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

Šiandien pasidalinsiu labai įspūdingu praktiniu atveju. (Pabaigoje pridėtas vadovas)

Vienas nepriklausomas kūrėjas, naudodamas OpenClaw + Codex/CC, sukūrė AI Agent sistemą. Koks buvo rezultatas?

Per dieną 94 kartus pateikė pakeitimus, per 30 minučių užbaigė 7 PR, o tą dieną taip pat surengė 3 klientų susitikimus, net neatsidaręs redaktoriaus.

Tai tikrai įvyko 2026 metų sausio mėnesį. Autorius atskleidė visą sistemos architektūrą, darbo eigą ir kodo konfigūraciją, ir man pasirodė, kad ši idėja labai verta mokymosi, todėl sudariau šį straipsnį, kad pasidalinčiau su jumis.

Jei jūs taip pat naudojate Codex arba Claude Code, arba jus domina OpenClaw, šis straipsnis suteiks jums daug įkvėpimo.

Vienas žmogus, 94 kodo pakeitimai per dieną

Pirmiausia pažvelkime į keletą duomenų, kad pajustume šios sistemos galią:

• Didžiausias dienos pakeitimų skaičius – 94 (vidutiniškai 50 pakeitimų per dieną)
• 30 minučių užbaigti 7 PR
• Nuo idėjos iki paleidimo greitis toks greitas, kad galima "tą pačią dieną pateikti klientų poreikius"

Autorius naudojo šią sistemą kuriant tikrą B2B SaaS produktą, kartu su įkūrėjo tiesiogine prekyba, didžioji dalis funkcijų poreikių gali būti įvykdyta tą pačią dieną. Koks greitis? Klientas pateikia poreikį, tą pačią dieną gali matyti rezultatą, tiesiogiai konvertuojasi į mokamus vartotojus.

O kaip dėl kaštų? Kiekvieną mėnesį $190 (Claude $100 + Codex $90), pradedantiesiems užtenka $20, kad pradėtų.

Galbūt klausiate: ar tai ne tik krūva AI įrankių, kurie beprotiškai generuoja šiukšlių kodą?

Ne. Autoriaus Git istorija atrodo tarsi "naujas kūrėjų komanda", tačiau iš tikrųjų jis yra vienintelis. Pagrindinis pokytis yra tas, kad jis perėjo nuo "Claude Code valdymo" prie "AI padėjėjo valdymo, kuris valdo grupę Claude Code".

• Prieš sausį: tiesiog rašyti kodą naudojant Codex arba Claude Code
• Po sausio: naudoti OpenClaw kaip derinimo sluoksnį, kad jis tvarkytų Codex/Claude Code/Gemini

Šis pokytis atnešė rezultatą: sistema gali automatiškai atlikti beveik visus mažo ir vidutinio sudėtingumo uždavinius, nereikalaujant žmogaus įsikišimo.

Kodėl Codex ir Claude Code atskirai nėra pakankamai gerai?

Šiuo metu galite pagalvoti: Codex ir Claude Code jau yra labai galingi, kodėl dar reikia pridėti derinimo sluoksnį?

Autoriaus atsakymas labai tiesus: Codex ir Claude Code beveik nieko nežino apie jūsų verslą. Jie mato tik kodą, nemato viso verslo vaizdo.

Čia yra esminis apribojimas: konteksto langas yra fiksuotas, galite pasirinkti tik vieną.

Turite pasirinkti, ką į jį įdėti:

• Užpildyti kodu → nėra vietos verslo kontekstui
• Užpildyti klientų istorija → nėra vietos kodų bazei

Taigi, kai naudojate Codex arba Claude Code atskirai, susiduriate su šiomis problemomis:

• Jis nežino, kuriam klientui ši funkcija skirta
• Jis nežino, kodėl ankstesnis panašus poreikis nepavyko
• Jis nežino jūsų produkto pozicionavimo ir dizaino principų
• Jis gali dirbti tik pagal esamą kodą ir jūsų užklausą

OpenClaw pakeitė šią lygtį.

