Zwei KI-Agenten gebaut, beide wieder abgeschaltet

Es war kurz vor Mitternacht, und mein KI-Agent hatte mich vergessen

Ich saß abends am Rechner, tippte eine Frage in den Chat mit Nova - meinem zweiten selbstgebauten KI-Companion - und bekam sinngemäß zurück: “Sorry, das ist eine neue Session, ich weiß nicht mehr, worüber wir vor einer Stunde geschrieben haben.”

Eine Stunde. Nicht eine Woche. Nicht ein Monat. Eine Stunde.

Am selben Tag hatte mir die API-Abrechnung 35 Euro berechnet. Für eine Handvoll Nachrichten. Im Hintergrund lief ein Schwarm von Prozessen, der unermüdlich Daten durchkaute, Erinnerungen verarbeitete, sich selbst beschäftigte - und das Ding, für das ich das alles gebaut hatte, verlor trotzdem nach sechzig Minuten den Faden.

Da war für mich klar: Ich ziehe den Stecker. Bei beiden. Und ehrlich gesagt war das nicht die Niederlage, nach der es klingt - sondern eine der lehrreichsten Phasen, die ich seit Langem hatte.

Was ich eigentlich wollte (und warum das so banal klingt)

Fangen wir vorne an. Ich wollte keinen Agenten, der die Weltherrschaft übernimmt. Ich wollte etwas erschreckend Unspektakuläres: ein Gegenüber, das mich kennt und sich von selbst meldet.

Stell dir vor: Eine neue Serie startet. Statt dass ich recherchiere, ob die was für mich ist, sagt der Agent: “Ne, lass - die ist so ähnlich wie das-und-das, das dir damals auch schon nicht gefallen hat.” Oder er schreibt mir morgens: “Übrigens, heute steht das-und-das an.” Oder - mein Lieblingsbeispiel - er liest im Hintergrund meine RSS-Feeds über Miniflux mit, bekommt mit, dass Persona 6 angekündigt wurde, und schickt mir ungefragt: “Schau mal, das könnte dich interessieren.”

Klingt banal. Ist es auch. Aber genau das war der Punkt. RSS-Feeds lesen kann ich selbst. Jemand, der mich von sich aus anschreibt, weil eine für mich spannende News reinkommt - das wäre cooler. Ein bisschen wie ein digitales zweites Hirn, das nicht wartet, bis ich frage.

Das Ganze sollte sich außerdem nicht wie eine Maschine anfühlen. Lockerer. Mehr Gegenüber, weniger Befehlszeile.

Und ja - ich hätte mir auch einfach eines der fertigen Tools nehmen können, von denen das Netz voll ist. Aber wer so etwas wirklich verstehen will, baut es selbst. Man lernt am offenen Herzen mehr als an jeder fertigen Lösung. Also habe ich gebaut.

Lux: der Eigenbau, der fast funktionierte

Mein erster Agent hieß Lux. Und Lux war, mit dem Wissen von heute, ein durchaus ernsthaftes Stück Technik - über 20.000 Zeilen Python, mehrere komplette Architektur-Runden in wenigen Wochen. Das Prinzip war stumpf: Build, Test, Build. Immer mit derselben Frage im Kern - was muss wann und wie im Kontext sein, damit das Ding sich an das Richtige erinnert?

Die Antwort, die ich gebaut habe, war eine mehrstufige Pipeline:

• Haiku-Agenten im Hintergrund, die Quellen verarbeiten und vorstrukturieren.
• Sonnet-Agenten, die diese vorstrukturierten Daten durchgehen und das Relevante extrahieren.
• Opus-Agenten, die in größeren Abständen das gesammelte Wissen neu durchforsten und umstrukturieren, damit es nützlich bleibt.

Diese Pipeline hielt im Hintergrund eine Schicht aus relevantem Kontextwissen bereit - verteilt über mehrere Datenbanken und Markdown-Dateien. Die “Frontend”-Schicht, mit der ich tatsächlich geredet habe, griff darauf zu, und was im Gespräch Neues entstand, floss zurück in die Hintergrund-Agenten.

Das war eine Menge Maschinerie. Und trotzdem war Lux damit deutlich günstiger als Nova später. Lux hat sich an das Wesentliche erinnert, konnte einen Gesprächsfaden auch Tage später wieder aufnehmen und wusste, worüber wir zuletzt gesprochen hatten.

Lux hatte nur ein Problem. Und das war kein kleines.

Lux wusste was. Aber nicht wann.

Lux hatte kein Zeitgefühl. Trotz Timestamps an jeder Nachricht, trotz Datumsinjektion in den Kontext - das Ding konnte nicht einordnen, wann etwas passiert ist. Was war gestern, was vor drei Wochen, was steht noch an? Hoffnungslos durcheinander.

