OpenClaw + Claude Code super vodič: Jedna osoba može izgraditi kompletan razvojni tim!

Danas dijelim jedan vrlo impresivan praktični primjer. (Na kraju članka je priložen vodič)

Jedan samostalni programer je koristio OpenClaw + Codex/CC za izgradnju AI Agent sistema. Kakav je rezultat postigao?

Jedan dan je imao 94 podneska, završio 7 PR-ova za 30 minuta, a tog dana je imao i 3 sastanka s klijentima, a editor nikada nije otvorio.

Ovo se stvarno dogodilo u januaru 2026. Autor je javno podijelio cijelu arhitekturu sistema, radni tok i konfiguraciju koda, i nakon što sam to pročitao, mislim da je ova ideja vrijedna učenja, pa sam je organizovao u ovaj članak da je podijelim s vama.

Ako i vi koristite Codex ili Claude Code, ili ste zainteresovani za OpenClaw, ovaj članak će vam donijeti mnogo inspiracije.

Jedna osoba, 94 podneska koda u jednom danu

Prvo pogledajmo nekoliko podataka kako bismo osjetili moć ovog sistema:

• Najviše 94 podneska u jednom danu (prosječno 50 podnesaka dnevno)
• Završeno 7 PR-ova u 30 minuta
• Brzina od ideje do lansiranja je toliko brza da može "isporučiti klijentove zahtjeve istog dana"

Autor koristi ovaj sistem za razvoj stvarnog B2B SaaS proizvoda, u kombinaciji s direktnom prodajom osnivača, većina funkcionalnih zahtjeva može se završiti istog dana. Koliko je brzina? Klijent postavi zahtjev, a istog dana može vidjeti rezultate, što se direktno pretvara u plaćene korisnike.

A troškovi? Svakog mjeseca $190 (Claude $100 + Codex $90), početnici mogu početi s $20.

Možda se pitate: Da li je to samo gomila AI alata koji generiraju beskoristan kod?

Nije. Autorova Git istorija izgleda kao da je "upravo zaposlio tim programera", ali zapravo je samo on. Ključna promjena je: prešao je iz "upravljanja Claude Code" u "upravljanje AI pomoćnikom, koji zatim upravlja grupom Claude Code".

• Prije januara: direktno korištenje Codex ili Claude Code za pisanje koda
• Nakon januara: korištenje OpenClaw kao sloja orkestracije, koji upravlja Codex/Claude Code/Gemini

Ova promjena donosi rezultat: sistem može automatski završiti gotovo sve male do srednje složene zadatke, bez potrebe za ljudskom intervencijom.

Zašto Codex i Claude Code sami po sebi nisu dovoljni?

U ovom trenutku, možda se pitate: Codex i Claude Code su već vrlo jaki, zašto dodavati još jedan sloj orkestracije?

Autorov odgovor je vrlo direktan: Codex i Claude Code gotovo ništa ne znaju o vašem poslovanju. Oni vide samo kod, ne vide cijelu sliku poslovanja.

Postoji osnovno ograničenje: prozor konteksta je fiksan, možete birati samo jedno.

Morate odlučiti šta ćete staviti unutra:

• Napuniti kodom → nema prostora za poslovni kontekst
• Napuniti istorijom klijenata → nema prostora za repozitorij koda

Dakle, kada koristite Codex ili Claude Code sami, naići ćete na ove probleme:

• Ne zna za kojeg klijenta je ova funkcija napravljena
• Ne zna zašto je prethodni sličan zahtjev propao
• Ne zna vašu poziciju proizvoda i dizajnerske principe
• Može raditi samo na osnovu trenutnog koda i vašeg prompta

OpenClaw je promijenio ovu jednadžbu.

Ona služi kao sloj orkestracije, smješten između vas i svih AI alata. Njena uloga je:

• Držati sav poslovni kontekst (podatke o klijentima, zapisnike sastanaka, istorijske odluke, uspješne/neuspješne primjere)
• Prevesti poslovni kontekst u precizne promptove, koje daje konkretnim Agentima
• Omogućiti tim Agentima da se fokusiraju na ono što najbolje rade: pisanje koda

Usporedimo:

• Codex/Claude Code = profesionalni kuhar, samo priprema jela
• OpenClaw = glavni kuhar, zna ukus klijenata, zalihe sastojaka, pozicioniranje menija, daje svakom kuharu precizne upute

Zato je potreban dvostruki sistem: kroz specijalizaciju konteksta, a ne zamjenom za jači model.

