OpenClaw + Claude Code super silný návod: Jeden člověk může postavit kompletní vývojový tým!

Dnes sdílím velmi výbušný praktický případ. (Na konci článku je přiložen návod)

Jeden nezávislý vývojář použil OpenClaw + Codex/CC k vytvoření systému AI Agent, jaký měl efekt?

94 odevzdání za den, 7 PR dokončeno za 30 minut, a v tento den měl také 3 zákaznické schůzky, přičemž editor nikdy neotevřel.

To se skutečně stalo v lednu 2026. Autor zveřejnil celou architekturu systému, pracovní postup a konfiguraci kódu, a po přečtení jsem si uvědomil, že tento přístup stojí za to se naučit, a tak jsem to uspořádal do tohoto článku, abych to sdílel s vámi.

Pokud také používáte Codex nebo Claude Code, nebo máte zájem o OpenClaw, tento článek vám přinese mnoho inspirace.

Jeden člověk, 94 kódových odevzdání za den

Nejprve se podívejme na několik dat, abychom pocítili sílu tohoto systému:

• Nejvyšší počet odevzdání za den 94 (průměrně 50 odevzdání denně)
• 7 PR dokončeno za 30 minut
• Rychlost od nápadu k nasazení je tak rychlá, že "můžete splnit zákaznické požadavky ve stejný den"

Autor používá tento systém k vytvoření skutečného B2B SaaS produktu, ve spolupráci s přímým prodejem zakladatele, většinu funkčních požadavků lze splnit ve stejný den. Jak rychlé to je? Zákazník předloží požadavek a ve stejný den může vidět výsledek, přímo se přemění na placeného uživatele.

A co náklady? Každý měsíc $190 (Claude $100 + Codex $90), nováček může začít s $20.

Možná se ptáte: Není to jen hromada AI nástrojů, které pak šíleně generují odpadní kód?

Není. Historie autora na Git vypadá, jako by "právě najal vývojový tým", ale ve skutečnosti je to jen on sám. Klíčová změna je: přešel z "správy Claude Code" na "správu AI správce, který pak spravuje skupinu Claude Code".

• Před lednem: psaní kódu přímo pomocí Codex nebo Claude Code
• Po lednu: použití OpenClaw jako orchestrace, aby řídil Codex/Claude Code/Gemini

Tato změna přinesla efekt: systém může automaticky dokončit téměř všechny úkoly od malých po středně složité, aniž by bylo potřeba lidského zásahu.

Proč Codex a Claude Code samostatně nestačí?

V tuto chvíli si možná říkáte: Codex a Claude Code jsou už velmi silné, proč ještě přidávat vrstvu orchestrace?

Odpověď autora je velmi přímá: Codex a Claude Code téměř nic nevědí o vašem podnikání. Vidí pouze kód, ale nevidí celkový obraz podnikání.

Zde je základní omezení: kontextové okno je pevné, můžete si vybrat pouze jedno.

Musíte se rozhodnout, co do něj vložíte:

• Naplnit kód → není místo na obchodní kontext
• Naplnit historii zákazníků → není místo na kódovou základnu

Takže při samostatném použití Codex nebo Claude Code se setkáte s těmito problémy:

• Neví, pro kterého zákazníka je tato funkce určena
• Neví, proč poslední podobný požadavek selhal
• Neví, jaké je vaše produktové zaměření a designové principy
• Může pracovat pouze na základě aktuálního kódu a vašeho promptu

OpenClaw změnil tuto rovnici.

Působí jako vrstva orchestrace, nachází se mezi vámi a všemi AI nástroji. Jeho rolí je:

• Držet veškerý obchodní kontext (data zákazníků, zápisy ze schůzek, historická rozhodnutí, úspěšné/neúspěšné případy)
• Převést obchodní kontext na přesné prompt, které se podává konkrétním agentům
• Umožnit těmto agentům soustředit se na to, co umí nejlépe: psát kód

Podobně:

• Codex/Claude Code = profesionální kuchař, který se stará pouze o vaření
• OpenClaw = šéfkuchař, který zná chutě zákazníků, zásoby surovin, zaměření menu a dává každému kuchaři přesné pokyny

To je důvod, proč potřebujeme dvouvrstvý systém: prostřednictvím specializace kontextu, místo výměny za silnější model.

Konkrétní architektura dvouvrstvého systému: orchestrace + vykonávací vrstva

Podívejme se na konkrétní architekturu tohoto systému.

Dvě úrovně, každá má svou roli:

Co může OpenClaw (úroveň orchestrace) dělat?

• Číst všechny zápisy ze schůzek v poznámkách Obsidian (automatická synchronizace)
• Přistupovat k produkční databázi (pouze pro čtení) a získávat konfiguraci zákazníka
• Mít oprávnění API administrátora, může přímo dobíjet zákazníkům a odblokovávat je
• Vybrat vhodného agenta podle typu úkolu
• Monitorovat pokrok všech agentů, v případě selhání analyzovat příčiny a upravit prompt pro opakování
• Po dokončení informovat autora prostřednictvím Telegramu

Co může Agent (úroveň vykonávání) dělat?