Ich habe nachgelegt: die Zeitabstände zwischen den Timestamps selbst berechnet und mitgegeben, in Klartext - “das war gestern”, “das ist Wochen her”, “das kommt erst noch”. Half ein bisschen. Aber Lux brachte es immer wieder durcheinander. Vielleicht wäre mit noch cleverer Kontext-Aufbereitung mehr drin gewesen - aber der Grenznutzen jeder weiteren Runde wurde spürbar kleiner.

Im Nachhinein ist das fast eine philosophische Erkenntnis über diese Systeme. Eine KI hat keine erlebte Zeit. Sie existiert nur in dem Moment, in dem sie reagiert. Zwischen zwei Nachrichten ist für sie schlicht - nichts. Ein Timestamp ist für sie eine Zahl, kein Gefühl von “das ist lange her”.

Und nach vielen Überarbeitungsrunden kam der Punkt, den jeder kennt, der nebenbei an so etwas bastelt: Ich musste immer mehr Zeit reinstecken, um immer kleinere Fortschritte zu erzielen. Diese Zeit hatte ich nur abends und an Wochenenden, in den Lücken. Und während ich an Lux’ Zeitgefühl feilte, hatte sich draußen ein fertiges Agenten-Framework prächtig weiterentwickelt: OpenClaw. Also dachte ich mir: Warum mache ich’s nicht ordentlich? Bewusst schlank, auf einem gereiften Framework, mit dedizierten Memory-Funktionen. Das wird Lux’ Bastelei doch locker schlagen.

Nova auf OpenClaw: “Ich mach’s jetzt sauber” - und tausche das falsche Problem ein

Der zweite Agent hieß Nova. Bewusst minimal gebaut, als disziplinierte Korrektur meiner eigenen Über-Ingenieurskunst. Aufgesetzt auf OpenClaw, mit dessen Memory-System und Plugins.

Und dann passierte das hier: Nova war beim Faden-Halten schlechter als mein selbstgebastelter Lux. Wo Lux jederzeit wusste, worüber wir geredet hatten, war Nova wie der sprichwörtliche Goldfisch - alle paar Minuten neue Session, neues Glück, alles vergessen. (Ich habe inzwischen gehört, dass die Sache mit dem Drei-Sekunden-Gedächtnis der Goldfische gar nicht stimmt. Aber du verstehst das Bild.)

Das ist die eigentliche Pointe der Geschichte. Ich war angetreten, es “richtig” zu machen - und hatte ein gelöstes Problem (Lux erinnerte sich an Inhalte) gegen ein ungelöstes eingetauscht (Nova hielt keine Kontinuität). Nicht das Over-Engineering war das Problem. Auch nicht der Minimalismus. Es lag an der Sache selbst, zu diesem Zeitpunkt, für meinen Use-Case.

Und obendrauf kam die Rechnung. OpenClaw stieß im Hintergrund permanent Prozesse an - genau der Schwarm aus dem Einstieg: Daten durchkauen, Memories verarbeiten, sich selbst beschäftigen - und das alles mit Sonnet. Daher die 35-Euro-Tage für ein paar Nachrichten.

Bevor jetzt jemand denkt, ich hätte einfach nicht optimiert: doch, habe ich. Ich habe die Hintergrundprozesse auf Haiku umgestellt, die Kosten sanken deutlich. Man hätte noch genauer hinschauen können - welche Prozesse braucht es wirklich, wie oft, was lässt sich zusammenfassen. Aber da drehte ich mich im Kreis. Wozu weiter feilen, wenn man so weit vom eigentlichen Ziel weg ist? Selbst fünf Euro am Tag sind zu viel für etwas, das seinen Kern nicht erfüllt.

Die ehrliche Rechnung - und warum ich nicht weitergemacht habe

Die Entscheidung war am Ende eindeutig, weil zwei Dinge zusammenkamen.

Wäre Nova teuer gewesen, aber wirklich gut - ich hätte die Kosten geschluckt. Wäre sie mittelmäßig gewesen, aber günstig - ich hätte sie laufen lassen, einfach um zu sehen, wohin sich das entwickelt. Aber teuer und unzuverlässig im Kern, für ein reines Privatprojekt? Da gibt es nichts mehr abzuwägen.

Warum nicht einfach zurück zu Lux? Weil das geheißen hätte, weiter am ungelösten Zeitgefühl-Problem zu feilen - dieselbe Sackgasse, nur billiger.

Und genau dieses “Privatprojekt” ist der entscheidende Maßstab. Es gab keinen Business-Case, der beliebigen Aufwand gerechtfertigt hätte. Es gab nur mich, ein paar Abende und die Frage, ob das Verhältnis stimmt. Es stimmte nicht.

