OpenClaw + Claude Code Szuper Útmutató: Egy Emberrel Teljes Fejlesztői Csapatot Építhetsz!

Ma egy nagyon izgalmas gyakorlati esettanulmányt osztok meg. (A cikk végén útmutató található)

Egy független fejlesztő az OpenClaw + Codex/CC segítségével felépített egy AI Agent rendszert. Milyen eredményeket ért el?

Egy nap alatt 94 kódbeadás, 30 perc alatt 7 PR elkészítése, és ezen a napon még 3 ügyfélmegbeszélést is tartott, anélkül, hogy megnyitotta volna a szerkesztőt.

Ez valós esemény volt 2026 januárjában. A szerző nyilvánosságra hozta az egész rendszer architektúráját, munkafolyamatát és kódbeállításait. Miután megnéztem, úgy éreztem, hogy ez a megközelítés nagyon tanulságos, ezért összegyűjtöttem ezt a cikket, hogy megosszam veled.

Ha te is használod a Codexet vagy a Claude Code-ot, vagy érdekel az OpenClaw, ez a cikk sok inspirációt adhat neked.

Egy ember, egy nap 94 kódbeadás

Először nézzünk meg néhány adatot, hogy érezzük a rendszer erejét:

• Legmagasabb napi 94 kódbeadás (átlagosan napi 50 kódbeadás)
• 30 perc alatt 7 PR elkészítése
• Az ötlettől a megvalósításig terjedő sebesség olyan gyors, hogy "azon a napon teljesíti az ügyfél igényeit"

A szerző ezzel a rendszerrel egy valós B2B SaaS terméket fejleszt, a társalapító közvetlen értékesítésével, a legtöbb funkcióigényt aznap meg tudják oldani. Milyen gyorsan? Az ügyfél igényét aznap látja az eredményeket, közvetlenül átváltható fizetős felhasználóvá.

Mennyi a költség? Havonta 190 dollár (Claude 100 dollár + Codex 90 dollár), kezdőknek 20 dollárral elindulhat.

Talán megkérdezed: Ez nem csak egy halom AI eszköz felhalmozása, ami őrült módon generálja a hulladék kódot?

Nem. A szerző Git története úgy néz ki, mint "most toboroztunk egy fejlesztőcsapatot", de valójában csak ő van. A kulcsfontosságú változás az, hogy: ő "a Claude Code kezeléséről" "egy AI házvezetőnő kezelésére" váltott, aki aztán egy csoport Claude Code-ot kezel.

• Január előtt: közvetlenül a Codexet vagy a Claude Code-ot használta kód írására
• Január után: az OpenClaw-t használja mint szervezési réteget, hogy irányítsa a Codexet/Claude Code-ot/Geminit

Ez a változás azt eredményezte, hogy a rendszer szinte minden kis- és közepes bonyolultságú feladatot automatikusan el tud végezni, emberi beavatkozás nélkül.

Miért nem elég a Codex és a Claude Code önállóan?

Ekkor talán azt gondolod: a Codex és a Claude Code már nagyon erős, miért kell még egy szervezési réteg?

A szerző válasza nagyon egyértelmű: a Codex és a Claude Code szinte semmit sem tud a vállalkozásodról. Csak a kódot látják, nem látják a teljes üzleti képet.

Itt van egy alapvető korlátozás: a kontextusablak fix, csak egyet választhatsz.

Választanod kell, hogy mit töltesz bele:

• Tele kód → nincs hely az üzleti kontextusnak
• Tele ügyfél történelemmel → nincs hely a kód könyvtárnak

Tehát ha önállóan használod a Codexet vagy a Claude Code-ot, ezekkel a problémákkal fogsz szembesülni:

• Nem tudja, hogy ez a funkció melyik ügyfél számára készült
• Nem tudja, hogy az utolsó hasonló igény miért nem sikerült
• Nem tudja a terméked pozicionálását és tervezési elveit
• Csak a jelenlegi kód és a prompt alapján tud dolgozni

Az OpenClaw megváltoztatta ezt az egyenletet.

