OpenClaw + Claude Code super spēcīgs ceļvedis: viens cilvēks var izveidot pilnu izstrādes komandu!

Šodien dalos ar ļoti iespaidīgu praktisku gadījumu. (Mācību materiāls beigās)

Viens neatkarīgs izstrādātājs ar OpenClaw + Codex/CC izveidoja AI aģentu sistēmu, kādu rezultātu viņš sasniedza?

Vienā dienā 94 reizes iesniegts, 30 minūtēs pabeigti 7 PR, un šajā dienā viņš vēl rīkoja 3 klientu sanāksmes, redaktors pat netika atvērts.

Tas patiešām notika 2026. gada janvārī. Autors publiski atklāja visu sistēmas arhitektūru, darba plūsmu un koda konfigurāciju, un pēc tam, kad to izlasīju, sapratu, ka šī pieeja ir ļoti vērtīga, tāpēc apkopoju to šajā rakstā, lai dalītos ar jums.

Ja arī jūs izmantojat Codex vai Claude Code, vai ja jūs interesē OpenClaw, šis raksts jums sniegs daudz iedvesmas.

Viens cilvēks, 94 reizes koda iesniegšana dienā

Vispirms aplūkosim dažus datus, lai izjustu šīs sistēmas jaudu:

• Vienā dienā maksimāli 94 reizes iesniegts (vidēji 50 reizes dienā)
• 30 minūtēs pabeigti 7 PR
• No idejas līdz palaišanai ātrums ir tik liels, ka var "piegādāt klienta prasības tajā pašā dienā"

Autors izmantoja šo sistēmu, lai izstrādātu reālu B2B SaaS produktu, apvienojot to ar dibinātāja tiešo pārdošanu, lielākā daļa funkciju prasību var tikt izpildītas tajā pašā dienā. Cik ātri? Klients izsaka prasību, tajā pašā dienā var redzēt rezultātu, tieši pārvēršoties par maksājošiem lietotājiem.

Kādas ir izmaksas? Katru mēnesi $190 (Claude $100 + Codex $90), iesācējiem sākot no $20 var uzsākt darbu.

Jūs, iespējams, jautāsiet: vai tas nav tikai kaudze AI rīku, kas traki ģenerē atkritumu kodu?

Nē. Autora Git vēsture izskatās tā, it kā "tiktu pieņemta jauna izstrādes komanda", bet patiesībā tur ir tikai viņš viens. Galvenā izmaiņa ir: viņš no "Claude Code pārvaldīšanas" pārgāja uz "AI mājkalpotāja pārvaldīšanu, kas pēc tam pārvalda grupu Claude Code".

• Pirms janvāra: tieši izmanto Codex vai Claude Code, lai rakstītu kodu
• Pēc janvāra: izmanto OpenClaw kā saskaņošanas slāni, ļaujot tam plānot Codex/Claude Code/Gemini

Šī pāreja radīja efektu: sistēma var automātiski pabeigt gandrīz visus mazos līdz vidēji sarežģītos uzdevumus, neprasot cilvēka iejaukšanos.

Kāpēc Codex un Claude Code atsevišķi nav pietiekami labi?

Šajā brīdī jūs, iespējams, domājat: Codex un Claude Code jau ir ļoti spēcīgi, kāpēc vēl pievienot saskaņošanas slāni?

Autora sniegtais atbildes ir ļoti tiešs: Codex un Claude Code praktiski neko nezina par jūsu biznesu. Tie redz tikai kodu, neredzot pilnu biznesa ainu.

Šeit ir fundamentāla ierobežojuma: konteksta logs ir fiksēts, jūs varat izvēlēties tikai vienu.

Jums jāizvēlas, ko tajā iekļaut:

• Piepildīt ar kodu → nav vietas biznesa kontekstam
• Piepildīt ar klientu vēsturi → nav vietas kodu krātuvēm

Tāpēc, izmantojot Codex vai Claude Code atsevišķi, jūs sastapsieties ar šīm problēmām:

• Tas nezina, kuram klientam šī funkcija ir paredzēta
• Tas nezina, kāpēc iepriekšējā līdzīga prasība neizdevās
• Tas nezina jūsu produkta pozicionējumu un dizaina principus
• Tas var strādāt tikai, pamatojoties uz pašreizējo kodu un jūsu norādījumiem

OpenClaw mainīja šo vienādojumu.

