🤖 AI

Foundations for Agentic AI Investigations from the Forensic Analysis of OpenClaw

Dit artikel biedt een empirische studie van OpenClaw die een systematische taxonomie voor forensische artefacten van agentische AI introduceert en de unieke uitdagingen van niet-deterministische sporen door LLM's belicht.

Oorspronkelijke auteurs: Jan Gruber, Jan-Niclas Hilgert

Gepubliceerd 2026-04-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jan Gruber, Jan-Niclas Hilgert

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: De Digitale Detectives en de "Onzichtbare Assistent": Wat OpenClaw ons leert

Stel je voor dat je een nieuwe, super slimme persoonlijke assistent hebt. Niet zoiets als een simpele klok die je wekt, maar een assistent die echt werkt. Hij kan e-mails schrijven, afspraken in je agenda zetten, bestanden op je computer zoeken en zelfs zelf beslissingen nemen om taken af te ronden. Noem hem "OpenClaw".

Deze paper is als het ware het politieverslag van twee onderzoekers die deze assistent hebben onderzocht. Ze wilden weten: "Als er iets misgaat, of als deze assistent iets doet wat hij niet had moeten doen, hoe kunnen we dan achterhalen wat er precies is gebeurd?"

Hier is de uitleg in gewone taal, met een paar leuke vergelijkingen.

1. Het Probleem: Een Assistent die "Zelf" Denk

Vroeger waren computerprogramma's als een strikt recept: als je ingrediënt A toevoegt, krijg je altijd taart B. Maar deze nieuwe AI-assistenten zijn meer als een kok die zelf bedenkt hoe hij een maaltijd maakt.

Als je zegt: "Maak een gezond diner," kan de ene keer een salade maken en de andere keer een soep, afhankelijk van wat hij in zijn hoofd heeft, hoe hij zich voelt (de context), en welke ingrediënten hij net heeft gevonden. Dit maakt het heel lastig voor een forensisch onderzoeker (een digitale detective) om te zeggen: "Hij heeft dit gedaan omdat jij dit vroeg." Misschien deed hij het gewoon omdat hij het zelf bedacht.

2. De Onderzoeksmethode: De "Voor-en-Na" Foto's

De onderzoekers hebben OpenClaw op een virtuele computer geïnstalleerd. Ze hebben een heleboel dingen gedaan:

"Stuur een berichtje."
"Voeg een afspraak toe."
"Vergeet dit niet."

Ze hebben elke stap gefotografeerd (een digitale schijfbeeld gemaakt). Door de foto van voor de actie te vergelijken met de foto van na de actie, zagen ze precies welke nieuwe bestanden er waren ontstaan. Het is alsof je een kamer fotografeert, iemand erin laat rennen, en dan weer fotografeert om te zien wat er verplaatst of weggegooid is.

3. Wat Vonden Ze? De "Sporen" van de AI

Ze ontdekten dat de AI overal sporen achterlaat, maar niet op de manier waarop we dat van gewone computers kennen. Ze hebben deze sporen ingedeeld in vijf categorieën, die ze vergelijken met de onderdelen van een mens:

Het Brein (Redenering):
Dit is het meest unieke. De AI schrijft haar gedachten op voordat ze handelt. Het is alsof de assistent een dagboek bijhoudt waarin hij schrijft: "De gebruiker vraagt om een recept. Ik denk dat hij honger heeft. Ik kies voor pasta omdat het snel is." Deze "gedachtestrategie" staat op de harde schijf.
Het DNA (Identiteit & Instellingen):
Dit zijn de regels en de persoonlijkheid van de assistent. "Ik ben een vriendelijke assistent, ik mag geen bestanden wissen." Dit staat in configuratiebestanden. Als iemand de regels heeft veranderd, staat dat hier.
Het Geheugen (Wat hij weet):
De AI onthoudt dingen. "De gebruiker heet Jan en houdt van pizza." Dit staat in speciale bestanden. Als de AI iets vergeten is of iets nieuws heeft geleerd, zie je dat hier.
De Oren en Mond (Communicatie):
Waar kwam het bericht vandaan? Via WhatsApp? Telegram? En wat zag de gebruiker? Soms denkt de AI van alles, maar stuurt hij de gebruiker alleen het nette eindresultaat. De detective moet kijken naar het volledige gesprek, niet alleen wat de gebruiker zag.
De Handen (Acties):
Wat heeft hij daadwerkelijk gedaan? Heeft hij een e-mail verstuurd? Een bestand gewist? Dit staat in de logboeken.