• Číst a zapisovat do kódové základny
• Spouštět testy a sestavení
• Odesílat kód a vytvářet PR
• Odpovídat na zpětnou vazbu z code review

Klíčový bod: Agent na úrovni vykonávání nikdy nepřistupuje k produkční databázi a nevidí citlivé informace zákazníka. Získává pouze "nejmenší kontext, který je potřeba k dokončení tohoto úkolu".

Tento design je chytrý: bezpečnostní hranice jsou jasné a zároveň zajišťují efektivitu.

Kompletní pracovní tok: 8 kroků od požadavku zákazníka k sloučení PR

Nyní se dostáváme k jádru věci. Pomocí skutečného případu autora z minulého týdne vás provedu celým procesem.

Pozadí: Podnikový zákazník zavolal a řekl, že by chtěl znovu použít jejich již nakonfigurovaná nastavení a sdílet je v týmu.

Krok 1: Požadavek zákazníka → OpenClaw rozumí a rozebírá

Po ukončení hovoru si autor a Zoe (jeho OpenClaw) promluvili o tomto požadavku.

Zde je kouzlo: nulové náklady na vysvětlení. Protože všechny zápisy ze schůzek se automaticky synchronizují do Obsidian, Zoe již přečetla obsah hovoru a ví, kdo je zákazník, jaký je jejich obchodní scénář a jaká je jejich stávající konfigurace.

Autor a Zoe společně rozebrali požadavek na: vytvoření šablonového systému, který umožní uživatelům ukládat a upravovat stávající konfiguraci.

Poté Zoe udělala tři věci:

• Dobila zákazníkovi kredit — okamžitě zrušila omezení zákazníka pomocí API administrátora
• Načítala konfiguraci zákazníka — získala stávající nastavení zákazníka z produkční databáze (pouze pro čtení)
• Vytvořila prompt a spustila agenta — zabalila veškerý kontext a předala ho Codexu

Krok 2: Spuštění agenta

Zoe pro tento úkol vytvořila:

• Samostatný git worktree (izolované větvové prostředí)
• Tmux relaci (aby Agent běžel na pozadí)

# 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 Proč použít tmux? Protože umožňuje zásah v průběhu.

Pokud se AI odchýlí, nemusíte zabíjet a začínat znovu, stačí poslat příkaz přímo v tmux:

# 代理方向错了 tmux send-keys -t codex-templates "Zastavte se. Nejprve udělejte API vrstvu, nezapomínejte na UI." Enter

代理需要更多上下文

tmux send-keys -t codex-templates "Typ definován v src/types/template.ts, použijte ten." Enter Mezitím bude úkol zaznamenán do JSON souboru:[[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]] [[HTMLPLACEHOLDER28]]

[[HTMLPLACEHOLDER29]] [[HTMLPLACEHOLDER30]]Celý proces od požadavku zákazníka po nasazení kódu může trvat pouze 1-2 hodiny, přičemž skutečný čas autora může být pouze 10 minut.

Tři mechanismy, které činí systém chytřejším

Mechanismus 1: Vylepšená verze Ralph Loop — Nejen opakování, ale učení

Možná jste slyšeli o Ralph Loop: Získání kontextu z paměti → Generování výstupu → Hodnocení výsledků → Uložení učení.

Ale většina implementací má jeden problém: Každý cyklus používá stejný prompt. To, co se naučilo, zlepšuje budoucí vyhledávání, ale prompt sám je statický.

Tento systém je jiný.

Když Agent selže, Zoe nepoužije stejný prompt pro restart. Ona vezme kompletní obchodní kontext, analyzuje důvody selhání a poté přepíše prompt:

❌ Špatný příklad (statický prompt): { "Implementace funkce vlastního šablonování" }

✅ Dobrý příklad (dynamické přizpůsobení): { "Zastavte. Zákazník chce X, ne Y. Toto jsou jejich slova z jednání: Chceme zachovat stávající konfiguraci, nikoli vytvářet novou od začátku. Zaměřte se na opětovné použití konfigurace, nevytvářejte nový proces." }Zoe může provádět tyto úpravy, protože má kontext, který Agent nemá:

• Co zákazník řekl na jednání
• Co tato společnost dělá
• Proč předchozí podobný požadavek selhal

Ještě dále, Zoe nečeká, až jí přidělíte úkol, ona aktivně hledá práci:

• Ráno: Prohledává Sentry → Zjistí 4 nové chyby → Spustí 4 Agenty k vyšetřování a opravě
• Po jednání: Prohledává zápisy z jednání → Zjistí 3 funkční požadavky zmíněné zákazníky → Spustí 3 Codexy
• Večer: Prohledává git log → Spustí Claude Code k aktualizaci changelogu a dokumentace pro zákazníky

Autor se vrátí z procházky a na Telegramu se zobrazuje: "7 PR je připraveno. 3 nové funkce, 4 opravy chyb."

