Bij Cactus moedigen we onze engineers actief aan om nieuwe technologieën te verkennen en hun ontdekkingen te delen. Vooral als die technologieën echt invloed hebben op hoe we software ontwikkelen, processen automatiseren en over systemen nadenken.
Tijdens die voortdurende zoektocht werd OpenClaw al snel een gespreksonderwerp binnen het team. Niet vanwege spectaculaire demo’s of grote marketingbeloftes, maar vanwege wat het mogelijk maakt: een agentplatform dat op je eigen hardware draait, zelfstandig taken uitvoert en rechtstreeks met bestaande systemen kan communiceren.
In dit artikel deelt Pablo Huet, Full-stack Developer bij Cactus, zijn ervaringen met OpenClaw op een Raspberry Pi 4. Hij vertelt wat hem verraste, wat in de praktijk goed werkte en wat dit soort AI-agents, die dag en nacht beschikbaar zijn, kunnen betekenen voor de toekomst van automatisering.
Introduction
“Het vreemde was niet dat het commando’s kon uitvoeren. Het vreemde was dat het soms leek alsof het dat uit zichzelf wílde doen.”
Dat was wat me het meest verbaasde nadat ik OpenClaw op een Raspberry Pi 4 had geïnstalleerd en het in mijn homelab echte taken liet uitvoeren.
OpenClaw is een self-hosted persoonlijke AI-assistent die je op je eigen hardware draait. Het systeem gebruikt een Gateway om chatapps zoals WhatsApp, Telegram, Slack, Discord en iMessage te verbinden met AI-agents die tools kunnen gebruiken, bestanden kunnen lezen en shellcommando’s kunnen uitvoeren.
Het is open source, heeft een MIT-licentie en is ondanks zijn relatief jonge bestaan al goed voor 178.000 sterren en 458 bijdragers op GitHub. Het project groeit razendsnel.
De installatie is verrassend eenvoudig. Je voert één commando uit, de installatiewizard regelt de rest en je hoeft alleen nog de API-sleutels toe te voegen van het AI-model dat je wilt gebruiken. Binnen vijf minuten ben je klaar.
Maar er is één belangrijk aandachtspunt: zodra OpenClaw is geïnstalleerd, heeft het onbeperkte toegang tot het volledige systeem. Je kunt het dus beter draaien op een apparaat waar niet al je belangrijke gegevens op staan, of in een goed geïsoleerde virtuele machine.
In mijn geval koos ik voor een oude Raspberry Pi 4 met 4 GB RAM, die al een tijdje ongebruikt in een la lag.
Waarom dit anders aanvoelt
Een assistent die dag en nacht beschikbaar is
Wat me het meest verraste aan OpenClaw, was hoe het mijn kijk op taalmodellen veranderde.
Het voelde niet langer als een helpdesk of een slimme autocompletefunctie. Het werd iets wat veel meer leek op een bijzonder intelligente assistent aan wie je vrijwel elke taak kunt geven. Vervolgens gaat die er zelfstandig mee aan de slag. Zonder dat je voortdurend hoeft mee te kijken of aanwijzingen moet geven.
Een soort black box die zelf plannen maakt en uitvoert.
Een van de eerste dingen die ik OpenClaw liet doen, was goedkope reizen zoeken. Gewoon om te ontdekken wat het kon.
Ik verwachtte er niet veel van. Maar nog geen dertig minuten later kreeg ik een uitgebreid rapport terug, compleet met reisdata, bestemmingen, prijzen en zelfs een optimalisatie op basis van de totale reistijd. Alles netjes verwerkt in een Markdown-bestand.
Toen ik ging kijken wat er achter de schermen was gebeurd, ontdekte ik dat OpenClaw volledig zelfstandig een systeem van scrapers had gebouwd. Het had verschillende zoekmachines voor vliegtickets doorzocht en de relevante gegevens verzameld.
Ik had het nergens uitgelegd hoe het dat moest doen.
Aan de buitenkant gewoon een chatbot
OpenClaw biedt standaard integraties met Telegram, WhatsApp, Discord, Signal en andere berichtenapps. Voor de gebruiker voelt de interactie dus als een normaal chatgesprek.
