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

આજે એક ખૂબ જ ધમાકેદાર પ્રયોગાત્મક કેસ શેર કરી રહ્યા છીએ。（લેખના અંતે ટ્યુટોરિયલ જોડાયેલ છે）

એક સ્વતંત્ર વિકાસકર્તાએ, OpenClaw + Codex/CC નો ઉપયોગ કરીને એક AI એજન્ટ સિસ્ટમ બનાવ્યું, તો શું પરિણામ મળ્યું?

એક દિવસમાં 94 વખત સબમિશન, 30 મિનિટમાં 7 PR પૂર્ણ, અને આ દિવસમાં તેણે 3 ગ્રાહક મિટિંગ્સ પણ રાખી હતી, એડિટર તો ખોલ્યું જ નહોતું.

આ 2026 ના જાન્યુઆરીમાં વાસ્તવમાં બન્યું હતું. લેખકએ સમગ્ર સિસ્ટમની રચના, કાર્યપ્રવાહ, કોડ કન્ફિગરેશન જાહેર કરી છે, અને આ વિચારને શીખવા માટે ખૂબ જ મૂલ્યવાન છે, તેથી આ લેખમાં整理 કરીને તમારી સાથે શેર કરી રહ્યો છું.

જો તમે પણ Codex અથવા Claude Code નો ઉપયોગ કરી રહ્યા છો, અથવા OpenClaw માં રસ ધરાવો છો, તો આ લેખ તમને ઘણું પ્રેરણા આપશે.

એક વ્યક્તિ, એક દિવસમાં 94 વખત કોડ સબમિશન

પ્રથમ કેટલાક આંકડા જુઓ, આ સિસ્ટમની શક્તિનો અનુભવ કરો:

• એક દિવસમાં મહત્તમ 94 વખત સબમિશન (દરરોજ સરેરાશ 50 વખત સબમિશન)
• 30 મિનિટમાં 7 PR પૂર્ણ
• વિચારથી લઈને લાઇવ થવા સુધીની ઝડપ એટલી ઝડપી છે કે "આજના દિવસે ગ્રાહકની જરૂરિયાત પૂરી કરી શકાય છે"

લેખકે આ સિસ્ટમનો ઉપયોગ કરીને એક વાસ્તવિક B2B SaaS ઉત્પાદન બનાવી રહ્યું છે, સ્થાપકની સીધી વેચાણ સાથે, મોટા ભાગની કાર્યક્ષમતા જરૂરિયાતો એક જ દિવસે પૂરી થઈ શકે છે. ઝડપ કેટલી છે? ગ્રાહકની જરૂરિયાત આવે ત્યારે, તે દિવસે જ પરિણામ જોઈ શકાય છે, સીધા ચૂકવણી કરનારા ગ્રાહકોમાં પરિવર્તિત થાય છે.

ખર્ચ શું છે? દર મહિને $190 (Claude $100 + Codex $90), નવા શીખનાર માટે $20 માં શરૂ કરી શકાય છે.

તમે પૂછશો: શું આ એઆઈ સાધનોનો એક જથ્થો નથી ભેગો કર્યો, અને પછી બકવાસ કોડ ઉત્પન્ન કર્યો?

એવું નથી. લેખકનો Git ઇતિહાસ એવું લાગે છે કે "તમે એક વિકાસકર્તા ટીમને ભાડે રાખી છે", પરંતુ વાસ્તવમાં તે માત્ર એક જ વ્યક્તિ છે. મુખ્ય ફેરફાર એ છે: તેણે "Claude Code ને મેનેજ કરવું" થી "એક AI મેનેજરનું મેનેજમેન્ટ કરવું, જે પછી Claude Code ના એક જૂથને મેનેજ કરે છે" માં ફેરવ્યું.

• જાન્યુઆરી પહેલા: સીધા Codex અથવા Claude Code નો ઉપયોગ કરીને કોડ લખવો
• જાન્યુઆરી પછી: OpenClaw ને ઓર્ડરિંગ સ્તર તરીકે ઉપયોગ કરીને, તેને Codex/Claude Code/Gemini ને શેડ્યૂલ કરવા દો

આ ફેરફારનો પરિણામ એ છે: સિસ્ટમ લગભગ તમામ નાના થી મધ્યમ જટિલતાના કાર્યને આપોઆપ પૂર્ણ કરી શકે છે, માનવ હસ્તક્ષેપની જરૂર નથી.

