QwenPaw Setup-Guide: Self-Hosted Multi-Channel-KI-Assistent
QwenPaw Setup-Guide (ehemals CoPaw): Installation per pip, Skript oder Docker, Modelle konfigurieren (Cloud oder lokal) und Discord, Telegram, DingTalk sowie QQ anbinden.
Aktualisiert Veröffentlicht 68 Min. Lesezeit

Hinweis: Dieser Guide enthält Referral-Links. Wenn du darüber kaufst, bekomme ich eventuell eine Provision – ohne Mehrkosten für dich.
Dieser QwenPaw Setup-Guide (ehemals CoPaw) führt dich durch die Installation des Self-Hosted Multi-Channel-KI-Assistenten per pip, Ein-Zeilen-Skript oder Docker, durch die Einbindung von Cloud- oder lokalen Modellen und durch die Anbindung von Discord, Telegram, DingTalk und mehr. QwenPaw kommt vom AgentScope-Team bei Alibaba, läuft komplett auf deiner eigenen Maschine oder deinem Server und steht bei 37.784 GitHub-Stars (Stand November 2026). Was mich überzeugt hat, ist die eingebaute Web-Console für die Konfiguration und die Tatsache, dass lokale Modellunterstützung direkt mitgeliefert wird. Ich betreibe ihn neben meinen anderen self-gehosteten Assistenten – dazu siehe meinen OpenClaw Setup-Guide und den NanoBot Setup-Guide.
Geschrieben gegen QwenPaw v2.3.0 (2026-11-11). Wenn du das später liest, prüfe die Release Notes – das Projekt released wöchentlich.
QwenPaw GitHubCoPaw heißt jetzt QwenPaw
Das Projekt wurde mit v1.1.0 am 2026-04-12 umbenannt. Gleiches Team, gleicher Code, neuer Name. Das GitHub-Repo ist jetzt agentscope-ai/QwenPaw, das pip-Paket heißt qwenpaw (das alte copaw-Paket ist bei 1.0.2 eingefroren und hat seit dem 2026-04-09 keine Updates mehr bekommen), und das Docker-Image ist agentscope/qwenpaw. Der Befehl copaw funktioniert weiterhin als CLI-Alias. Wenn du noch unter dem alten Namen installiert hast, spring zu Upgrade von CoPaw auf QwenPaw weiter unten.
Was dieser Guide abdeckt
- Installation per pip, Ein-Zeilen-Skript oder Docker
- 14+ Cloud-Provider konfigurieren (DashScope, OpenAI, Anthropic, Gemini, DeepSeek, Kimi, OpenRouter)
- Lokale Modelle mit QwenPaw-Flash, Ollama und LM Studio betreiben
- Kanäle anbinden: Discord, Telegram, DingTalk, Lark, WeChat, iMessage und QQ
- Skills, der Plugin Market und die MCP-Integration
- Dreischichtiges Memory mit einer per Hand editierbaren Markdown-Wissensdatenbank
- Geplante Tasks, Heartbeat-Check-ins, Security-Sandbox und Backups
Wenn du Self-Hosted-KI-Assistenten vergleichst, deckt unsere OpenClaw-Alternativen-Zusammenstellung mehrere Projekte ab, darunter nanobot, NanoClaw und PicoClaw. Für eine leichtere Go-basierte Option, die zu einer einzigen Binary kompiliert, siehe den PicoClaw Setup-Guide.
Was QwenPaw macht
QwenPaw ist ein Self-Hosted-KI-Assistent, der auf AgentScope und ReMe für das Memory-Management aufbaut. Der Name steht für Qwen Personal Agent Workstation. Das Versprechen hat sich seit der ersten Version nicht geändert: ein Assistent, der sich mit deinen Messaging-Apps verbindet und Tasks zeitgesteuert erledigt, ohne dass du fragen musst.
Was sich seit meiner ersten Vorstellung geändert hat: Es gibt jetzt eine Plugin-Architektur mit Marketplace, eine MCP-Integration zum Anflanschen externer Tools, Multi-Agent-Support über ACP zum Spawnen von Sub-Agenten, eine Fullscreen-Terminal-UI und eine Desktop-App in Beta. Die Web-Console unter http://127.0.0.1:8088/ ist weiterhin der empfohlene Ort, um alles zu konfigurieren, statt Config-Dateien blind zu editieren.
Die Architektur:
QwenPaw vs OpenClaw vs nanobot
Wenn du dich zwischen den dreien entscheidest, so stehen sie zueinander. Die OpenClaw- und nanobot-Spalten spiegeln den Stand bei meinem letzten Check wider; auch diese Projekte bewegen sich, also behandle diese Zellen als Snapshot.
| Funktion | QwenPaw | OpenClaw | nanobot |
|---|---|---|---|
| Sprache | Python | TypeScript | Python |
| Entwickelt von | AgentScope (Alibaba) | Community | HKUDS |
| Installation | pip / Skript / Docker / Desktop / Hosted | curl-One-Liner | pip |
| Web-Console | Ja (eingebaut auf :8088) | Nein (Third-Party-Dashboards) | Nein |
| Kanäle | DingTalk, Lark, WeChat, Discord, Telegram, iMessage, QQ | Telegram, WhatsApp, Slack, Discord | Telegram, Discord, WhatsApp, Slack, Feishu, DingTalk, E-Mail, QQ |
| Lokale Modelle | QwenPaw Local (llama.cpp), Ollama, LM Studio | Ollama | vLLM |
| Memory | Dreischichtig: Working Context, history.db + FTS5, ReMe-Wissensdatenbank | Dateibasiert + semantische Suche | Dateibasiert |
| Skills & Plugins | Eingebaute Skills, Plugin Market, MCP | Community-Skills | Eingebaut |
| Geplante Tasks | Cron + Heartbeat | Cron | Cron |
| Zusätzliche Oberflächen | TUI, Desktop-App, REST-API, Multi-Agent (ACP) | Keine | Keine |
| Lizenz | Apache 2.0 | MIT | MIT |
Wo QwenPaw vorne liegt: Die eingebaute Web-Console bedeutet, dass du keine Third-Party-Dashboards brauchst, DingTalk-/Lark-/WeChat-Support ist First-Class statt angeflanscht, und der Security-Stack (Sandbox, Tool Guard, File Guard) ist der vollständigste der drei (siehe Sicherheit unten). OpenClaw gewinnt weiterhin bei westlichen Messaging-Apps wie WhatsApp und Slack. Wenn dein Team in DingTalk oder Lark lebt, spart dir QwenPaw eine Menge Config-Kopfschmerzen.