Jis veikia kaip derinimo sluoksnis, esantis tarp jūsų ir visų AI įrankių. Jo vaidmuo yra:

• Turėti visą verslo kontekstą (klientų duomenys, susitikimų protokolai, istoriniai sprendimai, sėkmės/nesėkmės atvejai)
• Išversti verslo kontekstą į tikslius užklausimus, kuriuos pateikti konkretiems agentams
• Leisti šiems agentams sutelkti dėmesį į tai, ką jie geriausiai moka: rašyti kodą

Palyginkime:

• Codex/Claude Code = profesionalus virėjas, kuris tik gamina maistą
• OpenClaw = šefas, žinantis klientų skonį, ingredientų atsargas, meniu pozicionavimą, duodantis kiekvienam virėjui tikslius nurodymus

Būtent todėl reikia dvigubo sluoksnio sistemos: per konteksto specializaciją, o ne keičiant į galingesnį modelį.

Dvigubo sluoksnio sistemos konkreti architektūra: derinimo sluoksnis + vykdymo sluoksnis

Pažvelkime į šios sistemos konkrečią architektūrą.

Dvi sluoksniai, kiekvienas atlieka savo funkcijas:

OpenClaw (koordinavimo sluoksnis) gali:

• Perskaityti visas susitikimų ataskaitas iš Obsidian užrašų (automatinis sinchronizavimas)
• Pasiekti gamybos duomenų bazę (tik skaitymo teisės) gauti klientų konfigūraciją
• Turėti administratoriaus API teises, gali tiesiogiai papildyti klientų sąskaitas ir panaikinti blokavimą
• Pasirinkti tinkamą agentą pagal užduoties tipą
• Stebėti visų agentų pažangą, jei nepavyksta, analizuoti priežastis ir koreguoti prompt'ą bandymui
• Baigus, pranešti autoriui per Telegram

Agentas (vykdymo sluoksnis) gali:

• Skaityti ir rašyti kodų saugyklą
• Vykdyti testus ir kurti
• Pateikti kodą ir kurti PR
• Reaguoti į kodo peržiūros atsiliepimus

Pagrindinė mintis: vykdymo sluoksnio agentai niekada nesusisieks su gamybos duomenų baze ir nematys klientų jautrios informacijos. Jie gauna tik "mažiausią kontekstą, kurio reikia užduočiai atlikti".

Šis dizainas yra protingas: saugumo riba aiški, tuo pačiu užtikrinant efektyvumą.

Pilnas darbo srautas: nuo kliento poreikio iki PR sujungimo 8 žingsniuose

Dabar pereikime prie pagrindinės dalies. Naudodami autoriaus tikrą atvejį iš praėjusios savaitės, parodysime visą procesą.

Fonas: Įmonių klientas paskambino ir pasakė, kad nori pakartotinai naudoti jau sukonfigūruotus nustatymus, kad galėtų dalintis komandoje.

1 žingsnis: Kliento poreikis → OpenClaw supranta ir išskaido

Baigus pokalbį, autorius ir Zoe (jo OpenClaw) aptarė šį poreikį.

Čia yra stebuklinga dalis: nulinės paaiškinimo išlaidos. Kadangi visos susitikimų ataskaitos automatiškai sinchronizuojamos su Obsidian, Zoe jau perskaitė pokalbio turinį, žino, kas yra klientas, jų verslo scenarijus, esama konfigūracija.

Autorius ir Zoe kartu išskaidė poreikį į: sukurti šablonų sistemą, leidžiančią vartotojams išsaugoti ir redaguoti esamą konfigūraciją.

Tada Zoe atliko tris dalykus:

• Papildė klientą — naudojant administratoriaus API, iš karto panaikino kliento naudojimo apribojimus
• Gavo kliento konfigūraciją — gavo esamus nustatymus iš gamybos duomenų bazės (tik skaitymui)
• Sukūrė prompt'ą ir paleido agentą — supakavo visą kontekstą ir pateikė Codex

2 žingsnis: Paleisti agentą

Zoe sukūrė šiam užduočiai:

• Nepriklausomą git worktree (izoliuota šakos aplinka)
• Tmux sesiją (leidžia Agentui veikti fone)

# Sukurti worktree + paleisti agentą 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 Kodėl naudojame tmux? Nes galima įsikišti viduryje.

Jei AI nukrypsta, nereikia visko nužudyti ir pradėti iš naujo, tiesiog tmux'e išsiųsti komandą:

# Agentas nukrypo tmux send-keys -t codex-templates "Sustokite. Pirmiausia atlikite API sluoksnį, nesirūpinkite UI." Enter

Agentui reikia daugiau konteksto

tmux send-keys -t codex-templates "Tipų apibrėžimas yra src/types/template.ts, naudokite tą." Enter Tuo pačiu metu užduotis bus užfiksuota JSON faile:[[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]]Visas procesas nuo kliento poreikių iki kodo paleidimo gali užtrukti tik 1-2 valandas, o autoriaus faktinis įsitraukimas gali būti tik 10 minučių.

