MedgeClaw: Claude zum halben Preis für Bioinformatik-Analysen.

Repository: https://github.com/xjtulyc/MedgeClaw

Mittlerer Schwierigkeitsgrad, ca. 30 Minuten. Erfahren Sie, wie Sie einen KI-Assistenten für die Biomedizin mit der Claude API zum halben Preis erstellen und monatlich über 500 € sparen.

Zielgruppe

• Forscher im Bereich Life Sciences, die KI zur Unterstützung der Datenanalyse nutzen möchten
• Bioinformatik-Ingenieure, die wissenschaftliche Workflows automatisieren müssen
• Studenten, die an KI + wissenschaftlicher Forschung interessiert sind

Kernabhängigkeiten und Umgebung

• Node.js 22+
• Docker + docker-compose
• Git
• Defapi API Key (Die Spar-Lösung, unten im Detail erklärt)

[!TIP]
Eine GPU mit mehr als 8 GB VRAM ist nicht zwingend erforderlich, ermöglicht aber die lokale Bereitstellung weiterer Modelle.

Vollständige Projektstruktur

MedgeClaw/
├── .env.example              # Umgebungskonfigurations-Vorlage
├── .env                     # Tatsächliche Konfiguration (kopiert von example)
├── setup.sh                 # Ein-Klick-Installationsskript
├── sync.py                  # OpenClaw Konfigurationssynchronisation
├── docker-compose.yml       # Docker Umgebungsdefinition
├── .medgeclaw-sync.yml      # Konfiguration der Synchronisationsregeln
├── docker/
│   ├── Dockerfile           # R + Python + RStudio + Jupyter
│   └── entrypoint.sh        # Container-Startskript
├── skills/                  # Integrierte MedgeClaw Skills
│   ├── biomed-dispatch/    # Aufgaben-Router
│   ├── dashboard/           # Echtzeit-Forschungs-Dashboard
│   ├── cjk-viz/             # Schriftartenerkennung (CJK)
│   ├── svg-ui-templates/    # SVG-Vorlagen
│   └── feishu-rich-card/    # Feishu Rich-Media-Karten
├── scientific-skills/       # K-Dense 140 wissenschaftliche Skills (git submodule)
├── data/                    # Datenverzeichnis (Ihre Eingabedateien hierher)
├── outputs/                 # Ausgabeverzeichnis (Analyseergebnisse hier)
└── writing_outputs/         # Ausgaben für wissenschaftliches Schreiben

---

Schritt-für-Schritt-Anleitung

Schritt 1: Repository klonen

# Projekt klonen (inklusive Submodule)
git clone --recurse-submodules https://github.com/xjtulyc/MedgeClaw.git
cd MedgeClaw

[!WARNING]
Sie müssen --recurse-submodules hinzufügen, sonst bleibt das Verzeichnis scientific-skills leer.

Schritt 2: Claude API zum halben Preis konfigurieren

Dies ist der wichtigste Schritt – wir nutzen Defapi, um massiv Kosten zu sparen!

Defapi ist eine Modell-Aggregationsplattform, die mit dem OpenAI-Format kompatibel ist und die Claude-Modellserie zum halben Preis anbietet. Richtig gelesen: Während Claude Sonnet 4.5 offiziell 3,75 $/M Tokens kostet, sind es hier nur 1,875 $.

[!TIP]
Angenommen, Sie führen täglich 1.000 Genanalysen durch, wobei jede 100.000 Tokens Kontext + 5.000 Tokens Output verbraucht:

• Offizielle API: ca. 3,75 $ × 1.000 = 3.750 $/Monat
• Defapi: ca. 1,875 $ × 1.000 = 1.875 $/Monat
• Ersparnis von 1.875 $ pro Monat!

Kopieren Sie zunächst die Konfigurationsvorlage:

cp .env.example .env

Editieren Sie dann die .env und tragen Sie Ihren Defapi API Key ein:

# Defapi Konfiguration (halber Preis)
ANTHROPIC_API_KEY=dk-xxxxxxxxxxxxxxxx
ANTHROPIC_BASE_URL=https://api.defapi.org
MODEL=anthropic/claude-sonnet-4.5

# Wichtig: Claude Code Pre-flight Check benötigt diese Konfiguration
ANTHROPIC_SMALL_FAST_MODEL=anthropic/claude-sonnet-4.5

# Web-Interface Passwörter
RSTUDIO_PASSWORD=biomed
JUPYTER_TOKEN=biomed

[!WARNING]
Kein Defapi API Key? Besuchen Sie https://defapi.org für die Registrierung, Neubenutzer erhalten ein kostenloses Guthaben. Defapi unterstützt den v1/chat/completions Endpunkt und ist voll kompatibel mit Claude Code.

Schritt 3: Installationsskript ausführen

bash setup.sh

Dieses Skript erledigt automatisch:

• Prüfung auf Node.js 22+ und Docker-Abhängigkeiten
• Globale Installation von openclaw und claude-code
• Generierung von ~/.claude/settings.json (Claude Code Konfiguration)
• Build des Docker-Images (enthält R, Python, RStudio, JupyterLab)
• Konfiguration des OpenClaw Workspace

[!WARNING]
Der erste Build des Docker-Images dauert je nach Internetverbindung und Hardware 10–20 Minuten.

