OpenClaw hat meine Fitnessdaten endlich nützlich gemacht

Die meisten OpenClaw-Videos, die ich bisher gesehen habe, stammen aus derselben Ecke des Internets: KI-Ersteller, Automatisierungs-Leute und Influencer, die zeigen, wie man Social-Media-Beiträge, Clips, Thumbnails und Content-Kalender in Massen produziert. Das ist nicht nutzlos, aber es ist auch nicht mein Problem.

Mein Problem sind Fitnessdaten.

Genauer gesagt ist mein Problem, dass ich viel Fitness-Technologie nutze, und die meisten davon wollen mir keine saubere Datenhoheit zugestehen. Garmin, Whoop, Eight Sleep, Speediance, Tonal, Cronometer und Apple Health haben jeweils eine andere Sicht auf meinen Körper. Einige davon haben brauchbare Exportfunktionen. Einige haben eingeschränkte APIs. Einige haben überhaupt keine brauchbare Web-App. Einige übertragen Daten in Apple Health, aber nicht so, wie ich sie tatsächlich analysieren möchte.

Jahrelang bedeutete das, dass ich mehr Daten als Erkenntnisse hatte. OpenClaw hat das geändert.

Das eigentliche Problem: Fitnessdaten in Datensilos

Ich trage sowohl eine Garmin als auch einen Whoop beim Schlafen. Außerdem nutze ich Eight Sleep. Das bedeutet, ich habe drei verschiedene Schlaf-Tracking-Systeme, die versuchen, dieselbe Nacht zu beschreiben, und sie sind sich nicht immer einig.

Diese Diskrepanz ist wichtig, denn Schlaf ist für mich nicht nur eine Neugierde. Er verändert, wie ich trainiere. Wenn Garmin das eine sagt, Whoop etwas anderes und Eight Sleep wieder etwas anderes, möchte ich die Diskrepanz sehen, statt so zu tun, als ob ein Gerät die einzige Wahrheitsquelle wäre.

Das gleiche Problem zeigt sich beim Krafttraining. Geräte wie Speediance und Tonal sind nützlich, aber sie waren in Bezug auf die Datenhoheit schon immer frustrierend. Wenn die Daten in der App bleiben, ist es schwer, sie mit Erholung, Schlaf, Kalorien, Laufen oder langfristiger Trainingsbelastung zu kombinieren.

Whoop macht in letzter Zeit einen besseren Job mit meinen Speediance-Workouts, weil die Workouts offenbar in Apple Health einfließen, und zwar auf eine Weise, die Whoop nutzen kann. Meine alten manuell eingegebenen Kraft-Workouts haben die Strain kaum beeinflusst. Jetzt bekomme ich bei einer harten Hebeeinheit eine Strain von über 10. Das ist ein großer Unterschied, denn die Strain beeinflusst das gesamte Bild, das Whoop mir für den Tag liefert.

Das war einer der ursprünglichen Gründe, warum ich mein eigenes System aufbauen wollte. Ich brauchte eine Möglichkeit, all das zu korrelieren, anstatt darauf zu warten, dass jedes Unternehmen entscheidet, ob mein Anwendungsfall relevant ist.

Was ich gebaut habe

Das erste nützliche Ergebnis ist ein Paar Fitnessberichte: ein Morgenbericht und ein Abendbericht.

Der Morgenbericht dreht sich um Trainingsbereitschaft. Er zieht Schlaf, Erholung, Strain, Hebe-Ermüdung, das letzte Training und andere Signale zusammen, damit ich besser entscheiden kann, wie hart ich an diesem Tag trainieren soll.

Der Abendbericht ist die andere Seite des Kreislaufs. Er betrachtet, was ich tatsächlich gemacht habe. Habe ich hart genug trainiert? Hat meine Kalorienzufuhr zum Ziel gepasst?

Wie hat der Tag im Vergleich zum Morgenplan abgeschnitten?

Die Berichte werden lokal generiert und dann über GitHub Pages veröffentlicht, damit ich sie aus der Ferne ansehen kann. Sie enthalten Diagramme, Korrelationen, Schlafvergleiche, Trainingsvolumen, Muskelermüdung und Workout-Zusammenfassungen. Das System ist stellenweise noch unausgereift, aber es ist bereits nützlich, weil es um mein tatsächliches Trainingsleben herum aufgebaut ist und nicht um ein generisches App-Dashboard.

