MateClaw: Agenten-Team-Runtime auf Spring AI Alibaba
Das Open-Source-Projekt bündelt Agenten-Teams, MCP-Tools, Skills und Langzeitgedächtnis in einer Java-Laufzeit – Version 2.2.0 läuft auf Java 21.
Kurz gesagt
MateClaw ist eine quelloffene Java-Laufzeit, die mehrere KI-Agenten als Team orchestriert, ihnen MCP-Werkzeuge, Skills und ein dauerhaftes Gedächtnis gibt und sie über acht Messenger-Kanäle erreichbar macht.
Auf einen Blick
- Version 2.2.0 erschien am 29.08.2026; Lizenz Apache 2.0, rund 1.100 Sterne und 332 Forks auf GitHub.
- Basis: Spring Boot 3.5 und Spring AI Alibaba 1.1, Java 21 oder neuer, Oberfläche in Vue 3.
- Neun Modellanbieter angebunden, darunter DashScope, OpenAI, Anthropic, Gemini, DeepSeek, Kimi, Ollama, LM Studio und MLX.
- Acht IM-Kanäle: DingTalk, Feishu, WeChat Work, WeChat, Telegram, Discord, QQ und Slack.
- Alle Zahlen stammen aus der Selbstbeschreibung des Projekts; eine unabhängige Prüfung liegt nicht vor.
MateClaw ist eine quelloffene Java-Laufzeit für KI-Agenten, die als Team an einem Auftrag arbeiten. Das Projekt läuft auf Spring Boot 3.5 und Spring AI Alibaba 1.1 und steht unter Apache 2.0. Die aktuelle Fassung 2.2.0 erschien laut Release-Übersicht am 29.08.2026. Auf GitHub verzeichnet das Repository rund 1.100 Sterne und 332 Forks.
Digitale Mitarbeiter statt Chatfenster
Das Projekt beschreibt seine Agenten nicht als Assistenten, sondern als „digitale Mitarbeiter“ mit Rolle, Ziel und Vorgeschichte. Sechs Vorlagen sind eingebaut, vom Rechercheanalysten bis zum Code-Reviewer. Identität und Zustand liegen in Dateien im Arbeitsbereich: SOUL.md, PROFILE.md, AGENTS.md und MEMORY.md. Nach einem Neustart des Servers sollen die Agenten damit weiterarbeiten, statt bei null anzufangen.
Team-Runs bündeln Auftrag, Aufgaben und Ergebnis
Ein Team-Run fasst Zielvorgabe, Aufgabengraph, Arbeitsschritte der einzelnen Agenten und die Lieferobjekte unter einer stabilen runId zusammen. Ein gemeinsames Aufgabenbrett mit acht Status verteilt Arbeit parallel und löst Abhängigkeiten über ein blockedBy-Feld auf. Die Delegation an Unteragenten ist auf drei Ebenen begrenzt. Chat, Live-Ansicht und Team-Historie greifen auf dieselbe Projektion zu.
Werkzeuge, Skills und Gedächtnis
Werkzeuge kommen über das Model Context Protocol herein – per stdio, SSE oder HTTP und pro Agent gebunden. Skills sind Pakete im SKILL.md-Format mit Manifest, Prompt, Werkzeugliste und einer LESSONS.md. Das „LLM Wiki“ zerlegt Material wie PDFs oder abgerufene Seiten in verlinkte Einträge, die ihre Belegstellen behalten. Neun Modellanbieter sind angebunden, darunter DashScope, OpenAI, Anthropic, Gemini, DeepSeek, Kimi, Ollama, LM Studio und MLX.
Acht Kanäle, mehrere Auslieferungswege
Erreichbar sind die Agenten über Webkonsole, Desktop-App, ein einbettbares Widget und acht Messenger: DingTalk, Feishu, WeChat Work, WeChat, Telegram, Discord, QQ und Slack. Für die Datenhaltung nennt das README H2 für die Entwicklung sowie PostgreSQL 16, MySQL 8.0 oder neuer und Kingbase. Der Server startet lokal auf Port 18088, der Docker-Stack auf Port 18080. Vorausgesetzt wird Java 21 oder neuer.
Was offenbleibt
Die Funktion „Dream“ steht prominent in der Kurzbeschreibung, das README umreißt sie aber nur als Nachbereitung von Gesprächen und geplante Konsolidierung; die einzelnen Schritte sind dort nicht dokumentiert. Sämtliche Angaben in diesem Text stammen aus der Selbstbeschreibung des Projekts. Eine unabhängige zweite Quelle zu MateClaw lag zum Redaktionsschluss nicht vor. Wie belastbar Orchestrierung und Gedächtnis im Dauerbetrieb sind, lässt sich daraus nicht ableiten.
Häufige Fragen
Was ist MateClaw?
Eine quelloffene Laufzeitumgebung in Java, in der mehrere KI-Agenten als Team an einer Aufgabe arbeiten, Werkzeuge über MCP nutzen und ihr Gedächtnis in Dateien im Arbeitsbereich ablegen.
Welche Modelle unterstützt MateClaw?
Das Projekt nennt neun Anbieter: DashScope, OpenAI, Anthropic, Gemini, DeepSeek, Kimi, Ollama, LM Studio und MLX. Lokale Modelle über Ollama, LM Studio und MLX sind damit ausdrücklich vorgesehen.
Was braucht man, um MateClaw selbst zu betreiben?
Java 21 oder neuer, dazu eine Datenbank – H2 für die Entwicklung, PostgreSQL 16, MySQL 8.0 oder neuer beziehungsweise Kingbase im Betrieb. Der Server läuft lokal auf Port 18088, der Docker-Stack auf Port 18080.