У світі AI‑агентів ім’я OpenClaw вже добре відоме розробникам, які будують складні системи з інструментами, пам’яттю та автономними задачами. Але для більшості користувачів OpenClaw лишається чимось далеким: це фреймворк, який вимагає серверів, API‑ключів, конфігурацій і терпіння. На цьому тлі MiniMax виводить на ринок Maxclaw — хостингову версію OpenClaw, яка працює повністю на інфраструктурі MiniMax і ховає всю цю складність за простим інтерфейсом.
Проєкт детально розбирає Tech With Tim — популярний техноблогер і розробник, який показує, як за лічені хвилини розгорнути агента, що працює в Telegram, використовує веб‑пошук, генерує зображення та зберігає персональні файли. В основі Maxclaw — нова модель MiniMax M2.7, яка привернула увагу спільноти незвичним підходом до тренування та високою надійністю роботи з великою кількістю інструментів.
Від OpenClaw до Maxclaw: коли інфраструктура стає сервісом
OpenClaw позиціонується як фреймворк оркестрації AI‑агентів. Його ідея проста: ви берете базову модель, додаєте інструменти, пам’ять, навички, конфігурації — і отримуєте агента, який може автономно виконувати завдання у фоновому режимі. На практиці це означає, що система здатна не лише відповідати на запити, а й самостійно ініціювати дії, використовувати зовнішні сервіси, запускати код, збирати дані з вебу.
Проблема в тому, що розгорнути OpenClaw «як є» — це окремий інженерний проєкт. Потрібні власні сервери або VPS, деплой моделей, налаштування MCP, інтеграція інструментів, облік лімітів, робота з API‑ключами, пам’яттю, логуванням. Для ентузіастів і компаній з техкомандою це прийнятно, але для людини, якій просто потрібен «розумний асистент», — надлишкова складність.
Maxclaw фактично перетворює OpenClaw на SaaS‑платформу. Це хостингова версія OpenClaw, яка повністю працює на інфраструктурі MiniMax. Користувачеві не потрібно:
- піднімати власні сервери;
- деплоїти моделі;
- конфігурувати MCP чи інструменти;
- думати про масштабування та надійність.
Усе це вже зроблено на боці MiniMax. Користувач бачить готовий інтерфейс агента, може обрати експерта, додати власні файли, підключити месенджер — і почати користуватися. Саме тому, наприклад, нетехнічна людина може отримати персонального асистента в Telegram за кілька хвилин, навіть не знаючи, що таке OpenClaw.
Інструменти «з коробки»: від веб‑пошуку до відеогенерації
Ключова відмінність Maxclaw від «чистого» OpenClaw — повністю попередньо налаштований набір інструментів. Там, де розробнику довелося б окремо підключати API, писати адаптери та конфігурації, Maxclaw пропонує готовий стек можливостей, доступний агентам одразу після створення.
У платформу вбудовано:
- веб‑пошук, який агент може викликати для актуальної інформації;
- генерацію зображень;
- генерацію відео;
- виконання коду;
- веб‑скрейпінг для збору даних зі сторінок.
Ці інструменти не потребують додаткового налаштування з боку користувача. Коли агенту ставлять задачу, він самостійно вирішує, які інструменти залучити, і викликає їх у процесі роботи. У практичному прикладі з відео достатньо було попросити агента згенерувати AI‑зображення автора, попередньо «подивившись», як він виглядає. Maxclaw автоматично запустив веб‑пошук, зібрав інформацію, а потім викликав інструмент генерації зображень — без жодної ручної конфігурації.
Ця «автоматична інструментальність» важлива не лише для зручності. Вона показує, що платформа орієнтована на сценарії, де агенту потрібно не просто відповідати текстом, а діяти: шукати, аналізувати, генерувати медіа, запускати код. Для OpenClaw‑подібних систем саме здатність до надійного виклику великої кількості інструментів є критичною — і тут на перший план виходить модель, яка стоїть за Maxclaw.
Інтеграції: один і той самий агент у вебі, на десктопі та в месенджерах
Ще один важливий аспект Maxclaw — спосіб, у який платформа розносить одного й того ж агента по різних середовищах. MiniMax пропонує доступ до Maxclaw через веб‑інтерфейс, десктопні застосунки для Mac і Windows, а також мобільні клієнти для iOS та Android. До цього додаються інтеграції з популярними месенджерами: Telegram, Discord, Slack.
