OpenClaw + Claude Code Super Tutorial: En person kan opbygge et komplet udviklingsteam!

I dag deler jeg et virkelig imponerende praksis eksempel. (Tutorial i slutningen)

En uafhængig udvikler har brugt OpenClaw + Codex/CC til at opbygge et AI Agent-system. Hvad har han opnået?

94 commits på en dag, 7 PR'er færdiggjort på 30 minutter, og på denne dag havde han også 3 kundemøder, uden at åbne editoren.

Dette skete faktisk i januar 2026. Forfatteren har offentliggjort hele systemets arkitektur, arbejdsgange og kodekonfiguration, og efter at have set det, synes jeg, at denne tilgang er værd at lære, så jeg har samlet det i denne artikel for at dele med dig.

Hvis du også bruger Codex eller Claude Code, eller er interesseret i OpenClaw, vil denne artikel give dig mange inspirationer.

En person, 94 kode commits på en dag

Lad os se på nogle data for at føle kraften i dette system:

• Højeste antal commits på en dag: 94 (gennemsnitligt 50 commits om dagen)
• 7 PR'er færdiggjort på 30 minutter
• Hastigheden fra idé til lancering er så hurtig, at man kan "leverer kundens krav samme dag"

Forfatteren bruger dette system til at lave et rigtigt B2B SaaS produkt, og i samarbejde med grundlæggerens direkte salg kan de fleste funktionskrav løses samme dag. Hvor hurtigt er det? Når kunden fremsætter krav, kan de se resultater samme dag, hvilket direkte konverteres til betalende brugere.

Hvad med omkostningerne? Hver måned $190 (Claude $100 + Codex $90), nybegyndere kan starte med $20.

Du spørger måske: Er dette ikke bare en bunke AI-værktøjer, der genererer skraldekode?

Nej. Forfatterens Git-historik ser ud som om "de lige har ansat et udviklingsteam", men i virkeligheden er det kun ham. Den nøgleændring er: Han er gået fra "at administrere Claude Code" til "at administrere en AI butler, som så administrerer en gruppe Claude Code".

• Før januar: Skrive kode direkte med Codex eller Claude Code
• Efter januar: Bruge OpenClaw som orkestreringslag, så den kan styre Codex/Claude Code/Gemini

Effekten af denne ændring er: Systemet kan automatisk fuldføre næsten alle opgaver fra lille til mellemkompleksitet uden behov for menneskelig indgriben.

Hvorfor er Codex og Claude Code ikke tilstrækkelige alene?

På dette tidspunkt tænker du måske: Codex og Claude Code er allerede meget stærke, hvorfor skal man så tilføje et orkestreringslag?

Forfatterens svar er meget direkte: Codex og Claude Code ved næsten intet om din forretning. De ser kun koden, men ikke det komplette forretningsbillede.

Der er en grundlæggende begrænsning her: kontekstvinduet er fast, og du kan kun vælge én.

Du skal vælge, hvad du vil fylde ind:

• Fyld med kode → Ingen plads til forretningskontekst
• Fyld med kundehistorik → Ingen plads til kodebibliotek

Så når du bruger Codex eller Claude Code alene, vil du støde på disse problemer:

• Den ved ikke, hvilken kunde denne funktion er til
• Den ved ikke, hvorfor den sidste lignende anmodning mislykkedes
• Den ved ikke, hvad din produktpositionering og designprincipper er
• Den kan kun arbejde ud fra den nuværende kode og dit prompt

OpenClaw ændrer denne ligning.

Den fungerer som et orkestreringslag, der sidder mellem dig og alle AI-værktøjer. Dens rolle er:

• At holde al forretningskontekst (kundedata, mødenotater, historiske beslutninger, succes/fejl cases)
• At oversætte forretningskonteksten til præcise prompts, som gives til specifikke agenter
• At lade disse agenter fokusere på det, de er gode til: at skrive kode

Lad os lave en sammenligning:

• Codex/Claude Code = Professionelle kokke, der kun laver mad
• OpenClaw = Kokken, der kender kundernes smag, ingredienslager, menupositionering og giver hver kok præcise instruktioner

Det er derfor, vi har brug for et to-lags system: gennem specialisering af kontekst, i stedet for at skifte til en stærkere model.

Den specifikke arkitektur af to-lags systemet: Orkestreringslag + Udførelseslag

Lad os se på den specifikke arkitektur af dette system.

To lag, hver med sin opgave:

Hvad kan OpenClaw (koordinationslag) gøre?

• Læse alle mødenotater fra Obsidian (automatisk synkronisering)
• Få adgang til produktionsdatabasen (kun læseadgang) for at hente kundekonfigurationer
• Har administrator API-rettigheder, kan direkte oplade kunder og fjerne blokeringer
• Vælge den passende agent baseret på opgavetype
• Overvåge alle agenters fremskridt, analysere årsagerne til fejl og justere prompt for at prøve igen
• Underrette forfatteren via Telegram, når opgaven er fuldført

Hvad kan Agent (eksekveringslag) gøre?