Voraussetzungen
Vor Schritt 1 brauchst du Folgendes:
- Eine Linux-, macOS- oder Windows-Box oder einen VPS. 2 vCPU / 4 GB RAM reichen für Cloud-Modelle; lokale Modelle wollen mehr (siehe beste Mini-PCs für lokale LLMs)
- Python 3.11 bis 3.13 für den pip-Pfad oder einfach Docker (kein Python nötig)
- Einen API-Key für mindestens einen Cloud-Provider oder Hardware für lokale Modelle
- Einen Discord-, Telegram- oder DingTalk-Account, wenn du aus Chat-Apps mit ihm reden willst
- Port 8088/tcp frei auf localhost für die Web-Console
Alles andere (uv, Node.js für manche Plugins, Dependencies) erledigen die Installer.
Installation
QwenPaw bietet sieben Wege zum Laufen: pip, das Ein-Zeilen-Skript, Docker, ein Alibaba-Cloud-ECS-One-Click-Deploy (ComputeNest), die kostenlose gehostete AgentScope Platform, einen ModelScope-Studio-Fork (den solltest du nicht-öffentlich halten) und eine Desktop-App in Beta für Windows 10+ und macOS 14+. Ich behandle die drei, die für Self-Hoster relevant sind.
pip install
Der sauberste Weg, wenn du schon Python hast:
pip install qwenpaw # requires Python >= 3.11, < 3.14
qwenpaw init --defaults
qwenpaw appÖffne http://127.0.0.1:8088/ und du siehst die Console. Das ist ein funktionierendes Basis-Setup.
Für die interaktive Konfiguration, bei der du LLM-Provider und Kanäle direkt zu Beginn auswählst:
qwenpaw initDas führt dich durch Heartbeat-Intervall, Zielkanal, aktive Stunden und optionales Skill-Setup. Zwei Dinge, die es zu wissen lohnt: Der Befehl copaw funktioniert weiterhin als Alias für qwenpaw, und init --defaults akzeptiert die anonyme Nutzungstelemetrie automatisch, während das interaktive init dich fragt (Details im FAQ).
One-Liner
Kein Python nötig. Der Installer erledigt alles über uv.
macOS / Linux:
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bashWindows (PowerShell):
irm https://qwenpaw.agentscope.io/install.ps1 | iexÖffne nach der Installation ein neues Terminal (PATH-Änderungen greifen nur in neuen Shells), dann:
qwenpaw init --defaults
qwenpaw appNützliche Installer-Flags:
# pin a version
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bash -s -- --version 2.3.0
# install from source
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bash -s -- --from-source
# extras: local, whisper, channels, full
# channels/full apply the channel plugin preset offline during install
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bash -s -- --extras channels,whisperUm später zu upgraden, führe den Installer einfach erneut aus. Er führt qwenpaw plugins prepare-upgrade für dich aus. Wenn du noch die alten copaw.agentscope.io-URLs in Skripten hast, ersetze sie: Diese Domain resolved nicht mehr.
Docker
Das QwenPaw-Docker-Image liegt unter agentscope/qwenpaw (99 Tags; latest ist stabil, pre ist Pre-Release). Anders als das 1.x-Image nutzt es jetzt drei Volumes:
docker pull agentscope/qwenpaw:latest
docker run -d --name qwenpaw --restart unless-stopped \
-p 127.0.0.1:8088:8088 \
-v qwenpaw-data:/app/working \
-v qwenpaw-secrets:/app/working.secret \
-v qwenpaw-backups:/app/working.backups \
-e DASHSCOPE_API_KEY=your_key_here \
agentscope/qwenpaw:latestqwenpaw-data:/app/working: Config, Memory, Skillsqwenpaw-secrets:/app/working.secret: Modell-Provider-Einstellungen und API-Keysqwenpaw-backups:/app/working.backups: Backup-Archive
Pinne agentscope/qwenpaw:v2.3.0, wenn du langweilige Deploys willst; latest bewegt sich wöchentlich. Für Nutzer in China gibt es einen ACR-Mirror: agentscope-registry.ap-southeast-1.cr.aliyuncs.com/agentscope/qwenpaw. Das Upstream-docker-compose.yml ist einen Blick wert; es ergänzt restart: always und init: true sowie Console-Auth-Env-Vars.
Wenn QwenPaw in Docker Ollama auf dem Host erreichen muss:
docker run -p 127.0.0.1:8088:8088 \
--add-host=host.docker.internal:host-gateway \
-v qwenpaw-data:/app/working \
-v qwenpaw-secrets:/app/working.secret \
agentscope/qwenpaw:latestDann setze die Ollama-Base-URL in der Console auf http://host.docker.internal:11434/v1. Für LM-Studio-Nutzer: http://host.docker.internal:1234/v1. Unter Linux funktioniert auch --network=host (kein -p nötig).
