OpenClaw + Claude Code ülivõimas õpetus: üks inimene suudab luua täiusliku arendustiimi!

Täna jagan ühte väga muljetavaldavat praktika juhtumit. (Artikli lõpus on õpetus)

Üks sõltumatu arendaja kasutas OpenClaw + Codex/CC, et luua AI Agent süsteem. Milliseid tulemusi see saavutas?

Üks päev, 94 koodi esitamist, 30 minutiga 7 PR-i, ja sel päeval pidas ta veel 3 kliendikohtumist, redigeerijat ei olnud kunagi avatud.

See juhtus tõeliselt 2026. aasta jaanuaris. Autor avaldas kogu süsteemi arhitektuuri, töövoo ja koodikonfiguratsiooni, ning pärast lugemist tundus see mõte nii väärt õppimist, et koostasin selle artikli, et jagada seda sinuga.

Kui sa kasutad ka Codexit või Claude Code'i, või oled huvitatud OpenClaw'ist, siis see artikkel annab sulle palju inspiratsiooni.

Üks inimene, 94 koodi esitamist päevas

Alustame mõne andmega, et tunnetada selle süsteemi jõudu:

• Üksikpäeva rekord 94 esitamist (keskmiselt 50 esitamist päevas)
• 30 minutiga 7 PR-i
• Ideest kuni käivitamiseni on kiirus nii kiire, et "saab kliendi nõudmisi samal päeval täita"

Autor kasutas seda süsteemi, et luua tõeline B2B SaaS toode, koos asutaja otsemüügiga, enamik funktsiooninõudmistest saab samal päeval korda. Kui kiiresti? Kliendi nõudmine, ja samal päeval saab näha tulemusi, mis otse muudetakse tasulisteks kasutajateks.

Kuidas on kulud? Iga kuu $190 (Claude $100 + Codex $90), algajad saavad alustada $20 eest.

Sa võid küsida: kas see ei ole lihtsalt hunnik AI tööriistu, mis genereerivad hullumeelselt prügi koodi?

Ei ole. Autori Git ajalugu näeb välja nagu "just värvati arendustiim", kuid tegelikult on see ainult tema. Peamine muutus on: ta on muutunud "Claude Code'i haldamisest" "AI majapidaja haldamiseks, kes haldab rühma Claude Code'i".

• Enne jaanuari: kasutas otse Codexit või Claude Code'i koodi kirjutamiseks
• Pärast jaanuari: kasutas OpenClaw'd kui orkestreerimise kihti, et see korraldaks Codexi/Claude Code'i/Gemini

See muutus tõi kaasa selle tulemuse: süsteem suudab automaatselt täita peaaegu kõiki väikese kuni keskmise keerukusega ülesandeid, ilma inimsekkumiseta.

Miks ei piisa Codexi ja Claude Code'i eraldi kasutamisest?

Sel hetkel võid sa mõelda: Codex ja Claude Code on juba väga tugevad, miks lisada veel üks orkestreerimise kiht?

Autori antud vastus on väga otsekohene: Codex ja Claude Code ei tea sinu äri kohta peaaegu midagi. Nad näevad ainult koodi, mitte terviklikku äri pilti.

Siin on üks põhimõtteline piirang: konteksti aken on fikseeritud, sa saad valida ainult ühe.

Sa pead valima, mida sinna panna:

• Täis koodi → ei ole ruumi äri konteksti jaoks
• Täis kliendi ajalugu → ei ole ruumi koodiraamatute jaoks

Seega, kui kasutad eraldi Codexit või Claude Code'i, siis kohtad neid probleeme:

• Ta ei tea, mille jaoks see funktsioon on mõeldud
• Ta ei tea, miks eelmine sarnane nõudmine ebaõnnestus
• Ta ei tea sinu toote positsioneerimist ja disainipõhimõtteid
• Ta saab töötada ainult praeguse koodi ja sinu prompt'i põhjal

OpenClaw muutis seda võrrandit.