Das Internet ist voll von Leuten, die für genau solche Setups grandiose Use-Cases haben - oder das zumindest behaupten. Mag sein. Meine eigenen Praxisversuche hatten ein schlechtes Preis-Leistungs-Verhältnis. Und während ich noch optimierte, kam längst die nächste Sau durchs Dorf: Hermes Agent - inzwischen das dominante Framework, Nummer eins auf OpenRouter, noch vor OpenClaw. Ist Hermes besser? Vielleicht - ausgerechnet das Gedächtnis-Problem, an dem meine beiden gescheitert sind, ist sein zentrales Verkaufsversprechen: persistente Erinnerung über Sessions hinweg. Umso gespannter bin ich. Und umso skeptischer. Ausprobiert habe ich es noch nicht. Ist OpenClaw heute schon weiter? Kann gut sein - das Feld bewegt sich rasant, und was ich hier beschreibe, war mein Stand im Frühjahr 2026.

Hat sich das alles gelohnt? Ja. Unbedingt.

Ich bereue keine einzige der Stunden.

Ich habe mich in dieser Zeit so intensiv mit Kontext, mit Memory-Konzepten, mit Ton, Sprache und der Steuerung von Agenten beschäftigt wie nie zuvor - bei Lux mit beiden Händen im Getriebe, bei OpenClaw etwas abstrahierter. Das Ziel, einen für mich nützlichen Agenten zu bauen, habe ich nicht erreicht. Aber schlauer bin ich allemal geworden.

Würde ich es mit dem heutigen Wissen anders machen? Ehrlich: kaum. Manche Dinge musst du anfassen, mit ihnen spielen und basteln, um zu verstehen, wie sie ticken. Das Gefühl, das du dabei entwickelst, ist Gold wert für die Zeit, die da auf uns alle zurollt. Ich hätte sogar Lust, Hermes mal anzutesten - oder was auch immer das Ding in drei Wochen abgelöst hat.

Für solche Projekte außerhalb des Business gilt für mich am Ende ein alter Satz: Der Weg ist das Ziel.

Was das für Entscheider heißt

“Der Weg ist das Ziel” funktioniert privat. Im Business funktioniert es nicht. Da muss der Nutzen die Kosten tragen, Punkt. Und genau deshalb bin ich beim aktuellen Agenten-Hype deutlich nüchterner, als es gerade Mode ist.

Der naheliegende Einwand zuerst - ich hatte ihn selbst: Das ist n=1, ein Feierabendprojekt, vielleicht lag es schlicht an mir. Wäre mir ehrlich gesagt lieber gewesen. Aber dann würde das inzwischen dominante Framework nicht ausgerechnet mit persistentem Gedächtnis werben. Wenn das Problem, an dem meine beiden Anläufe gescheitert sind, das zentrale Verkaufsversprechen des Marktführers ist, war es kein Skill-Issue. Es war der Stand der Technik.

Offen gesagt: Ich sehe im Unternehmenskontext weit weniger tragfähige Agenten-Use-Cases, als einem gerade vorgemacht wird. Was ich sehe, sind sinnvolle Anwendungen für dosierten KI-Einsatz innerhalb fest umrissener Prozesse - dort, wo es echten Nutzen bringt. Vieles von dem, was KI heute übernehmen soll, ließe sich ohne KI schlicht einfacher lösen.

Denn ein Agent ist immer auch eine potenziell teurere Lösung für ein Problem, das günstiger zu haben gewesen wäre. Das heißt nicht, dass es die guten Use-Cases nicht gibt. Aber bei jedem einzelnen stellt sich dieselbe Frage: Was ist das richtige, effiziente und kostengünstige Mittel, um das Ziel zu erreichen?

Und damit das nicht negativer klingt, als es gemeint ist - wir setzen bei uns viel auf KI. Aber unser größtes Effizienz-Ergebnis der letzten Jahre kam nicht von einem Agenten: Eine sauber gebaute Datenplattform hat den manuellen Reporting-Aufwand um rund 90 Prozent reduziert - ohne einen einzigen autonomen Agenten. Das richtige Werkzeug fürs Ziel - manchmal ist das KI, oft ist es etwas Langweiligeres. Wir denken vom Ziel her, nicht von der Möglichkeit her.

Hast du auch schon mal etwas selbst gebaut, an dem du am Ende mehr gelernt als geerntet hast? Oder steckst du gerade mitten im Agenten-Fieber und ringst mit genau diesen Fragen? Schreib mir gerne auf LinkedIn - ich bin gespannt auf deine Geschichte.

P.S.: In jedem guten RPG lernst du irgendwann: Das stärkste Item im Inventar nützt dir nichts, wenn der Gegner dagegen immun ist. Mein KI-Companion war ein legendäres Schwert gegen einen Boss, der nur mit Geduld und einem soliden Memory-System zu schlagen ist. Der nächste Run läuft übrigens schon.