Specifična arhitektura dvostrukog sistema: sloj orkestracije + sloj izvršenja

Pogledajmo specifičnu arhitekturu ovog sistema.

Dva sloja, svako ima svoju ulogu:

Šta može OpenClaw (sloj orkestracije)?

• Čita sve zapisnike sastanaka iz Obsidian beleški (automatska sinhronizacija)
• Pristupa proizvodnoj bazi podataka (samo za čitanje) kako bi dobio konfiguraciju klijenta
• Ima administratorske API dozvole, može direktno puniti klijentov račun i otkloniti blokade
• Birati odgovarajuću agenta prema vrsti zadatka
• Pratiti napredak svih agenata, analizirati razloge neuspeha i prilagoditi prompt za ponovni pokušaj
• Nakon završetka obavestiti autora putem Telegrama

Šta može Agent (izvršni sloj)?

• Čitati i pisati u repozitorijum koda
• Izvršavati testove i graditi
• Predavati kod i kreirati PR
• Odgovarati na povratne informacije iz code review-a

Ključna tačka: Agent izvršnog sloja nikada neće imati pristup proizvodnoj bazi podataka, niti će videti osetljive informacije klijenata. Oni dobijaju samo "najmanji kontekst potreban za završavanje ovog zadatka".

Ovaj dizajn je pametan: sigurnosna granica je jasna, a istovremeno garantuje efikasnost.

Potpuni radni tok: 8 koraka od klijentovih zahteva do PR spajanja

Sada prelazimo na ključni deo. Koristeći pravi slučaj autora iz prošle nedelje, vodićemo vas kroz ceo proces.

Pozadina: Klijent iz preduzeća je nazvao i rekao da želi da ponovo iskoristi svoje već podešene postavke i podeli ih unutar tima.

Korak 1: Klijentov zahtev → OpenClaw razume i razlaže

Nakon završetka poziva, autor je razgovarao sa Zoe (njegovim OpenClaw) o ovom zahtevu.

Ono što je ovde čarobno: nulti troškovi objašnjenja. Pošto su svi zapisnici sastanaka automatski sinhronizovani u Obsidian, Zoe je već pročitala sadržaj poziva, zna ko je klijent, njihovu poslovnu situaciju i postojeće postavke.

Autor i Zoe su zajedno razložili zahtev na: napraviti sistem šablona koji omogućava korisnicima da sačuvaju i edituju postojeće postavke.

Zatim je Zoe uradila tri stvari:

• Napunila klijentov račun — odmah je otklonila ograničenja korišćenjem administratorskog API-ja
• Preuzela klijentovu konfiguraciju — dobila postojeće postavke iz proizvodne baze podataka (samo za čitanje)
• Generisala prompt i pokrenula agenta — sve kontekste je spakovala i dala Codex-u

Korak 2: Pokretanje agenta

Zoe je za ovaj zadatak kreirala:

• Nezavisno git worktree (izolovano okruženje grane)
• tmux sesiju (da Agent radi u pozadini)

# 创建 worktree + 启动代理 git worktree add ../feat-custom-templates -b feat/custom-templates origin/main cd ../feat-custom-templates && pnpm install

tmux new-session -d -s "codex-templates" \ -c "/Users/elvis/Documents/GitHub/medialyst-worktrees/feat-custom-templates" \ "$HOME/.codex-agent/run-agent.sh templates gpt-5.3-codex high Zašto koristiti tmux? Zato što omogućava intervenciju usred procesa.