• Læse og skrive kodebiblioteker
• Køre tests og bygninger
• Indgive kode og oprette PR
• Reagere på feedback fra kodegennemgang

Nøglepunkt: Eksekveringslagets agent vil aldrig få adgang til produktionsdatabasen eller se kundens følsomme oplysninger. De får kun "den mindste kontekst, der er nødvendig for at fuldføre denne opgave".

Dette design er smart: sikkerhedsgrænserne er klare, samtidig med at effektiviteten sikres.

Fuld arbejdsflow: 8 trin fra kundens behov til PR-sammenlægning

Nu går vi ind i kernen. Med et ægte eksempel fra forfatterens sidste uge, vil jeg tage dig igennem den fulde proces.

Baggrund: En virksomhedskunde ringede og sagde, at de ønskede at genbruge deres allerede konfigurerede indstillinger og dele dem inden for teamet.

Trin 1: Kundens behov → OpenClaw forstår og opdeler

Efter opkaldet talte forfatteren med Zoe (hans OpenClaw) om dette behov.

Det magiske her: nul forklaringsomkostninger. Fordi alle mødenotater automatisk synkroniseres til Obsidian, har Zoe allerede læst opkaldets indhold og ved, hvem kunden er, deres forretningsscenarie og eksisterende konfiguration.

Forfatteren og Zoe delte behovet op i: at lave et skabelonsystem, så brugeren kan gemme og redigere eksisterende konfigurationer.

Derefter gjorde Zoe tre ting:

• Oplade kunden — brugte administrator API til straks at fjerne kundens brugsbegrænsninger
• Hente kundens konfiguration — fik eksisterende indstillinger fra produktionsdatabasen (kun læseadgang)
• Generere prompt og starte agenten — pakkede al kontekst og fodrede den til Codex

Trin 2: Starte agenten

Zoe oprettede til denne opgave:

• Et uafhængigt git worktree (isoleret grenmiljø)
• En tmux-session (så agenten kan køre i baggrunden)

# Opret worktree + start agent 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 Hvorfor bruge tmux? Fordi man kan intervenere undervejs.

Hvis AI går på afveje, behøver man ikke at dræbe og starte forfra, man kan direkte sende kommandoer i tmux:

# Agenten er på den forkerte vej tmux send-keys -t codex-templates "Stop. Gør API-laget først, glem UI." Enter

Agenten har brug for mere kontekst

tmux send-keys -t codex-templates "Type definitioner findes i src/types/template.ts, brug den." Enter Samtidig vil opgaven blive registreret i en JSON-fil: [[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]]Den komplette proces fra kundens behov til kodeudrulning kan tage 1-2 timer, mens forfatterens faktiske investering måske kun er 10 minutter.

Tre mekanismer til at gøre systemet smartere

Mekanisme 1: Forbedret Ralph Loop — ikke bare gentagelse, men læring

Du har måske hørt om Ralph Loop: trække kontekst fra hukommelsen → generere output → evaluere resultater → gemme læring.

Men de fleste implementeringer har et problem: hver cyklus bruger den samme prompt. Det, der læres, forbedrer fremtidig hentning, men prompten i sig selv er statisk.

Dette system er anderledes.

Når Agent fejler, genstarter Zoe ikke med den samme prompt. Hun analyserer fejlen med den fulde forretningskontekst og omskriver derefter prompten:

❌ Dårligt eksempel (statisk prompt): { "implementer tilpasset skabelonfunktion" }

✅ Godt eksempel (dynamisk justering): { "Stop. Kunden ønsker X, ikke Y. Dette er deres ord fra mødet: Vi ønsker at bevare den eksisterende konfiguration, i stedet for at oprette en ny fra bunden. Fokusér på at genbruge konfigurationen, ikke på at oprette nye processer." }Zoe kan lave denne justering, fordi hun har kontekst, som Agent ikke har:

• Hvad kunden sagde på mødet
• Hvad virksomheden laver
• Hvorfor lignende behov fejlede sidst

Endnu mere, Zoe venter ikke på, at du tildeler opgaver; hun tager initiativ til at finde arbejde:

• Om morgenen: scanner Sentry → opdager 4 nye fejl → starter 4 Agenter for at undersøge og rette
• Efter mødet: scanner mødereferater → opdager 3 funktionalitetsbehov nævnt af kunder → starter 3 Codex
• Om aftenen: scanner git log → starter Claude Code for at opdatere changelog og kundedokumentation

Forfatteren kommer tilbage fra en gåtur og ser på Telegram: "7 PR'er er klar. 3 nye funktioner, 4 fejlrettelser."

Succesfulde mønstre bliver dokumenteret:

• "Denne promptstruktur er meget effektiv til faktureringsfunktionen"
• "Codex skal have type-definitioner på forhånd"
• "Skal altid inkludere stien til testfiler"

Belønningssignalet er: CI bestået, tre code reviews bestået, manuel sammenlægning. Enhver fejl udløser cyklussen.