કેમ Codex અને Claude Code એકલ રીતે ઉપયોગ કરવો પૂરતું સારું નથી?

આ સમયે, તમે વિચારશો: Codex અને Claude Code પહેલેથી જ ખૂબ શક્તિશાળી છે, તો કેમ એક ઓર્ડરિંગ સ્તર ઉમેરવું?

લેખકનો જવાબ સીધો છે: Codex અને Claude Code તમારા વ્યવસાય વિશે લગભગ કશું જ જાણતા નથી. તેઓ ફક્ત કોડને જોતા છે, સંપૂર્ણ વ્યવસાયના દૃશ્યને નથી.

અહીં એક મૂળભૂત મર્યાદા છે: સંદર્ભ વિન્ડો નિશ્ચિત છે, તમે ફક્ત બેમાંથી એક પસંદ કરી શકો છો.

તમે પસંદ કરવું પડશે કે શું અંદર નાખવું:

• કોડથી ભરેલું → વ્યવસાયના સંદર્ભ માટે જગ્યા નથી
• ગ્રાહકના ઇતિહાસથી ભરેલું → કોડબેઝ માટે જગ્યા નથી

તેથી જ્યારે તમે Codex અથવા Claude Code નો એકલ ઉપયોગ કરો છો, ત્યારે તમે આ સમસ્યાઓનો સામનો કરશો:

• તે જાણતું નથી કે આ કાર્ય કયા ગ્રાહક માટે છે
• તે જાણતું નથી કે છેલ્લી સમાન જરૂરિયાત કેમ નિષ્ફળ ગઈ
• તે જાણતું નથી કે તમારા ઉત્પાદનની定位 અને ડિઝાઇન સિદ્ધાંતો શું છે
• તે ફક્ત વર્તમાન કોડ અને તમારા પ્રોમ્પ્ટના આધારે કાર્ય કરી શકે છે

OpenClaw એ આ સમીકરણને બદલી દીધું.

તે ઓર્ડરિંગ સ્તર તરીકે કાર્ય કરે છે, તમે અને તમામ AI સાધનો વચ્ચે સ્થિત છે. તેનો ભૂમિકા છે:

• તમામ વ્યવસાયના સંદર્ભને ધરાવવું (ગ્રાહકના ડેટા, મિટિંગના રેકોર્ડ, ઇતિહાસના નિર્ણય, સફળ/નિષ્ફળ કેસ)
• વ્યવસાયના સંદર્ભને ચોક્કસ પ્રોમ્પ્ટમાં અનુવાદિત કરવું, ચોક્કસ એજન્ટને ખવડાવવું
• આ એજન્ટોને તેમના વિશેષતા ક્ષેત્રમાં ધ્યાન કેન્દ્રિત કરવા દેવું: કોડ લખવું

એક સરખામણી કરીએ:

• Codex/Claude Code = વ્યાવસાયિક રસોઈયા, ફક્ત ભોજન બનાવવામાં વ્યસ્ત
• OpenClaw = મુખ્ય રસોઈયા, ગ્રાહકના સ્વાદ, સામગ્રીના સ્ટોક, મેનુ定位ને જાણે છે, દરેક રસોઈયાને ચોક્કસ સૂચનાઓ આપે છે

આ જ કારણ છે કે ડ્યુઅલ લેયર સિસ્ટમની જરૂર છે: સંદર્ભના વ્યાવસાયિકીકરણ દ્વારા, વધુ શક્તિશાળી મોડલને બદલે.

ડ્યુઅલ લેયર સિસ્ટમની ચોક્કસ રચના: ઓર્ડરિંગ સ્તર + અમલ સ્તર

આ સિસ્ટમની ચોક્કસ રચનાને જુઓ.