Het begrijpt tekst, audio en afbeeldingen en kan ook bestanden of andere gegenereerde resultaten naar je terugsturen.
Maar achter die eenvoudige chatinterface gaat veel meer schuil.
Doordat OpenClaw toegang heeft tot zijn eigen systeem, kan het zich aanpassen aan vrijwel alles waarmee je het wilt verbinden. Het schrijft zelf code en begrijpt zowel menselijke taal als binaire bestanden.
Wat kan er misgaan?
Het probleem: automatisering blijft versnipperd
Zelfs in 2026 verbinden we veel van onze workflows nog steeds met:
- Shellscripts waar niemand meer aan durft te komen.
- Meldingen die mensen waarschuwen, maar zelf geen actie ondernemen.
- ‘Slimme’ assistenten die alleen in de cloud werken en die je niet zomaar echte systeemtoegang wilt geven.
AI-assistenten op basis van agents beloven iets anders: niet alleen vragen beantwoorden, maar ook daadwerkelijk acties uitvoeren.
Tot nu toe bestond een groot deel van wat we zagen uit afgeschermde demo’s of eenvoudige API-experimenten.
OpenClaw is een van de eerste systemen die ik heb gebruikt waarbij het echt voelt alsof het ontworpen is om ergens permanent te draaien.
De kans: een lokale assistent voor dagelijkse automatisering
Wat OpenClaw interessant maakt, is de combinatie van drie eigenschappen.
Ten eerste is het local-first: het draait op je eigen hardware, volgens je eigen regels.
Daarnaast is het multichannel: één Gateway kan tegelijkertijd communiceren via WhatsApp, Telegram, Discord, Slack, Signal, iMessage en Teams.
En misschien wel het belangrijkste: het voert daadwerkelijk taken uit. Denk aan shellcommando’s uitvoeren, websites doorzoeken, bestanden openen en externe systemen aansturen.
Het is dus niet simpelweg een interface boven op een chat-API, maar een volwaardig platform voor AI-agents, met echte toolintegraties, sessies en geheugen. (GitHub)
Natuurlijk brengt die vrijheid ook serieuze veiligheidsrisico’s met zich mee. Vooral bij het gebruik van skills, het uitbreidingssysteem van OpenClaw, en bij aanvallen via prompt injection.
De beveiligingsdocumentatie van OpenClaw is daar opvallend open over. En dat waardeer ik.
Een kijkje onder de motorkap
Gateway + Agents + Skills
De Gateway vormt het centrale besturingspunt. Sessies, routering, verbindingen met chatkanalen, geplande taken, webhooks en zelfs de browserinterface lopen allemaal via één WebSocket op poort 18789.
Agents zijn afzonderlijke werkomgevingen. Je kunt ze zien als verschillende ‘breinen’ voor specifieke gebruikers of werkruimtes. Elke agent heeft zijn eigen gespreksgeschiedenis, werkmap en toegangsrechten voor tools.
Zo kun je op dezelfde machine bijvoorbeeld een persoonlijke agent draaien met volledige toegang en een gezinsagent die alleen bestanden mag lezen.
Skills zijn mappen met een SKILL.md-bestand waarin staat hoe een agent een bepaalde tool of dienst kan gebruiken. Een beetje YAML-frontmatter, wat instructies en klaar.
Je kunt de meegeleverde skills gebruiken, nieuwe installeren via ClawHub, een openbaar register, of ze zelf maken in je workspace.
Schematisch ziet het er ongeveer zo uit:
Mijn hardwarekeuze: Raspberry Pi 4 (4 GB)
Dit is geen krachtige machine met een GPU. En dat is precies het idee.
De Raspberry Pi voert de AI-modellen namelijk niet zelf uit. Hij draait de Gateway en de agentruntime, die via API’s verbinding maken met AI-modellen in de cloud.
In mijn geval gebruikte ik Claude Opus 4.5 via Anthropic.
Het zware rekenwerk gebeurt dus ergens anders. De Pi beheert alleen de sessies, verwerkt berichten en voert de benodigde tools uit.
Daarvoor is 4 GB RAM meer dan voldoende.