Це означає, що один і той самий агент може:
- працювати як «чат» у веб‑кабінеті;
- бути доступним з робочого комп’ютера через десктопний застосунок;
- відповідати з телефону через мобільний клієнт;
- жити в Telegram‑боті чи Slack‑каналі.
У практичному кейсі, який демонструється у відео, агент Maxclaw підключений до Telegram. Користувачка спілкується з ним виключно з телефону, як із будь‑яким іншим ботом, не заходячи в веб‑інтерфейс і не маючи справи з технічними деталями. На боці MiniMax при цьому зберігаються файли агента: to‑do‑лист, опис особистості, логотипи, пов’язані з її UGC‑агенцією, службові дані на кшталт heartbeat‑файлів.
Ця модель інтеграцій важлива з двох причин. По‑перше, вона дозволяє розробникам і просунутим користувачам налаштовувати агента через зручний веб‑інтерфейс, а потім «віддати» його нетехнічним людям у звичних для них середовищах — наприклад, у Telegram. По‑друге, вона робить Maxclaw придатним як для особистих асистентів, так і для командних сценаріїв у Slack чи Discord, де агент може стати частиною робочого процесу.
MiniMax M2.7: модель, яка тренує власну інфраструктуру
У центрі всієї цієї конструкції — модель MiniMax M2.7. Саме вона відповідає за мовні можливості, логіку, планування, використання інструментів і мультимодальні функції Maxclaw. Але M2.7 привертає увагу не лише як «черговий великий LLM», а й через спосіб, у який її тренували.
Зазвичай тренування великих мовних моделей передбачає не лише сам процес оптимізації ваг, а й складну інфраструктуру навколо: автоматизовані тести, валідаційні пайплайни, ML‑деплойменти, різноманітні тестові набори. Усе це зазвичай проєктують і вдосконалюють інженери та дослідники.
У випадку M2.7 команда MiniMax пішла іншим шляхом. Модель використовували для покращення власного «тренувального харднесу» — тобто інфраструктури, яка її ж і тренує. Процес виглядав так: брали базову версію моделі, запускали тренування, а потім дозволяли самій моделі налаштовувати свої вхідні дані та параметри харднесу. Цей цикл повторили сто разів, без людського втручання між ітераціями.
Результат, за даними MiniMax, — понад 30‑відсоткове покращення моделі порівняно з початковим базовим варіантом. Іншими словами, M2.7 не просто навчали на статичному пайплайні, а дали їй можливість впливати на те, як саме вона тренується, і робити це багаторазово.
Цей підхід не означає «повну автономію» моделі в науковому сенсі, але демонструє практичний крок у бік систем, які здатні оптимізувати власні тренувальні процеси. Для індустрії це важливо з двох причин. По‑перше, такий підхід потенційно знижує людські витрати на тонке налаштування тренувальної інфраструктури. По‑друге, він може виявити нетривіальні конфігурації, до яких людина‑інженер не дійшла б інтуїтивно.
MiniMax заявляє, що M2.7 за підсумками цього процесу показує конкурентні результати порівняно з фронтирними моделями на кшталт Opus та GPT, але при цьому суттєво дешевша в експлуатації. Компанія також планує відкрити ваги M2.7 у відкритий доступ, що потенційно зробить її цікавою не лише як «двигун» Maxclaw, а й як базову модель для сторонніх проєктів.
Надійність інструментів: 97% коректних викликів проти 74%
Для платформ на кшталт Maxclaw важлива не лише «розумність» моделі в класичному сенсі, а й її здатність правильно працювати з великою кількістю інструментів. У світі агентів це називають tool calling — коли модель не просто генерує текст, а вирішує, який інструмент викликати, з якими параметрами, як обробити результат і що робити далі.
У простих сценаріях, де в агента є два‑три інструменти, більшість сучасних моделей справляється прийнятно. Але коли кількість інструментів зростає до десятків, багато систем починають «ламатися»: модель плутається, викликає не ті інструменти, передає некоректні параметри або взагалі ігнорує доступні можливості.
MiniMax стверджує, що M2.7 спеціально тестували в умовах, коли моделі надавали «тонну різних навичок» — десятки інструментів і скілів, подібно до того, як це відбувається в реальних OpenClaw‑сценаріях. У таких умовах M2.7, за даними компанії, зберігала 97‑відсоткову відповідність у виклику інструментів, тоді як порівнювані моделі демонстрували близько 74%.