બે સ્તરો, દરેકની પોતાની ભૂમિકા:

OpenClaw（વ્યવસ્થાપન સ્તર）શું કરી શકે છે？

• Obsidian નોટ્સમાં તમામ મીટિંગ રેકોર્ડ વાંચી શકે છે (આટોમેટિક સમન્વય)
• ઉત્પાદન ડેટાબેસ (ફક્ત વાંચન અધિકાર) સુધી પહોંચીને ગ્રાહકની રૂપરેખા મેળવી શકે છે
• એડમિનિસ્ટ્રેટર API અધિકાર છે, સીધા ગ્રાહકને રિચાર્જ અને બ્લોક દૂર કરી શકે છે
• કાર્યના પ્રકાર અનુસાર યોગ્ય એજન્ટ પસંદ કરી શકે છે
• તમામ એજન્ટોના પ્રગતિની દેખરેખ રાખે છે, નિષ્ફળતા પર કારણોનું વિશ્લેષણ કરે છે અને પ્રોમ્પ્ટને ફરીથી પ્રયાસ કરે છે
• પૂર્ણ થયા પછી ટેલિગ્રામ દ્વારા લેખકને જાણ કરે છે

એજન્ટ（કાર્યક્ષેત્ર）શું કરી શકે છે？

• કોડ બુકમાં વાંચન અને લખાણ
• પરીક્ષણ અને બાંધકામ ચલાવવું
• કોડ સબમિટ કરવું અને PR બનાવવું
• કોડ સમીક્ષા પ્રતિસાદનો જવાબ આપવો

મુખ્ય મુદ્દો: કાર્યક્ષેત્રનો એજન્ટ ક્યારેય ઉત્પાદન ડેટાબેસ સાથે સંપર્કમાં નહીં આવે, અને ગ્રાહકની સંવેદનશીલ માહિતી નહીં જોઈ શકે. તેઓને ફક્ત "આ કાર્ય પૂર્ણ કરવા માટે જાણવાની સૌથી ન્યૂનતમ સંદર્ભ" મળે છે.

આ ડિઝાઇન ખૂબ જ સ્માર્ટ છે: સુરક્ષા સીમા સ્પષ્ટ છે, સાથે જ કાર્યક્ષમતા સુનિશ્ચિત કરે છે.

સંપૂર્ણ કાર્યપ્રવાહ: ગ્રાહકની જરૂરિયાતથી PR મર્જ સુધીના 8 પગલાં

હવે મુખ્ય ભાગમાં પ્રવેશ કરીએ. લેખકના ગયા અઠવાડિયાના એક વાસ્તવિક કેસનો ઉપયોગ કરીને, તમને સંપૂર્ણ પ્રક્રિયા દ્વારા લઈ જવું.

પૃષ્ઠભૂમિ: એક એન્ટરપ્રાઇઝ ગ્રાહકે ફોન કર્યો, કહ્યું કે તેઓ તેમના પહેલાથી જ રૂપરેખાંકિત સેટિંગ્સને પુનઃઉપયોગ કરવા માંગે છે, ટીમમાં શેર કરવા માટે.

પગલું 1: ગ્રાહકની જરૂરિયાત → OpenClaw સમજે છે અને વિભાજિત કરે છે

ફોન કૉલ પછી, લેખક અને ઝોઇ (તેણીનું OpenClaw) આ જરૂરિયાત વિશે વાત કરી.

અહીંની જાદુઈ બાબત: શૂન્ય વ્યાખ્યાના ખર્ચ. કારણ કે તમામ મીટિંગ રેકોર્ડ ઓટોમેટિક રીતે Obsidianમાં સમન્વયિત થાય છે, ઝોઇએ ફોનની સામગ્રી વાંચી છે, જાણે છે કે ગ્રાહક કોણ છે, તેમના વ્યવસાયની સ્થિતિ, હાલની રૂપરેખા.

લેખક અને ઝોઇએ મળીને જરૂરિયાતને વિભાજિત કર્યું: એક ટેમ્પલેટ સિસ્ટમ બનાવવી, જેથી વપરાશકર્તા હાલની રૂપરેખા સાચવી અને સંપાદિત કરી શકે.

પછી ઝોઇએ ત્રણ વસ્તુઓ કરી:

• ગ્રાહકને રિચાર્જ કરવું — એડમિનિસ્ટ્રેટર API નો ઉપયોગ કરીને તરત જ ગ્રાહકના ઉપયોગની મર્યાદા દૂર કરવી
• ગ્રાહકની રૂપરેખા ખેંચવી — ઉત્પાદન ડેટાબેસ (ફક્ત વાંચન)માંથી ગ્રાહકની હાલની સેટિંગ્સ મેળવવી
• પ્રોમ્પ્ટ બનાવવું અને એજન્ટ શરૂ કરવો — તમામ સંદર્ભને પેક કરી, કોડેક્સને ખવડાવવું

પગલું 2: એજન્ટ શરૂ કરવો

ઝોઇએ આ કાર્ય માટે બનાવ્યું:

• એક સ્વતંત્ર git worktree (અલગ શાખા પર્યાવરણ)
• એક tmux સત્ર (એજન્ટને બેકગ્રાઉન્ડમાં ચલાવવા માટે)

# worktree બનાવો + એજન્ટ શરૂ કરો 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"tmux નો ઉપયોગ કેમ? કારણ કે મધ્યમાં હસ્તક્ષેપ કરી શકાય છે.