Jo længere tid, jo bedre bliver Zoes skrevne prompts, fordi hun husker, hvad der kan lykkes.

Mekanisme 2: Agent valgstrategi — forskellige opgaver, forskellige eksperter

Ikke alle Agenter er lige stærke. Forfatterens opsummerede valgstrategi:

• Codex(gpt-5.3-codex) — hovedkraften - backend-logik, komplekse fejl, multifilomstrukturering, opgaver der kræver tværgående kodebase ræsonnering
• Langsom men grundig
• Dækker 90% af opgaverne

• Claude Code(claude-opus-4.5) — hastighedstype - frontend-arbejde
• Få tilladelsesproblemer, velegnet til git-operationer
• (Forfatteren brugte det tidligere oftere, men skiftede til Codex 5.3)

• Gemini — designeren - har designæstetik
• For smukke UI'er, lad Gemini generere HTML/CSS specifikationer først, og derefter lade Claude Code implementere i komponent systemet
• Gemini designer, Claude bygger

Zoe vælger automatisk Agent baseret på opgavetype og overfører output mellem dem. Faktureringssystemfejl gives til Codex, knapstiljustering gives til Claude Code, ny dashboarddesign gives først til Gemini.

Mekanisme 3: Hvor er flaskehalsen? RAM

Her er en uventet begrænsning: ikke tokenomkostninger, ikke API-hastighed, men hukommelse.

Hver Agent har brug for:

• Sin egen worktree
• Sin egen nodemodules
• At køre bygning, typekontrol, test

5 Agenter kører samtidig = 5 parallelle TypeScript-kompilatorer + 5 testkørere + 5 sæt afhængigheder indlæst i hukommelsen.

Forfatterens Mac Mini (16GB RAM) kan maksimalt køre 4-5 Agenter samtidigt, mere end det begynder at swap, og man skal bede om, at de ikke bygger samtidig.Så han købte en Mac Studio M4 Max (128GB RAM, $3500), som ankommer i slutningen af marts. Han sagde, at han ville dele, om det var det værd.

Du kan også bygge: Fra nul til drift på kun 10 minutter

Vil du prøve dette system?

Den nemmeste måde:

Kopier hele denne artikel til OpenClaw og sig til det: "Implementer et Agent-klynge system til mit kodebibliotek i henhold til denne arkitektur."

Så vil det:

• Læse arkitekturdesign
• Oprette scripts
• Sætte mappestruktur op
• Konfigurere cron overvågning

10 minutter er alt, hvad der kræves.

Du skal forberede:

• OpenClaw konto
• API adgang til Codex og/eller Claude Code
• Et git repository
• (valgfrit) Obsidian til at gemme forretningskontekst

2026: En persons million dollars virksomhed

Forfatteren sagde en sætning i slutningen, som jeg fandt meget inspirerende:

"Vi vil se mange enmands million dollars virksomheder begynde at dukke op fra 2026. Leverage er enormt og tilhører dem, der forstår, hvordan man bygger rekursive selvforbedrende AI systemer."

Dette er, hvordan det ser ud:

• En AI orkestrator som din forlængelse (ligesom Zoe for forfatteren)
• Delegering af arbejde til specialiserede Agenter, der håndterer forskellige forretningsfunktioner
• Ingeniørarbejde, kundesupport, drift, marketing
• Hver Agent fokuserer på det, den er god til
• Du forbliver fokuseret og har fuld kontrol

Næste generations iværksættere vil ikke ansætte 10 personer til at gøre det, som én person med et system kan gøre. De vil bygge på denne måde - holde det lille, handle hurtigt, udgive dagligt.

Nu er der for meget affaldsindhold genereret af AI. Forskellige hype, forskellige fancy demoer af "opgavekontrolcentre", men intet virkelig nyttigt.

Forfatteren sagde, at han ville gøre det modsatte: mindre hype, mere dokumentation af den virkelige byggeproces. Virkelige kunder, virkelige indtægter, virkelige indsendelser til produktionsmiljøet, og også virkelige fiaskoer.

Denne artikel slutter her.

Kernepunkter opsummering:

• Dobbeltlag arkitektur: orkestreringslaget holder forretningskonteksten, udførelseslaget fokuserer på kode
• Fuld automatisering: 8-trins proces fra krav til PR, de fleste opgaver lykkes ved første forsøg
• Dynamisk læring: ikke gentagen udførelse, men justering af strategier baseret på årsager til fiasko
• Omkostningerne er kontrollerbare: start ved $20/måned, tung brug $190/måned

Hvis du også udforsker praktiske anvendelser af AI automatisering, håber jeg, at dette tilfælde kan give dig noget inspiration.

Referencested:[[HTMLPLACEHOLDER31]][[HTMLPLACEHOLDER_32]]