## Trys mechanizmai, kurie padaro sistemą protingesnę

### Mechanizmas 1: Patobulinta Ralph Loop — ne tik kartojimas, bet ir mokymasis

Jūs galbūt girdėjote apie Ralph Loop: iš atminties ištraukti kontekstą → generuoti išvestį → įvertinti rezultatus → išsaugoti mokymąsi.

Tačiau dauguma įgyvendinimų turi vieną problemą: kiekviename cikle naudojamas tas pats promptas. Išmoktos pamokos pagerina būsimą paiešką, tačiau pats promptas yra statinis.

Ši sistema yra kitokia.

Kai Agentas nepavyksta, Zoe nebus naudojama tas pats promptas iš naujo. Ji analizuos nesėkmės priežastis su visais verslo kontekstais ir tada perrašys promptą:

❌ Blogas pavyzdys (statinis promptas):
{
"Įgyvendinti pritaikytos šablono funkciją"
}

✅ Geras pavyzdys (dinaminis pritaikymas):
{
"Sustokite. Klientas nori X, o ne Y. Štai jų žodžiai iš susitikimo:
Mes norime išsaugoti esamą konfigūraciją, o ne kurti naują nuo nulio.
Pagrindinis dėmesys turėtų būti skiriamas konfigūracijos pakartotiniam naudojimui, o ne naujų procesų kūrimui."
}
Zoe gali atlikti tokius pritaikymus, nes ji turi kontekstą, kurio Agentas neturi:

- Ką klientas pasakė susitikimo metu
- Kuo užsiima ši įmonė
- Kodėl ankstesnis panašus poreikis nepavyko

Dar daugiau, Zoe nelauks, kol jūs paskirsite užduotį, ji aktyviai ieškos darbo:

- Ryte: skenuoja Sentry → randa 4 naujas klaidas → paleidžia 4 Agentus tirti ir taisyti
- Po susitikimo: skenuoja susitikimo protokolą → randa 3 funkcijų poreikius, kuriuos paminėjo klientai → paleidžia 3 Codex
- Vakarop: skenuoja git log → paleidžia Claude Code atnaujinti changelog ir kliento dokumentus

Autorius grįžta iš pasivaikščiojimo, Telegram'e rodo: "7 PR paruošti. 3 naujos funkcijos, 4 klaidų taisymai."

Sėkmingi modeliai bus užfiksuoti:

- "Ši prompt struktūra labai efektyvi sąskaitų funkcijai"
- "Codex reikia gauti tipų apibrėžimus iš anksto"
- "Visada reikia įtraukti testų failų kelią"

Apdovanojimo signalai yra: CI praėjo, trys kodo peržiūros praėjo, rankinis sujungimas. Bet koks nesėkmė sukels ciklą.

Kuo ilgiau, tuo geresnis Zoe rašomas promptas, nes ji prisimena, kas gali pavykti.

### Mechanizmas 2: Agentų pasirinkimo strategija — skirtingoms užduotims skirtingi ekspertai

Ne visi Agentai yra vienodai stiprūs. Autoriaus apibendrinta pasirinkimo strategija:

- Codex(gpt-5.3-codex) — pagrindinis - užpakalinė logika, sudėtingos klaidos, daugių failų rekonstrukcija, užduotys, reikalaujančios tarpinių kodo bazės išvadų
- Lėtas, bet išsamus
- Apima 90% užduočių

- Claude Code(claude-opus-4.5) — greičio specialistas - priekinis darbas
- Mažai leidimų problemų, tinkamas git operacijoms
- (autorius anksčiau dažniau naudojo, bet po Codex 5.3 pasirodymo perėjo prie jo)

- Gemini — dizaineris - turi dizaino estetiką
- Dėl gražaus UI pirmiausia leiskite Gemini generuoti HTML/CSS specifikacijas, tada perduokite Claude Code, kad jas įgyvendintų komponentų sistemoje
- Gemini dizainas, Claude statyba

Zoe automatiškai pasirenka Agentą pagal užduoties tipą ir perduoda išvestį tarp jų. Sąskaitų sistemos klaida perduodama Codex, mygtuko stiliaus taisymas perduodamas Claude Code, naujas prietaisų skydelio dizainas pirmiausia perduodamas Gemini.