Ez a szervezési réteg, amely a te és az összes AI eszköz között helyezkedik el. A szerepe:

• Minden üzleti kontextus birtoklása (ügyféladatok, megbeszélési jegyzetek, történelmi döntések, sikeres / sikertelen esetek)
• Az üzleti kontextus pontos promptokká való fordítása, amelyeket konkrét ügynököknek adunk
• Ezeket az ügynököket arra összpontosítja, hogy azt csinálják, amiben a legjobbak: kódot írjanak

Hasonlítsuk össze:

• Codex/Claude Code = szakács, aki csak főz
• OpenClaw = főszakács, aki tudja az ügyfél ízlését, az alapanyagok készletét, a menü pozicionálását, és pontos utasításokat ad minden szakácsnak

Ezért van szükség a kétszintű rendszerre: a kontextus szakosított munkamegosztásával, nem pedig erősebb modellek cseréjével.

A kétszintű rendszer konkrét architektúrája: szervezési réteg + végrehajtási réteg

Nézzük meg a rendszer konkrét architektúráját.

OpenClaw（编排层）能做什么？

• Olvassa el az Obsidian jegyzetekben található összes értekezleti jegyzőkönyvet (automatikus szinkronizálás)
• Hozzáférés a termelési adatbázishoz (csak olvasási jogok) az ügyfél konfigurációjának megszerzéséhez
• Adminisztrátori API jogosultságokkal rendelkezik, közvetlenül feltöltheti az ügyfelet és feloldhatja a blokkolást
• A feladat típusa alapján megfelelő ügynök kiválasztása
• Minden ügynök előrehaladásának figyelése, ha hibát észlel, elemzi az okokat és módosítja a promptot a próbálkozáshoz
• Befejezés után értesíti a szerzőt a Telegramon

Agent（执行层）能做什么？

• Kód könyvtár olvasása és írása
• Tesztelés és építés futtatása
• Kód benyújtása és PR létrehozása
• Válasz a kódellenőrzési visszajelzésekre

Kulcspont: Az végrehajtási szint ügynökei soha nem érintkeznek a termelési adatbázissal, és nem látják az ügyfelek érzékeny információit. Csak a "feladat elvégzéséhez szükséges legkisebb kontextust" kapják meg.

Ez a tervezés nagyon okos: a biztonsági határok világosak, miközben a hatékonyságot is biztosítják.

Teljes munkafolyamat: 8 lépés az ügyfél igényétől a PR egyesítéséig

Most lépjünk a lényegre. Az író egy valós példáján keresztül, amelyet a múlt héten tapasztalt, végigvezetjük a teljes folyamatot.

Háttér: Egy vállalati ügyfél telefonált, és azt mondta, hogy szeretnék újra felhasználni a már konfigurált beállításaikat, és megosztani a csapaton belül.

1. lépés: Ügyfél igény → OpenClaw megérti és lebontja

A telefonbeszélgetés után az író és Zoe (az ő OpenClaw-ja) beszélgetett erről az igényről.

A csodálatos dolog itt: nulla magyarázati költség. Mivel az összes értekezleti jegyzőkönyv automatikusan szinkronizálódik az Obsidianba, Zoe már elolvasta a telefonbeszélgetés tartalmát, tudja, ki az ügyfél, mi az üzleti helyzetük és mi a meglévő konfiguráció.

Az író és Zoe együtt lebontották az igényt: készítsenek egy sablon rendszert, amely lehetővé teszi a felhasználók számára a meglévő konfigurációk mentését és szerkesztését.

Ezután Zoe három dolgot tett:

• Feltöltötte az ügyfelet — az adminisztrátori API segítségével azonnal feloldotta az ügyfél használati korlátozásait
• Lekérte az ügyfél konfigurációját — a termelési adatbázisból (csak olvasás) megszerezte az ügyfél meglévő beállításait
• Generálta a promptot és elindította az ügynököt — az összes kontextust becsomagolta, és átadta a Codexnek

2. lépés: Ügynök indítása

Zoe létrehozta ezt a feladatot:

• Egy független git worktree-t (izolált ágbeli környezet)
• Egy tmux munkamenetet (hogy az ügynök a háttérben fusson)

# 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 Miért használunk tmux-ot? Mert lehetőség van közbeavatkozni.

Ha az AI eltér az iránytól, nem kell megölni és újrakezdeni, egyszerűen a tmux-ban kiadni az utasítást:

# 代理方向错了 tmux send-keys -t codex-templates "Állj meg. Először az API szintet csináld, ne foglalkozz a UI-val." Enter

代理需要更多上下文

tmux send-keys -t codex-templates "A típusdefiníció a src/types/template.ts-ben van, használd azt." Enter Ekkor a feladat egy JSON fájlba is rögzítésre kerül:[[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]] A teljes folyamat végigjárása, az ügyfél igényétől a kód élesítéséig, lehet, hogy csak 1-2 órát vett igénybe, míg a szerző tényleges ráfordítása talán csak 10 perc volt.