Tas darbojas kā saskaņošanas slānis, atrodoties starp jums un visiem AI rīkiem. Tā loma ir:

• Turēt visu biznesa kontekstu (klientu dati, sanāksmju protokoli, vēsturiskie lēmumi, veiksmīgi/neveiksmīgi gadījumi)
• Pārvērst biznesa kontekstu precīzās norādēs, ko nodot konkrētam aģentam
• Ļaut šiem aģentiem koncentrēties uz to, ko viņi prot vislabāk: rakstīt kodu

Salīdzināsim:

• Codex/Claude Code = profesionāls pavārs, kas tikai gatavo ēdienu
• OpenClaw = šefpavārs, kas zina klientu gaumi, sastāvdaļu krājumus, ēdienkarti, dod katram pavāram precīzus norādījumus

Tāpēc ir nepieciešama divslāņu sistēma: caur konteksta specializētu sadalījumu, nevis nomainot uz spēcīgāku modeli.

Divslāņu sistēmas konkrētā arhitektūra: saskaņošanas slānis + izpildes slānis

Apskatīsim šīs sistēmas konkrēto arhitektūru.

Divas līmeņi, katrs ar savu lomu:

Ko var darīt OpenClaw (organizācijas līmenis)?

• Lasīt visus sanāksmju protokolus no Obsidian piezīmēm (automātiska sinhronizācija)
• Piekļūt ražošanas datu bāzei (tikai lasīšanas tiesības) lai iegūtu klienta konfigurāciju
• Ir administratora API tiesības, var tieši papildināt klienta kontu un atbloķēt to
• Izvēlēties piemērotu aģentu atkarībā no uzdevuma veida
• Uzraudzīt visu aģentu progresu, ja neveicas, analizēt iemeslus un pielāgot promptu atkārtotai izpildei
• Pabeidzot, caur Telegram paziņot autoram

Ko var darīt Aģents (izpildes līmenis)?

• Lasīt un rakstīt kodu
• Veikt testus un būvēt
• Iesniegt kodu un izveidot PR
• Reaģēt uz kodu pārskata atsauksmēm

Svarīgākais punkts: Izpildes līmeņa Aģents nekad nesaskarsies ar ražošanas datu bāzi un neredzēs klienta sensitīvo informāciju. Viņi saņem tikai "minimālo kontekstu, kas nepieciešams uzdevuma izpildei".

Šis dizains ir gudrs: drošības robežas ir skaidras, vienlaikus nodrošinot efektivitāti.

Pilns darba plūsmas process: no klienta prasībām līdz PR apvienošanai 8 soļos

Tagad pāriesim uz galveno daļu. Izmantojot autora reālu gadījumu no pagājušās nedēļas, iepazīstināšu ar pilnu procesu.

Fons: Uzņēmuma klients piezvanīja un teica, ka vēlas atkārtoti izmantot viņu jau konfigurētās iestatījumus, lai tos koplietotu komandā.

1. solis: Klienta prasības → OpenClaw saprot un izdala

Pēc zvana beigām autors un Zoe (viņa OpenClaw) pārrunāja šo prasību.

Šeit ir brīnums: nulles izskaidrošanas izmaksas. Jo visi sanāksmju protokoli automātiski sinhronizējas ar Obsidian, Zoe jau bija izlasījusi zvana saturu, zināja, kas ir klients, viņu biznesa scenāriju un esošo konfigurāciju.

Autors un Zoe kopā izdalīja prasību: izveidot veidņu sistēmu, lai lietotāji varētu saglabāt un rediģēt esošās konfigurācijas.

Tad Zoe veica trīs lietas:

• Papildināja klienta kontu — izmantojot administratora API, nekavējoties atbloķēja klienta lietošanas ierobežojumus
• Iegūst klienta konfigurāciju — no ražošanas datu bāzes (tikai lasīšana) ieguva klienta esošos iestatījumus
• Izveidoja promptu un uzsāka aģentu — iepakot visu kontekstu un nodot Codex

2. solis: Uzsākt aģentu

Zoe izveidoja šim uzdevumam:

• Neatkarīgu git worktree (izolēta filiāles vide)
• Tmux sesiju (ļauj Aģentam darboties fonā)

# 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" Kāpēc izmantot tmux? Jo var iejaukties procesā.

Ja AI novirzās no ceļa, nav nepieciešams to nogalināt un sākt no jauna, vienkārši tmux iekšā izsūtīt komandas:

# 代理方向错了 tmux send-keys -t codex-templates "Pagaidiet. Vispirms veiciet API līmeni, nerūpējieties par UI." Enter

代理需要更多上下文

tmux send-keys -t codex-templates "Tipa definīcija ir src/types/template.ts, izmantojiet to." Enter Tajā pašā laikā uzdevums tiks ierakstīts JSON failā:[[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]]Pilnīgais process no klienta prasībām līdz koda palaišanai var aizņemt tikai 1-2 stundas, bet autora faktiskais ieguldījums var būt tikai 10 minūtes.

