OpenClaw + Claude Code 超强教程：一个人就能搭建完整的开发团队！

今天分享一个很炸裂的实践案例。（文末附教程）

一个独立开发者，用 OpenClaw + Codex/CC 搭了一套 AI Agent系统，实现了什么效果呢？

一天 94 次提交，30 分钟完成 7 个 PR，而且这一天他还开了 3 个客户会议，编辑器都没打开过。

这是真实发生在 2026 年 1 月的事。作者把整个系统的架构、工作流、代码配置都公开了，看完觉得这个思路太值得学习了，所以整理成这篇文章分享给你。

如果你也在用 Codex 或 Claude Code，或者对 OpenClaw 感兴趣，这篇文章会给你很多启发。

一个人，一天 94 次代码提交

先看几个数据，感受一下这套系统的威力：

• 单日最高 94 次提交（平均每天 50 次提交）
• 30 分钟内完成 7 个 PR
• 从想法到上线的速度快到可以"当天交付客户需求"

作者用这套系统在做一个真实的 B2B SaaS 产品，配合创始人直销，大部分功能需求都能当天搞定。速度快到什么程度？客户提需求，当天就能看到效果，直接转化成付费用户。

成本呢？每月 $190（Claude $100 + Codex $90），新手起步 $20 就能跑起来。

你可能会问：这是不是堆了一堆 AI 工具，然后疯狂生成垃圾代码？

不是的。作者的 Git 历史看起来像是"刚招了一个开发团队"，但实际上只有他一个人。关键变化是：他从"管理 Claude Code"变成了"管理一个 AI 管家，这个管家再去管理一群 Claude Code"。

• 1 月之前：直接用 Codex 或 Claude Code 写代码
• 1 月之后：用 OpenClaw 作为编排层，让它调度 Codex/Claude Code/Gemini

这个转变带来的效果是：系统能自动完成几乎所有小到中等复杂度的任务，不需要人工介入。

为什么 Codex 和 Claude Code 单独用不够好？

这时候，你可能会想：Codex 和 Claude Code 已经很强了，为什么还要加一层编排？

作者给出的答案很直接：Codex 和 Claude Code 对你的业务几乎一无所知。它们只看到代码，看不到完整的业务图景。

这里有个根本性的限制：上下文窗口是固定的，你只能二选一。

你必须做选择往里面塞什么：

• 塞满代码 → 没空间放业务上下文
• 塞满客户历史 → 没空间放代码库

所以单独用 Codex 或 Claude Code 时，你会遇到这些问题：

• 它不知道这个功能是为哪个客户做的
• 它不知道上次类似需求为什么失败了
• 它不知道你的产品定位和设计原则
• 它只能根据当前的代码和你的 prompt 来工作

OpenClaw 改变了这个等式。

它充当编排层，位于你和所有 AI 工具之间。它的角色是：

• 持有所有业务上下文（客户数据、会议记录、历史决策、成功/失败案例）
• 把业务上下文翻译成精确的 prompt，喂给具体的 Agent
• 让这些 Agent 专注做它们擅长的事：写代码

类比一下：

• Codex/Claude Code = 专业厨师，只管做菜
• OpenClaw = 主厨，知道客人口味、食材库存、菜单定位，给每个厨师下达精确指令

这就是为什么需要双层系统：通过上下文的专业化分工，而不是换更强的模型。

双层系统的具体架构：编排层 + 执行层

来看看这套系统的具体架构。

Kaksi tasoa, jokaisella oma roolinsa:

Mitä OpenClaw (koordinaatiokerros) voi tehdä?

• Lukee kaikki kokousmuistiot Obsidian-muistiinpanoista (automaattinen synkronointi)
• Pääsee tuotantotietokantaan (vain lukuoikeudet) saadakseen asiakaskonfiguraation
• Omistaa järjestelmänvalvojan API-oikeudet, voi suoraan ladata asiakkaita ja poistaa estoja
• Valitsee sopivan agentin tehtävätyypin mukaan
• Valvoo kaikkien agenttien edistymistä, analysoi syyt epäonnistumiseen ja säätää promptin uudelleenyritystä varten
• Ilmoittaa kirjoittajalle Telegramin kautta, kun tehtävä on valmis

Mitä Agent (suorituskerros) voi tehdä?

• Lukee ja kirjoittaa koodivarastoja
• Suorittaa testejä ja rakennuksia
• Lähettää koodia ja luo PR:n
• Vastaa koodikatselmuksen palautteeseen

Avainkohta: Suorituskerroksen Agent ei koskaan kosketa tuotantotietokantaa eikä näe asiakkaan arkaluontoisia tietoja. Ne saavat vain "minimaalisen kontekstin, joka tarvitaan tämän tehtävän suorittamiseen".

Tämä suunnittelu on älykäs: turvallisuusraja on selkeä ja samalla tehokkuus on taattu.