જો AI ખોટી દિશામાં જાય, તો ફરીથી શરૂ કરવાની જરૂર નથી, સીધા tmuxમાં આદેશ મોકલી શકાય છે:

# એજન્ટની દિશા ખોટી છે tmux send-keys -t codex-templates "થોડીવાર રોકો. પહેલા API સ્તર કરો, UIની ચિંતા ન કરો." Enter

એજન્ટને વધુ સંદર્ભની જરૂર છે

tmux send-keys -t codex-templates "પ્રકારની વ્યાખ્યા src/types/template.tsમાં છે, તે વાપરો." Enter સાથે, કાર્યને એક JSON ફાઇલમાં નોંધવામાં આવશે:{ "id": "feat-custom-templates", "tmuxSession": "codex-templates", "agent": "codex", "description": "કાર્યાલય ગ્રાહકો માટેની કસ્ટમ ઈમેલ ટેમ્પલેટ ફીચર", "repo": "medialyst", "worktree": "feat-custom-templates", "branch": "feat/custom-templates", "startedAt": 1740268800000, "status": "ચાલું", "notifyOnComplete": true}### ત્રીજો પગલું: આપમેળે મોનિટરિંગ એક ક્રોન કાર્ય દરેક 10 મિનિટે તમામ એજન્ટની સ્થિતિ તપાસે છે. મહત્વનું: એ એજન્ટની પ્રગતિને "પુછવા" નથી જતું (એટલે ટોકન ખર્ચ થાય છે), પરંતુ આદર્શ તથ્યોની તપાસ કરે છે: - tmux સત્ર જીવંત છે? - PR બનાવવામાં આવી છે? - CI સ્થિતિ કેવી છે? - જો નિષ્ફળ થયું, તો ફરી શરૂ કરવાની જરૂર છે? (મહત્તમ 3 વખત ફરી પ્રયાસ) આ મોનિટરિંગ સ્ક્રિપ્ટ 100% નિશ્ચિતતા ધરાવે છે, ખૂબ ટોકન બચાવે છે, ફક્ત માનવ હસ્તક્ષેપની જરૂર પડે ત્યારે લેખકને જાણ કરશે. આ ખરેખર રાલ્ફ લૂપનો સુધારેલ આવૃત્તિ છે, જે પછીથી વિગતવાર ચર્ચા કરવામાં આવશે.### ચોથો પગલું: એજન્ટ PR બનાવે છે એજન્ટે કોડ લખ્યા પછી, તે સમર્પિત કરે છે, ધકેલે છે, અને પછી gh pr create --fill નો ઉપયોગ કરીને PR બનાવે છે. નોંધ: આ સમયે લેખકને જાણ કરવામાં આવશે નહીં. કારણ કે એક PR પોતે "પૂર્ણ" દર્શાવતું નથી. "પૂર્ણ" ની વ્યાખ્યા છે: - ✅ PR બનાવવામાં આવી છે - ✅ શાખા મુખ્ય સાથે સમન્વયિત છે (કોનફ્લિક્ટ વગર) - ✅ CI પસાર (લિન્ટ, પ્રકારની તપાસ, એકમ પરીક્ષણ, E2E પરીક્ષણ) - ✅ કોડેક્સ સમીક્ષક પાસ થયો - ✅ ક્લોડ કોડ સમીક્ષક પાસ થયો - ✅ જેમિની સમીક્ષક પાસ થયો - ✅ જો UIમાં ફેરફાર હોય, તો સ્ક્રીનશોટ સામેલ હોવું જોઈએ માત્ર બધા પૂરા થવા પર જ તે ખરેખર પૂર્ણ ગણાય છે.