See toimib orkestreerimise kihina, olles sinu ja kõigi AI tööriistade vahel. Selle roll on:

• Hoida kogu äri konteksti (kliendi andmed, kohtumiste protokollid, ajaloolised otsused, eduka/ebaõnnestunud juhtumid)
• Tõlkida äri konteksti täpseteks prompt'ideks, et toita konkreetsetele Agentidele
• Lubada neil Agentidel keskenduda sellele, mis nad oskavad: koodi kirjutamine

Võrdle:

• Codex/Claude Code = professionaalne kokk, kes tegeleb ainult toidu valmistamisega
• OpenClaw = peakokk, kes teab kliendi maitseid, koostisosade laoseisu, menüü positsioneerimist, andes igale kokale täpsed juhised

See on põhjus, miks on vajalik kahekordne süsteem: konteksti spetsialiseeritud tööjaotuse kaudu, mitte lihtsalt tugevama mudeli vahetamisega.

Kahekordse süsteemi konkreetne arhitektuur: orkestreerimise kiht + täitmise kiht

Vaadake selle süsteemi konkreetset arhitektuuri.

Kaks tasandit, igaühel oma ülesanne:

OpenClaw (koordineerimistasand) suudab teha:

• Lugeda Obsidian'i märkmetest kõiki koosolekute protokolle (automaatne sünkroonimine)
• Juurdepääs tootmisandmebaasile (ainult lugemisõigus) klientide seadistuste saamiseks
• Omab administraatori API õigusi, saab otse klientidele raha laadida ja blokeeringut eemaldada
• Valida ülesande tüübi põhjal sobiv agent
• Jälgida kõigi agentide edenemist, kui ebaõnnestub, analüüsida põhjust ja kohandada prompti uuesti proovimiseks
• Lõpetamisel teavitada autorit läbi Telegrami

Agent (täitmistase) suudab teha:

• Lugeda ja kirjutada koodibaasi
• Käivitada teste ja ehitusi
• Esitada koodi ja luua PR
• Vastata koodikontrolli tagasisidele

Oluline punkt: Täitmistasandi Agent ei puutu kunagi tootmisandmebaasi ja ei näe klientide tundlikku teavet. Nad saavad ainult "minimaalse konteksti, mida on vaja selle ülesande täitmiseks".

See disain on nutikas: turvapiirid on selged, samal ajal tagades efektiivsuse.

Täielik töövoog: 8 sammu kliendi nõudmisest PR-i ühendamiseni

Nüüd liigume põhiosasse. Kasutame autori eelmisel nädalal toimunud tõelist juhtumit, et viia teid läbi täieliku protsessi.

Taust: Üks ettevõtte klient helistas ja ütles, et soovib kasutada nende juba seadistatud seadeid meeskonnas jagamiseks.

1. samm: Kliendi nõudmine → OpenClaw mõistab ja lahkab

Pärast kõne lõppu rääkis autor Zoe'ga (tema OpenClaw) sellest nõudmisest.

Siin on imeline asi: null selgituskulusid. Kuna kõik koosolekute protokollid sünkroonitakse automaatselt Obsidian'i, on Zoe juba lugenud kõne sisu, teades, kes klient on, nende äriolukorda ja olemasolevaid seadistusi.

Autor ja Zoe lahkasid nõudmise: luua mallide süsteem, et kasutajad saaksid olemasolevaid seadistusi salvestada ja redigeerida.

Seejärel tegi Zoe kolm asja:

• Laadis kliendile raha — kasutas administraatori API-d, et kohe kliendi kasutuspiirangud eemaldada
• Tõmbas kliendi seadistused — sai tootmisandmebaasist (ainult lugemiseks) kliendi olemasolevad seaded
• Genereeris prompti ja käivitas agendi — pakkis kogu konteksti kokku ja andis Codexile

2. samm: Agendi käivitamine

Zoe lõi selle ülesande jaoks:

• Iseseisva git worktree (isoleeritud haru keskkond)
• Tmux seansi (et Agent saaks taustal töötada)

# 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" Miks kasutada tmux'i? Sest see võimaldab sekkuda protsessi.

Kui AI eksib, ei pea seda uuesti alustama, lihtsalt andke tmux'is käsk:

