OpenClaw सारखा स्वतःचा AI agent कसा तयार करावा

OpenClaw प्रत्यक्षात काय आहे

OpenClaw हा self-hosted personal AI agent आहे. तो तुमच्या स्वतःच्या server वर चालवता. तुम्ही तो आधीपासून वापरत असलेल्या chat apps शी जोडता. त्यानंतर तो shell commands चालवू शकतो, browser नियंत्रित करू शकतो, तुमच्या files वाचू आणि लिहू शकतो आणि तुम्ही पाठवलेल्या messages वर कृती करू शकतो. त्याला MIT license आहे. तो local-first आहे. 2026 च्या मध्यापर्यंत GitHub वर त्याला 380,000 पेक्षा जास्त stars मिळाले होते. त्यामुळे तो या platform वरील सर्वाधिक stars असलेल्या projects पैकी एक आहे. बाह्य गोंधळ बाजूला ठेवला, तर ही एकमेकांशी सुयोग्य पद्धतीने जोडलेल्या काही मोजक्या components ची रचना आहे. हे post त्या components चे स्पष्टीकरण देते. त्यामुळे अशा प्रकारचे tool कसे तयार केले जाते आणि त्यातील धोकादायक बाजू कोणत्या आहेत हे समजते.

सुरुवातीलाच एक इशारा. खालील प्रत्येक design choice वर त्याचा परिणाम होतो. March 2026 मध्ये OpenClaw मध्ये चार दिवसांच्या आत नऊ security issues जाहीर करण्यात आले. त्यात 10 पैकी 9.9 असा गंभीरतेचा rating असलेली critical privilege-escalation त्रुटीही होती (CVE-2026-32922). Operator म्हणून तुम्ही हे project harden करणे अपेक्षित आहे. कोणतीही command चालवू शकणारा agent ज्या box वर चालतो आणि त्याच्यावर तुम्ही घातलेल्या मर्यादा यांइतकाच सुरक्षित असतो. पुढे वाचताना हे लक्षात ठेवा.

गेटवे daemon: एकच process, private ठेवलेला

मध्यभागी एकच दीर्घकाळ चालणारा process असतो. त्याला सामान्यतः gateway म्हणतात. हा control plane असतो. तो messages स्वीकारतो, काय करायचे ते ठरवतो, tools चालवतो आणि replies परत पाठवतो. इतर सर्व घटक याच्याशी जोडले जातात.

gateway कोणत्या पत्त्यावर listen करतो, हा सर्वात महत्त्वाचा मुद्दा आहे. डीफॉल्टनुसार OpenClaw त्याला loopback address, 127.0.0.1, वर bind करते. त्यामुळे तो मुद्दाम expose केल्याशिवाय internet वरून reachable नसतो. तो तिथेच ठेवा. हा commands चालवणारा मुख्य process आहे. त्यामुळे exposed gateway मुळे तो शोधणाऱ्या कोणालाही तुमच्या server मध्ये remote foothold मिळू शकतो. Laptop वरून gateway पर्यंत पोहोचायचे असल्यास port उघडण्याऐवजी VPN किंवा SSH tunnel वापरा. ज्या port पर्यंत पोहोचता येत नाही, त्यावर कोणीही हल्ला करू शकत नाही.

चॅनेल कनेक्टर: संदेश आत घेणे आणि उत्तर बाहेर पाठवणे

तुम्ही आधीपासून वापरत असलेल्या अॅप्समधून personal agent शी संवाद साधता आला, तरच तो उपयुक्त ठरतो. हे काम channel connectors करतात. प्रत्येक connector एका platform शी संवाद साधतो. उदाहरणार्थ, Telegram, WhatsApp, Slack किंवा Discord. यासाठी तो त्या platform चे bot API किंवा webhooks वापरतो.

या सर्व connectors ची रचना सारखीच असते. Connector त्या platform वर bot नोंदवतो. त्यानंतर तो तुमचा incoming message प्राप्त करतो. हे platform कडून polling करून किंवा platform ने पाठवलेला webhook स्वीकारून केले जाते. मग तो message gateway कडे पाठवतो आणि gateway चे reply त्याच API द्वारे परत पोस्ट करतो. Connector हा एक पातळ translation layer असतो. तो "Telegram message आला" याचे रूपांतर "agent साठी हा text आहे" असे करतो आणि पुन्हा उलट रूपांतर करतो. स्वतःचा connector तयार करण्यासाठी मुख्यतः एका platform चे bot documentation वाचावे लागते आणि त्याच्या message format चे gateway च्या format शी mapping करावे लागते.