Trīs mehānismi, kas padara sistēmu gudrāku

Mehānisms 1: Uzlabotā Ralph Loop — ne tikai atkārtošana, bet arī mācīšanās

Tu, iespējams, esi dzirdējis par Ralph Loop: no atmiņas izvilkt kontekstu → ģenerēt izeju → novērtēt rezultātu → saglabāt mācības.

Bet lielākajai daļai īstenojumu ir viena problēma: katrā ciklā izmantotais prompt ir vienāds. Iemācītais uzlabos nākotnes meklēšanu, bet pats prompts ir statisks.

Šī sistēma ir atšķirīga.

Kad aģents neizdodas, Zoe neizmanto to pašu promptu, lai restartētu. Viņa ņem vērā pilnu biznesa kontekstu, analizē neveiksmes iemeslus un pēc tam pārstrādā promptu:

❌ Slikts piemērs (statiskā prompt): { "īstenot pielāgotu veidni" }

✅ Labs piemērs (dinamiska pielāgošana): { "Apstājies. Klients vēlas X, nevis Y. Šī ir viņu tiešā runa sanāksmē: Mēs vēlamies saglabāt esošo konfigurāciju, nevis izveidot jaunu no nulles. Uzsvars uz konfigurācijas atkārtotu izmantošanu, nevis jaunu procesu izveidi." }Zoe var veikt šādas izmaiņas, jo viņai ir izpildes līmeņa konteksts, kāda nav aģentam:

• Ko klients teica sanāksmē
• Ar ko šī kompānija nodarbojas
• Kāpēc iepriekšējā līdzīga prasība neizdevās

Vēl vairāk, Zoe negaidīs, kamēr tu piešķir uzdevumu, viņa aktīvi meklēs darbu:

• No rīta: skenē Sentry → atrod 4 jaunas kļūdas → uzsāk 4 aģentus, lai izpētītu un labotu
• Pēc sanāksmes: skenē sanāksmes protokolu → atrod 3 klientu minētās funkciju prasības → uzsāk 3 Codex
• Vakarā: skenē git log → uzsāk Claude Code, lai atjauninātu changelog un klientu dokumentāciju

Autors atgriežas no pastaigas, Telegramā parādās: "7 PR ir gatavi. 3 jaunas funkcijas, 4 kļūdu labojumi."

Veiksmīgie modeļi tiks ierakstīti:

• "Šī prompt struktūra ir ļoti efektīva rēķinu funkcijai"
• "Codex ir jāsaņem tipu definīcijas iepriekš"
• "Vienmēr jāiekļauj testu failu ceļš"

Atlīdzības signāls ir: CI iziet, trīs kodu pārskati iziet, manuāla apvienošana. Jebkura neveiksme izraisīs ciklu.

Jo ilgāk, jo labāks ir Zoe rakstītais prompts, jo viņa atceras, kas var izdoties.

Mehānisms 2: Aģenta izvēles stratēģija — dažādiem uzdevumiem atrod dažādus ekspertus

Ne visi aģenti ir vienādi spēcīgi. Autora apkopotā izvēles stratēģija:

• Codex(gpt-5.3-codex) — galvenais — aizmugures loģika, sarežģītas kļūdas, vairāku failu pārstrukturēšana, uzdevumi, kas prasa pārsniegt koda krātuves robežas
• Lēns, bet visaptverošs
• Veic 90% uzdevumu

• Claude Code(claude-opus-4.5) — ātruma speciālists — priekšējā darba
• Mazāk atļauju problēmu, piemērots git operācijām
• (autors iepriekš biežāk izmantoja, bet pēc Codex 5.3 izlaišanas pārgāja uz to)

• Gemini — dizainers — ar dizaina estētiku
• Skaistām UI, vispirms ļauj Gemini ģenerēt HTML/CSS specifikāciju, pēc tam nodod Claude Code, lai to īstenotu komponentu sistēmā
• Gemini dizains, Claude būvē

Zoe automātiski izvēlas aģentu atkarībā no uzdevuma veida un nodod izeju starp tiem. Rēķinu sistēmas kļūda tiek nodota Codex, pogu stila labojums tiek nodots Claude Code, jauna informācijas paneļa dizains vispirms tiek nodots Gemini.