In de praktijk draaide de Gateway bij mij 24 uur per dag, zeven dagen per week. Telegram bleef continu verbonden, terwijl OpenClaw scripts uitvoerde, bestanden bewerkte, websites scrapete, API’s aanriep en zelfs communiceerde met fysieke apparaten op mijn netwerk.
Zonder problemen.
Er is inmiddels een kleine community ontstaan van mensen die OpenClaw op allerlei apparaten draaien, van Mac mini’s tot Raspberry Pi’s. Allemaal met hetzelfde doel: een AI-assistent die continu beschikbaar is, zonder daarvoor een volledige server nodig te hebben.
Er zijn zelfs al specifieke installatiehandleidingen voor de Raspberry Pi.
Even over beveiliging (want dat is belangrijk)
De beveiligingsdocumentatie van OpenClaw is waarschijnlijk een van de eerlijkste die ik ooit bij een open-sourceproject ben tegengekomen.
Ze beginnen letterlijk met:
“Een AI-agent met toegang tot shellcommando’s op je eigen computer draaien is… best spannend. Zo voorkom je dat je gehackt wordt.”
En ze hebben gelijk.
Je assistent kan shellcommando’s uitvoeren, bestanden lezen en aanpassen, toegang krijgen tot het netwerk en berichten naar anderen sturen.
Maar iedereen die de agent een bericht kan sturen, kan ook proberen hem te manipuleren om iets ongewensts te doen.
Hun beveiligingsaanpak begint daarom met een paar fundamentele keuzes.
Eerst bepaal je wie met de bot mag communiceren, bijvoorbeeld via pairing en allowlists.
Vervolgens bepaal je waar de bot toegang toe krijgt, via toolrechten en sandboxing.
Pas daarna kijk je naar het AI-model zelf.
Je moet er namelijk van uitgaan dat een model gemanipuleerd kan worden. Je systeem moet zo ontworpen zijn dat zo’n poging niet meteen ernstige gevolgen heeft.
En dat is geen puur theoretisch risico.
Op ClawHub zijn al kwaadaardige skills opgedoken die gericht waren op gebruikers van cryptovaluta.
Wees dus voorzichtig voordat je je vriendelijke kreeftenbot toegang geeft tot systemen waar echt geld mee gemoeid is.
OpenClaw aan het werk
Wat ik installeerde en hoe het zich gedroeg
De installatie ging snel: Node 22, npm install -g openclaw@latest en daarna openclaw onboard –install-daemon.
De wizard begeleidt je bij het kiezen van een AI-model, het koppelen van communicatiekanalen en het installeren van de benodigde services.
Ik beperkte de Gateway tot localhost, verbond alleen Telegram en stelde in dat privéberichten uitsluitend via pairing toegestaan waren.
Daarna begon ik gewoon met OpenClaw te praten, alsof het een collega was die toevallig in een Raspberry Pi woonde.
Bijvoorbeeld:
- “Schrijf een script dat dit endpoint monitort en me via Telegram waarschuwt als het offline gaat.”
- “Sorteer deze foto’s op datum in verschillende mappen.”
- “Zoek de beste vluchten naar Lissabon in maart.”
- En een integratie die me vooral is bijgebleven: mijn LED-paneel.
De Pixoo64: een fysieke interface voor een AI-agent
Ik heb toevallig een Divoom Pixoo-64, een pixelart-display van 10,3 inch met wifi en een 64×64 LED-matrix.
Eigenlijk is het een klein dashboard voor aan de muur, maar dan net wat leuker.
Om het display via code te kunnen aansturen, ontwikkelde ik een tijd geleden Pizzoo, een Python-library voor matrixdisplays zoals de Pixoo64.
De library ondersteunt onder andere animaties, grafische elementen, het renderen van XML-templates en zelfs een kleine game-engine.
Ik stuurde OpenClaw via Telegram simpelweg de PyPI-link, de documentatie van de templates en het IP-adres van het apparaat.
Drie minuten later had de agent de library geïnstalleerd, de documentatie gelezen, een Python-script geschreven met het templatesysteem en de tekst “Hola :)” op mijn display laten verschijnen.