मेंदू आणि साधन लूप

gateway मध्ये असा भाग असतो, जो त्याला chatbot ऐवजी agent बनवतो. तो एक loop असतो.

एखादा message आल्यावर gateway तो message, तसेच model ला वापरण्याची परवानगी असलेल्या tools ची यादी, language model कडे पाठवतो. model message वाचतो आणि निर्णय घेतो: थेट उत्तर द्यायचे की tool call करायचा. model ने tool call केल्यास gateway ते tool चालवतो, त्याचा result घेतो आणि तो result model कडे परत पाठवतो. model result तपासतो आणि पुन्हा निर्णय घेतो. model कडे करण्यासारखे काही उरले नाही आणि तो final reply तयार करेपर्यंत ही प्रक्रिया सुरू राहते.

ही loop म्हणजे agent ची मूलभूत संकल्पना आहे. agent chat app मध्ये चालत असो किंवा terminal मध्ये, loop समान असतो. Tools या loop शी standard पद्धतीने कशी जोडायची हे समजून घेण्यासाठी Model Context Protocol द्वारे tools जोडणे हा पुढील चांगला संदर्भ आहे. Model च्या बाजूसाठी model स्वतःच्या hardware वर चालवणे हा उर्वरित भाग स्पष्ट करतो.

टूल्सचा संच हा मुख्य मुद्दा आहे आणि धोकाही आहे

OpenClaw ला शक्तिशाली बनवणारे घटक म्हणजे त्याची tools. Shell command चालवणारे tool, browser नियंत्रित करणारे tool आणि files वाचणारे व लिहिणारे tool उपलब्ध आहेत. वरील loop ला या tools चा access दिल्यास, keyboard वरून तुम्ही करू शकता असे जवळजवळ कोणतेही काम ते करू शकते. हीच क्षमता संपूर्ण product आहे आणि हाच संपूर्ण धोका आहे.

Chat app मधून आलेल्या instructions वर कार्य करणारा आणि कोणतीही command चालवू शकणारा agent हा मोठा attack surface आहे. चुकीची instruction, browser tool ने उघडलेल्या web page मध्ये लपवलेला prompt-injection attack किंवा March 2026 मधील flaws सारखा bug यामुळे "माझे calendar वाचा" हे "माझ्या files delete करा" असे रूपांतरित होऊ शकते. त्यामुळे या मर्यादा ऐच्छिक अतिरिक्त सुविधा नाहीत. Agent dedicated, unprivileged user म्हणून चालवा आणि त्याला sudo access देऊ नका, जेणेकरून compromise झाल्यास privilege escalation करता येणार नाही. धोकादायक tools approval step मागे ठेवा, जेणेकरून destructive action करण्यापूर्वी agent ची परवानगी मागेल. Tool execution sandbox मध्ये चालवा, जेणेकरून अनियंत्रित command मर्यादित राहील. Model ची API key वेगळी सुरक्षित ठेवा, जेणेकरून ती leak झाल्यास attacker ला तुमच्या account वर access मिळणार नाही.

Shell commands चालवणारी कोणतीही गोष्ट सार्वजनिकपणे उपलब्ध करून देण्यापूर्वी मूलभूत बाबी जाणीवपूर्वक तपासा. तुमच्या स्वतःच्या box साठी येथे checklist तयार करा आणि नंतर ती वरपासून खालपर्यंत अंमलात आणा:

Unprivileged user म्हणून services चालवण्याचा भाग unprivileged user म्हणून services चालवणे येथे सविस्तर समाविष्ट केला आहे. तसेच वास्तविक project साठी सुरक्षित setup ची संपूर्ण walkthrough VPS वर OpenClaw सुरक्षितपणे चालवणे येथे दिली आहे.

डिस्कवरील साध्या फाइल्सच्या स्वरूपातील memory

बहुतेकांना agent ची memory database मध्ये असते अशी अपेक्षा असते. OpenClaw मध्ये तसे नाही. ते memory डिस्कवरील साध्या Markdown फाइल्समध्ये साठवते आणि हा पर्याय अनुकरण करण्यासारखा आहे.