Täydellinen työnkulku: 8 vaihetta asiakasvaatimuksesta PR-yhdistämiseen

Siirrytään nyt ydinosaan. Käytetään kirjoittajan viime viikon todellista tapausta, jotta voit käydä läpi koko prosessin.

Tausta: Yritysasiakas soitti ja sanoi, että he toivovat voivansa käyttää uudelleen heidän jo määrittelemiään asetuksia ja jakaa niitä tiiminsä kesken.

Vaihe 1: Asiakasvaatimus → OpenClaw ymmärtää ja purkaa

Puhelun päätyttyä kirjoittaja keskusteli Zoe (hänen OpenClawinsa) kanssa tästä vaatimuksesta.

Tässä on taika: nolla selityskustannusta. Koska kaikki kokousmuistiot synkronoidaan automaattisesti Obsidianiin, Zoe oli jo lukenut puhelun sisällön ja tiesi, kuka asiakas on, heidän liiketoimintakontekstinsa ja nykyiset asetuksensa.

Kirjoittaja ja Zoe purkivat vaatimuksen: tehdä mallijärjestelmä, jonka avulla käyttäjät voivat tallentaa ja muokata nykyisiä asetuksia.

Sitten Zoe teki kolme asiaa:

• Lataus asiakkaalle — Käytti järjestelmänvalvojan API:a poistaakseen asiakkaan käyttörajoitukset välittömästi
• Hanki asiakaskonfiguraatio — Hanki asiakkaan nykyiset asetukset tuotantotietokannasta (vain luku)
• Luo prompt ja käynnistä agentti — Pakkaa kaikki kontekstit ja syötä ne Codexille

Vaihe 2: Käynnistä agentti

Zoe loi tätä tehtävää varten:

• Itsenäisen git worktree (eristetty haara-ympäristö)
• Tmux-istunnon (jotta Agent voi toimia taustalla)

# Luo worktree + Käynnistä agentti 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" Miksi käyttää tmuxia? Koska voit keskeyttää prosessin.

Jos AI menee harhaan, ei tarvitse tappaa ja aloittaa alusta, vaan voit suoraan antaa komentoja tmuxissa:

# Agentti on väärässä suunnassa tmux send-keys -t codex-templates "Pysähdy. Tee ensin API-kerros, älä välitä UI:sta." Enter

Agentti tarvitsee enemmän kontekstia

tmux send-keys -t codex-templates "Tyyppimääritys on src/types/template.ts, käytä sitä." Enter Samalla tehtävä tallennetaan JSON-tiedostoon:[[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]]Koko prosessi kesti asiakkaan tarpeista koodin julkaisemiseen vain 1-2 tuntia, ja kirjoittajan todellinen panos saattoi olla vain 10 minuuttia.

Kolme mekanismia, jotka tekevät järjestelmästä älykkäämmän

Mekanismi 1: Parannettu Ralph Loop — ei vain toistoa, vaan oppimista

Olet ehkä kuullut Ralph Loopista: kontekstin hakeminen muistista → tuloksen tuottaminen → tulosten arviointi → oppimisen tallentaminen.

Mutta useimmissa toteutuksissa on yksi ongelma: jokaisessa silmukassa käytettävä prompt on sama. Opitut asiat parantavat tulevaa hakua, mutta prompt itsessään on staattinen.

Tämä järjestelmä on erilainen.

Kun Agent epäonnistuu, Zoe ei käynnistä uudelleen samaa promptia. Hän tuo mukanaan täydellisen liiketoimintakontekstin, analysoi epäonnistumisen syyn ja kirjoittaa promptin uudelleen:

❌ Huono esimerkki (staattinen prompt): { "Toteuta mukautetun mallin toiminto" }

✅ Hyvä esimerkki (dynaaminen säätö): { "Pysähdy. Asiakas haluaa X, ei Y. Tässä heidän alkuperäiset sanansa kokouksessa: Me haluamme säilyttää nykyiset asetukset, emmekä luoda uusia alusta alkaen. Keskitytään asetusten uudelleenkäyttöön, älä luo uutta prosessia." }Zoe voi tehdä tällaisia säätöjä, koska hänellä on konteksti, jota Agentilla ei ole:

• Mitä asiakas sanoi kokouksessa
• Mitä tämä yritys tekee
• Miksi edellinen samanlainen tarve epäonnistui

Entistä enemmän, Zoe ei odota, että annat hänelle tehtävän, vaan hän etsii aktiivisesti työtä:

• Aamulla: skannaa Sentry → löytää 4 uutta virhettä → käynnistää 4 Agentia tutkimaan ja korjaamaan
• Kokouksen jälkeen: skannaa kokousmuistiot → löytää 3 asiakkaan mainitsemaa toiminnallisuutta → käynnistää 3 Codexia
• Illalla: skannaa git log → käynnistää Claude Code päivittämään changelog ja asiakasi-dokumentaatio

Kirjoittaja palaa kävelyltä, ja Telegramissa näkyy: "7 PR valmiina. 3 uutta toimintoa, 4 bugikorjausta."