### પાંચમું પગલું: આપમેળે કોડ સમીક્ષા દરેક PR ત્રણ એજન્ટ દ્વારા સમીક્ષિત કરવામાં આવશે: - કોડેક્સ સમીક્ષક — સૌથી વિશ્વસનીય સમીક્ષક- સીમા પરિસ્થિતિઓ શોધવામાં કુશળ - તે તર્કાત્મક ભૂલો, ખોટી ભૂલ હેન્ડલિંગ, સ્પર્ધાત્મક શરતો પકડે છે - ખોટી અહેવાલ દર ખૂબ નીચો છે - જેમિની કોડ સહાય સમીક્ષક — મફત અને ઉપયોગમાં સરળ- તે અન્ય સમીક્ષકો દ્વારા ચૂકી ગયેલા સુરક્ષા સમસ્યાઓ અને વિસ્તરણની સમસ્યાઓ શોધી શકે છે - તે ચોક્કસ સુધારણા સૂચનો આપે છે - ઉપયોગમાં લેવાય તે સારું છે - ક્લોડ કોડ સમીક્ષક — મૂળભૂત રીતે ઉપયોગી નથી- વધુ સાવધાની, હંમેશા "વિચારવા માટે ઉમેરો..." સૂચવે છે - મોટાભાગના સૂચનો વધુ ડિઝાઇન છે - "ક્રિટિકલ" તરીકે ચિહ્નિત ન થાય ત્યાં સુધી, સીધા જ છોડી દેવું ત્રણ સમીક્ષકો સીધા PR માં ટિપ્પણી કરશે.### છઠ્ઠું પગલું: આપમેળે પરીક્ષણ CI પાઇપલાઇન ચલાવશે: - લિન્ટ અને ટાઇપસ્ક્રિપ્ટ તપાસ - એકમ પરીક્ષણ - E2E પરીક્ષણ - પ્લે રાઇટ પરીક્ષણ (ઉત્પાદન પર્યાવરણ સાથે એકસરખા પૂર્વદર્શન પર ચલાવવામાં આવે છે) ગયા અઠવાડિયે નવા નિયમો ઉમેરવામાં આવ્યા: જો PR UIમાં ફેરફાર કરે છે, તો વર્ણનમાં સ્ક્રીનશોટ જોડવું જરૂરી છે, નહીં તો CI સીધા નિષ્ફળ જશે. આ નિયમે સમીક્ષા સમયને નોંધપાત્ર રીતે ઘટાડ્યું છે - લેખક સ્ક્રીનશોટને એક નજરે જોઈ શકે છે અને જાણે છે કે શું બદલાયું છે, પૂર્વદર્શન પર જવા માટે ક્લિક કરવાની જરૂર નથી.### સાતમું પગલું: માનવ સમીક્ષા હવે, લેખકને ટેલિગ્રામ સૂચના મળી છે: "PR #341 તૈયાર છે, સમીક્ષા કરી શકાય છે." આ સમયે: - CI સંપૂર્ણ લીલુ - ત્રણ AI સમીક્ષકોને મંજૂરી આપી છે - સ્ક્રીનશોટ UIમાં ફેરફાર દર્શાવે છે - તમામ સીમા પરિસ્થિતિઓ સમીક્ષા ટિપ્પણીઓમાં નોંધાઈ છે લેખકની સમીક્ષા માટે ફક્ત 5-10 મિનિટની જરૂર છે. ઘણા PR માટે તે કોડને નથી જોતા, ફક્ત સ્ક્રીનશોટને જોઈને સીધા મર્જ કરે છે.### આઠમું પગલું: મર્જ PR મર્જ થાય છે. દરરોજ એક ક્રોન કાર્ય એકલ worktree અને કાર્ય નોંધોને સાફ કરે છે.પૂર્ણ પ્રક્રિયા પૂર્ણ થાય છે, ગ્રાહકની જરૂરિયાતથી કોડને ઓનલાઈન કરવામાં, કદાચ માત્ર 1-2 કલાક લાગ્યા, જ્યારે લેખકનો વાસ્તવિક投入 કદાચ માત્ર 10 મિનિટ હતો।

ત્રણ તંત્રો જે સિસ્ટમને વધુ બુદ્ધિશાળી બનાવે છે

તંત્ર 1: સુધારેલ રાલ્ફ લૂપ — માત્ર પુનરાવૃત્તિ નથી, પરંતુ શીખવું

તમે રાલ્ફ લૂપ વિશે સાંભળ્યું હશે: યાદદાશ્તમાંથી સંદર્ભ ખેંચવું → આઉટપુટ જનરેટ કરવું → પરિણામનું મૂલ્યાંકન કરવું → શીખવું સાચવવું।

