🛠 Every's Claws: persoonlijke AI-agents die in je messaging-apps leven

Kernargument

Every (de media/AI-club van Dan Shipper) introduceert 'Claws' — persoonlijke AI-agents die in je messaging-apps leven, zichzelf herprogrammeren om nieuwe skills te leren, en zelfstandig handelen. Dit nummer van Context Window bundelt drie artikelen: een beginnersgids, een setup-gids met vier concrete voorbeelden, en een analyse van hoe Claws inmiddels Every's eigen Slack hebben overgenomen.

Sleutel-inzichten

• Mentaal model: delegeren, niet zoeken. Een Claw is geen chatbot die je bevraagt, maar een assistent aan wie je taken uit handen geeft. Dat is een andere gewoonte dan ChatGPT gebruiken.
• Claws schrijven hun eigen code. Ze leren nieuwe skills door hun eigen codebase aan te passen — vergelijkbaar met vibe coding, maar dan door de agent zelf.
• Vier concrete setups gedemonstreerd op 'OpenClaw Camp' voor 500 abonnees: een familie-assistent in iMessage, een crypto-trading agent met eigen bankrekening, en twee andere varianten.
• Emergent gedrag in organisaties. Bij Every adviseren Claws elkaar al, en één Claw broadcast naar meerdere mensen. Dat geeft een glimp van hoe AI-native bedrijven er in de praktijk uitzien.
• AI-durable businesses. In de bijbehorende podcast praat Dan met Boulton and Watt — een incubator die zich richt op 'onsexy' bedrijven (medspa's, uitvaartcentra) die Silicon Valley negeert maar die AI-bestendig zijn.

What to Build — Je eigen Claw

Wat: Een persoonlijke AI-agent die in Slack of iMessage leeft, proactief taken uitvoert (groceries bestellen, code schrijven 's nachts, je terugtexten), en nieuwe skills leert door zijn eigen code aan te passen.

Hoe: Every heeft 'OpenClaw' open-source gemaakt als framework. Setup draait om: (1) een messaging-integratie (iMessage via Mac, of Slack via API), (2) een LLM-backend (Claude of GPT), (3) een tool-laag (MCP — Model Context Protocol, de standaard van Anthropic om agents veilig met externe tools te laten praten), en (4) een manier voor de agent om zijn eigen code te herschrijven.

Web research: Zoek naar 'OpenClaw GitHub', lees de twee genoemde Every-artikelen, en bekijk de AI & I-aflevering met Sam Gerstenzang en Dan Friedman voor de bredere context.

Analyse voor jouw stack: Next.js + Supabase past hier prima. Supabase kan de agent-state en skill-library hosten (Postgres + pgvector voor geheugen). De messaging-laag kan via Slack Events API — makkelijker dan iMessage, dat een Mac als bridge vereist. Voor de self-modifying code-laag heb je een sandbox nodig (bijv. E2B of Modal).

Stappenplan:

1. Begin klein: één Slack-bot die één taak doet (bijv. dagelijkse samenvatting van Stooker's verkoopcijfers uit Supabase).
2. Voeg MCP-tools toe: één voor Supabase-queries, één voor web search, één voor Readwise.
3. Geef 'm een geheugen (Supabase-tabel met conversation history + embeddings).
4. Pas als dit stabiel draait: experimenteer met self-modification — laat 'm zijn eigen prompts of tool-definities bijwerken.
5. Breid uit naar proactieve gedragingen (cron jobs die de agent triggeren zonder jouw vraag).

Praktisch voor Onno

Dit is precies jouw speeltuin. Een Claw voor Stooker zou kunnen: dagelijks inkoop-data checken, leveranciers-mails concept-beantwoorden, of je team proactief tippen over voorraad-anomalieën. Begin met de beginnersgids van Dan Shipper — die geeft je het mentale model voordat je gaat bouwen. En luister de podcast over 'AI-durable businesses': specialty coffee is óók zo'n onsexy-voor-VC-maar-AI-bestendige categorie. Daar zit waarschijnlijk framing in die je kan gebruiken voor hoe je Stooker zelf positioneert in de komende jaren.