OpenClaw v2026.4.27, Sprachagenten und Schneller KI-Speicher

OPENCLAW DAILY — EPISODE 043 — 30. April 2026

[00:00] INTRO / HOOK OpenClaw v2026.4.27 ist die neueste stabile Version in der GitHub-Release-Liste, und die Episodennotizen der letzten Folge haben bereits v2026.4.26, v2026.4.25 und v2026.4.24 behandelt. Gemäß der Release-Auswahlregel bedeutet das, dass der gültige Release-Block für EP043 genau v2026.4.27 ist.

Dies ist ein dichtes Operator-Release. Codex Computer Use erhält einen tatsächlichen Einrichtungsweg. DeepInfra wird zu einem gebündelten Provider. Docker-Sandboxes erhalten optionales GPU-Passthrough. Agent-Chat-Anhänge werden expliziter behandelt. Ausgehendes Proxy-Routing wird zur Operator-verwalteten Einstellung. Tencent Yuanbao und QQBot erweitern die Kanaloberfläche. Plugin-Startup und Modellkataloge bewegen sich weiter in Richtung manifest-basierter Metadaten. Und die Fix-Liste ist eine sehr lange Tour durch die Stellen, an denen echte Agentensysteme normalerweise brechen: Telegram, Slack, Discord-Media-Jobs, Cron-Lieferung, Session-Standardwerte, Plugin-Laufzeitabhängigkeiten, Provider-Replay, Gateway-Startup, Updates, Windows-Übergaben und Kanal-Medien.

[02:00] STORY 1 — OpenClaw v2026.4.27 Macht Computer Use und Provider-Oberflächen Besser Operierbar Beginnen wir mit Codex Computer Use, denn es ist eine der klarsten operator-orientierten Änderungen im Release.

OpenClaw wird jetzt mit Status- und Installationsbefehlen für Codex Computer Use ausgeliefert, Marketplace-Entdeckung, optionaler Auto-Installation und Fail-Closed-MCP-Prüfungen, bevor Codex-Modus-Turns starten. Der wichtige Ausdruck ist fail-closed. Eine Computer-Use-Funktion sollte einem Agenten nicht erlauben, einen Desktop-Control-Turn zu beginnen, während der erforderliche MCP-Server fehlt, falsch konfiguriert oder für die Runtime unsichtbar ist. So landen Benutzer beim Debugging von Phantom-Fähigkeiten: Das Modell glaubt, es kann handeln, die Produkthülle sagt, es kann handeln, aber der Treiber oder die Bridge darunter ist tatsächlich nicht bereit.

Also verwandelt das Release die Einrichtung in eine erstklassige Preflight-Prüfung. /codex computer-use status ist die Inspections-Oberfläche. /codex computer-use install ist der Reparaturweg. Marketplace-Entdeckung gibt der Runtime einen Weg, die korrekte Integration zu finden. Die Fail-Closed-MCP-Prüfungen machen die Grenze explizit: Wenn der Desktop-Control-Server nicht verfügbar ist, starte den Turn nicht so, als ob er es wäre. Das ist langweilig auf die bestmögliche Weise, denn zuverlässiges Computer Use hängt davon ab, den Unterschied zu kennen zwischen einer Fähigkeit, die im Produkt existiert, und einer Fähigkeit, die in der aktuellen Umgebung tatsächlich verdrahtet ist.

Es gibt eine verwandte Dokumentationsänderung rund um Codex Computer Use, direktes cua-driver mcp und OpenClaw.app's PeekabooBridge. Das ist wichtig, weil Desktop-Steuerung jetzt mehrere mögliche Einrichtungswege hat. Eine lokale App-Bridge, ein direkter MCP-Treiber und eine Codex-Modus-Einrichtung klingen von außen ähnlich, aber operationell können sie sich in Prozess-Lebensdauer, Berechtigungen, Screenshot-Verfügbarkeit, Input-Injection, Browser-Fokus und Fehlerwiederherstellung unterscheiden. EP043 sollte erklären, dass das Produkt versucht, diese Entscheidungen lesbar zu machen, anstatt sie als Tribal Knowledge zu hinterlassen.

