OpenClaw för nybörjare: installera och gör din första uppgift

OpenClaw blir intressant först när den gör något du kan kontrollera. I den här guiden installerar du agenten, kopplar en modell, ger den tillgång till en avgränsad arbetsyta och låter den skapa en riktig möteschecklista. Sedan läser du tillbaka filen och kontrollerar resultatet.

Detta är del två i Hammers serie om personliga AI-assistenter. Om begreppen agent, modell och verktyg känns nya, börja med Hermes Agent-guiden om personliga AI-assistenter. Här fokuserar vi på OpenClaw. Jämförelsen mellan verktygen kommer i del tre.

Vem den här OpenClaw-guiden är till för

Guiden passar dig som vill prova en personlig AI-agent på din egen dator eller server och få ett resultat som går att granska. Du behöver kunna öppna en terminal och följa en installationsguide, men du behöver inte kunna programmera.

På 15–20 minuter får du:

• en installerad OpenClaw-klient
• en verifierad modellanslutning
• en lokal Gateway och Control UI
• en möteschecklista med exakt fem punkter
• ett kvitto med sökväg, punktantal och första punkt

Vi går inte igenom migration från andra agenter, avancerade plugins, system med flera agenter eller en bred rundtur bland användningsfall.

Innan du börjar

Du behöver macOS, Linux, WSL2 eller Windows samt åtkomst till en AI-modell. OpenClaws rekommenderade installationsskript hanterar Node när det saknas. Om du redan sköter Node själv kan du i stället använda npm; OpenClaws aktuella krav är Node 22.22.3+, 24.15+ eller 25.9+, och Node 26 rekommenderas.

Välj också en tom eller tydligt avgränsad mapp för testet. Använd inte ett kundprojekt eller en mapp med lösenord, privata nycklar eller personuppgifter. Vi ska göra en riktig ändring i en fil, men bara i en testyta som är lätt att radera.

Källa: OpenClaw Install.

1. Installera OpenClaw och verifiera modellen

På macOS, Linux eller WSL2 använder du den rekommenderade vägen:

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

På Windows kan du använda PowerShell-kommandot från OpenClaws installationssida. Installationsskriptet startar normalt onboarding direkt. Om du redan har installerat paketet kör du:

openclaw onboard

Onboarding börjar numera med modellåtkomsten. Den söker efter användbara inloggningar och API-nycklar, provar en riktig modellförfrågan och sparar först den väg som fungerar. Välj den leverantör och inloggningsmetod du faktiskt tänker använda. Om modelltestet misslyckas, stanna där och rätta inloggningen i stället för att fortsätta med en agent som bara ser färdig ut.

När modellen fungerar hjälper OpenClaw dig vidare med arbetsyta, Gateway och valfria kanaler. Den klassiska fullständiga guiden finns kvar via openclaw onboard --classic om du behöver välja varje detalj själv.

Källa: OpenClaw CLI onboarding.

2. Förstå Gateway och öppna Control UI

Gateway är OpenClaws alltid-på-process. Den håller ihop agentkörningar, Control UI, API:er och chattkanaler. En lokal standardinstallation använder normalt loopback, port 18789 och autentisering med token.

Kontrollera att processen kör:

openclaw gateway status

Öppna sedan Control UI på:

http://127.0.0.1:18789/

En ny webbläsare kan behöva både Gateway-token och en engångsgodkänd enhetsparning. Loopback betyder att gränssnittet bara nås från samma dator, men det tar inte bort autentiseringen.

I vårt isolerade test svarade Gateway-hälsan ok, Control UI gav HTTP 200 och modellprovet mot OpenAI lyckades innan filtestet kördes.

Källor: OpenClaw Gateway. OpenClaw Control UI.

3. Begränsa första uppgiften till filverktyg

För den här övningen behöver agenten bara läsa och skriva filer. Vi satte därför verktygspolicyn till filgruppen och begränsade filverktygen till agentens arbetsyta:

openclaw config set tools.allow '["group:fs"]' --strict-json
openclaw config set tools.fs.workspaceOnly true --strict-json

Starta en ny session efter ändringen och kontrollera alltid policyn med ett eget gränstest. OpenClaw kan använda olika agentkörningar beroende på modellväg. Vårt godkända test använde den uttryckliga OpenClaw-körningen: filverktyget avvisade ../outside-boundary-test.md, medan skrivning och läsning inne i arbetsytan fungerade.

Den tekniska inställningen ersätter inte en bra arbetsyta. Lägg fortfarande första uppgiften i en särskild demomapp och ge agenten en tydlig ändringsgräns.