फाइल्स सोप्या असतात. स्थलांतर करण्यासाठी कोणतेही schema नसते, सतत सुरू ठेवण्यासाठी कोणतीही service नसते आणि शिकण्यासाठी कोणतीही query language नसते. त्या तपासता येतात: तुम्ही folder उघडून agent ला तुमच्याबद्दल नेमके काय वाटते ते वाचू शकता, चुकीची नोंद फाइल संपादित करून दुरुस्त करू शकता किंवा एखादी memory हटवण्यासाठी संबंधित फाइल काढून टाकू शकता. त्या portable देखील असतात, कारण agent नव्या server वर हलवणे म्हणजे directory कॉपी करणे एवढेच असते. एकाच वापरकर्त्यासाठी असलेल्या personal agent साठी text files चा folder पुरेसा असतो आणि त्यामुळे संपूर्ण system समजून घेणे सोपे राहते.

Skills: क्षमता जोडण्याची portable पद्धत

अंतर्भूत साधनांव्यतिरिक्त, OpenClaw portable skill format वापरते. त्यामुळे core मध्ये बदल न करता community त्याच्या क्षमता वाढवू शकते. Skill म्हणजे instructions चे आणि कधीकधी code चे self-contained bundle असते. ते agent ला नवीन task शिकवते. Task साठी आवश्यक असेल तेव्हा agent skill load करतो. Web search हे लोक सर्वसाधारणपणे सर्वप्रथम जोडतात. ही skill तुमच्या स्वतःच्या SearXNG instance कडे निर्देशित केल्यास तुमच्या queries commercial search API कडे जात नाहीत. तसेच skill ची trust boundary कुठे आहे हे स्पष्ट दिसते, कारण ती परत करते ते सर्व एखाद्या अनोळखी व्यक्तीने लिहिलेले text असते.

अशा format चे महत्त्व म्हणजे abilities share करता येतात. एखादी व्यक्ती विशिष्ट कामासाठी skill लिहिते, ती publish करते आणि इतर ती add करतात. तुम्ही स्वतःचा agent तयार करत असल्यास, सुरुवातीला लहान आणि स्पष्ट extension format निश्चित केल्याने पुढे प्रत्येक capability core मध्ये hard-code करण्याची गरज टाळता येते.

तुमचे मॉडेल स्वतः निवडा

OpenClaw हे मॉडेल-निरपेक्ष आहे. ते स्वतःचे language model वितरित करत नाही. त्याऐवजी ते तुम्ही निवडलेल्या मॉडेलशी जोडले जाते. हे मॉडेल hosted API असू शकते किंवा तुम्ही स्वतः चालवत असलेले मॉडेल असू शकते.

हा विभाजन खर्च, गोपनीयता आणि नियंत्रणासाठी महत्त्वाचा आहे. Hosted API मुळे कोणतेही hardware व्यवस्थापित न करता तुम्हाला सर्वोत्तम मॉडेल वापरता येतात. मात्र त्यासाठी प्रति-token शुल्क आकारले जाते आणि तुमचे prompts तुमच्या serverच्या बाहेर जातात. Ollama सारख्या साधनाद्वारे उपलब्ध केलेले self-hosted मॉडेल प्रत्येक message तुमच्या स्वतःच्या boxवर ठेवते. त्यासाठी फक्त hardware आणि वीजेचा खर्च येतो. मात्र त्याबदल्यात लहान किंवा धीमे मॉडेल चालवावे लागू शकते. अनेक जण दोन्ही पर्याय एकत्र वापरतात. एखादा agent पूर्णपणे खाजगी ठेवायचा असल्यास, तुमच्या VPS वर मॉडेल self-host करणे हा उरलेला शेवटचा दुवा बंद करणारा भाग आहे. तुलना करण्यासाठी Hermes Agent हा आणखी एक self-hosted agent आहे.

एक तयार करायचा का?