Wenn du die Console freigibst
Der Container bindet absichtlich 127.0.0.1:8088. Wenn du die Console je per Reverse Proxy ins Internet stellst, setze QWENPAW_AUTH_ENABLED=true, QWENPAW_AUTH_USERNAME und QWENPAW_AUTH_PASSWORD oder leg sie hinter die Auth deines Proxys. Besser: Gib sie gar nicht erst frei und erreich sie über einen Tunnel wie im SSH-Port-Forwarding-Guide beschrieben.
Installation verifizieren
Geh nicht weiter, bis das alles passt:
curl -sI http://127.0.0.1:8088liefert HTTP 200 auf dem Host- Die Console lädt im Browser unter
http://127.0.0.1:8088/ qwenpaw –helpfunktioniert in einer frischen Shell- Settings → Models zeigt eine Provider-Karte mit Status Available und einem ausgewählten Modell
- Schick eine Testnachricht in deinem ersten Kanal und bekomme eine Antwort
Unter Docker prüfe docker logs -f qwenpaw beim Start und nach jedem Restart. Wenn die Console nicht lädt, läuft der Server nicht. Siehe Troubleshooting.
Installation auf einem Hetzner-VPS
Wenn QwenPaw 24/7 auf einem VPS laufen soll, reicht eine kleine Box. Ich nutze einen Hetzner CX22 (2 vCPU, 4 GB RAM). Aktuelle Preise stehen in meinem Hetzner-Cloud-Review, seit die VPS-Preise 2026 gestiegen sind.
Mit Hetzner starten
Hol dir 20 € Hetzner-Guthaben oder einen Hostinger-VPS, wenn du dich über unsere Referral-Links anmeldest. Das deckt ein paar Monate QwenPaw-Betrieb ab.
Log dich per SSH auf deinem Server ein und führe aus:
ssh root@YOUR_SERVER_IP
apt update && apt upgrade -y
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bashÖffne eine neue Shell-Session, dann:
qwenpaw init --defaults
qwenpaw appDamit es nach dem Schließen der SSH-Session weiterläuft, nutze systemd (eine tmux-Session geht auch, aber systemd überlebt Reboots). Finde den Binary-Pfad mit which qwenpaw und erstelle dann /etc/systemd/system/qwenpaw.service:
[Unit]
Description=QwenPaw assistant
After=network.target
[Service]
WorkingDirectory=/root/.qwenpaw
ExecStart=/root/.local/bin/qwenpaw app
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.targetsystemctl daemon-reload
systemctl enable --now qwenpaw
systemctl status qwenpaw
curl -sI http://127.0.0.1:8088Der letzte Befehl sollte HTTP 200 zurückgeben. Die Console bindet nur auf localhost, also verwalte sie über einen Tunnel wie im SSH-Port-Forwarding-Guide: ssh -L 8088:127.0.0.1:8088 root@YOUR_SERVER_IP. Wenn du sie stattdessen hinter einen Reverse Proxy legst, lies die Console-Auth-Warnung im Docker-Tab oben.
Deinstallation
qwenpaw uninstall # keeps config and data
qwenpaw uninstall --purge # removes everythingGleiche Semantik wie früher, nur umbenannt. Unter Docker entfernt Purge die Volumes nicht. Das ist deine Aufgabe:
docker volume rm qwenpaw-data qwenpaw-secrets qwenpaw-backupsUpgrade von CoPaw auf QwenPaw
Wenn du den Assistenten noch aus der Zeit unter dem alten Namen installiert hast, hier ist die Migration an einem Ort. Die Umbenennung kam mit v1.1.0 am 2026-04-12 (Release Note).
Was sich für dich ändert, lässt sich auf fünf Dinge runterbrechen. Installiere qwenpaw; das alte copaw-Paket ist bei 1.0.2 eingefroren und hat seit dem 2026-04-09 keine Updates bekommen – es wird also keine 2.x-Features erhalten. Der Befehl heißt jetzt qwenpaw, wobei copaw als Alias auf denselben Entry Point zeigt – Muskelgedächtnis funktioniert also weiter. Das Docker-Image ist von agentscope/copaw auf agentscope/qwenpaw umgezogen, und das Daten-Layout ging von einem Volume auf drei über (working, working.secret, working.backups). Alles lebt unter qwenpaw.agentscope.io; die alte Domain copaw.agentscope.io ist tot, aktualisiere also alle Skripte oder Cron-Jobs, die sie aufrufen. Lokale Daten liegen jetzt in ~/.qwenpaw/ (plus ~/.qwenpaw.secret/). Wenn du Daten unter ~/.copaw hast, geh nicht davon aus, dass sie automatisch migriert werden. Prüfe die QwenPaw-Docs, kopiere das Verzeichnis selbst rüber und bestätige, dass Memory und Config laden, bevor du irgendetwas löschst. Ich habe keinen automatischen Migrationspfad verifiziert.
Modell-Konfiguration
Bevor QwenPaw etwas Sinnvolles tun kann, konfiguriere ein LLM. Öffne die Console unter http://127.0.0.1:8088/ und geh zu Settings → Models.
Cloud-Provider
QwenPaw funktioniert out of the box mit 14+ Cloud-Providern: DashScope/Qwen, OpenAI, Anthropic, Google Gemini, DeepSeek, Kimi, OpenRouter und mehr. Für jeden davon:
- Geh in der Console zu Settings → Models
- Finde die Provider-Karte und klick Settings
- Gib deinen API-Key ein und klick Save
- Der Kartenstatus wechselt zu Available. Das ist dein Verifizierungsschritt
- Wähl im Abschnitt LLM Configuration oben Provider und Modell aus und klick Save
API-Keys kannst du auch als Umgebungsvariablen setzen. Für DashScope:
export DASHSCOPE_API_KEY=your_key_hereOder leg sie in eine .env-Datei im Working Directory (~/.qwenpaw/ bei nativen Installs, /app/working in Docker). Tool-Keys (z. B. ein Web-Search-Key wie TAVILY_API_KEY) lassen sich ebenfalls unter Console → Settings → Environment variables setzen.