Der entscheidende Punkt ist, dass ich nicht jeden Connector manuell von Grund auf gebaut habe. Ich habe OpenClaw gesagt, was ich wollte, ihm die ersten Hinweise gegeben und es die Infrastruktur mitaufbauen lassen.

• Garmin-Daten fließen in das Berichtssystem.
• Whoop-Daten fließen in das Erholungs- und Belastungsbild ein.
• Cronometer-Daten unterstützen das Ernährungs-Tracking.
• Speediance-Daten werden bei Bedarf über inoffizielle Wege abgerufen.
• Eight-Sleep-Daten sind Teil der Schlafvergleichsschicht.
• Apple Health wird zunehmend zur Brücke für Apps, die Daten dorthin schreiben, sie aber anderswo nicht sauber bereitstellen.

Das ist der Teil, der sich anders anfühlt. Das ist nicht nur ein KI-Chatfenster, das mir hilft, einen Absatz zu schreiben. Es ist ein agentisches System, das auf einem Computer sitzt, lokale Werkzeuge nutzt, Code prüft, Abhängigkeiten installiert, Skripte repariert und eine Idee in eine funktionierende persönliche Datenpipeline verwandelt.

Die Hardware-Lektion

Mein erstes OpenClaw-Setup lief auf einem AMD-basierten Windows-Rechner in einer virtuellen Maschine. Es war schrecklich. Die Einrichtung war mühsam, die Erfahrung unzuverlässig, und es ließ das Ganze überhyped wirken.

Dann habe ich es auf einem Mac mini ausprobiert.

Das hat alles verändert. Auf dem M1 Mac mini funktionierte OpenClaw fast sofort. Es hatte Zugriff auf das Betriebssystem auf eine Weise, die das gesamte Erlebnis reibungsloser machte. Es konnte Werkzeuge installieren, Dateien prüfen, lokale Befehle ausführen und tatsächlich Dinge erledigen.

Ich verstehe, warum Leute den Mac mini dafür immer wieder empfehlen. Er ist relativ günstig, ausreichend leistungsstark, leise und lässt sich einfach dauerhaft laufen lassen. Wenn man an einem Schreibtisch bleiben oder zwischen ein paar Bildschirmen wechseln kann, ist er eine großartige kleine Agent-Box.

An diesem Punkt laufen bei mir drei OpenClaw-Instanzen auf separaten Maschinen. Jede hat einen Namen und unterschiedliche Rollen.

• Aria verwaltet das Hauptdashboard, die Berichte und die Aufgabenkoordination.
• Bob entwickelt sich immer mehr zu einem persönlichen Assistenten mit Erinnerungen, Hausautomation und einem Second-Brain-Setup.
• Clawd ist ein Backup- und Instrumentierungsknoten mit einem flexibleren Provider-Setup.

Das mag übertrieben klingen, aber die Aufgabenteilung ist wichtig. Ich will keinen überlasteten Agenten, der versucht, alles zu machen.

Ich möchte ein kleines lokales System, in dem verschiedene Agenten unterschiedliche Teile meines Workflows übernehmen können.

Die Modellrealität

Das Modell, das du verwendest, verändert das gesamte Erlebnis.

Ich habe mit kostenlosen Anbietern begonnen, insbesondere mit Google- und Nvidia-Optionen. Einige davon sind wirklich nützlich. Nvidia mit Kimi K2.5 kann ausgezeichnet sein, wenn es funktioniert. Google kann auch echte Arbeit leisten, aber ich sah größere Fehler und Probleme mit Ratenlimits. Einige kostenlose Anbieter hängen sich auf. Einige schlagen stillschweigend fehl. Einige sind großartig für eine Aufgabe und unzuverlässig für die nächste.

Deshalb denke ich, dass ein günstiges, zuverlässiges kostenpflichtiges Modell als Basis sinnvoll ist. MiniMax war dafür nützlich. Es ist langsamer, aber die Langsamkeit kann tatsächlich helfen, weil es die Nutzung nicht so aggressiv aufbraucht und die Arbeit stetig koordinieren kann.

