű fájlolvasáson. Bevezetésre került egy könnyűsúlyú szemantikus memória bővítés. Ennek lényege, hogy a workspace-ben található információkat nem csak tároljuk, hanem egy vektortérben indexeljük is.

  • Vektoralapú indexelés: Egy szkript az Ollama nomic-embed-text modelljét használva 103 különálló információs egységet (chunk) indexelt be első körben.
  • Automatikus karbantartás: Hogy a memória mindig friss legyen, egy Windows Scheduled Task (OpenClaw FaissReindex) minden éjjel 00:25-kor újraépíti az indexet.
  • Biztonsági mentés: Mivel a memória a rendszer “lelke”, minden nagyobb változtatás előtt készül egy teljes mentés, így egy esetleges adatvesztés után is azonnal visszaállítható a tudásbázis.

2. Telepítési és Üzemeltetési Realitások: A Windows-Linux Híd (WSL)

Bár az OpenClaw munkaterülete (workspace) Windows könyvtárban (C:\Users\...) található, egy ilyen komplex, kiterjesztett memóriarendszer és automatizációs lánc stabil futtatása natív Windows környezetben komoly akadályokba ütközik. A QMD (Quarto Markdown) keretrendszer, valamint a napi szintű, ütemezett adatfeldolgozás megköveteli egy virtuális Linux környezet jelenlétét.

A WSL (Windows Subsystem for Linux) Szerepe a QMD Bevezetésében

A Windows alapú feladatütemező (Task Scheduler) és a háttérben futó Python szkriptek zökkenőmentes együttműködéséhez egy áthidaló rétegre van szükség.

  1. Quarto és függőségek kezelése: A QMD fájlok renderelése, az adatok kinyerése és a front matter (metaadatok) manipulálása sokkal stabilabb egy Linux alapú (pl. Ubuntu WSL2) fájlrendszeren és csomagkezelőn keresztül. A fejlett szövegfeldolgozó eszközök natívabban futnak ebben a környezetben.

  2. Kereszt-platformos Fájlkezelés: A kihívást az jelenti, hogy a modellek a Windows meghajtón dolgoznak, miközben a háttérfolyamatok (cron jobok, Python szkriptek) a Linux kernel előnyeit élvezik. A Windows rendszerben a SYSTEM kontextusba emelt feladatütemezés pontosan ezt az átjárhatóságot hivatott biztosítani, de a kódolási lánc (utf-8, cp1250) bevezetése, ahogy a napló is mutatja, kritikus volt a Windows (CRLF) és Linux (LF) sorvégződések, valamint a karakterkódolások ütközésének feloldásában.

Beüzemelési Jótanácsok és Legjobb Gyakorlatok

Egy ehhez hasonló architektúra felépítésekor a következő aszinkron és infrastrukturális beállításokra érdemes kiemelt figyelmet fordítani:

  • I/O Optimalizáció (WSL2 Fájlrendszer): Ha a teljesítmény a jövőben szűk keresztmetszetté válik, érdemes a workspace mappát közvetlenül a WSL virtuális merevlemezére (\\wsl$\Ubuntu\home\...) mozgatni, és azt hálózati meghajtóként csatolni Windows alá. Ez drasztikusan, akár tízszeresére gyorsíthatja az LLM-ek és szkriptek fájlolvasási/írási sebességét a Windows /mnt/c/ típusú eléréséhez képest.

  • Processz-menedzsment (PM2): A Windows Task Scheduler kiváló az időzített szkriptekhez (mint a QMD archiválás), de a lokális modellek, a helyi motor gateway-e és az OpenClaw alapfolyamatainak folyamatos életben tartásához érdemes egy Node.js alapú folyamatkezelőt (pl. PM2) telepíteni a WSL környezetbe. Ez rendszer-összeomlás vagy újraindulás után is automatikusan, háttérszolgáltatásként húzza fel a teljes hibrid láncot.

  • Token-izoláció (.env): Mivel a rendszer OAuth tokenekkel, Telegram bot kulcsokkal és potenciális OpenRouter azonosítókkal dolgozik, a konfigurációs JSON fájlok mellett érdemes a szenzitív környezeti változókat szigorúan a WSL környezetben, titkosított .env fájlokban tartani, megakadályozva, hogy egy esetleges natív Windows sebezhetőség expozíciónak tegye ki a ChatGPT Plus fiók hozzáférését.