OpenAI oder Azure OpenAI nutzen
Alles mit einer OpenAI-kompatiblen API läuft über das Custom-Provider-System:
- Klick auf der Models-Seite auf Add provider
- Gib eine Provider-ID (z. B.
openai) und einen Anzeigenamen ein - Klick Settings, gib die Base URL (
https://api.openai.com/v1für OpenAI) und den API-Key ein - Klick Models und füg die Modell-ID hinzu, auf die dein Account Zugriff hat
- Wähl es im LLM-Configuration-Dropdown aus
Lokale Modelle: QwenPaw-Flash, Ollama und LM Studio
Lokale Backends brauchen keine API-Keys. Die alten pip-Extras pro Backend sind weg; lokale Modellunterstützung ist eingebaut.
| Backend | Am besten für | Setup |
|---|---|---|
| QwenPaw Local (eingebaute llama.cpp-Runtime) | Plattformübergreifend, null Config | Klick Download in der Web-UI; sie gibt hardwarebewusste Modell-Empfehlungen |
| Ollama | Alle, die Ollama schon laufen haben | Ollama installieren, Modell pullen, Kontextlänge auf mindestens 32k setzen |
| LM Studio | Desktop-Nutzer mit LM Studio | Den Local Server aktivieren; Base URL http://localhost:1234/v1 (http://host.docker.internal:1234/v1 aus Docker) |
Ollama-Kontextlänge
Setze Ollamas Kontextlänge für das verbundene Modell auf 32k oder mehr. Darunter bekommst du abgeschnittene Antworten und seltsame Mitten-im-Satz-Abbrüche, die wie Modellqualitätsprobleme aussehen, aber keine sind.
Die empfohlenen lokalen Modelle sind jetzt QwenPaw-Flash – zwecktrainierte Agenten-Modelle in den Größen 2B / 4B / 9B / 35B-A3B / 27B mit Q4- und Q8-Quantisierungen, veröffentlicht auf ModelScope und Hugging Face unter der Org agentscope-ai/models. Die 2B- und 4B-Varianten laufen auf bescheidener Hardware, das 9B will etwa 16 GB RAM, und das MoE 35B-A3B ist die Qualitätswahl, wenn du den Speicher hast. Für Hardware, die diese Modelle gut fährt, siehe beste Mini-PCs für lokale LLMs. Wenn du lieber eine leise Box zu Hause stehen hast statt einen VPS zu mieten: Etwas wie der ASUS DC510 Mini-PC fährt die kleinen Modelle bequem.
v2.3.0 brachte außerdem Piccolo-Entscheidungsmodelle (4B/9B/27B) für optionales Tool-Review und Context Compaction. Nett zu haben, kein Setup-Blocker.
Modell-Downloads laufen in der Web-UI: Settings → Models, dann Download auf der QwenPaw-Local-Karte. Für Ollama pullst du Modelle wie gewohnt über Ollama (ollama pull qwen3:4b), und QwenPaw synct sich mit allem Verfügbaren. Siehe das Ollama-Docker-Compose-Setup mit Open WebUI, wenn du Ollama im Container fährst.
Kostenvergleich
Ich drucke hier keine Dollarbeträge ab. Provider-Preise bewegen sich zu schnell, um sie ehrlich abzudrucken, und die alten Zahlen in diesem Guide sind schlecht gealtert. Was wahr bleibt:
| Weg | Beispiel | Kostenprofil |
|---|---|---|
| DashScope | Qwen-Modelle | Günstigster Cloud-Einstieg bei den meisten Workloads |
| OpenAI / Anthropic / Gemini | Frontier-Modelle | Höher pro Token, beste Rohqualität |
| Lokal (QwenPaw-Flash) | QwenPaw-Flash 4B oder 9B | Null API-Kosten, nur Strom und Hardware |
| Lokal (Ollama / LM Studio) | Qwen3 4B und Freunde | Null API-Kosten, derselbe Vorbehalt |
Wenn dein Assistent eine Handvoll geplanter Jobs fährt und ein paar Mal am Tag chattet, bleiben Cloud-Rechnungen im einstelligen Dollar-Bereich pro Monat. Wenn er den ganzen Tag Dokumente verarbeitet, geh lokal.
Channel-Setup: Discord, Telegram, DingTalk und mehr
Kanäle sind der Weg, wie du aus deinen Messaging-Apps mit QwenPaw redest. Seit v2.3.0 sind Kanäle Plugins: Die Installer-Extras channels und full führen qwenpaw plugins preset apply channels-full --offline aus, und die Console (Control → Channels) ist der Ort, an dem du sie aktivierst und konfigurierst.
Config-Key-Namen können sich zwischen Releases verschieben. Speichere den Kanal zuerst in der Console und schau dann in die config.json in deinem Working Directory, um die aktuelle Form zu sehen. Die Snippets unten zeigen das 2.x-Layout, keinen Vertrag.