Ako AI skrene s puta, ne morate ga ubijati i ponovo pokretati, jednostavno u tmux-u pošaljete komandu:

# 代理方向错了 tmux send-keys -t codex-templates "停一下。先做 API 层,别管 UI。" Enter

代理需要更多上下文

tmux send-keys -t codex-templates "类型定义在 src/types/template.ts,用那个。" Enter U isto vreme, zadatak će biti zabeležen u JSON datoteci: [[HTMLPLACEHOLDER0]]

[[HTMLPLACEHOLDER1]]

[[HTMLPLACEHOLDER2]]

[[HTMLPLACEHOLDER3]]

[[HTMLPLACEHOLDER4]]

[[HTMLPLACEHOLDER5]]

[[HTMLPLACEHOLDER6]]

[[HTMLPLACEHOLDER7]]

[[HTMLPLACEHOLDER8]]

[[HTMLPLACEHOLDER9]]

[[HTMLPLACEHOLDER10]]

[[HTMLPLACEHOLDER11]]

[[HTMLPLACEHOLDER12]]

[[HTMLPLACEHOLDER13]]

[[HTMLPLACEHOLDER14]]

[[HTMLPLACEHOLDER15]]

[[HTMLPLACEHOLDER16]]

[[HTMLPLACEHOLDER17]]

[[HTMLPLACEHOLDER18]]

[[HTMLPLACEHOLDER19]]

[[HTMLPLACEHOLDER20]]

[[HTMLPLACEHOLDER21]]

[[HTMLPLACEHOLDER22]]

[[HTMLPLACEHOLDER23]]

[[HTMLPLACEHOLDER24]]

[[HTMLPLACEHOLDER25]]

[[HTMLPLACEHOLDER26]]

[[HTMLPLACEHOLDER27]]Završivši ceo proces, od zahteva klijenta do puštanja koda, možda je prošlo samo 1-2 sata, dok je stvarno vreme koje je autor uložio možda samo 10 minuta.

Tri mehanizma koja čine sistem pametnijim

Mehanizam 1: Poboljšana verzija Ralph Loop — ne samo ponavljanje, već učenje

Možda ste čuli za Ralph Loop: povlačenje konteksta iz memorije → generisanje izlaza → procena rezultata → čuvanje učenja.

Ali većina implementacija ima jedan problem: svaki put kada se ciklus ponavlja, prompt je isti. Ono što se nauči poboljšava buduće pretrage, ali sam prompt je statičan.

Ovaj sistem je drugačiji.

Kada Agent ne uspe, Zoe ne ponovo pokreće sa istim promptom. Ona donosi kompletan poslovni kontekst, analizira uzrok neuspeha, a zatim prepisuje prompt:

❌ Loš primer (statički prompt): { "Implementacija prilagođene šablonske funkcionalnosti" }

✅ Dobar primer (dinamičko prilagođavanje): { "Stop. Klijent želi X, a ne Y. Ovo su njihove reči sa sastanka: Želimo da sačuvamo postojeću konfiguraciju, a ne da kreiramo novu od nule. Fokusirajte se na ponovnu upotrebu konfiguracije, nemojte praviti novi proces." }Zoe može da napravi ovakve prilagodbe jer ima kontekst koji Agent nema:

• Šta je klijent rekao na sastanku
• Čime se ta kompanija bavi
• Zašto je prethodni sličan zahtev propao

Još dalje, Zoe ne čeka da joj dodelite zadatak, ona aktivno traži posao:

• Ujutro: skenira Sentry → otkriva 4 nova greška → pokreće 4 Agenta da istraže i isprave
• Nakon sastanka: skenira beleške sa sastanka → otkriva 3 funkcionalna zahteva koje je klijent pomenuo → pokreće 3 Codexa
• Uveče: skenira git log → pokreće Claude Code da ažurira changelog i dokumentaciju za klijente

Autor se vraća sa šetnje, a na Telegramu piše: "7 PR-ova je spremno. 3 nove funkcionalnosti, 4 ispravke grešaka."

Uspešni obrasci će biti zabeleženi:

• "Ova struktura prompta je veoma efikasna za funkcionalnost računa"
• "Codex treba unapred da dobije definiciju tipa"
• "Uvek treba uključiti putanju do testnog fajla"

Signal za nagradu je: CI prolazi, tri code review-a prolaze, ručno spajanje. Svaki neuspeh će pokrenuti ciklus.

Što duže traje, to je Zoe-ov prompt bolji, jer se seća šta može uspeti.