Källor: OpenClaw model providers and agent runtimes. OpenClaw security.

4. Kör den första nyttiga uppgiften

Öppna en ny chatt i OpenClaw och klistra in:

Arbeta bara i din OpenClaw-arbetsyta.

Skapa mappen first-task-demo om den saknas och filen
first-task-demo/meeting-checklist.md med en tydlig rubrik och
exakt fem okryssade Markdown-rutor för att förbereda ett arbetsmöte.

Använd filverktygen, inte terminalkommandon. Läs sedan tillbaka filen
och svara med ett kvitto som innehåller:
1. den upplösta absoluta filsökvägen
2. antalet checklistpunkter
3. den första checklistpunkten ordagrant

Ändra inget utanför first-task-demo.

Prompten ger agenten ett konkret jobb, en bestämd plats, ett mätbart resultat och ett krav på återläsning. Den ber inte bara modellen att säga att jobbet är klart.

5. Kontrollera kvittot, inte bara chatsvaret

I Hammers isolerade körning med OpenClaw 2026.7.1-2 använde agenten verktygen write och read utan verktygsfel. Resultatet blev:

• fil: …/.openclaw/workspace/first-task-demo/meeting-checklist.md
• checklistpunkter: 5
• första punkt: - [ ] Syfte och mål med mötet
• andra filer i first-task-demo: inga

Vi kontrollerade också filen utanför agentsvaret. Den fanns, hade exakt fem okryssade rutor och demomappen innehöll bara meeting-checklist.md.

Det här är kvittot du vill efterlikna i verkliga flöden: rätt plats, rätt antal, första konkreta innehåll och en extern kontroll. Om resultatet inte stämmer, be agenten förklara skillnaden innan du låter den fortsätta.

6. Lägg till Telegram först när den lokala vägen fungerar

OpenClaw har en produktionsklar Telegram-kanal för privata meddelanden och grupper. Skapa en bot hos den riktiga @BotFather, spara token som en hemlighet och konfigurera kanalen via OpenClaws kanalguide eller den maskerade kanalguiden. Telegram använder inte openclaw channels login telegram.

När Gateway kör kan du godkänna den första privata chatten med:

openclaw pairing list telegram
openclaw pairing approve telegram <KOD>

Parningskoden gäller i en timme. För en ägarstyrd bot är en numerisk användarlista ännu tydligare än en öppen kanal. Lägg aldrig bot-token i prompten eller i en vanlig chattlogg.

Telegram gör inte agenten molnbaserad av sig själv. Gateway och datorn eller servern som kör den måste fortsätta vara igång. Om värden stängs av, slutar kanalen svara tills Gateway är tillbaka.

Vi verifierade Telegram-flödet mot den aktuella officiella dokumentationen, men använde inte Adams befintliga bot eller livekanal i testet.

Källa: OpenClaw Telegram setup and pairing.

Vanliga missar i första OpenClaw-testet

• Modellen är inte verifierad. Kör onboarding igen och kräv ett lyckat modellprov.
• Gateway kör inte. Kontrollera openclaw gateway status innan du felsöker chatten.
• Arbetsytan är för bred. Börja i en separat demomapp och be om en bestämd fil.
• Policyn antas fungera. Prova ett gränstest med vald modell och agentkörning.
• Telegram förväntas fungera när datorn är avstängd. Flytta Gateway till en värd som faktiskt ska vara på om du vill ha en alltid tillgänglig kanal.

Nästa steg: gör testet till en pålitlig rutin

Kör samma uppgift en gång till med en egen mötesmall. Lägg till ett godkännandestopp före varje framtida filändring och spara kvittot tillsammans med resultatet. När det fungerar kan du ansluta Telegram och prova att be agenten läsa tillbaka checklistan från mobilen.

Om du vill göra en personlig agent användbar i ett riktigt team kan Hammer Automation hjälpa till att rita upp arbetsyta, hemligheter, avgränsade behörigheter, godkännanden och körkvitton. Börja med ett verkligt flöde och kräv samma tydliga kvitto innan agenten får mer åtkomst.

Så gjordes den här guiden

En körande Hermes-agent genomförde källkontroll, en isolerad OpenClaw-installation, modell- och Gateway-prov, den svenska och engelska filuppgiften, gränstest, textproduktion, medieproduktion och publiceringsflöde. Adam och Hammer granskar det publicerade resultatet och förbättrar automationen över tid. Det finns alltså mänsklig uppföljning även när agenten gör större delen av arbetet.