हे सर्व तुम्ही तयार करू शकता. यातील घटक विशेष किंवा दुर्मिळ नाहीत: एक daemon, काही chat connectors, model-and-tools loop, Markdown फोल्डर आणि plugin format. हे समजून घेणे खरोखर उपयुक्त आहे. त्यामुळे तुम्ही वापरणाऱ्या प्रत्येक agent चे गूढ दूर होते आणि धोका नेमका कुठे आहे हे स्पष्टपणे समजते.

बहुतेक लोकांसाठी प्रामाणिक उत्तर हेच आहे की स्वतःची वेगळी प्रणाली पुन्हा तयार करण्याऐवजी प्रत्यक्ष प्रणाली चालवून तिची सुरक्षा कडक करावी. OpenClaw ने connectors, loop आणि skill format यांसाठीची समस्या आधीच सोडवली आहे आणि त्याची वास्तविक सुरक्षा तपासणीही झाली आहे. त्यामुळे तुमचा प्रयत्न प्रत्यक्षात तुमच्या नियंत्रणात असलेल्या भागावर करणे अधिक योग्य आहे. तो भाग म्हणजे तुमच्या स्वतःच्या server वरील setup आणि hardening. आधी शिकण्याचा मार्ग स्वीकारायचा असल्यास, संकल्पना टप्प्याटप्प्याने समजून घेणे agent चा source code कोणतीही पूर्वतयारी न करता वाचण्यापेक्षा अधिक उपयुक्त ठरते, कारण प्रत्येक टप्प्यानंतर तुम्ही प्रत्यक्ष तयार केलेली एक गोष्ट तुमच्याकडे असते. शिकण्यासाठी एक लहान प्रणाली तयार करा. वापरासाठी वास्तविक प्रणाली चालवा आणि तिची सुरक्षा कडक करा.

सामान्य पायाभूत संकल्पना VPS वर स्वतःचा AI agent तयार करणे येथे दिल्या आहेत. Claude सह agent तयार करणे या समान कल्पना विशिष्ट model ला brain म्हणून वापरून दाखवते.

FAQ

OpenClaw सारखा agent तयार करणे कठीण आहे का?

प्रत्येक स्वतंत्र घटक कठीण नाही. Gateway process, chat connector, model-and-tools loop आणि files चा folder हे घटक स्वतंत्रपणे सरळ आहेत. कठीण भाग म्हणजे हे सुरक्षितपणे करणे. Chat messages मधून shell commands चालवणारा agent हा गंभीर security surface आहे. Sandboxing, permissions आणि unprivileged-user setup योग्य प्रकारे करणे, features एकत्र जोडण्यापेक्षा अधिक कामाचे आहे.

OpenClaw memory database ऐवजी Markdown files म्हणून का साठवतो?

Single-user personal agent साठी files पुरेसे आणि अधिक सोपे असतात. चालवण्यासाठी database service नसते. Memory वाचणे आणि manually दुरुस्त करणे सोपे असते. Agent दुसऱ्या server वर हलवण्यासाठी फक्त directory copy करावी लागते. मोठ्या scale वर database उपयुक्त ठरतो; या ठिकाणी नाही.

Personal AI agent मधील सर्वात धोकादायक भाग कोणता?

त्याला कृती करण्याची अनुमती देणारी tools: shell commands चालवणे, browser नियंत्रित करणे आणि files लिहिणे. Agent तयार करण्यामागचे हेच कारण आहे आणि यामुळेच तो तुमचे नुकसान करू शकतो. OpenClaw ची March 2026 मधील security event, ज्यात four days मध्ये nine issues होत्या आणि त्यापैकी एका critical issue ला 9.9 rating होती, tool layer काळजीपूर्वक हाताळण्याची गरज स्पष्टपणे दाखवते: unprivileged user म्हणून चालवा, destructive actions साठी gate लावा आणि execution sandbox मध्ये चालवा.

असा agent तयार करण्यासाठी मला माझे स्वतःचे language model आवश्यक आहे का?

नाही. OpenClaw सारखे agents model-agnostic असतात, त्यामुळे तुम्ही तुमच्या पसंतीचे model जोडू शकता. Strongest models साठी hosted API वापरता येतो किंवा पूर्ण privacy साठी स्वतः चालवलेले model वापरता येते. Ollama वापरून self-hosting केल्यास प्रत्येक message तुमच्या स्वतःच्या server वरच राहतो; मात्र त्यासाठी smaller model चालवावा लागतो.