### Mechanizmas 3: Kur yra butelio kaklelis? RAM

Čia yra netikėtas apribojimas: ne tokenų kaina, ne API greitis, o atmintis.

Kiekvienam Agentui reikia:

- Savo darbo medžio
- Savo nodemodules
- Vykdyti statybą, tipų tikrinimą, testavimą

5 Agentų, veikiančių vienu metu = 5 lygiagrečių TypeScript kompiliatorių + 5 testų vykdytojų + 5 rinkiniai priklausomybėms įkelti į atmintį.

Autoriaus Mac Mini (16GB RAM) gali vienu metu paleisti 4-5 Agentus, daugiau jau pradeda keistis, ir reikia melstis, kad jie nesukurtų tuo pačiu metu.Taigi jis nusipirko Mac Studio M4 Max (128GB RAM, $3500), kuris atvyko kovo pabaigoje. Jis sakė, kad tuo metu pasidalins, ar tai verta.

Tu taip pat gali sukurti: nuo nulio iki veikimo tik per 10 minučių

Nori išbandyti šią sistemą?

Lengviausias būdas:

Kopijuok visą šį straipsnį OpenClaw ir pasakyk jam: "Pagal šią architektūrą, įgyvendink mano kodo bibliotekai Agentų klasterio sistemą."

Tada jis:

• Perskaitys architektūros dizainą
• Sukurs scenarijus
• Nustatys katalogų struktūrą
• Konfigūruos cron stebėjimą

10 minučių ir viskas paruošta.

Tu turi pasiruošti:

• OpenClaw paskyra
• Codex ir/arba Claude Code API prieiga
• Git saugykla
• (pasirinktinai) Obsidian verslo konteksto saugojimui

2026: milijono dolerių įmonė vienam žmogui

Autorius straipsnio pabaigoje pasakė mintį, kuri man pasirodė labai įkvepianti:

"Mes pamatysime daugybę milijono dolerių įmonių, veikiančių vienam žmogui, atsirandančių nuo 2026 metų. Svertas yra milžiniškas, jis priklauso tiems, kurie supranta, kaip kurti rekurzinius savęs tobulinimo AI sistemas."

Tai atrodo taip:

• AI orkestratorius kaip tavo pratęsimas (kaip Zoe autoriui)
• Darbą deleguoti specializuotiems Agentams, tvarkyti skirtingas verslo funkcijas
• Inžinerija, klientų aptarnavimas, operacijos, rinkodara
• Kiekvienas Agentas koncentruojasi į tai, ką geriausiai moka
• Tu išlaikai dėmesį ir visišką kontrolę

Kitos kartos verslininkai nebeįdarbins 10 žmonių, kad padarytų tai, ką gali padaryti vienas žmogus su sistema. Jie tai konstruos taip — išlaikydami mažą mastą, greitai veikdami, kasdien skelbdami.

Dabar AI sugeneruoto šiukšlių turinio yra per daug. Įvairūs triukšmai, įvairūs "užduočių valdymo centrų" puošnūs demonstraciniai pavyzdžiai, bet nėra nieko tikrai naudingo.

Autorius sako, kad nori daryti priešingai: mažiau triukšmo, daugiau tikro kūrimo proceso dokumentavimo. Tikri klientai, tikri pajamų šaltiniai, tikri pateikimai, paskelbti į gamybos aplinką, taip pat tikri nesėkmės.

Šis straipsnis baigiasi čia.

Pagrindiniai punktai:

• Dviejų lygių architektūra: orkestravimo lygis turi verslo kontekstą, vykdymo lygis koncentruojasi į kodą
• Pilnas automatizavimas: 8 žingsnių procesas nuo reikalavimų iki PR, didžioji dalis užduočių sėkmingai įvykdoma iš pirmo karto
• Dinaminis mokymasis: ne pakartotinis vykdymas, o strategijos koregavimas pagal nesėkmių priežastis
• Kontroliuojamos išlaidos: pradžia $20/mėn, intensyvus naudojimas $190/mėn

Jei ir tu tyrinėji AI automatizavimo praktinį taikymą, tikiuosi, kad šis atvejis suteiks tau šiek tiek įkvėpimo.

Nuoroda:[[HTMLPLACEHOLDER_29]]