પરંતુ મોટા ભાગના અમલમાં એક સમસ્યા છે: દરેક ચક્રમાં ઉપયોગમાં લેવાતા પ્રોમ્પ્ટ સમાન છે. શીખવામાં આવેલ વસ્તુઓ ભવિષ્યની શોધને સુધારે છે, પરંતુ પ્રોમ્પ્ટ પોતે સ્થિર છે।

આ સિસ્ટમ અલગ છે।

જ્યારે એજન્ટ નિષ્ફળ જાય છે, ત્યારે ઝોઇ સમાન પ્રોમ્પ્ટથી ફરીથી શરૂ નહીં કરે. તે સંપૂર્ણ વ્યવસાય સંદર્ભ સાથે નિષ્ફળતાના કારણોનું વિશ્લેષણ કરશે, પછી પ્રોમ્પ્ટ ફરીથી લખશે:

❌ ખરાબ ઉદાહરણ (સ્થિર પ્રોમ્પ્ટ): { "કસ્ટમ ટેમ્પલેટ ફંક્શન અમલમાં લાવો" }

✅ સારું ઉદાહરણ (ગતિશીલ સમાયોજન): { "રુકો. ગ્રાહકને X જોઈએ, Y નહીં. આ તેમની બેઠકમાંના મૂળ શબ્દો છે: અમે વર્તમાન રૂપરેખા સાચવવા માંગીએ છીએ, નવું બનાવવાની જગ્યાએ. મહત્વપૂર્ણ છે રૂપરેખા પુનરાવૃત્તિ કરવી, નવું પ્રક્રિયા બનાવવું નહીં." }ઝોઇ આ પ્રકારના સમાયોજન કરી શકે છે, કારણ કે તેને અમલના સ્તરે એજન્ટ પાસે ન હોય તેવા સંદર્ભ છે:

• ગ્રાહકે બેઠકમાં શું કહ્યું
• આ કંપની શું કરે છે
• અગાઉની સમાન જરૂરિયાત કેમ નિષ્ફળ ગઈ

આગળ વધીને, ઝોઇ તમારી પાસે કાર્ય સોંપવાની રાહ નહીં જોવે, તે સ્વતંત્ર રીતે કાર્ય શોધશે:

• સવારે: સેંટ્રીને સ્કેન કરવું → 4 નવા ભૂલ શોધી કાઢવા → તપાસવા અને સુધારવા માટે 4 એજન્ટ શરૂ કરવું
• બેઠક પછી: બેઠકના નોંધોને સ્કેન કરવું → 3 ગ્રાહકો દ્વારા ઉલ્લેખિત ફંક્શનની જરૂરિયાતો શોધી કાઢવી → 3 કોડેક્સ શરૂ કરવું
• સાંજે: ગિટ લોગને સ્કેન કરવું → ક્લોડ કોડને ચેન્જલોગ અને ગ્રાહક દસ્તાવેજોને અપડેટ કરવા માટે શરૂ કરવું

લેખક પાછા ફર્યા, ટેલિગ્રામ પર દર્શાવે છે: "7 PR તૈયાર છે. 3 નવા ફંક્શન, 4 બગ સુધારાઓ."

સફળતા ના મોડલને નોંધવામાં આવશે:

• "આ પ્રકારના પ્રોમ્પ્ટ બંધારણ બિલિંગ ફંક્શન માટે ખૂબ અસરકારક છે"
• "કોડેક્સને પ્રકારની વ્યાખ્યાઓ પહેલાં જ મેળવવાની જરૂર છે"
• "હંમેશા પરીક્ષણ ફાઇલના માર્ગને સામેલ કરવું જોઈએ"

બહુમતી સંકેત છે: CI પસાર, ત્રણ કોડ સમીક્ષા પસાર, માનવ સંયોજન. કોઈપણ નિષ્ફળતા ચક્રને પ્રેરિત કરશે।

સમય વધતા જાય છે, ઝોઇ દ્વારા લખાયેલ પ્રોમ્પ્ટ વધુ સારું બને છે, કારણ કે તે યાદ રાખે છે કે શું સફળ થઈ શકે છે।