Menestyvät mallit tallennetaan:

• "Tämä prompt-rakenne on erittäin tehokas laskutusominaisuudelle"
• "Codex tarvitsee tyypin määrittelyt etukäteen"
• "Testitiedostopolku on aina sisällytettävä"

Palkkioviesti on: CI hyväksytty, kolme koodikatselmusta hyväksytty, manuaalinen yhdistäminen. Mikä tahansa epäonnistuminen laukaisee silmukan.

Mitä pidempään, sitä paremmaksi Zoe kirjoittaa promptit, koska hän muistaa, mikä onnistuu.

Mekanismi 2: Agentin valintastrategia — eri tehtäviin eri asiantuntijat

Kaikki Agentit eivät ole yhtä vahvoja. Kirjoittaja on tiivistänyt valintastrategiat:

• Codex(gpt-5.3-codex) — pääasiallinen - taustalogiikka, monimutkaiset bugit, monen tiedoston uudelleenrakentaminen, tehtävät, jotka vaativat poikkikoodikirjastojen päättelyä
• Hidas mutta perusteellinen
• Kattaa 90% tehtävistä

• Claude Code(claude-opus-4.5) — nopeusasiantuntija - etupään työ
• Vähän oikeusongelmia, sopii git-toimintoihin
• (Kirjoittaja käytti aiemmin enemmän, mutta vaihtoi Codex 5.3:n myötä)

• Gemini — suunnittelija - omaa suunnitteluaistia
• Kauniille UI:lle, ensin Gemini tuottaa HTML/CSS-standardin, sitten Claude Code toteuttaa sen komponenttijärjestelmässä
• Gemini suunnittelee, Claude rakentaa

Zoe valitsee automaattisesti Agentin tehtävän tyypin mukaan ja siirtää tuloksia niiden välillä. Laskutusjärjestelmän bugi menee Codexille, painonappityylin korjaus Claude Codeen, uusi kojelaudan suunnittelu menee ensin Geminille.

Mekanismi 3: Missä pullonkaula? RAM

Tässä on yllättävä rajoitus: ei token-kustannus, ei API-nopeus, vaan muisti.

Jokainen Agent tarvitsee:

• Oman worktreen
• Omia nodemodules
• Rakentamisen, tyyppitarkistuksen, testauksen suorittamisen

5 Agentia toimii samanaikaisesti = 5 rinnakkaista TypeScript-kääntäjää + 5 testiautomaattia + 5 sarjaa riippuvuuksia ladattuna muistiin.

Kirjoittajan Mac Mini (16GB RAM) voi enintään ajaa 4-5 Agentia samanaikaisesti, enemmän alkaa vaihtaa, ja on rukoiltava, etteivät ne rakenna samaan aikaan.所以他买了一台 Mac Studio M4 Max(128GB RAM,$3500)，3 月底到货。他说到时候会分享值不值。

## 你也可以搭建：从零到运行只需 10 分钟

想试试这套系统？

最简单的方法：

把这整篇文章复制给 OpenClaw，告诉它："按照这个架构，给我的代码库实现一套 Agent 集群系统。"

然后，它就会：

- 读取架构设计
- 创建脚本
- 设置目录结构
- 配置 cron 监控

10 分钟搞定。

你需要准备：

- OpenClaw 账号
- Codex 和/或 Claude Code 的 API 访问
- 一个 git 仓库
- （可选）Obsidian 用于存储业务上下文

## 2026：一个人的百万美元公司

作者在文末说了一段话，我觉得很有启发性：

"我们会看到大量一个人的百万美元公司从 2026 年开始出现。杠杆是巨大的，属于那些理解如何构建递归自我改进 AI 系统的人。"
这就是它的样子：

- 一个 AI 编排者作为你的延伸（就像 Zoe 之于作者）
- 把工作委派给专门的 Agent，处理不同的业务职能
- 工程、客户支持、运营、营销
- 每个 Agent 专注于它擅长的事
- 你保持专注和完全控制

下一代创业者不会雇 10 个人去做一个人加一套系统就能做的事。他们会这样构建——保持小规模，快速行动，每天发布。

现在 AI 生成的垃圾内容太多了。各种炒作，各种"任务控制中心"的花哨 demo，但没有真正有用的东西。

作者说他想做相反的事：少炒作，多记录真实的构建过程。真实的客户，真实的收入，真实的提交发布到生产环境，也有真实的失败。

这篇文章就到这里。

核心要点回顾：

- 双层架构：编排层持有业务上下文，执行层专注代码
- 完整自动化：从需求到 PR 的 8 步流程，大部分任务一次成功
- 动态学习：不是重复执行，而是根据失败原因调整策略
- 成本可控：起步 $20/月，重度使用 $190/月

如果你也在探索 AI 自动化的实践应用，希望这个案例能给你一些启发。

参考地址：[[HTMLPLACEHOLDER_31]]