Discord
- Erstelle eine Discord-Application unter discord.com/developers
- Geh zum Bot-Tab, klick Reset Token und kopier das Bot-Token
- Aktiviere unter Privileged Gateway Intents den Message Content Intent
- Generier eine OAuth2-Einladungs-URL mit
bot-Scope und den PermissionsSend Messages+Read Message History - Lad den Bot auf deinen Server ein
- Geh in der QwenPaw-Console zu Control → Channels, klick Discord, aktiviere ihn und füg das Token ein
{
"channels": {
"discord": {
"enabled": true,
"token": "YOUR_DISCORD_BOT_TOKEN"
}
}
}Verifizieren: Schick dem Bot eine DM und erwarte eine Antwort. Keine Antwort plus stilles Log bedeutet meist, dass der Message Content Intent aus ist.
Telegram
- Öffne Telegram, such nach @BotFather, schick
/newbot - Wähl Name und Username, kopier das Token
- Aktiviere in der Console Telegram und füg das Token ein
{
"channels": {
"telegram": {
"enabled": true,
"token": "YOUR_TELEGRAM_BOT_TOKEN"
}
}
}Verifizieren: Schreib deinem Bot und bestätige, dass die erste Antwort ankommt.
DingTalk
Das DingTalk-Setup umfasst das Erstellen einer Custom App in der DingTalk-Developer-Console. QwenPaw hat einen eingebauten Skill namens dingtalk_channel_connect, der dich durch Credential-Lookup, Client-ID/Secret-Konfiguration und die manuellen Schritte führt. Aktiviere den DingTalk-Kanal in der Console und folge den geführten Prompts.
Feishu (Lark)
Gleiche Idee wie DingTalk. Erstelle eine App in der Lark- (Feishu-)Open-Platform, hol dir App-ID und App-Secret und trag sie in der Console ein. QwenPaw unterstützt für Lark auch einen SOCKS-Proxy, falls du hinter einer Firmen-Firewall sitzt.
WeChat und QQ
WeChat ist eine neuere Ergänzung der Channel-Reihe, und QQ ist von Anfang an dabei. Das Setup unterscheidet sich je nach Region und Plattform-Policy, also werde ich nicht so tun, als wären die Schritte stabil. Die Channel-Docs haben den aktuellen Flow. Erwarte, dass du eine plattformseitige App erstellst und Credentials in die Console einfügst wie bei den anderen Kanälen.
iMessage (nur macOS)
Wenn du QwenPaw auf einem Mac fährst, funktioniert iMessage als Kanal. Das ist immer noch einer der wenigen Self-Hosted-Assistenten mit nativem iMessage-Support.
Mehrere Kanäle gleichzeitig
QwenPaw kann sich mit mehreren Kanälen gleichzeitig verbinden. Nachrichten gehen an den Kanal, in dem du zuletzt geredet hast, oder du zielst geplante Nachrichten auf bestimmte Kanäle.
Skills und Plugins
Skills sind der Weg, wie QwenPaw mehr kann als chatten. Einige sind eingebaut, und seit 2.x gibt es eine Plugin-Architektur mit Marketplace und MCP-Integration. Diese Erweiterbarkeit ist jetzt das Headline-Feature.
Eingebaute Skills
Core-Skills ab v2.3.0:
| Skill | Was er tut |
|---|---|
| cron | Geplante Jobs: erstellen, auflisten, pausieren, fortsetzen, löschen |
| file_reader | Textdateien lesen und zusammenfassen (.txt, .md, .json, .csv, .py usw.) |
| PDFs lesen, extrahieren, mergen, splitten, rotieren, mit Wasserzeichen versehen, OCR | |
| docx | Word-Dokumente erstellen, lesen und bearbeiten |
| xlsx | Spreadsheets lesen, bearbeiten und erstellen |
| pptx | PowerPoint-Dateien erstellen, lesen und bearbeiten |
| news | Aktuelle News aus konfigurierten Quellen holen und zusammenfassen |
| browser_visible | Einen sichtbaren Browser für Demos oder CAPTCHA-Szenarien starten |
v2.1.0 bis v2.3.0 ergänzten browser-use, computer-use und den Code Mode obendrauf.
Skills in der Console verwalten
Geh in der Console zu Agent → Skills, um alle geladenen Skills zu sehen, sie ein- oder auszuschalten, eigene Skills zu erstellen oder bestehende zu bearbeiten.
Skills aus Hubs importieren
Der offizielle Plugin Market (vereinheitlichter Marketplace seit v2.2.0) ist die erste Anlaufstelle. Community-Hubs wie skills.sh, clawhub.ai und skillsmp.com funktionierten mit 1.x, und der zugrunde liegende Mechanismus ist der Import aus jedem GitHub-Repo mit einer SKILL.md-Datei. Was das aktuelle Release offiziell unterstützt, steht in den Skills-Docs.
Nicht vertrauenswürdige Skills laufen auf deiner Box
Ein Skill ist Code und Instruktionen, die mit den Berechtigungen deines Agenten ausgeführt werden. Fahr Tool Guard im STRICT-Modus, während du Third-Party-Skills evaluierst, und nutze den Skill Scanner (siehe Sicherheit unten).
Eigene Skills erstellen
Leg einen Ordner mit einer SKILL.md-Datei in ~/.qwenpaw/customized_skills/ ab (der Pfad folgt dem Working Directory, in Docker also unter /app/working):
~/.qwenpaw/
customized_skills/
my_research_skill/
SKILL.mdDie SKILL.md ist schlichtes Markdown, das beschreibt, was der Skill tut:
---
name: my_research_skill
description: Research a topic and summarize findings
---
# Research Skill
When asked to research something:
1. Search the web for current information
2. Summarize key findings in bullet points
3. List sourcesQwenPaw pickt neue Skills beim Restart auf. Eigene Skills haben Vorrang vor eingebauten, wenn Namen kollidieren. Für ein Praxisbeispiel, wie ein eigener Skill aussieht, siehe meinen Docker-AI-Deploy-Skill-Guide.