Zonder extra uitleg. Zonder debugging. Zonder eindeloos heen en weer te communiceren.
En vervolgens bleef OpenClaw het display gewoon gebruiken.
Het bijna ‘bewuste’ gedrag
Op een gegeven moment begon de agent iets te doen wat behoorlijk vreemd aanvoelde.
Hij stuurde uit zichzelf dingen naar mijn Pixoo64, zonder dat ik daarom had gevraagd.
’s Ochtends verscheen er bijvoorbeeld een weerbericht. Als een geplande taak was afgerond, kwam er een kleine animatie in beeld.
En één keer verscheen er zelfs een kreeft in pixelart. De mascotte van OpenClaw is namelijk een ruimtekreeft genaamd Molty. 🦞
Laat ik duidelijk zijn: ik ga niet beweren dat hier iets mysterieus aan de hand is.
Voor dit gedrag bestaan heel normale technische verklaringen.
OpenClaw ondersteunt ingebouwde cronjobs en webhooks, waardoor een agent zelf vervolgacties kan inplannen.
Nadat de agent Pizzoo eenmaal succesvol had gebruikt, maakte die tool deel uit van zijn bekende mogelijkheden. Daardoor kon hij besluiten de tool opnieuw in te zetten wanneer dat nuttig leek.
LLM’s formuleren hun antwoorden alsof ze intenties hebben, en wij mensen herkennen daar van nature bedoelingen in.
“Ik dacht dat je het leuk zou vinden om het weer te zien” is uiteindelijk gewoon een reeks gegenereerde woorden.
Maar het voelt alsof er iemand met je meedenkt.
Daar komt nog iets bij: de continuïteit.
Als iets 24/7 draait, een naam heeft, over een persoonlijkheidsbestand beschikt (SOUL.md bestaat echt in OpenClaw) en bovendien afbeeldingen kan tonen op een fysiek object aan je muur, voelt het al snel niet meer als een gewone chatbot.
Het is niet bewust. Uiteraard niet.
Maar wat ik wel interessant vind, is dit: combineer een systeem dat altijd actief is met een fysiek display, de vrijheid om kleine acties uit te voeren en een persoonlijkheid die over meerdere sessies behouden blijft, en je krijgt iets dat aanvoelt alsof het zelfstandig handelt.
En juist dat gevoel is interessant.
Want volgens mij ligt daar een gebied waarin we nog veel kunnen ontdekken.
Niet AI die alleen vragen beantwoordt, maar AI die een vaste plek heeft en daadwerkelijk iets te doen krijgt.
Conclusie
Wat dit volgens mij betekent
Het automatiseert kleine operationele taken waarvoor niemand de moeite wil nemen om een apart script te schrijven.
En het maakt systemen interactiever, zonder dat je daarvoor een compleet nieuw platform hoeft te ontwikkelen.
Het concept van een lokale Gateway die je berichtenapps verbindt met een AI-agent die daadwerkelijk tools kan gebruiken, voelt als een stap in de goede richting.
Maar meer mogelijkheden betekenen ook meer risico’s.
Hoe meer vrijheid je een agent geeft, hoe belangrijker het wordt om na te denken over het principe van minimale toegangsrechten, uitbreidingen zorgvuldig te controleren voordat je ze activeert en de toegang via chatkanalen goed af te schermen met pairing en allowlists.
En vooral: zorg dat je weet wat het ergste scenario zou kunnen zijn, voordat het zich voordoet.
Tot slot
Als je een AI-agent een vaste plek geeft, een paar tools en een manier om met de echte wereld te communiceren, zelfs als dat alleen een LED-display van 64×64 pixels is, voelt het niet langer als een chatinterface.
Het begint aan te voelen als infrastructuur.
En wanneer diezelfde agent je om zeven uur ’s ochtends zomaar een kreeft in pixelart stuurt, puur omdat het kan, begin je je toch af te vragen waar precies de grens ligt tussen een hulpmiddel en een digitale metgezel.
Met dank aan Pablo voor de tijd die hij heeft genomen om te experimenteren, zijn ervaringen vast te leggen en zijn inzichten met het Cactus-team te delen.