Mehanizam 2: Strategija izbora Agenta — različiti zadaci, različiti stručnjaci

Nisu svi Agent isti. Autor je sumirao strategiju izbora:

• Codex(gpt-5.3-codex) — glavni — backend logika, složene greške, rekonstrukcija više fajlova, zadaci koji zahtevaju inferenciju preko više kodnih biblioteka
• Sporo, ali temeljno
• Pokriva 90% zadataka

• Claude Code(claude-opus-4.5) — brzi igrač — frontend rad
• Manje problema sa dozvolama, pogodan za git operacije
• (Autor ga je ranije više koristio, ali je prešao na Codex 5.3)

• Gemini — dizajner — ima estetski osećaj
• Za lepi UI, prvo neka Gemini generiše HTML/CSS specifikaciju, a zatim je preda Claude Code-u da implementira u sistemu komponenti
• Gemini dizajnira, Claude gradi

Zoe automatski bira Agenta na osnovu tipa zadatka i prenosi izlaze između njih. Greške u sistemu računa idu Codex-u, ispravke stila dugmadi idu Claude Code-u, novi dizajn kontrolne table prvo ide Gemini.

Mehanizam 3: Gde je usko grlo? RAM

Ovde postoji neočekivano ograničenje: nije trošak tokena, nije brzina API-ja, već memorija.

Svaki Agent zahteva:

• Svoj worktree
• Svoje nodemodules
• Pokretanje gradnje, provere tipa, testiranja

5 Agenta koji rade istovremeno = 5 paralelnih TypeScript kompajlera + 5 testnih izvršitelja + 5 setova zavisnosti učitanih u memoriju.

Autorov Mac Mini (16GB RAM) može istovremeno da pokrene najviše 4-5 Agenta, a više od toga počinje da koristi swap, i mora se moliti da ne grade istovremeno.## Takođe možete postaviti: od nule do rada za 10 minuta

Želite da probate ovaj sistem?

Najlakši način:

Kopirajte ceo ovaj članak OpenClaw-u i recite mu: "Na osnovu ove arhitekture, implementiraj mi sistem Agent klastera za moj kodni repozitorij."

Zatim će:

• pročitati dizajn arhitekture
• kreirati skripte
• postaviti strukturu direktorijuma
• konfigurisati cron monitoring

Sve to za 10 minuta.

Potrebno je da pripremite:

• OpenClaw nalog
• API pristup za Codex i/ili Claude Code
• jedan git repozitorij
• (opciono) Obsidian za skladištenje poslovnog konteksta

2026: milion dolara kompanija jednog čoveka

Autor na kraju članka kaže nešto što smatram inspirativnim:

"Videćemo veliki broj milion dolara kompanija jednog čoveka počevši od 2026. godine. Poluga je ogromna, pripada onima koji razumeju kako da izgrade rekurzivne AI sisteme samopoboljšanja."

Ovo je kako to izgleda:

• AI orkestrator kao vaše produženo ruke (poput Zoe za autora)
• Delegiranje posla specijalizovanim Agentima, koji se bave različitim poslovnim funkcijama
• Inženjering, korisnička podrška, operacije, marketing
• Svaki Agent se fokusira na ono što najbolje radi
• Vi ostajete fokusirani i potpuno kontrolisani

Sledeća generacija preduzetnika neće zapošljavati 10 ljudi da urade ono što može uraditi jedna osoba uz sistem. Oni će graditi na ovaj način - ostati mali, brzo delovati, objavljivati svakodnevno.

Sada je previše smešnog sadržaja koji generiše AI. Razne hype, razne "kontrolne centre zadataka" sa šarenim demo verzijama, ali bez stvarno korisnih stvari.

Autor kaže da želi da uradi suprotno: manje hype-a, više beleženja stvarnog procesa izgradnje. Stvarni klijenti, stvarni prihodi, stvarni podaci objavljeni u produkciji, takođe i stvarni neuspesi.

Ovaj članak je ovde.

Pregled ključnih tačaka:

• Dvostruka arhitektura: sloj orkestracije drži poslovni kontekst, sloj izvršenja se fokusira na kod
• Potpuna automatizacija: 8 koraka procesa od zahteva do PR-a, većina zadataka uspeva iz prve
• Dinamičko učenje: nije ponavljanje izvršenja, već prilagođavanje strategije na osnovu uzroka neuspeha
• Kontrolisani troškovi: početak $20/mesečno, intenzivna upotreba $190/mesečno

Ako i vi istražujete praktične primene AI automatizacije, nadam se da će vam ovaj slučaj dati inspiraciju.

Referentna adresa: [[HTMLPLACEHOLDER_28]]