4. De Grote Uitdaging: Het "Gokken" van de AI

Dit is het belangrijkste punt van het onderzoek. Bij een gewone computer is het altijd hetzelfde: druk op knop A -> resultaat B.
Bij deze AI-assistent is het niet voorspelbaar.

Vergelijking: Stel je voor dat je twee keer dezelfde vraag stelt aan twee verschillende detectives. De ene zegt: "Ik ga naar het station." De andere zegt: "Ik ga met de bus." Beide hebben hetzelfde doel, maar ze gebruiken een andere route.
Het gevolg: Als je vandaag een onderzoek doet, kan het zijn dat de AI op een bepaalde manier heeft gehandeld. Maar als je dezelfde vraag morgen stelt, doet hij het misschien heel anders, zonder dat er iets veranderd is. Dit maakt het heel lastig om te bewijzen waarom hij iets deed.

5. Waarom is dit belangrijk voor ons?

Vroeger waren digitale onderzoeken gericht op mensen die computers misbruikten. Nu hebben we systemen die zelfstandig handelen.

Stel, je AI-assistent koopt per ongeluk iets duurs omdat hij een opdracht verkeerd interpreteerde.
Of hij lekt een geheim omdat hij dacht dat het veilig was.

De onderzoekers zeggen: "We moeten een nieuwe manier van zoeken vinden." We kunnen niet meer alleen kijken naar wat er op het scherm stond. We moeten kijken naar de gedachten van de AI, zijn geheugen, en hoe hij beslissingen nam.

Conclusie in één zin

Deze paper is een handleiding voor digitale detectives om te leren hoe ze de "gedachten" en "sporen" van slimme, zelfstandige AI-assistenten kunnen vinden en begrijpen, omdat deze systemen zich anders gedragen dan de simpele computers uit het verleden. Het is de basis voor een nieuw soort politiewerk in de wereld van kunstmatige intelligentie.

Probleemstelling

Agente AI-systemen (autonome AI-assistenten) worden steeds vaker ingezet als persoonlijke assistenten die complexe workflows kunnen plannen en uitvoeren. Systemen zoals OpenClaw democratiseren deze technologie, waardoor niet-technische gebruikers krachtige agenten kunnen inzetten. Dit leidt tot een nieuw forensisch uitdaging:

Gebrek aan kennis: Er is weinig bekend over hoe de interne staat en acties van deze systemen forensisch gereconstrueerd kunnen worden.
Aanpassingsvermogen: Traditionele digitale forensiek is gebaseerd op regelgestuurde software. Agente AI daarentegen gebruikt Large Language Models (LLM's) die beslissingen nemen via redeneerprocessen, wat leidt tot niet-determinisme (dezelfde input kan tot verschillende uitkomsten leiden) en een extra abstractielaag.
Toerekenbaarheid: Het is moeilijk vast te stellen wat de gebruiker daadwerkelijk heeft gevraagd versus wat de agent autonoom heeft gedaan, vooral omdat agenten toegang hebben tot gevoelige data en het besturingssysteem kunnen manipuleren zonder directe menselijke tussenkomst.

Methodologie

De auteurs hebben een empirische studie uitgevoerd met OpenClaw (versie 2026.2.2-33) als representatief gevalstudie. De aanpak omvatte:

Omgeving: Experimenten werden uitgevoerd in een virtualisatieomgeving (Oracle VirtualBox, Debian GNU/Linux 13).
Data-generatie: Er werd een gestructureerde workflow gevolgd waarbij een reeks acties ( $\sigma_i$ ) werd uitgevoerd (zoals installatie, onboarding, het sturen van berichten, het uitvoeren van tools, het aanmaken van sub-agenten). Elke actie bracht het systeem in een nieuwe staat ( $q_i$ ).
Differentiële Forensische Analyse: Door disk-afbeeldingen van opeenvolgende staten te vergelijken, werden de specifieke artefacten geïsoleerd die door een bepaalde actie waren gegenereerd ( $\delta_i$ ). Hierbij werden tools zoals Sleuthkit en DFXML gebruikt.
Static Code Analysis & Bestandsinspectie: De broncode werd geanalyseerd om de architectuur te begrijpen, en bestanden (JSONL, SQLite, Markdown) werden diepgaand geïnspecteerd om de inhoud van de artefacten te valideren.
Tooling: Een prototype-tool is ontwikkeld om lokale artefacten automatisch te extraheren en te correleren.