Plugins, der Marketplace und MCP
Seit v2.3.0 sind Kanäle selbst Plugins, und Settings → Plugins ist der Hub: aus dem Plugin Market installieren, Presets verwalten und MCP-Server als Tool-Provider anbinden. Wenn du anderswo in deinem Stack MCP-Tools nutzt, so verwendest du sie in deinem Assistenten wieder.
Zwei Plugins sind relevant, wenn du Coding-Agenten fährst: Die Codex- und Qoder-Backends sind optionale Installs über Settings → Plugins (das Installer-Extra full schließt ihre SDKs aus, installiere sie also explizit). Es gibt Migrationshinweise für die optionalen Codex- und Qoder-Backends in den Docs. Wenn ein Plugin-Install abbricht, sieh unten in Troubleshooting nach, bevor du blind neu ausführst.
Memory-System
QwenPaws Memory ist der Teil, der ihn eher wie einen Assistenten statt wie einen Chatbot wirken lässt. Seit v2.0.0 läuft es auf drei Schichten:
- Der Live-Working-Context ist die aktuelle Konversation und was der Agent gerade tut.
- Die vollständige wörtliche History ist eine SQLite-
history.dbmit FTS5-Volltextsuche, 30-Tage-Standard-Retention und usage-bewusstem Ranking (Recency plus Frequency). Alte Turns lassen sich über dierecall_history_python-REPL abrufen. v2.2.1 brachte Auto Fin, einen proaktiven Memory-Review-Pass; v2.3.0 ergänzte Bild-Memory und Tag-Browsing. - Die sich selbst weiterentwickelnde Wissensdatenbank wird von ReMe v0.4.0 gestützt. Sie schreibt Memory während des Betriebs (turn-basiert, nicht am Session-Ende) und speichert sie als Markdown, das du per Hand lesen und editieren kannst.
Die letzte Schicht ist die, die es zu kennen lohnt. Sie sieht so aus:
~/.qwenpaw/
MEMORY.md # Long-term facts, preferences, decisions
memory/
2026-11-15.md # Daily log
2026-11-14.md
...MEMORY.md hält persistente Informationen: Dinge wie „Ich bevorzuge Python 3.12” oder „Mein Team nutzt Slack für Standups”. Daily Logs erfassen, was in jeder Konversation passiert ist. Die Suche über alles ist hybrid: vektor-semantische Suche plus Volltext, und seit v2.0.0 wird das Embedding-Modell in der Config-UI ausgewählt statt über einen Haufen Umgebungsvariablen.
Sag ihm direkt, was er sich merken soll:
„Merke dir: Ich deploye immer zuerst auf Staging, dann auf Production.”
Das schreibt er in MEMORY.md. Du kannst die Dateien selbst editieren, wann immer der Agent etwas falsch bekommt:
nano ~/.qwenpaw/MEMORY.mdGeplante Tasks und Heartbeat
QwenPaw führt Dinge auf zwei Arten zeitgesteuert aus: Cron-Jobs für spezifische Befehle und Heartbeat für periodische Check-ins.
Cron-Jobs
# Create a job that runs at 9am every day
qwenpaw cron create --type agent --name "morning-digest" --cron "0 9 * * *" --message "Summarize my pending tasks and calendar for today"
# List all jobs
qwenpaw cron list
# Check a job's state
qwenpaw cron state <job_id>Cron-Jobs kannst du auch in der Console unter Control → Cron Jobs verwalten. Die volle Flag-Liste deiner Version zeigt qwenpaw cron --help. Verifizieren: qwenpaw cron list zeigt den Job nach dem Erstellen.
Heartbeat
Heartbeat ist der geplante Check-in. Du schreibst einen Block von Fragen in eine Markdown-Datei, und QwenPaw geht sie zeitgesteuert durch und schickt die Antworten an deinen zuletzt genutzten Kanal. Richte es während qwenpaw init ein oder editiere HEARTBEAT.md im Working Directory.
Beispiel-HEARTBEAT.md:
Check the following and report back:
- Any new emails from clients?
- What meetings do I have today?
- Summarize overnight GitHub notificationsIntervall und aktive Stunden liegen in den Console-Settings oder in config.json (Key-Namen haben sich zwischen Releases verschoben, bestätige die Form also in deiner eigenen Datei, nachdem du es in der UI gesetzt hast):
{
"heartbeat": {
"enabled": true,
"interval": "2h",
"active_hours": "08:00-22:00"
}
}Verifizieren: Warte, bis der erste Heartbeat in deinem Kanal landet. Wenn nichts ankommt, prüfe, ob ein Zielkanal konfiguriert ist und die aktiven Stunden die aktuelle Zeit abdecken.
Sicherheit: Sandbox, Tool Guard und File Guard
Ein Agent, der Tools auf deiner Box ausführt, ist zuerst eine Blast-Radius-Frage. QwenPaw liefert einen fünfschichtigen Security-Stack. Er ist das stärkste Argument, ihn statt der Alternativen zu wählen, wenn du Third-Party-Skills laufen lassen willst:
| Schicht | Was sie tut |
|---|---|
| Sandbox | Isolation auf Kernel-Ebene für Tool-Ausführung: Seatbelt auf macOS, Bubblewrap + Landlock auf Linux, AppContainer auf Windows |
| Tool Guard | YAML-Regeln mit Genehmigungsstufen: STRICT / SMART / AUTO / OFF |
| File Guard | Schützt standardmäßig ~/.qwenpaw.secret/ und ~/.ssh vor Skill- und Plugin-Zugriff |
| Skill Scanner | Prüft Skills vor dem Ausführen: block / warn / off |
| Access Policy | Beschränkt, was der Agent überhaupt erreichen kann |
Praktische Defaults, die ich nutzen würde: Fahr Tool Guard auf STRICT, solange du Skills evaluierst, die du nicht selbst geschrieben hast, halte API-Keys im geschützten Secrets-Verzeichnis (das Docker-Layout trennt working.secret genau aus diesem Grund in ein eigenes Volume) und lass den Skill Scanner auf block. Für das breitere Threat-Model nicht vertrauenswürdiger Skills in Self-Hosted-Agenten deckt mein OpenClaw-Security-Guide dasselbe Blast-Radius-Framing aus dem Blickwinkel des anderen Projekts ab.
