Geavanceerde OpenClaw tricks: custom tools, memory en multi-agent flows

Voorbij de basics

Je hebt OpenClaw draaien, WhatsApp is gekoppeld, een paar skills staan aan — alles werkt. Maar nu wil je meer. Ik snap het helemaal, want hier wordt het pas écht leuk. Laten we drie geavanceerde onderwerpen doorlopen.

1. Custom tools bouwen

De ingebouwde skills zijn handig, maar de echte magie zit in custom tools. Hiermee koppel je OpenClaw aan letterlijk elke API.

Hoe werkt het?

Je definieert een tool in het tools.json configuratiebestand:

json
{
  "name": "zoek_klant",
  "description": "Zoekt een klant op in het CRM systeem op basis van naam of email",
  "parameters": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "Naam of emailadres van de klant"
      }
    },
    "required": ["query"]
  },
  "endpoint": "https://jouw-crm.nl/api/search",
  "method": "GET",
  "headers": {
    "Authorization": "Bearer ${CRM_API_KEY}"
  }
}

Het LLM leest de description en parameters om te begrijpen wanneer en hoe het de tool moet gebruiken. Hoe beter je beschrijving, hoe slimmer de agent de tool inzet.

Pro-tips voor custom tools

• Wees specifiek in descriptions — "Zoekt een klant op basis van naam of email" is beter dan "Zoekt klanten"
• Valideer de output — Stuur een duidelijk JSON-antwoord terug zodat het LLM het kan interpreteren
• Beperk de scope — Maak liever 5 specifieke tools dan 1 mega-tool

2. Memory optimaliseren

OpenClaw houdt gespreksgeschiedenis bij, maar bij lange gesprekken loop je tegen de context window limiet van het LLM aan. Hier zijn strategieën:

Sliding window

Standaard stuurt OpenClaw de laatste N berichten mee. Je kunt dit aantal aanpassen in de config:

CONTEXT_MESSAGES=20

Samenvattingen

Activeer de conversation_summary feature. Hiermee maakt OpenClaw periodiek een samenvatting van het gesprek, zodat de kern behouden blijft zonder alle tokens te gebruiken.

Lange-termijn geheugen

Met de notes skill kan je agent expliciet dingen "onthouden" over een gebruiker. Dit werkt los van de gespreksgeschiedenis en blijft bewaard tussen sessies.

3. Multi-agent flows

Dit is echt next-level: meerdere OpenClaw agents die samenwerken.

Voorbeeld: support + specialist

Stel je hebt een algemene support-agent en een technische specialist-agent:

Frontdesk agent ontvangt alle berichten

Als het technisch wordt, routeert de frontdesk naar de specialist agent via een internal API call

De specialist beantwoordt de vraag en stuurt het antwoord terug

Je configureert dit door een custom tool te maken die naar de tweede agent's API endpoint wijst. Simpel maar krachtig.

Wanneer multi-agent?

• Als je agent meerdere heel verschillende domeinen moet dekken
• Als je verschillende LLM-modellen wilt gebruiken voor verschillende taken (bijv. GPT-4 voor complex, GPT-4o-mini voor simpel)
• Als je gescheiden kennisbanken nodig hebt

Samenvatting

• Custom tools = koppel alles met een API
• Memory = slim omgaan met context windows
• Multi-agent = specialisatie en schaling

Duik in de OpenClaw docs voor gedetailleerde configuratie-opties en meer voorbeelden.