Ця різниця має прямий практичний ефект для Maxclaw. Якщо агенту доступні веб‑пошук, генерація зображень, відео, виконання коду, веб‑скрейпінг та інші інструменти, він повинен:
- розуміти, коли варто звернутися до веб‑пошуку, а коли достатньо власних знань;
- коректно формувати запити до генерації зображень чи відео;
- не плутати інструменти між собою;
- не «забувати» про наявні можливості.
Висока точність tool calling означає, що агент рідше поводиться непередбачувано, менше потребує ручного втручання й краще масштабується на складні сценарії. Для OpenClaw‑подібних систем, де агенти можуть мати десятки підключених інструментів, це одна з ключових характеристик.
Саме тому M2.7 виглядає логічним вибором як базова модель для Maxclaw: вона не лише конкурентна за якістю генерації тексту, а й спеціально оптимізована для сценаріїв з великою кількістю інструментів, що є типовим для агентних платформ.
Maxclaw як готовий шар над моделлю: від експертів до повсякденних асистентів
На рівні користувацького досвіду Maxclaw намагається приховати як складність OpenClaw, так і технічні деталі M2.7. Замість цього платформа пропонує концепцію «експертів» — попередньо налаштованих агентів із власними навичками, інструментами та конфігураціями.
На платформі доступно понад 10 000 таких експертів. Частину з них розгортає сама MiniMax, частину створює спільнота. Серед прикладів — конструктор лендингів, трекер тем, інструменти для мультиджерельних досліджень, аналітики, контент‑генерації. Користувач може:
- спілкуватися з експертом безпосередньо з інтерфейсу платформи;
- обрати одного з експертів як основу для власного Maxclaw‑агента.
Це означає, що замість того, щоб будувати агента з нуля, можна взяти вже налаштованого експерта для, скажімо, індустріальних досліджень чи трейдингу, і розгорнути його як Maxclaw‑інстанс. Усі попередньо налаштовані навички, інструменти та конфігурації при цьому зберігаються.
У демонстрації з відео один із таких експертів, орієнтований на генерацію зображень, був розгорнутий як Maxclaw‑агент. Після цього достатньо було сформулювати завдання — згенерувати зображення автора, попередньо дослідивши, як він виглядає, — і агент самостійно виконав веб‑пошук, запустив генерацію зображень і повернув результат. Користувачеві не потрібно було ні підключати API для пошуку, ні налаштовувати модель зображень.
У випадку з персональним асистентом для UGC‑агенції, агент Maxclaw працює в Telegram, має доступ до файлів із логотипами, to‑do‑листом, описом особистості користувачки, і використовується для досліджень, планування, генерації ідей. Усе це — поверх тієї ж самої інфраструктури Maxclaw і тієї ж моделі M2.7, яка забезпечує логіку, інструментальність і мультимодальність.
Висновок: Maxclaw як міст між інфраструктурою агентів і масовим використанням
Maxclaw показує, як виглядає наступний крок у розвитку агентних платформ. З одного боку, в основі лежить потужний фреймворк OpenClaw, здатний оркеструвати складні системи з десятками інструментів, пам’яттю та автономними задачами. З іншого — користувачеві більше не потрібно бачити цю складність: інфраструктура, моделі, інструменти, інтеграції — усе це винесено в хмару MiniMax.
Модель M2.7, яка стоїть за Maxclaw, додає до цього технічну глибину. Її тренували в режимі багаторазового самовдосконалення тренувального харднесу, що, за даними MiniMax, дало понад 30% приросту якості. Вона демонструє конкурентні результати порівняно з фронтирними моделями, залишаючись дешевшою в експлуатації, і показує 97‑відсоткову точність виклику інструментів у сценаріях із великою кількістю скілів — критично важливу для OpenClaw‑подібних систем.
У підсумку Maxclaw перетворює те, що раніше було проєктом для інженерів, на сервіс, доступний нетехнічним користувачам. Один і той самий агент може жити у вебі, на десктопі, в мобільному застосунку чи в Telegram, використовуючи веб‑пошук, генерацію зображень і відео, виконання коду та веб‑скрейпінг без додаткових налаштувань. Для індустрії це ще один крок до того, щоб агентні системи перестали бути нішевим інструментом і стали повсякденним інтерфейсом до складних AI‑можливостей.