## Három mechanizmus, ami okosabbá teszi a rendszert

### Mechanizmus 1: Fejlesztett Ralph Loop — nem csak ismétlés, hanem tanulás

Lehet, hogy hallottál már a Ralph Loop-ról: a kontextus lehívása a memóriából → kimenet generálása → eredmény értékelése → tanulás mentése.

De a legtöbb megvalósításnak van egy problémája: minden egyes ciklusban ugyanazt a promptot használják. A tanult dolgok javítják a jövőbeli keresést, de a prompt maga statikus.

Ez a rendszer más.

Amikor az Ügynök hibázik, Zoe nem ugyanazzal a prompttal indít újra. Ő a teljes üzleti kontextussal elemzi a hiba okát, majd átírja a promptot:

❌ Rossz példa (statikus prompt):
{
"testreszabott sablon funkció megvalósítása"
}

✅ Jó példa (dinamikus kiigazítás):
{
"Állj meg. Az ügyfél X-et kér, nem Y-t. Ez az ő szavaik a megbeszélésen:
Szeretnénk megőrizni a meglévő konfigurációt, nem pedig újakat létrehozni.
A hangsúly a konfiguráció újrahasználatán van, ne új folyamatokat hozzunk létre."
}
Zoe képes ilyen kiigazításokra, mert van olyan kontextusa, amely az Ügynöknek nincs:

- Mit mondott az ügyfél a megbeszélésen
- Mivel foglalkozik a cég
- Miért bukott el a legutóbbi hasonló igény

Továbbá, Zoe nem vár arra, hogy feladatot kapjon, ő aktívan keres munkát:

- Reggel: Sentry átvizsgálása → 4 új hiba felfedezése → 4 Ügynök indítása a vizsgálatra és javításra
- A megbeszélés után: a megbeszélési jegyzőkönyv átvizsgálása → 3 ügyfél által említett funkcióigény felfedezése → 3 Codex indítása
- Este: git log átvizsgálása → Claude Code indítása a changelog és az ügyfél dokumentáció frissítésére

A szerző visszatér a sétából, a Telegramon megjelenik: "7 PR készen áll. 3 új funkció, 4 hiba javítva."

A sikeres mintákat rögzítik:

- "Ez a prompt struktúra nagyon hatékony a számlázási funkcióhoz"
- "A Codexnek előre meg kell kapnia a típusdefiníciókat"
- "Mindig tartalmaznia kell a tesztfájlok elérési útját"

A jutalmazó jelzés: CI átmegy, három kódellenőrzés átmegy, manuális egyesítés. Bármilyen hiba ciklust indít.

Minél hosszabb ideig, annál jobb promptokat ír Zoe, mert emlékszik, mi működik.

### Mechanizmus 2: Ügynök választási stratégia — különböző feladatokhoz különböző szakértők

Nem minden Ügynök egyformán erős. A szerző által összegzett választási stratégia:

- Codex(gpt-5.3-codex) — Főszereplő - hátsó logika, bonyolult hibák, több fájl átalakítása, feladatok, amelyekhez kód könyvtárak közötti következtetés szükséges
- Lassú, de alapos
- A feladatok 90%-át teszi ki

- Claude Code(claude-opus-4.5) — Gyors típusú szereplő - frontend munka
- Kevés jogosultsági probléma, git műveletekhez alkalmas
- (A szerző korábban gyakrabban használta, de a Codex 5.3 megjelenése után váltott)

- Gemini — Tervező - van tervezési esztétikája
- A szép UI-hoz először a Gemini generálja a HTML/CSS specifikációt, majd a Claude Code valósítja meg a komponens rendszerben
- Gemini tervez, Claude épít

Zoe automatikusan választ Ügynököt a feladat típusa alapján, és átadja az outputokat közöttük. A számlázási rendszer hibáját a Codexnek, a gombstílus javítását a Claude Code-nak, az új irányítópult tervezését először a Gemini-nek adják.