Der zweite große Releasbereich ist die Provider-Erweiterung. DeepInfra tritt dem gebündelten Provider-Set bei mit DEEPINFRA_API_KEY-Onboarding, dynamischer OpenAI-kompatibler Modell-Download, Bilderzeugung und -bearbeitung, Bild- und Audio-Verständnis, TTS, Text-zu-Video, Memory-Embeddings, statischen Katalog-Metadaten und Provider-eigener Base-URL-Richtlinie. Das ist nicht nur ein neues Logo in einem Model-Dropdown. Es erweitert die Arten von Workloads, die OpenClaw durch einen Provider leiten kann: Text, Media-Erzeugung, Media-Verständnis, Sprache, Video und Embeddings.

Der Operator-Detail ist Model-Discovery und Provider-eigene Richtlinie. Wenn ein Provider OpenAI-kompatibel ist, ist es verlockend, ihn als nur eine weitere Base-URL zu behandeln. Aber echte Provider-Unterstützung braucht Onboarding, Katalog-Metadaten, Capability-Flags, Media-Unterstützung, Auth-Hinweise, Embedding-Verhalten, Fallback-Semantik und Base-URL-Eigentum. Andernfalls wird jeder kompatible Endpunkt zu einem individuellen Schneefall mit überraschenden Modellnamen und halbbekannten Fähigkeiten. Dass DeepInfra gebündelt ist, bedeutet, dass die Runtime es als verwaltete Provider-Oberfläche exponieren kann, anstatt Benutzer zu zwingen, jede Kante von Hand zu rollieren.

[11:30] STORY 1B — Sandboxes, Proxies, Anhänge und Gerätepräsenz Werden Schärfer Die Docker-Sandbox-Änderung ist klein, aber sehr wichtig für lokale KI-Workflows: OpenClaw fügt optionales sandbox.docker.gpus-Passthrough für Docker-Sandbox-Container hinzu, wenn die Host-Runtime --gpus unterstützt.

Das ist die richtige Standardform. GPU-Zugriff innerhalb einer Sandbox ist leistungsstark und nützlich, aber es sollte explizit sein. Lokale Model-Serving, Bilderzeugung, Videoverarbeitung, Computer Vision und Evaluations-Jobs benötigen oft Hardwarebeschleunigung. Aber GPUs für beliebige gesandboxte Agentenarbeit freizulegen, erweitert auch die Ressourcen- und Treiberoberfläche. Es optional zu machen gibt Operatoren einen Regler: Diese Sandbox darf die GPU nutzen; diese andere Sandbox bleibt CPU-only. Das wird besonders relevant, wenn ein Agent Abhängigkeiten installieren, Model-Tooling ausführen oder lange Jobs ausführen kann, die VRAM monopolisieren könnten.

Das Release fügt auch Operator-verwaltetes ausgehendes Proxy-Routing hinzu mit proxy.enabled, proxy.proxyUrl und OPENCLAW_PROXY_URL. Die Notizen heben strikte http://-Forward-Proxy-Validierung hervor, einen loopback-only Gateway-Bypass und Aufräumen von Proxy-Umgebung und Dispatcher-State beim Exit. Das ist eine gute Sicherheitsform. Es erkennt an, dass einige Installationen einen kontrollierten ausgehenden Pfad für Compliance, Inspektion, Unternehmensnetzwerk oder Egress-Beschränkungen benötigen, aber es leitet nicht stillschweigend internen Gateway-Verkehr durch denselben Pfad oder lässt keinen stale Proxy-State nach dem Shutdown zurück.

Das Gateway-Chat-Anhang-Verhalten verbessert sich ebenfalls. Nicht-Bild-Anhänge, die durch chat.send gesendet werden, können jetzt als agent-lesbare Medienpfade bereitgestellt werden, während nicht unterstützte RPC-Anhangspfade explizit sind, anstatt Dateien stillschweigend zu verwerfen. Das ist wichtig für die Agent-UX, weil ein verschwindender Anhang schlimmer ist als ein Anhang, der klar fehlschlägt. Operatoren müssen wissen, ob eine Datei vom Agenten lesbar ist, ob sie zu Medien wurde, ob der Kanalprovider sie akzeptiert hat, und ob ein nicht unterstützter Pfad abgelehnt wurde.