# 代理方向错了 tmux send-keys -t codex-templates "Peatu. Tee kõigepealt API kiht, ära vaata UI-d." Enter

代理需要更多上下文

tmux send-keys -t codex-templates "Tüübi määratlemine on src/types/template.ts, kasuta seda." Enter Samuti salvestatakse ülesanne JSON faili:[[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]]## Kolm mehhanismi, mis muudavad süsteemi nutikamaks

Mehhanism 1: Parandatud Ralph Loop — mitte lihtsalt kordamine, vaid õppimine

Sa võid olla kuulnud Ralph Loop'ist: konteksti tõmbamine mälust → väljundi genereerimine → tulemuste hindamine → õppimise salvestamine.

Kuid enamik rakendusi on ühel probleemil: iga kord, kui tsükkel käib, on prompt sama. Õpitud asjad parandasid tulevasi otsinguid, kuid prompt ise on staatiline.

See süsteem on erinev.

Kui Agent ebaõnnestub, ei käivita Zoe sama prompti uuesti. Ta analüüsib ebaõnnestumise põhjuseid koos täieliku ärikontekstiga ja kirjutab siis prompti ümber:

❌ Halb näide (staatiline prompt): { "Rakenda kohandatud mallifunktsiooni" }

✅ Hea näide (dünaamiline kohandamine): { "Peatu. Kliendi soov on X, mitte Y. See on nende sõnad koosolekul: Me soovime säilitada olemasoleva konfiguratsiooni, mitte luua uut algusest peale. Keskendu konfiguratsiooni taaskasutamisele, ära loo uut protsessi." }Zoe suudab selliseid kohandusi teha, kuna tal on kontekst, mida täitmiskiht Agentidel ei ole:

• Mida klient koosolekul ütles
• Mida see ettevõte teeb
• Miks eelmine sarnane nõudmine ebaõnnestus

Veelgi enam, Zoe ei oota, et sa talle ülesande annaksid, ta otsib aktiivselt tööd:

• Hommikul: skaneerib Sentry → avastab 4 uut viga → käivitab 4 Agent'i uurimiseks ja parandamiseks
• Pärast koosolekut: skaneerib koosoleku protokolle → avastab 3 kliendi mainitud funktsionaalsuse nõudmist → käivitab 3 Codex'i
• Õhtul: skaneerib git log'i → käivitab Claude Code'i, et uuendada changelog'i ja kliendidokumente

Autor tuleb jalutuskäigult tagasi, Telegramis kuvatakse: "7 PR-i on valmis. 3 uut funktsiooni, 4 vea parandust."

Edukaid mudeleid salvestatakse:

• "See prompti struktuur on arve funktsiooni jaoks väga tõhus"
• "Codex peab saama tüübi määratlused ette"
• "Alati tuleb lisada testifaili tee"

Preemia signaal on: CI läbib, kolm koodivaatust läbib, käsitsi ühinemine. Iga ebaõnnestumine käivitab tsükli.

Mida kauem, seda parem on Zoe kirjutatud prompt, kuna ta mäletab, mis võib õnnestuda.

Mehhanism 2: Agendi valikustrateegia — erinevate ülesannete jaoks erinevad eksperdid

Kõik Agent'id ei ole võrdselt tugevad. Autori kokkuvõtlik valikustrateegia:

• Codex(gpt-5.3-codex) — peamine - tagasiside loogika, keerulised vead, mitme faili ümberkujundamine, ülesanded, mis nõuavad koodide vahelisi järeldusi
• Aeglane, kuid põhjalik
• Katab 90% ülesannetest

• Claude Code(claude-opus-4.5) — kiirusspetsialist - esiplaanitööd
• Vähem õiguste probleeme, sobib git operatsioonideks
• (Autor kasutas varem rohkem, kuid pärast Codex 5.3 ilmumist vahetas)

• Gemini — disainer - omab disainimeelt
• Ilusa UI jaoks lase Gemini'l genereerida HTML/CSS standardid, seejärel anna Claude Code'ile ülesanne komponentide süsteemis ellu viia
• Gemini disainib, Claude ehitab

Zoe valib automaatselt Agendi ülesande tüübi põhjal ja edastab väljundi nende vahel. Arve süsteemi viga läheb Codex'ile, nupu stiili parandamine läheb Claude Code'ile, uue armatuurlaua disain läheb esmalt Gemini'le.