Backups, Updates und Day-2-Betrieb
Sichere drei Dinge
Config, Memory und Skills liegen in working. API-Keys und Provider-Einstellungen liegen in working.secret. Backup-Archive liegen in working.backups. Diese drei zählen.
Unter Docker schnappst du alle drei Volumes in einem Tar:
docker run --rm \
-v qwenpaw-data:/data \
-v qwenpaw-secrets:/secrets \
-v qwenpaw-backups:/backups \
-v "$PWD":/backup alpine \
tar czf /backup/qwenpaw-$(date +%F).tar.gz data secrets backupsNativ:
tar czf qwenpaw-$(date +%F).tar.gz ~/.qwenpaw ~/.qwenpaw.secretDie offiziellen Backup-Docs decken den Restore ab. Plane das Tar per cron und push es auf S3 oder welches Offsite-Ziel du schon vertraust.
Updates: pip install -U qwenpaw für pip-Installs, Installer erneut ausführen für den Skript-Pfad (er handhabt Plugin-Upgrades) oder Image neu pullen für Docker. Pinne agentscope/qwenpaw:v2.3.0 in der Compose-Datei, wenn du Release Notes vor dem Umstieg lesen willst. latest ändert sich wöchentlich, und dieses Projekt ging in vier Monaten von 2.0.0 auf 2.3.0, mit wöchentlichen Betas dazwischen. Lies die Release Notes, bevor du eine Minor-Version überspringst.
Eine Offenlegung für die Ops-Crowd: qwenpaw init --defaults akzeptiert anonyme Nutzungstelemetrie automatisch (einmal pro Version, keine persönlichen Daten). Das interaktive init fragt zuerst. Details im FAQ.
CLI-Referenz
| Befehl | Beschreibung |
|---|---|
qwenpaw init |
Interaktiver Setup-Wizard |
qwenpaw init --defaults |
Schnell-Setup mit Defaults |
qwenpaw app |
Server und Web-Console starten |
qwenpaw cron list |
Geplante Jobs auflisten |
qwenpaw cron create |
Neuen geplanten Job erstellen |
qwenpaw cron state <job_id> |
Status eines Jobs prüfen |
qwenpaw plugins |
Plugins und Presets verwalten |
qwenpaw plugins prepare-upgrade |
Ein Upgrade vorbereiten (der Installer führt das aus) |
qwenpaw uninstall |
QwenPaw entfernen (behält Daten) |
qwenpaw uninstall --purge |
QwenPaw und alle Daten entfernen |
Der copaw-Alias zeigt weiterhin auf dieselbe CLI. qwenpaw --help zeigt die volle Befehlsliste deiner Version.
Troubleshooting
Console lädt nicht / QwenPaw reagiert nicht
Wenn http://127.0.0.1:8088/ nicht lädt:
- Läuft der Prozess? (
systemctl status qwenpawoderdocker ps) - Ist der Port belegt?
ss -ltnp | grep 8088. Ein übrig gebliebener Prozess oder ein--network=host-Run kann ihn besetzen - Prüfe die Terminal-Ausgabe oder
docker logs qwenpawauf Startfehler - Wenn die Console lädt, aber nichts funktioniert, geh zu Settings → Models und verifiziere, dass ein Provider Available ist und ein Modell ausgewählt ist
API-Key-Probleme
Wenn du Authentifizierungsfehler siehst:
- Prüfe den API-Key unter Settings → Models doppelt
- Für DashScope verifiziere den Key unter dashscope.console.aliyun.com
- Versuch, den Key als Umgebungsvariable zu setzen:
export DASHSCOPE_API_KEY=xxx - Denk dran: Docker-Env-Vars greifen nur, wenn sie bei
docker runoder in der Compose-Datei gesetzt sind
Docker erreicht Ollama nicht
Innerhalb eines Containers zeigt localhost auf den Container, nicht auf den Host. Nutze --add-host=host.docker.internal:host-gateway und setze die Ollama-Base-URL auf http://host.docker.internal:11434/v1.
Unter Linux kannst du auch --network=host nutzen:
docker run --network=host \
-v qwenpaw-data:/app/working \
-v qwenpaw-secrets:/app/working.secret \
agentscope/qwenpaw:latestUnd setze Ollamas Kontextlänge auf mindestens 32k, sonst triffst du das Abschneide-Problem unten.
Kanal empfängt keine Nachrichten
- Verifiziere, dass der Kanal unter Control → Channels aktiviert ist
- Prüfe, ob Tokens und Credentials korrekt sind
- Bei Discord stell sicher, dass Message Content Intent im Developer-Portal aktiviert ist
- Starte QwenPaw nach Channel-Config-Änderungen neu
Abgeschnittene oder seltsame Antworten lokaler Modelle
Wenn lokale Modell-Antworten mitten im Satz abbrechen oder den Faden einer langen Anfrage verlieren, ist die übliche Ursache eine Ollama- oder LM-Studio-Kontextlänge unter 32k. Prüfe die Kontext-Einstellungen des Modells auf der Serving-Seite, nicht in QwenPaw.