Mehānisms 3: Kur ir šaurs posms? RAM

Šeit ir negaidīts ierobežojums: nevis token izmaksas, nevis API ātrums, bet gan atmiņa.

Katram aģentam nepieciešams:

• Savs worktree
• Savs node_modules
• Veikt būvniecību, tipu pārbaudi, testus

5 aģenti darbojas vienlaicīgi = 5 paralēli TypeScript kompilatori + 5 testu izpildītāji + 5 komplekti atkarību ielādēšanai atmiņā.

Autora Mac Mini (16GB RAM) maksimāli var darboties 4-5 aģenti vienlaicīgi, vairāk sākas swap, un jālūdz, lai tie nesāk būvēt vienlaicīgi.## Tu arī vari uzstādīt: no nulles līdz darbībai tikai 10 minūtēs

Gribi izmēģināt šo sistēmu?

Vienkāršākais veids:

Kopē šo visu rakstu OpenClaw un saki tam: "Saskaņā ar šo arhitektūru, īsteno manā kodu krātuvē aģentu klastera sistēmu."

Tad tas darīs:

• Nolasīs arhitektūras dizainu
• Izveidos skriptus
• Iestatīs direktoriju struktūru
• Konfigurēs cron uzraudzību

10 minūtēs gatavs.

Tev būs nepieciešams:

• OpenClaw konts
• Codex un/vai Claude Code API piekļuve
• Git krātuve
• (pēc izvēles) Obsidian biznesa konteksta glabāšanai

2026: viena cilvēka miljonu dolāru uzņēmums

Autors raksta beigās teica vienu iedvesmojošu domu:

"Mēs redzēsim daudz viena cilvēka miljonu dolāru uzņēmumu, kas sāks parādīties no 2026. gada. Sviras efekts ir milzīgs, tas pieder tiem, kas saprot, kā izveidot rekursīvus pašuzlabojamus AI sistēmas."

Šādi tas izskatās:

• AI orķestrators kā tavs pagarinājums (kā Zoe autoram)
• Darba deleģēšana specializētiem aģentiem, kas apstrādā dažādas biznesa funkcijas
• Inženierija, klientu atbalsts, operācijas, mārketings
• Katrs aģents koncentrējas uz to, ko viņš prot vislabāk
• Tu paliec koncentrēts un pilnīgā kontrolē

Nākamās paaudzes uzņēmēji neiznomās 10 cilvēkus, lai paveiktu to, ko viens cilvēks ar sistēmu var izdarīt. Viņi to veidos šādi — saglabājot mazu mērogu, ātri rīkojoties, publicējot katru dienu.

Tagad AI radītā nevajadzīgā satura ir pārāk daudz. Dažādas reklāmas, dažādi "uzdevumu kontroles centri" ar grezniem demo, bet bez patiešām noderīgām lietām.

Autors saka, ka viņš vēlas darīt pretējo: mazāk reklāmas, vairāk reāla būvniecības procesa dokumentēšanas. Reāli klienti, reāli ienākumi, reāli iesniegumi publicēšanai ražošanas vidē, arī reālas neveiksmes.

Šis raksts ir beidzies.

Galvenie punkti:

• Divslāņu arhitektūra: orķestrācijas slānis satur biznesa kontekstu, izpildes slānis koncentrējas uz kodu
• Pilnīga automatizācija: no prasībām līdz PR 8 soļu procesā, lielākā daļa uzdevumu izpildīti veiksmīgi vienā reizē
• Dinamiskā mācīšanās: nevis atkārtota izpilde, bet gan stratēģijas pielāgošana atkarībā no neveiksmju iemesliem
• Izmaksu kontrole: sākums $20/mēnesī, intensīva lietošana $190/mēnesī

Ja tu arī pēti AI automatizācijas praktisko pielietojumu, ceru, ka šis gadījums sniegs tev kādu iedvesmu.

Atsauces adrese:...