Mehhanism 3: Kitsaskoht? RAM

Siin on ootamatu piirang: mitte tokeni kulu, mitte API kiirus, vaid mälu.

Iga Agent vajab:

• Oma tööpuu
• Oma nodemodules
• Käivitada ehituse, tüübi kontrollimise, testimise

5 Agent'i töötavad samaaegselt = 5 paralleelset TypeScript kompilaatorit + 5 testijate jooksjat + 5 komplekti sõltuvusi laaditakse mällu.

Autori Mac Mini (16GB RAM) suudab korraga käivitada maksimaalselt 4-5 Agent'i, rohkem ei saa ja hakkab swapima, ning tuleb paluda, et nad ei ehitaks samaaegselt.## Sa saad ka üles ehitada: nullist töötama vaid 10 minutiga

Tahad proovida seda süsteemi?

Lihtsaim viis:

Kopeeri see kogu artikkel OpenClaw'le ja ütle talle: "Selle arhitektuuri järgi, rakenda minu koodiraamatule Agentide klastrisüsteem."

Siis ta:

• loeb arhitektuuri disaini
• loob skripte
• seadistab kataloogistruktuuri
• konfigureerib cron jälgimise

10 minutiga valmis.

Sa pead ette valmistama:

• OpenClaw konto
• Codex ja/või Claude Code API ligipääs
• git hoidla
• (valikuline) Obsidian äri konteksti salvestamiseks

2026: Ühe inimese miljoni dollari ettevõte

Autor ütles artikli lõpus midagi, mis mulle tundus väga inspireeriv:

"Me näeme palju ühe inimese miljoni dollari ettevõtteid alates 2026. aastast. Leverage on tohutu, kuulub neile, kes mõistavad, kuidas ehitada rekurssiivseid iseparandavaid AI süsteeme."

See näeb välja selline:

• AI koordineerija sinu pikenduseks (nagu Zoe autori jaoks)
• Töö delegeerimine spetsialiseeritud Agentidele, kes tegelevad erinevate ärifunktsioonidega
• Inseneritegevus, klienditugi, operatsioonid, turundus
• Iga Agent keskendub sellele, milles ta on hea
• Sina jääd keskendunuks ja täielikult kontrolli alla

Järgmise põlvkonna ettevõtjad ei palkaks 10 inimest, et teha seda, mida üks inimene ja üks süsteem suudavad teha. Nad ehitavad nii - jäädes väikeseks, tegutsedes kiiresti, avaldades iga päev.

Praegu on AI genereeritud prügi sisu liiga palju. Erinevad hype'id, erinevad "ülesande juhtimiskeskuse" uhked demo'd, kuid mitte midagi tõeliselt kasulikku.

Autor ütles, et tahab teha vastupidist: vähem hype'i, rohkem tõelise ehitamisprotsessi dokumenteerimist. Tõelised kliendid, tõeline tulu, tõelised esitlused tootmis keskkonda, samuti tõelised ebaõnnestumised.

See artikkel on siin.

Kesksetele punktidele ülevaade:

• Kahekordne arhitektuur: koordineerimistasand hoiab äri konteksti, teostustase keskendub koodile
• Täielik automatiseerimine: nõudest PR-ini 8 sammu protsess, enamik ülesandeid õnnestub esimesel katsel
• Dünaamiline õppimine: mitte korduv teostamine, vaid strateegia kohandamine ebaõnnestumise põhjusel
• Kulud kontrolli all: algus $20/kuu, intensiivne kasutamine $190/kuu

Kui sa ka uurid AI automatiseerimise praktilisi rakendusi, loodan, et see juhtum annab sulle inspiratsiooni.

Viidatud aadress:[[HTMLPLACEHOLDER_29]]