Schritt 4: Docker-Umgebung starten

docker compose up -d

Nach dem erfolgreichen Start können Sie auf folgendes zugreifen:

• RStudio Server: http://localhost:8787 (Benutzer rstudio, Passwort biomed)
• JupyterLab: http://localhost:8888 (Token biomed)

Schritt 5: Konfiguration mit OpenClaw synchronisieren

python3 sync.py
openclaw gateway restart

sync.py unterstützt Sie bei:

• Kopieren der MedgeClaw Skills in den OpenClaw Workspace
• Aktualisierung der OpenClaw Konfigurationsdatei
• Injektion der Projektdokumentation in den Agent-Kontext

Schritt 6: Installation verifizieren

# Schnelle Verifizierung der API-Verbindung (sollte innerhalb von 30 Sek. "hello" zurückgeben)
claude --dangerously-skip-permissions -p 'run: echo hello'

Wenn Sie ein hello sehen, ist die Konfiguration korrekt.

[!WARNING]
Wenn der Befehl länger als 30 Sekunden hängt, ist die Konfiguration von ANTHROPIC_SMALL_FAST_MODEL wahrscheinlich inkorrekt – Ihr Proxy unterstützt dieses Modell nicht. Mit Defapi gibt es kein Problem, da es die vollständige Claude-Modellliste unterstützt.

---

Fehlerbehebung (FAQ)

Q1: Docker-Build fehlgeschlagen

Symptom: docker compose build bleibt hängen oder gibt Fehler aus.

Lösung:

# Docker-Cache bereinigen und erneut versuchen
docker system prune -a
docker compose build --no-cache

Q2: Claude Code Pre-flight Check hängt

Symptom: Jeder Befehl bleibt hängen mit der Meldung "Pre-flight check is taking longer than expected".

Lösung: Drittanbieter-Proxys unterstützen oft das Standard-Haiku-Modell nicht. Sie müssen ANTHROPIC_SMALL_FAST_MODEL setzen:

# In der .env hinzufügen (oder auf ein vom Proxy unterstütztes Modell ändern)
ANTHROPIC_SMALL_FAST_MODEL=anthropic/claude-sonnet-4.5

Defapi unterstützt diese Konfiguration vollständig.

Q3: Verzeichnis scientific-skills ist leer

Symptom: Das Verzeichnis skills/ existiert, enthält aber keinen Inhalt.

Lösung:

git submodule update --init --recursive

Q4: Port belegt

Symptom: Fehlermeldung, dass Port 8787 oder 8888 bereits belegt ist.

Lösung:

# Prüfen, wer den Port nutzt
lsof -i :8787
lsof -i :8888

# Oder die Port-Mappings in der docker-compose.yml ändern

Q5: OpenClaw findet MedgeClaw Skills nicht

Symptom: Der Agent erkennt Skills wie biomed-dispatch nicht.

Lösung:

# Erneut synchronisieren
python3 sync.py
openclaw gateway restart

Q6: R/Python Paket-Installation fehlgeschlagen

Symptom: Analyse-Skript bricht mit "package not found" ab.

Lösung:

# Python Pakete
docker exec medgeclaw pip install <package-name>

# R Pakete
docker exec medgeclaw Rscript -e 'install.packages("<package-name>", repos="https://cran.r-project.org")'

---

Weiterführende Informationen / Fortgeschrittene Themen

1. K-Dense wissenschaftliche Skills

MedgeClaw integriert 140 wissenschaftliche Skills, darunter:

• Omics-Analyse: DESeq2, edgeR, Scanpy, Seurat
• Wirkstoffforschung: ChEMBL, DeepChem, DiffDock
• Literaturrecherche: PubMed, bioRxiv, Semantic Scholar
• Pathway-Analyse: gseapy, clusterProfiler

Detaillierte Nutzungshinweise finden Sie in der Datei SKILL.md im Verzeichnis scientific-skills/scientific-skills/.

2. Entwicklung eigener Skills

Möchten Sie MedgeClaw neue Fähigkeiten hinzufügen? Erstellen Sie ein Verzeichnis nach der AgentSkills-Spezifikation:

skills/
└── ihr-eigener-skill/
    └── SKILL.md   # Skill-Definitionsdatei

SKILL.md Vorlage:

# Ihr eigener Skill

## When to use
Beschreibung, in welchen Szenarien dieser Skill aufgerufen werden soll.

## How it works
Die spezifische Implementierungslogik des Skills.

## Examples
Einige Anwendungsbeispiele.

3. Modellvergleich

Praxistest-Vergleich verschiedener Modelle:

Modell	Geschwindigkeit	Qualität	Preis	Geeignet für
claude-sonnet-4.5 (Defapi)	Mittel	Hoch	Mittel	Tägliche Analyse (Empfohlen)
claude-opus-4.5 (Defapi)	Langsam	Höchstwert	Hoch	Komplexe Denkaufgaben
claude-haiku-4.5 (Defapi)	Schnell	Mittel	Niedrig	Einfache Aufgaben
qwen2.5:14b (Lokal)	Lokal	Mittel	Kostenlos	Vollständige Offline-Szenarien

[!TIP]
Wenn Sie noch mehr sparen möchten, unterstützt Defapi auch Claude Haiku 4.5. Der Preis ist noch niedriger, ideal für einfache Aufgaben.

4. Feishu Integration

Möchten Sie MedgeClaw in einer Feishu-Gruppe (Lark) nutzen? Konfigurieren Sie die Umgebungsvariable FEISHU_DEFAULT_CHAT_ID und nutzen Sie den feishu-rich-card Skill, um Berichte als Rich-Media-Karten zu senden.

5. Forschungs-Dashboard

Jede Analyseaufgabe generiert automatisch ein Echtzeit-Dashboard. Unter data/<task_name>/dashboard/dashboard.html können Sie Fortschritt, Code und Ergebnisvorschauen einsehen.