Auf Mobilgeräten und gepaarten Nodes veröffentlichen iOS und Android jetzt authentifizierte node.presence.alive-Events und exponieren Last-Seen-Felder, damit Background-Wakes gepaarte Nodes kürzlich als lebendig markieren können, ohne sie als verbunden zu behandeln. Diese Unterscheidung ist wichtig in verteilten Assistant-Systemen. Ein Node kann kürzlich lebendig sein, ohne gerade verbunden zu sein. Wenn die Runtime diese Zustände in ein Boolean zusammenführt, verspricht sie entweder zu viel Verfügbarkeit oder verliert nützliche Liveness-Informationen. Last-Seen-Metadaten ermöglichen es Scheduling, Diagnose und UX, den Zustand ehrlicher zu beschreiben.

[18:30] STORY 1C — Manifest-First Startup und Modellkataloge Reduzieren Runtime-Raten Viel von v2026.4.27 dreht sich darum, Katalog- und Plugin-Metadaten aus schweren Runtime-Imports in Manifeste zu verschieben.

Gebündelte Plugin-Manifeste deklarieren jetzt explizites activation.onStartup-Verhalten. Es gibt auch einen Future-Mode-Gate zum Deaktivieren des deprecated impliziten Startup-Sidecar-Ladens, plus Kompatibilitätswarnungen, um Plugin-Autoren Richtung expliziter Metadaten zu bewegen. Der praktische Punkt ist einfach: Gateway-Startup sollte nicht jedes mögliche Plugin-Sidecar importieren nur um herauszufinden, ob es Startup-Arbeit zu erledigen hat. Startup ist dort, wo langsame Abhängigkeitsbäume, Netzwerkprüfungen, stale Plugin-State und unbeabsichtigte Nebeneffekte am meisten wehtun.

Das Release verdrahtet auch Manifest modelCatalog.aliases und modelCatalog.suppressions in die Modell-Katalog-Planung. Provider-Kataloge für Qianfan, Xiaomi, NVIDIA, Cerebras, Mistral, Moonshot, DeepSeek, Tencent TokenHub, StepFun, BytePlus, Volcano Engine, Fireworks und Together AI bewegen sich in Richtung Plugin-Manifest-Zeilen. Das ist dieselbe architektonische Bewegung aus einem anderen Winkel: Provider-Zeilen, Aliases, Suppressions und Endpunkt-Metadaten inspectable machen, ohne Runtime-Normalisierung durch einen weiten Plugin-Universum zu erzwingen.

Für Builder ist die Lektion, dass Modellkataloge Infrastruktur sind, nicht nur UI. Wenn das Produkt die Frage beantworten muss „welche Modelle existieren", „welcher Provider besitzt dieses Modell", „welche Aliases sind gültig" und „welche stale Zeilen sollten versteckt werden", dann sollte diese Information nah am Provider-Vertrag sein. Andernfalls riskiert jeder Listenbefehl, jeder Setup-Flow, jeder Gateway-Boot und jeder Provider-Discovery-Pfad zu viel Arbeit zu tun und leicht unterschiedliche Antworten zurückzugeben.

Es gibt hier auch eine starke SDK- und Testing-Geschichte. Das Release exponiert fokussierte Plugin-SDK-Subpaths für Kanalrouten, Kanal-Test-Helfer, Kanal-Target-Testing, Plugin-Runtime-Fixtures, Provider-Katalog-Helfer, Media-Provider-Capability-Assertions und viele Contract-Helfer, die früher in Repo-only-Test-Bridges lebten. Das ist nicht direkt benutzer sichtbar, aber es ist wichtige Produkthygiene. Extension-Autoren und gebündelte Plugins sollten gegen dokumentierte SDK-Oberflächen testen, nicht gegen private Test-Verzeichnisse, die sich unter ihnen weg bewegen können.

[25:00] STORY 1D — Zuverlässigkeitsfixes Zeigen, Wo Agent-Runtimes Tatsächlich Wehtun Die v2026.4.27-Fix-Liste ist lang, und die Show sollte nicht jeden Punkt vorlesen. Stattdessen gruppiere die Fixes nach Operator-Schmerz.