### Mechanizmus 3: Hol a szűk keresztmetszet? RAM

Itt van egy váratlan korlátozás: nem a token költség, nem az API sebesség, hanem a memória.

Minden Ügynöknek szüksége van:

- Saját worktree
- Saját nodemodules
- Futás a build, típusellenőrzés, tesztelés során

5 Ügynök párhuzamosan fut = 5 párhuzamos TypeScript fordító + 5 tesztfuttató + 5 készlet függőség betöltve a memóriába.

A szerző Mac Mini-je (16GB RAM) legfeljebb 4-5 Ügynököt tud párhuzamosan futtatni, több már swapolni kezd, és imádkozni kell, hogy ne építsenek egyszerre.Tehát vásárolt egy Mac Studio M4 Max-ot (128GB RAM, $3500), ami március végén érkezik. Azt mondta, akkor megosztja, hogy megérte-e.

Te is felépítheted: 10 perc alatt működésbe hozható

Ki szeretné kipróbálni ezt a rendszert?

A legegyszerűbb módja:

Másold át ezt az egész cikket az OpenClaw-nak, és mondd neki: "E szerint az architektúra szerint valósíts meg egy Agent klaszter rendszert a kód könyvtáramban."

Akkor ő fogja:

• Olvasni az architektúra tervezést
• Létrehozni a szkripteket
• Beállítani a könyvtár struktúrát
• Konfigurálni a cron monitorozást

10 perc alatt kész.

A következőkre van szükséged:

• OpenClaw fiók
• Codex és/vagy Claude Code API hozzáférés
• Egy git tároló
• (opcionális) Obsidian az üzleti kontextus tárolására

2026: Egy ember egymillió dolláros cége

A szerző a cikk végén mondott egy mondatot, ami nagyon inspiráló:

"Látni fogunk sok egyszemélyes egymillió dolláros céget 2026-tól kezdve. A tőke hatalmas, azoknak a birtokában, akik értik, hogyan kell felépíteni a rekurzív önfejlesztő AI rendszereket."

Ez így néz ki:

• Egy AI orchestrátor mint a kiterjesztésed (mint Zoe a szerző számára)
• A munkát delegálni a szakosodott Agent-eknek, akik különböző üzleti funkciókat kezelnek
• Mérnökség, ügyféltámogatás, működés, marketing
• Minden Agent arra összpontosít, amiben a legjobb
• Te megőrzöd a fókuszt és a teljes kontrollt

A következő generációs vállalkozók nem fognak 10 embert alkalmazni, hogy egy ember és egy rendszer által elvégezhető feladatokat végezzenek. Így fognak építkezni - kicsiben maradva, gyorsan cselekedve, naponta publikálva.

Mostanában túl sok AI által generált szemét tartalom van. Különböző felhajtások, különböző "feladatirányító központok" csicsás demói, de valóban hasznos dolog nélkül.

A szerző azt mondja, hogy az ellenkezőjét szeretné tenni: kevesebb felhajtás, több valódi építési folyamat dokumentálása. Valódi ügyfelek, valódi bevételek, valódi kiadások a termelési környezetbe, és valódi kudarcok is.

Ez a cikk itt véget ér.

Főbb pontok áttekintése:

• Két szintű architektúra: az orchestrációs szint birtokolja az üzleti kontextust, a végrehajtási szint a kódra összpontosít
• Teljes automatizálás: a követelményektől a PR-ig terjedő 8 lépéses folyamat, a legtöbb feladat egyszeri sikerrel
• Dinamikus tanulás: nem ismételt végrehajtás, hanem a hibák okai alapján a stratégia módosítása
• Költségek kontrollálhatóak: indulás $20/hó, intenzív használat $190/hó

Ha te is az AI automatizálás gyakorlati alkalmazásait kutatod, remélem, hogy ez az eset inspirációt ad számodra.

Hivatkozási cím:[[HTMLPLACEHOLDER28]][[HTMLPLACEHOLDER_29]]