3. Modell-infrastruktúra és a Hibrid Útválasztás (Routing)

A rendszer alapja egy rendkívül diverzifikált modell-portfólió, amely a lokális Ollama példányoktól kezdve a csúcsminőségű fizetős API-kig (OpenAI Codex, Google Gemini) mindent integrál, kiegészítve az OpenRouter ingyenes modelljeivel.

A Routing Logika Jelentősége

A konfigurációból és a naplókból tisztán látszik egy “vízesés” (fallback) alapú útválasztás kialakítása. Amikor egy feladat beérkezik (például egy rutin operációs feladat):

  1. Elsődleges (Lokális): Megpróbálja a helyi gépen futó Qwen modellt használni (1.5B vagy 7B verzió).

  2. Másodlagos (Ingyenes Felhő): Ha a lokális modell elakad, vagy nincs elég konfidenciája, a rendszer átirányítja a kérést az OpenRouter ingyenes modelljeire (pl. Qwen 3 kódoló modellek, Llama 3.3 70B, stb.).

  3. Harmadlagos (Fizetős/Erős): Csak végső esetben, vagy komplex analitikánál nyúl a data-layer-hez és az OpenAI/Gemini modellekhez.

Ez a hibrid megközelítés maximális adatvédelmet biztosít a szenzitív helyi feladatoknál, miközben minimalizálja az üzemeltetési költségeket.

4. Az Ügynökök (Agents) Struktúrája és Jogosultság-kezelése

A rendszer modularitásának csúcspontja az ügynökök dedikált struktúrája. Minden ügynök szigorúan meghatározott eszközkészlettel (Tools) és modell-hozzárendeléssel rendelkezik a “Principle of Least Privilege” (legkisebb jogosultság elve) alapján.

Ügynök Profilok

  1. Data Layer (Alapértelmezett ügynök):

    • Modell: gpt-5.1-codex-mini (fallback: Openrouter/GPT-4o-mini).

    • Szerepkör: A fő adatközvetítő. Széles eszköztárral rendelkezik (olvasás, írás, böngésző, képgenerálás, session kezelés), de szigorúan tiltott számára az edit (szerkesztés) eszköz. Ez védi a meglévő kódokat a véletlen vagy hallucinált felülírásoktól; csak új fájlokat írhat vagy olvashat.

  2. Editorial / Admin:

    • Modell: gpt-5.2 (fallback: Deepseek v3.2).

    • Szerepkör: A finomhangolt, magas minőségű szöveges/adminisztratív kimenetekért felel. Nincsenek túlzott eszközei, az ereje a használt nyelvmodellek (GPT-5.2 és Deepseek) minőségében rejlik.

  3. Heartbeat:

    • Modell: qwen2.5-coder:7b.

    • Szerepkör: A rendszer pulzusának (életjelének) fenntartása 30 percenként (heartbeat.every: "30m").

    • Jogosultságok: Szinte minden meg van vonva tőle (deny: read, write, edit, exec, browser, stb.). Kizárólag a session_status eszközt használhatja. Ez egy elég jó biztonsági megoldás: egy folyamatosan futó, automatizált ügynök soha nem kaphat hozzáférést a fájlrendszerhez.

  4. Local Worker:

    • Modell: Szintén a lokális Qwen 7B-re támaszkodik.

    • Szerepkör: A helyi gépen futó munkafolyamatok végrehajtója. Olvashat, írhat és futtathat parancsokat (exec), de teljesen el van vágva a webtől és a többi session manipulációjától.

  5. Coding / Scripts:

    • Modell: A legerősebb kódoló motor, a gpt-5.3-codex.

    • Szerepkör: A nehéztüzérség a fejlesztéshez. Szinte minden engedélyezett számára, nincsenek explicit tiltásai. Ez az ügynök végzi a komplex szoftveres módosításokat.