Erstens: Kanalzustellung. Telegram erhält eine verbesserte Multi-Bot-native Genehmigungsweiterleitung, begrenzte ausgehende Bot-API-Aufrufe, zwischengespeicherte Lookup-Funktion für gebündelte Plugin-Aliase und Cron-Topic-Beibehaltung mit --thread-id. Slack erhält Socket-Mode-Ping/Pong-Timeout-Steuerung und begrenzte Downloads privater Dateien und weitergeleiteter Anhänge. Mattermost dupliziert reguläre eingehende Beiträge nicht mehr als Systemereignisse. LINE speichert eingehende Medien unter verwaltetem Medienspeicher statt unter temporären Dateien, die verschwinden können. Dies sind die Arten von Korrekturen, die relevant sind, wenn OpenClaw nicht nur ein lokales CLI, sondern ein Multi-Kanal-Assistent ist, der mit langsamen Anbietern, Forenthemen, Datei-Downloads, Medienaufbewahrung und kanalspezifischer Semantik zurechtkommen muss.

Zweitens: Asynchrone Medien und Aufgaben. Getrennte video_generate- und music_generate-Toolkontexte bleiben bis zum Endstatus registriert, langlebige Anbieter-Jobs bleiben frisch, und aufgabenspezifische Sitzungsdatensätze leiten den Besitz ab. Das behebt eine unangenehme Klasse von Produktfehlern, bei denen ein Generierungsauftrag beim Anbieter noch aktiv ist, aber der übergeordnete Chat-Kontext oder die Aufgabentabelle glaubt, er sei verloren gegangen. Besonders bei Discord-basierter Mediengenerierung hängt die Benutzererfahrung davon ab, dass die Runtime einen langen externen Auftrag über Turns hinweg verfolgt.

Drittens: Sitzungen, Modelle und Replay. Die Standardannahmen für chat.history und sessions.list stimmen nun mit der besitzenden Agentur und der katalogbewussten Auflösung überein. DeepSeek V4 Reasoning-Inhalte werden bei Replay-Pfaden zurückgeschrieben. Anthropic-Beta-Header werden auf direkte öffentliche Anthropic-Endpunkte beschränkt, anstatt auf benutzerdefinierte kompatible Anbieter. Antworten von Tools mit umfangreichen Konfigurationen spielen keine riesigen geschwärzten Konfigurationen mehr in Transkripte ein. All das deutet auf dasselbe Thema hin: Sobald Agenten mehrere Anbieter, Tool-Aufrufe, Transkripte, Replay und pro-Agent-Standards verwenden, muss die Runtime genügend Status bewahren, um korrekt fortzufahren, ohne versehentlich die falschen Metadaten an das falsche Backend zu senden.

Viertens: Startup, Updates und Plugin-Runtime-Abhängigkeiten. Gateway-Startup wartet nicht mehr auf das Vorwärmen des primären Modells, bevor Chat-Kanäle gestartet werden. Deaktivierte verfolgte Plugins werden während der Post-Update-Synchronisation übersprungen. Gebündelte Runtime-Abhängigkeiten und Spiegelungen werden während Neustarts leichter, cache-bewusster und sicherer. Die Plugin-Inspektion lädt nur das übereinstimmende Plugin. Plugin-Deinstallationspläne werden aus Metadaten statt durch Runtime-Ladung von allem erstellt. Das ist genau das, was Betreiber als „OpenClaw startet schneller" oder „Updates verklemmen meine Instanz nicht" empfinden, obwohl die zugrunde liegenden Korrekturen meist aus Abhängigkeits- und Metadaten-Disziplin bestehen.

Das Release-Urteil: v2026.4.27 ist keine Einzel-Feature-Episode. Es ist ein Runtime-Operations-Release. Es macht die Computernutzung sicherer zu starten, Anbieter leichter zu integrieren, Sandboxes leistungsfähiger, Kanäle expliziter, Plugin-Start weniger schwergewichtig und langlebige Aufträge schwerer zu verlieren.