Für schwierigere Aufgaben ist Claude Opus 4.6 in einer anderen Klasse. Es ist teuer in Bezug auf den Token-Verbrauch, aber wenn ich eine komplizierte mehrstufige Korrektur brauche, kann es Dinge tun, die günstigere Modelle nicht zuverlässig erledigen können.

Ein Beispiel: Ich habe versucht, MiniMax-Unterstützung zu einem OpenClaw-Setup hinzuzufügen, und es scheiterte aufgrund eines Anbieter-Kompatibilitätsproblems. Der Agent hat zuerst den Fehler dokumentiert. Dann habe ich ihm gesagt, es soll den Fehler beheben. Es hat den OpenClaw-Code untersucht, die Anbieter-Kompatibilitätsschicht gepatcht und MiniMax lokal zum Laufen gebracht.

Das ist die Art von Sache, die das anders als normale Automatisierung wirken lässt. Das System kann manchmal das Werkzeug reparieren, auf dem es läuft.

Wo Codex hineinpasst

OpenClaw ist nicht für jede Art von Arbeit das beste Werkzeug. Für kleine Code-Änderungen ist Codex oft schneller.

Wenn ich eine Beschriftung ändern, ein Dashboard-Element zentrieren oder HTML und CSS anpassen möchte, will ich das nicht durch einen großen Agenten-Workflow leiten. Ich kann das Element untersuchen, den relevanten Ausschnitt in Codex einfügen und es bitten, die Datei zu finden und die Änderung vorzunehmen.

Das ist ein perfekter Anwendungsfall. Ich will HTML nicht mehr von Hand bearbeiten. Ich will schon gar nicht durch Dateien jagen und versuchen, mich zu erinnern, welches Skript welchen Dashboard-Block erzeugt hat. Codex kann es finden, ändern und mich am Laufen halten.

OpenClaw ist besser für größere, unübersichtlichere, mehrstufige Arbeiten: APIs verbinden, Sync-Jobs ausführen, Dashboards bauen, Subagenten koordinieren und den Zustand über Aufgaben hinweg erhalten.

Die Kombination ist entscheidend. OpenClaw gibt mir die Betriebsumgebung. Codex gibt mir präzise Code-Änderungen. Die lokalen Maschinen geben mir Kontinuität.

Warum sich das größer anfühlt als ein Gadget

Ich kenne den offensichtlichen Kritikpunkt: Sicherheit. Einem Agenten so viel Zugriff auf deine Maschine zu geben, ist keine Kleinigkeit. Diese Sorge ist berechtigt.

Aber ich denke auch, dass transformative Technologie so aussieht, wenn sie noch jung ist. Sie ist chaotisch, riskant, mächtig und offensichtlich nicht fertig.

Auch das Internet wurde nicht als poliertes, verbrauchersicheres System geboren. Das frühe Web hatte große Sicherheitsprobleme, war aber dennoch die Grundlage für eine neue Art des Arbeitens.

OpenClaw fühlt sich dem näher an als einem weiteren Telefon-Launch. Es ist nicht nur ein Gerät. Es ist eine neue Schnittstelle, um Arbeit über den Computer, das Web, lokale Dateien, APIs und persönliche Systeme hinweg zu erledigen.

Für meinen Anwendungsfall ist der Wert bereits klar. Ich habe jetzt einen Weg, meine Fitnessdaten zu besitzen, sie über verschiedene Tools hinweg zu korrelieren und genau die Berichte zu erstellen, die ich möchte. Ich kann es für Trainingsentscheidungen, Ernährungsexperimente, Laufvorbereitung, Kraft-Tracking, Erholungsmanagement und schließlich auch für die Heimautomatisierung nutzen.

Es ist noch in Arbeit. Das Dashboard braucht noch Arbeit. Das Kanban-Board braucht noch Arbeit. Der Ernährungs-Connector braucht noch Arbeit. Die BJJ-App ist noch sehr früh. Die Agenten brauchen eine bessere Aufgabentrennung.

Aber die Grundidee funktioniert: Ich kann einem lokalen Agenten sagen, was mein persönliches Fitness-System tun soll, und er kann mir helfen, die Connectoren, Berichte und Workflows zu bauen, um es zu verwirklichen.

Deshalb bin ich begeistert. Nicht weil es Influencer-Content schneller machen kann, sondern weil es gefangene persönliche Daten in etwas verwandeln kann, das ich tatsächlich nutzen kann.