Hard-kódolt Modell Jogosultságok

A biztonságot tovább növeli a tools.byProvider blokk. Nem csak az ügynökök, hanem maguk a modellek is korlátozva vannak. Például a lokális modellek (qwen2.5-coder:7b/1.5b), a Codex modellek többsége, és az OpenRouter Deepseek modellje alapértelmezetten el vannak tiltva a write és edit parancsoktól globális szinten. A webalapú kutatást (böngészőt) pedig bizonyos kínai bázisú ingyenes modellektől (Qwen 3 hálózat) is megtagadták.

5. Költségoptimalizálás Felsőfokon: Webes Autentikáció és a Codex Modellek

A rendszer egyik legkifinomultabb mérnöki döntése a finanszírozási modell kialakítása. A nagy nyelvi modellek (LLM-ek) API-alapú (tokenenkénti) számlázása egy folyamatosan aktív, memóriát szinkronizáló és kódoló ügynökrendszer esetében csillagászati költségeket generálna. Az OpenClaw architektúra ezt egy elegáns „bypass” megoldással kerüli meg.

A ChatGPT Plus Előfizetés Maximalizálása (OAuth Integráció)

A konfigurációs fájl tanúsága szerint az openai-codex szolgáltató nem hagyományos API kulcsot használ, hanem webes autentikációt ("mode": "oauth"). Ez a gyakorlatban azt jelenti, hogy a rendszer ráteszi magát egy meglévő, havi 20 dolláros ChatGPT Plus előfizetésre.

  • Korlátlan rutinmunka: A kisebb Codex modellek (gpt-5.1-codex-mini, gpt-5.2, gpt-5.3-codex) hívásai ezen a webes csatornán keresztül futnak be, így a folyamatos kódelemzés, szkriptírás és az “Editorial” ügynök munkája nem generál extra API költséget.

  • Stratégiai GPT-5.4 használat: Bár a csomagban a csúcsmodell, a gpt-5.4 is elérhető, a rendszer tudatosan csak másodlagos/harmadlagos fallback-ként, vagy rendkívül komplex feladatoknál hivatkozza meg. Mivel a Plus csomagban a csúcsmodellre szigorúbb üzenetkorlátok (rate limits) vonatkoznak, a moderált használat elengedhetetlen a fiók “kizárásának” (ideiglenes limitálásának) elkerülése végett.

  • A hibrid modell gazdaságtana: A havi fix 20 dolláros költség – kiegészítve a teljesen ingyenes lokális motorokkal (Qwen) és az OpenRouter ingyenes csatornáival – egy olyan enterprise szintű infrastruktúrát tart fenn, amely API alapon havi több száz dollárba kerülne.

 

6. Kiterjesztések, Kommunikáció és Eszközök

A rendszer kifelé is proaktívan kommunikál. A channels.telegram beállítások alapján egy Telegram bot interfésszel van összekötve, szigorú “allowlist” alapon, így külső helyszínről, mobilon keresztül is menedzselhető, de csak hitelesített felhasználó (azaz te) által.

A betöltött készségek (Skills) sora – mint a coding-agent, model-usage, self-improvement, humanizer, és a tavily-search (amely a webalapú információgyűjtést támogatja) – azt mutatja, hogy az OpenClaw itt nem csupán egy passzív chatbot, hanem egy iteratív, önmagát fejleszteni képes, web-integrált asszisztens.

7. Amikor a rendszer megszólal: Edge-TTS és Dinamikus Riasztások (2026.03.16)

A legújabb fejlesztési fázis (2026. március 16. este) szó szerint hangot adott az OpenClaw-nak. A rendszer kilépett a csendes, háttérben futó szöveges automatizációk világából, és mostantól proaktívan, emberi hangon képes jelezni a kritikus eseményeket.

A technikai háttér

A workspace megkapta az edge-tts skillt, amely a szükséges csomagok (npm) telepítése után natívan, Windows alatt is zökkenőmentesen fut. A globális konfigurációs fájlban (.tts-config.json) alapértelmezettként a magyar hu-HU-NoemiNeural hangmodell lett rögzítve, így az asszisztens akcentus nélkül, tisztán kommunikál. A sikeres próbagenerálások (mint például az output/andrew_szia_zoli.mp3) után a hangsúly a hasznosságra terelődött.