[31:00] GESCHICHTE 2 — Deepgram Flux Multilingual macht Sprachagent-STT zu einem Turn-Taking-Laufzeitproblem

Deepgrams Flux Multilingual ist eine gute Geschichte für Sprachagenten, weil es nicht nur „mehr Sprachen" ist. Es verändert, wie Entwickler über die Spracherkennungsschicht in Echtzeit-Agenten nachdenken sollten.

Das Modell ist flux-general-multi, und Deepgram sagt, es unterstützt Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch mit Code-Switching. Die wichtige architektonische Zusage ist eine Streaming-Verbindung, anstatt jeden Äußerung durch separate sprachspezifische Erkenners zu leiten. Das ist wichtig, weil eine mehrsprachige Konversation die Sprache mitten im Anruf wechseln, Sprachen innerhalb eines Turns mischen oder in einer Sprache beginnen kann, die das System nicht vorhergesehen hat.

Die API-Details machen es operationell interessant. Flux verwendet den /v2/listen WebSocket-Pfad. Sprach-Prompting verwendet language_hint, um die Erkennung zu beeinflussen. Erkannte Sprachen erscheinen auf TurnInfo-Ereignissen durch Felder wie languages. End-of-Turn-Verhalten ist mit Schwellenwerten wie eot_threshold, eager_eot_threshold und eot_timeout_ms konfigurierbar. Das sind keine kosmetischen Flags. Sie steuern die Sprachagenten-Schleife: wann das Zuhören stoppen, wann die Generierung starten, wann das Risiko einer frühen Antwort eingehen und wann warten, weil der Benutzer möglicherweise noch spricht.

Für einen Sprachagenten sind STT-Latenz und Turn-Erkennung Produktverhalten. Wenn End-of-Turn zu früh ausgelöst wird, unterbricht der Agent. Wenn es zu spät ausgelöst wird, fühlt sich der Agent träge an. Wenn Code-Switching von einer Routing-Schicht außerhalb des Modells behandelt wird, kann das System zusätzliche Zeit damit verbringen, Sprachen zu raten und Streams neu zu verbinden. Wenn Sprachhinweise zu eng sind, kann die Erkennung nachlassen, wenn der Sprecher wechselt. Die praktische Empfehlung ist, STT als Teil der Runtime-Schleife zu behandeln, nicht als Black-Box-Transkriptdienst.

Die Dokumentation für Self-Hosting fügt einen weiteren wichtigen Aspekt hinzu: Flux möchte dedizierte Infrastruktur. Deepgram sagt, Flux muss auf einer separaten Engine-Instanz von anderen STT- und TTS-Modellen laufen, muss in Engine- und API-TOML-Dateien explizit aktiviert werden, verwendet /v2/listen und alloziert GPU-Speicher für Flux-Streams beim Startup. Sie wählen flux-general-multi im [flux]-Abschnitt, konfigurieren max_streams und überwachen flux_max_streams, flux_used_streams und flux_fraction_streams.

Das ist genau die Art von operativem Detail, die Entwickler von Sprachagenten benötigen. Wenn max_streams zu hoch ist, sind die Symptome nicht abstrakt: verzögerte Antworten, abgebrochene Anrufe, API-Fehler und instabile Latenz. Wenn das Modell versehentlich auf CPU läuft, weisen die Docs auf hohe Latenz, OOM-ähnliche Fehler und die Notwendigkeit von GPU-Integritätsprüfungen hin. Wenn Flux auf demselben Engine-Knoten wie andere Modelle platziert wird, kann Speicherdruck unzusammenhängende Anfragen unterbrechen. Die Empfehlung für Entwickler: Mehrsprachige Sprachagenten benötigen Kapazitätsplanung auf der Streaming-Schicht, nicht nur ein größeres LLM hinter dem Transkript.

[39:00] GESCHICHTE 3 — Google Rapid Bucket bringt Colossus in den PyTorch-Datenpfad

Googles Rapid-Bucket-Post ist eine starke KI-Infrastruktur-Geschichte, weil es um den Teil des Trainings geht, der leicht zu ignorieren ist, bis die GPUs teuer und im Leerlauf sind: Daten füttern und Checkpoints schreiben.