Belangrijkste Bijdragen

Eerste Forensische Analyse: Dit is het eerste werk dat een forensische analyse uitvoert op een persoonlijke AI-assistent (OpenClaw).
Agent Artifact Taxonomie: De auteurs stellen een nieuwe taxonomie voor die forensische artefacten indelen in vijf "vlakken" (planes), gebaseerd op de architectuur van de agent:
- Redenering & Cognitie ("Het Brein"): LLM-reasoning traces (bijv. thinking blocks), modelidentiteit en parameters.
- Identiteit & Configuratie ("Het DNA"): Configuratiebestanden, persona-definities (SOUL.md), machtigingen en credentials.
- Kennis & Herinnering ("Het Geheugen"): Episodisch geheugen, gebruikersprofielen en semantische indexen (vector embeddings).
- Communicatie & I/O ("Oren & Mond"): Berichtgeschiedenis, kanaalconfiguraties en uitgewisselde media.
- Acties & Effecten ("De Handen"): Tool-aanroepen, geplande taken (cron jobs) en sub-agent delegatie.
Open Source Tooling: De auteurs hebben een tool en dataset openbaar gemaakt om de analyse te reproduceren.

Resultaten en Bevindingen

De analyse van OpenClaw onthulde specifieke artefacten en uitdagingen:

Locatie van Artefacten: De meeste data bevindt zich in de verborgen directory ~/.openclaw/. Belangrijke bestanden zijn openclaw.json (configuratie), sessions.jsonl (volledige conversatiegeschiedenis met tool-aanroepen en redeneringen), en SQLite-databases voor semantisch zoeken.
Session Transcripts: Dit zijn de rijkste bronnen. Ze bevatten niet alleen chat, maar ook de interne redenering (chain-of-thought), tool-uitvoeringen en statusupdates.
Niet-determinisme: Het onderzoek bevestigde dat identieke acties niet altijd identieke artefacten genereren. De keuze van tools en de volgorde van handelingen kunnen variëren afhankelijk van de context die aan het LLM wordt aangeboden.
Autonomie en Toerekenbaarheid: Het is mogelijk om te reconstrueren of een actie door de gebruiker is geïnitieerd of autonoom door de agent (bijv. via cron jobs of sub-agent delegatie). Echter, het reconstrueren van de exacte context (welke bestanden waren op dat moment in het geheugen van de LLM) is complex en vaak onvolledig.
Abstraktie: Agenten introduceren een abstractielaag tussen intentie en uitvoering. Een gebruiker vraagt om iets te doen, maar de agent kiest zelf de tools en stappen, wat de forensische keten van bewijsmateriaal verandert.

Significantie en Conclusie

Dit artikel legt de basis voor een systematische forensische benadering van agente AI-systemen.

Paradigmaverschuiving: Traditionele forensische methoden zijn ontoereikend omdat ze uitgaan van deterministische software. Agente AI vereist nieuwe methoden om om te gaan met probabilistische besluitvorming en dynamische context.
Praktische Impact: Voor onderzoekers en forensici is het cruciaal om te begrijpen dat "wat de gebruiker zag" (de interface) niet gelijkstaat aan "wat de agent deed" (de uitvoering). De taxonomie biedt een raamwerk om deze verschillen systematisch te analyseren.
Toekomstgericht: De studie benadrukt de noodzaak van verder onderzoek naar het reconstrueren van context en het omgaan met de inherente onvoorspelbaarheid van LLM-gestuurde systemen in juridische en onderzoekscontexten.

Kortom, het werk transformeert het begrip van digitale forensiek van het analyseren van statische logs naar het reconstrueren van dynamische, autonome agentenprocessen.