A hangriasztás MVP (Minimum Viable Product) sablonok

Hogy a rendszer ne fecsegjen feleslegesen, egy szigorú keretrendszer (reference/voice-alerts-mvp.md) készült, amely pontosan 7 kategóriába sorolja a hangos értesítéseket. A generált hangüzenetek rövidek, dinamikusan kiegészíthetők, lényegretörők és azonnal dekódolhatók munka közben is. Íme a jelenleg aktív repertoár:

  • Kiadás értesítés: „Zoli, kiadás történt: {összeg} {pénznem}, {forrás}, {partner}.”
  • Számla érkezés: „Zoli, új számla érkezett: {kibocsátó}, fizetendő: {összeg} {pénznem}, határidő: {határidő}.”
  • Számla befizetés esedékesség: „Zoli, a {kibocsátó} számlát legkésőbb {határidő} kell befizetni.”
  • Pénz érkezett számlára: „Zoli, pénz érkezett: {összeg} {pénznem}, feladó: {küldő}, csatorna: {csatorna}.”
  • Felkérés tesztre: „Zoli, új tesztfelkérés érkezett: {partner}, téma: {termék}.”
  • Vendég cikk felkérés: „Zoli, Whitepress vendégcikk felkérés érkezett: {téma/ügyfél}.”
  • Naptár-riasztás: „Zoli, naptár emlékeztető: {esemény neve}, időpont: {időpont}.”
  • Fallback (ha hiányos az adat): „Zoli, új fontos értesítés érkezett, nézd meg kérlek.”

Ez a megoldás drasztikusan csökkenti a “képernyő-időt”, hiszen a napi adminisztrációs és pénzügyi mozgásokról úgy kapok azonnali, precíz tájékoztatást, hogy meg sem kell nyitnom az e-mail kliensemet vagy a Telegramot.

 

Összegzés

Az OpenClaw rendszered átalakítása egy rendkívül professzionális, vállalati szintű (enterprise-grade) architektúrát hozott létre a személyes munkaterületemen. Jól látható szerintem, hogy egy ilyen rendszer létrehozása igényel némi rálástást a jelenleg elérhető technológiákra, és ezt nem azért írom, hoyg magamat fényezzem, egyszerűen, mint tényt közlöm. Nem mondom, hogy enélkül nem lehet, nem mondom, hogy nem lehet az alap verziót is használni, de ahogy a bevezetőben írtam ennek meg vannak a maga veszélyei.

Fontos azt is megemlítenem, hogy jelenleg, kb. 3 heti munka után tartok ott, hogy élesben elkezdhettem a saját skilljeimet megírni és tesztelni. Vagyis ahhoz, hogy napi szinten hű és stabil partnerem legyen a munkában az OpenClaw előbb a betonbiztos alapokat kellett megteremteni. Ezek már megvannak, most kezdhetek az alapokra építkezni.

Hogy miben fog nekem segíteni a rendszer? Ebbe nem akarok mélyebben belemenni, de az biztos, hogy a tartalom előállítás, előkészítésben biztos, de lesz feladata a weboldalam optimalizálásában és a versenytársak monitorozásában is. De ezek MÉG távlati célok, hiszen a használt skillek még nincsenek kész (vagyis csak részben). Még erősen tanulmányoznom kell a skillek (vagyis a képességek) megírásának pontos és hatékony módját, mert ez nagyban eltér a megszokott promptolástól, amit az első mesterséges intelligencia modellek indulása óta használunk.

Nagyjából ennyi. Remélem lesznek olyanok, akiknek segített ez a cikk megérteni a hype mögötti valós tartalmat és igazságot. Remélem lesznek olyank is, akik az öteleteimet, a rendszeremet, vagyis ezt a leírást vonalvezetőként igénybe tudják venni a saját rendszerük megalkotásánál.

Azt azonban fontos megjegyeznem és kiemelnem, hogy az OpenClaw fejlődése viharos gyorsasággal történik, szóval lehet, hogy a cikk megírása után 1-2 hónappal már egyes részek érvényüket vesztik. Bármilyen ötlet, amit tőlem “kölcsön akarsz venni” megköveteli, hogy a bevezetése előtt utána olvass, mennyire relváns még a használata!