Der Kernmechanismus ist Rapid Storage, Powered by Googles Colossus-Speicherarchitektur, zugänglich gemacht für PyTorch durch gcsfs und die fsspec-Schnittstelle. fsspec ist wichtig, weil es bereits eine häufig verwendete Python-Dateisystem-Abstraktion ist, die rund um Datenvorbereitung, Checkpoints und Inferenz-Tools verwendet wird: Dask, Pandas, Hugging Face Datasets, Ray Data, PyTorch Lightning, verteilte PyTorch-Pfade, Weights & Biases und vLLM-ähnliche Workflows. Wenn das Speicher-Backend hinter fsspec schneller werden kann, kann eine Menge KI-Code ohne benutzerdefinierte Speicher-Adapter profitieren.

Rapid Bucket verändert den Datenpfad durch die Verwendung dedizierter Zonal-Buckets, direkte Konnektivität zu zugrunde liegenden Colossus-Dateien und persistente bidirektionale gRPC-Streams durch APIs wie BidiReadObject und BidiWriteObject. Das ersetzt den wiederholten Overhead traditionellerer REST-ähnlicher Objektzugriffe durch zustandsbehaftetes Streaming. Der Post hebt auch die automatische Bucket-Typ-Erkennung in gcsfs hervor, sodass bestehender fsspec.open()-Code den schnelleren Pfad verwenden kann, wenn der Bucket Rapid ist.

Die Zahlen sind nützlich: Google gibt einen aggregierten Durchsatz von über 15 TiB/s an, eine Verbesserung der Trainingszeit um 23% in einem Benchmark mit 16 GKE-Knoten mit je acht A4-GPUs, eine 4,8-fache Verbesserung des Lesedurchsatzes und eine 2,8-fache Verbesserung des Schreibdurchsatzes in Microbenchmarks mit 16MB I/O-Größen über 48 Prozesse. Das exakte Ergebnis für jede Workload variiert, aber der Mechanismus ist klar genug zu diskutieren: weniger Netzwerk-Hops, persistente Streams, niedrigerer pro-Operation-Overhead, zonale Kointegration und Checkpoint-Append-Unterstützung.

Der Kompromiss ist Lokalität. Zonale Kointegration ist der Grund, warum der schnelle Pfad funktioniert, aber es verändert auch das Fehler- und Architekturmodell. Wenn Ihr Training in einer Zone läuft und die Daten in einem Rapid-Bucket in dieser Zone liegen, verbessert sich das Latenzprofil. Aber Sie müssen immer noch über regionale Haltbarkeit, Dataset-Replikation, Checkpoint-Backup und was passiert, wenn die Zone nicht verfügbar wird, nachdenken. Für Produktions-Trainingssysteme bedeutet das, den heißen Trainingspfad vom dauerhaften Archivierungspfad zu trennen. Verwenden Sie den schnellen Zonal-Bucket, um Beschleuniger auszulasten; kopieren Sie wichtige Checkpoints und Datenprodukte in eine regionale oder Multi-Region-Haltbarkeitsschicht, wenn der Workflow es erfordert.

Die OpenClaw-relevante Empfehlung ist, dass Agenten- und Modellinfrastruktur zunehmend von langweiligen Datenpfaden abhängt. Ein Modell ist nicht nur eine GPU und ein Checkpoint. Es ist Objektspeicher, Dateiabstraktionen, Stream-Protokolle, Scheduler-Lokalität, Checkpoint-Häufigkeit und Wiederherstellungsstrategie. Wenn der Datenpfad ins Stocken gerät, wird die klügste Beschleuniger-Flotte zu einem sehr teuren Wartezimmer.

[45:00] OUTRO

Die praktische Empfehlung aus EP043 ist betriebliche Kontrolle. OpenClaw v2026.4.27 macht Computernutzung, Anbieter, Kanäle, Startup und Zuverlässigkeit einfacher zu betreiben. Deepgram zeigt, dass Sprachagenten Streaming- und Turn-Taking-Kontrollen benötigen, nicht nur Transkripte. Google zeigt, dass KI-Trainingsleistung von Speicherprotokollen, Dateisystemabstraktionen, Stream-Protokollen, Checkpoint-Verhalten und Zonal-Lokalität abhängen kann.