તંત્ર 2: એજન્ટ પસંદગીની વ્યૂહરચના — અલગ અલગ કાર્ય માટે અલગ અલગ નિષ્ણાતો

બધા એજન્ટ સમાન શક્તિશાળી નથી. લેખકે પસંદગીની વ્યૂહરચના સંક્ષિપ્ત કરી છે:

• કોડેક્સ(gpt-5.3-codex) — મુખ્ય- બેકએન્ડ લોજિક, જટિલ બગ, બહુ ફાઇલ પુનરાવૃત્તિ, જે ક્રોસ કોડબેઝમાં અનુમાનની જરૂર છે તે કાર્ય
• ધીમું પરંતુ સંપૂર્ણ
• 90% કાર્ય

• ક્લોડ કોડ(claude-opus-4.5) — ઝડપવાળા ખેલાડી- ફ્રન્ટએન્ડ કાર્ય
• અધિકારની સમસ્યાઓ ઓછી, ગિટ કામગીરી માટે યોગ્ય
• (લેખક અગાઉ વધુ ઉપયોગ કરતા, પરંતુ કોડેક્સ 5.3 ની આવક પછી બદલાઈ ગયા)

• જેમિની — ડિઝાઇનર- ડિઝાઇનની સૌંદર્યશાસ્ત્ર
• સુંદર UI માટે, પહેલા જેમિનીને HTML/CSS ધોરણો જનરેટ કરવા દો, પછી ક્લોડ કોડને ઘટક સિસ્ટમમાં અમલમાં લાવવા દો
• જેમિની ડિઝાઇન, ક્લોડ બાંધે

ઝોઇ કાર્યના પ્રકારના આધારે આપમેળે એજન્ટ પસંદ કરશે, અને તેમના વચ્ચે આઉટપુટને સંક્રમિત કરશે. બિલિંગ સિસ્ટમ બગ કોડેક્સને, બટન શૈલી સુધારવા માટે ક્લોડ કોડને, નવા ડેશબોર્ડ ડિઝાઇનને પહેલા જેમિનીને આપશે।

તંત્ર 3: બોટલનેક ક્યાં છે? RAM

અહીં એક અચકાવનારી મર્યાદા છે: ટોકન ખર્ચ નથી, API ની ઝડપ નથી, પરંતુ મેમરી છે।

દરેક એજન્ટને જરૂર છે:

• પોતાની વર્કટ્રી
• પોતાની નોડમોડ્યુલ્સ
• બિલ્ડ, પ્રકારની તપાસ, પરીક્ષણ ચલાવવું

5 એજન્ટ એકસાથે ચલાવવું = 5 સમકક્ષ ટાઇપસ્ક્રિપ્ટ સંકલક + 5 પરીક્ષણ ચલાવનાર + 5 સેટ આધાર મેમરીમાં લોડ થાય છે।

લેખકનો મેક મિની(16GB RAM) એકસાથે 4-5 એજન્ટો ચલાવી શકે છે, વધુમાં સ્વેપ શરૂ થાય છે, અને પ્રાર્થના કરવી પડે છે કે તેઓ એકસાથે બિલ્ડ ન કરે।તો તેણે એક મેક સ્ટુડિયો M4 મૅક્સ (128GB RAM, $3500) ખરીદ્યું, જે માર્ચના અંતે પહોંચશે. તેણે કહ્યું કે તે ત્યારે શેર કરશે કે તે કેટલું મૂલ્યવાન છે.

તમે પણ બનાવી શકો છો: શૂન્યથી ચલાવવા માટે ફક્ત 10 મિનિટ

આ સિસ્ટમ અજમાવવા માંગો છો?

સૌથી સરળ રીત:

આ આખી લેખને OpenClaw ને કોપી કરો, તેને કહો: "આ આર્કિટેક્ચર અનુસાર, મારી કોડબેઝ માટે એજન્ટ ક્લસ્ટર સિસ્ટમ અમલમાં લાવો."

પછી, તે કરશે:

• આર્કિટેક્ચર ડિઝાઇન વાંચશે
• સ્ક્રિપ્ટ બનાવશે
• ડિરેક્ટરી સ્ટ્રક્ચર સેટ કરશે
• ક્રોન મોનિટરિંગ કન્ફિગર કરશે

10 મિનિટમાં પૂરું.