Úspěšné vzory budou zaznamenány:

• "Tato struktura promptu je velmi účinná pro funkci fakturace"
• "Codex potřebuje mít typové definice předem"
• "Vždy je třeba zahrnout cestu k testovacímu souboru"

Signály odměny jsou: CI prošlo, tři code review prošly, manuální sloučení. Jakékoli selhání spustí cyklus.

Čím déle, tím lepší prompt Zoe píše, protože si pamatuje, co může být úspěšné.

Mechanismus 2: Strategie výběru Agenta — Různé úkoly, různí odborníci

Ne všichni Agenti jsou stejně silní. Autor shrnul strategie výběru:

• Codex(gpt-5.3-codex) — Hlavní síla - backendová logika, složité chyby, refaktoring více souborů, úkoly vyžadující dedukci napříč kódovými základnami
• Pomalu, ale důkladně
• Zahrnuje 90% úkolů

• Claude Code(claude-opus-4.5) — Rychlostní hráč - frontendová práce
• Méně problémů s oprávněními, vhodné pro git operace
• (Autor dříve používal častěji, ale po vydání Codex 5.3 přešel)

• Gemini — Designer - má designové cítění
• Pro krásné UI, nejprve nechte Gemini vygenerovat HTML/CSS specifikace, poté je předat Claude Code k implementaci v komponentním systému
• Gemini designuje, Claude staví

Zoe automaticky vybírá Agenta podle typu úkolu a předává mezi nimi výstupy. Chyba v systému fakturace jde Codexu, oprava stylu tlačítka jde Claude Code, nový design dashboardu nejprve jde Gemini.

Mechanismus 3: Kde je úzké místo? RAM

Zde je nečekané omezení: není to náklad na tokeny, není to rychlost API, ale paměť.

Každý Agent potřebuje:

• Vlastní worktree
• Vlastní nodemodules
• Spouštět sestavení, typovou kontrolu, testy

5 Agentů běžících současně = 5 paralelních TypeScript kompilátorů + 5 testovacích běžců + 5 sad závislostí načtených do paměti.

Autorův Mac Mini (16GB RAM) může současně běžet maximálně 4-5 Agentů, víc už začne swapovat, a musí se modlit, aby se nesestavovaly současně.Tak si koupil Mac Studio M4 Max (128GB RAM, 3500 $), který dorazil na konci března. Řekl, že se podělí o to, zda to stálo za to.

Můžete si také postavit: od nuly k běhu za 10 minut

Chcete vyzkoušet tento systém?

Nejjednodušší způsob:

Zkopírujte celý tento článek do OpenClaw a řekněte mu: "Podle této architektury implementujte pro mé kódové úložiště systém Agent cluster."

A pak to udělá:

• Přečte si návrh architektury
• Vytvoří skripty
• Nastaví strukturu adresářů
• Konfiguruje cron monitorování

Hotovo za 10 minut.

Musíte si připravit:

• Účet OpenClaw
• API přístup k Codex a/nebo Claude Code
• Git repozitář
• (volitelné) Obsidian pro ukládání obchodního kontextu

2026: milionová společnost jednoho člověka

Autor na konci článku napsal něco, co považuji za inspirativní:

"Uvidíme velké množství milionových společností jednoho člověka, které se začnou objevovat od roku 2026. Páka je obrovská a patří těm, kteří chápou, jak budovat rekurzivní sebekontrolující AI systémy."

To vypadá takto:

• AI orchestrátor jako vaše prodloužení (jako Zoe pro autora)
• Delegování práce na specializované Agenty, kteří se zabývají různými obchodními funkcemi
• Inženýrství, zákaznická podpora, provoz, marketing
• Každý Agent se soustředí na to, co umí nejlépe
• Vy zůstáváte soustředěni a máte plnou kontrolu

Další generace podnikatelů nebude najímat 10 lidí, aby udělali to, co může udělat jeden člověk s jedním systémem. Budou to budovat tímto způsobem - zůstanou malí, rychle jednají a každý den vydávají.

Teď je generováno příliš mnoho odpadního obsahu AI. Různé hype, různé okázalé demo "task control center", ale nic skutečně užitečného.

Autor říká, že chce dělat opak: méně hype, více dokumentování skutečného procesu výstavby. Skuteční zákazníci, skutečné příjmy, skutečné odeslání do produkčního prostředí, také skutečné neúspěchy.

Tento článek končí zde.

Hlavní body shrnutí:

• Dvouúrovňová architektura: orchestrační vrstva drží obchodní kontext, výkonná vrstva se soustředí na kód
• Úplná automatizace: 8 krokový proces od požadavku po PR, většina úkolů úspěšně na první pokus
• Dynamické učení: ne opakované provádění, ale úprava strategie na základě důvodů selhání
• Kontrolovatelné náklady: začátek 20 $/měsíc, intenzivní používání 190 $/měsíc

Pokud také zkoumáte praktické aplikace AI automatizace, doufám, že vám tento případ poskytne nějakou inspiraci.

Odkaz na zdroj:[[HTMLPLACEHOLDER31]][[HTMLPLACEHOLDER32]][[HTMLPLACEHOLDER33]][[HTMLPLACEHOLDER34]][[HTMLPLACEHOLDER35]][[HTMLPLACEHOLDER_36]]