Windows-Eigenheiten
Auf LTSC-Editionen oder mit Constrained Language Mode aktualisiert der Installer eventuell den PATH nicht. Füg %USERPROFILE%\.qwenpaw\bin und das uv-Verzeichnis manuell hinzu. Der erste Start der Desktop-App dauert 10 bis 60 Sekunden. Das ist normal, kein Hänger.
Abgebrochene Plugin- oder Skill-Installation
Wenn ein Plugin- oder Skill-Install auf halbem Weg stirbt, führe den Installer erneut aus (er fährt qwenpaw plugins prepare-upgrade beim Upgrade) oder wende das Preset von Hand erneut an:
qwenpaw plugins preset apply channels-full --offlineDann neu starten und in Settings → Plugins nach den erwarteten Einträgen schauen.
FAQ
Häufig gestellte Fragen
Was ist mit CoPaw passiert?
Das Projekt wurde mit v1.1.0 am 2026-04-12 in QwenPaw umbenannt. Gleiches Team (AgentScope, Alibaba), gleiche Codebasis, neuer Name. Das pip-Paket heißt jetzt qwenpaw (das alte ist bei 1.0.2 eingefroren), das Docker-Image ist agentscope/qwenpaw, und der Befehl copaw funktioniert weiterhin als CLI-Alias. Alte GitHub-Links redirecten. Die URL dieses Guides hat den Original-Slug behalten, deshalb steht dort immer noch copaw-setup-guide.
Muss ich Python können?
Nein. Der Ein-Zeilen-Installer, Docker und die Desktop-App brauchen kein Python. Nur der Pfad pip install qwenpaw tut es, und der will Python 3.11 bis 3.13. Python-Kenntnisse sind nur relevant, wenn du eigene Skills schreibst oder aus dem Source installierst.
Mit welchem Cloud-Provider sollte ich anfangen?
DashScope ist der Default und meist der günstigste Einstieg. Wenn du schon einen OpenAI-, Anthropic- oder Gemini-Key hast, füg ihn hinzu und leg los. Für null API-Kosten nutze QwenPaw Local oder Ollama mit einem lokalen Modell.
Läuft es auf einem Raspberry Pi?
Als Relay zu Cloud-Modellen auf einem Pi 4 oder 5 mit 4 GB RAM völlig ok. Schwach bei lokalen Modellen; selbst QwenPaw-Flash 4B wird langsam sein. Ein günstiger VPS oder ein gebrauchter Mini-PC ist das bessere Erlebnis.
Funktioniert es unter Windows?
Ja. Nutze den PowerShell-Installer (irm https://qwenpaw.agentscope.io/install.ps1 | iex), Docker oder die Desktop-App in Beta (Windows 10+, kein Python nötig). Der pip-Pfad funktioniert auch, wenn du Python 3.11+ hast. Auf LTSC siehe die Windows-Eigenheiten-Notiz im Troubleshooting.
Können mehrere Leute eine Instanz nutzen?
Zwei Optionen. QwenPaw antwortet in dem Kanal, in dem du zuletzt geredet hast – Gruppenkanäle in DingTalk, Lark oder Discord funktionieren also für geteilte Nutzung. Für echte Multi-User-Isolation brachte v2.2.0 QwenPaw Hub, einen Self-Hosted-Multi-User-Modus.
Sind meine Daten privat?
Deine Config, dein Memory, deine Konversationen und Dateien bleiben auf deiner Maschine, und die einzigen externen Calls gehen an den LLM-Provider, den du konfiguriert hast. Mit lokalen Modellen verlässt nichts die Box. Ein ehrlicher Vorbehalt: qwenpaw init sendet einmal pro Version anonyme Nutzungsdaten (Version, Install-Methode, OS, Python-Version, Architektur, GPU ja/nein; keine persönlichen Daten, keine IP, keine Dateien). init --defaults akzeptiert automatisch; das interaktive init fragt dich. Prüfe die Docs fürs Opt-out, wenn dir der Prompt wichtig ist.
Wie schlägt es sich gegen OpenClaw?
OpenClaw hat breiteren westlichen Messaging-Support (WhatsApp, Slack). QwenPaw hat First-Class-DingTalk-, Lark- und WeChat-Support, eine eingebaute Web-Console, drei lokale Modell-Backends und einen echten Security-Stack. Beide sind Open Source und self-hosted. Für die andere Seite siehe meinen OpenClaw Setup-Guide.
QwenPaw ist einen Versuch wert, wenn du einen Self-Hosted-Assistenten mit einer richtigen Web-UI willst, statt JSON-Dateien blind zu editieren. Die eingebaute QwenPaw-Local-Runtime plus Ollama- und LM-Studio-Support bedeuten, dass du es mit null API-Kosten fahren kannst – und wenn dein Team in DingTalk oder Lark lebt, ist es die ausgereifteste Option, die ich für diese Plattformen gefunden habe.
Für andere Self-Hosted-Assistenten-Optionen schau in unsere OpenClaw-Alternativen-Zusammenstellung. Wenn du etwas willst, das zu einer einzigen Binary kompiliert und auf einem 10-$-Board läuft, deckt das der PicoClaw Setup-Guide ab. Für einen sich selbst verbessernden Assistenten mit Voice Mode und Session-Suche siehe den Hermes Agent Setup-Guide. Und um lokale Modelle hinter einem dieser Assistenten zu fahren, hat unser Ollama-Docker-Compose-Setup mit Open WebUI die Details.
Hat diese Anleitung bei dir funktioniert?
Brauchst du Hilfe bei Astro, VPS oder einer Self-hosted-App? Services ansehen →