તમે તૈયાર કરવું પડશે:

• OpenClaw ખાતું
• Codex અને/અથવા Claude Code ની API ઍક્સેસ
• એક git રિપોઝિટરી
• (વૈકલ્પિક) Obsidian બિઝનેસ સંદર્ભ માટે

2026: એક વ્યક્તિની મિલિયન ડોલરની કંપની

લેખક લેખના અંતે એક વાક્ય કહે છે, જે મને ખૂબ પ્રેરણાદાયક લાગ્યું:

"અમે 2026 થી એક વ્યક્તિની મિલિયન ડોલરની કંપનીઓની મોટી સંખ્યામાં દેખીશું. લિવરેજ વિશાળ છે, તે લોકો માટે છે જે સમજે છે કે કેવી રીતે પુનરાવૃત્ત સ્વયં સુધારણા AI સિસ્ટમ બનાવવી છે."

આ તે રીતે છે:

• એક AI ઓર્ગેનાઇઝર તમારા વિસ્તરણ તરીકે (લેખક માટે ઝોઇની જેમ)
• કામને વિશિષ્ટ એજન્ટને સોંપવું, વિવિધ બિઝનેસ ફંક્શનને સંભાળવું
• એન્જિનિયરિંગ, ગ્રાહક સપોર્ટ, ઓપરેશન, માર્કેટિંગ
• દરેક એજન્ટ તે જ વસ્તુ પર ધ્યાન કેન્દ્રિત કરે છે જેમાં તે શ્રેષ્ઠ છે
• તમે ધ્યાન કેન્દ્રિત અને સંપૂર્ણ નિયંત્રણમાં રહેતા હો

આગળની પેઢીના ઉદ્યોગપતિઓ 10 લોકોને નોકરી પર રાખશે નહીં જે એક વ્યક્તિ અને એક સિસ્ટમ કરી શકે છે. તેઓ આ રીતે બનાવશે - નાના કદમાં રહેતા, ઝડપી ક્રિયા લેતા, દરરોજ પ્રકાશિત કરતા.

હવે AI દ્વારા ઉત્પન્ન થયેલ કચરો સામગ્રી ખૂબ જ વધારે છે. વિવિધ હાઇપ, વિવિધ "ટાસ્ક કંટ્રોલ સેન્ટર" ના શાનદાર ડેમો, પરંતુ ખરેખર ઉપયોગી કંઈ નથી.

લેખક કહે છે કે તે વિરુદ્ધની વસ્તુ કરવા માંગે છે: ઓછું હાઇપ, વધુ વાસ્તવિક બાંધકામની પ્રક્રિયા નોંધવી. વાસ્તવિક ગ્રાહકો, વાસ્તવિક આવક, વાસ્તવિક સબમિશન ઉત્પાદન પર્યાવરણમાં, અને વાસ્તવિક નિષ્ફળતાઓ પણ.

આ લેખ અહીં સમાપ્ત થાય છે.

મુખ્ય મુદ્દાઓની સમીક્ષા:

• ડ્યુલ-લેવલ આર્કિટેક્ચર: ઓર્ગેનાઇઝેશનલ સ્તર બિઝનેસ સંદર્ભ ધરાવે છે, એક્ઝિક્યુશન સ્તર કોડ પર ધ્યાન કેન્દ્રિત કરે છે
• સંપૂર્ણ સ્વચાલન: જરૂરિયાતથી PR સુધી 8 પગલાની પ્રક્રિયા, મોટાભાગના કાર્ય એક જ વખત સફળ
• ડાયનામિક લર્નિંગ: પુનરાવૃત્ત અમલ નથી, પરંતુ નિષ્ફળતા ના કારણો અનુસાર વ્યૂહને સમાયોજિત કરે છે
• ખર્ચ નિયંત્રિત: શરૂઆત $20/મહિનો, ભારે ઉપયોગ $190/મહિનો

જો તમે પણ AI સ્વચાલનના વ્યવહારિક ઉપયોગની શોધમાં છો, તો આશા છે કે આ કેસ તમને કેટલીક પ્રેરણા આપી શકે.

સંદર્ભ સરનામું:[[HTMLPLACEHOLDER0]][[HTMLPLACEHOLDER1]][[HTMLPLACEHOLDER2]][[HTMLPLACEHOLDER3]][[HTMLPLACEHOLDER_4]]