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

आज एक अत्यंत प्रभावशाली प्रायोगिक प्रकरण शेअर करतो.（लेखाच्या शेवटी ट्यूटोरियल जोडले आहे）

एक स्वतंत्र विकासक, OpenClaw + Codex/CC वापरून एक AI एजंट प्रणाली तयार केली आहे, याचा परिणाम काय झाला आहे?

एक दिवसात 94 वेळा सबमिशन, 30 मिनिटांत 7 PR पूर्ण केले, आणि त्या दिवशी त्याने 3 ग्राहक बैठकांमध्ये भाग घेतला, संपादक कधीही उघडला नाही.

हे 2026 च्या जानेवारीत खरे घडले. लेखकाने संपूर्ण प्रणालीची रचना, कार्यप्रवाह, कोड कॉन्फिगरेशन सर्व सार्वजनिक केले आहे, हे पाहून मला वाटले की हा विचार शिकण्यासारखा आहे, म्हणून मी हे लेखात संकलित केले आहे.

जर तुम्ही Codex किंवा Claude Code वापरत असाल, किंवा OpenClaw मध्ये रस असेल, तर हा लेख तुम्हाला अनेक प्रेरणा देईल.

एकटा, एक दिवसात 94 वेळा कोड सबमिशन

आधी काही डेटा पाहूया, या प्रणालीची शक्ती जाणून घेऊया:

• एकाच दिवशी सर्वाधिक 94 वेळा सबमिशन (दिवसाला सरासरी 50 वेळा सबमिशन)
• 30 मिनिटांत 7 PR पूर्ण केले
• विचारातून ऑनलाइन होण्याची गती इतकी जलद की "दिवसाच्या आत ग्राहकाची मागणी पूर्ण" करता येते

लेखकाने या प्रणालीचा वापर करून एक वास्तविक B2B SaaS उत्पादन तयार केले आहे, संस्थापकांच्या थेट विक्रीसह, बहुतेक कार्यात्मक मागण्या दिवसाच्या आत पूर्ण करता येतात. गती किती जलद आहे? ग्राहक मागणी करतो, दिवसाच्या आत परिणाम दिसतो, थेट पैसे देणाऱ्या ग्राहकांमध्ये रूपांतरित होते.

खर्च काय? प्रत्येक महिन्यात $190 (Claude $100 + Codex $90), नवशिक्यांसाठी $20 मध्ये सुरूवात करता येते.

तुम्ही विचारू शकता: हे एकत्रितपणे अनेक AI साधने वापरून, नंतर पागलपणाने कचरा कोड तयार करणे आहे का?

नाही. लेखकाचा Git इतिहास असा दिसतो की "त्याने एक विकासक टीम भाड्याने घेतली आहे", पण वास्तवात तो एकटा आहे. मुख्य बदल म्हणजे: त्याने "Claude Code व्यवस्थापित करणे" यापासून "एक AI व्यवस्थापक व्यवस्थापित करणे, जो एक गट Claude Code व्यवस्थापित करतो" याकडे वळले.

• जानेवारीपूर्वी: थेट Codex किंवा Claude Code वापरून कोड लिहिणे
• जानेवारीनंतर: OpenClaw ला समन्वय स्तर म्हणून वापरणे, Codex/Claude Code/Gemini चे नियोजन करण्यासाठी

या बदलामुळे परिणाम असा झाला की: प्रणाली जवळजवळ सर्व लहान ते मध्यम जटिलतेच्या कार्ये स्वयंचलितपणे पूर्ण करू शकते, मानवी हस्तक्षेपाची आवश्यकता नाही.

Codex आणि Claude Code स्वतंत्रपणे वापरणे का पुरेसे चांगले नाही?

या वेळी, तुम्ही विचारू शकता: Codex आणि Claude Code आधीच खूप मजबूत आहेत, मग आणखी एक समन्वय स्तर का आवश्यक आहे?

लेखकाचा दिलेला उत्तर थेट आहे: Codex आणि Claude Code तुमच्या व्यवसायाबद्दल जवळजवळ काहीच माहिती नाही. त्यांना फक्त कोड दिसतो, संपूर्ण व्यवसायाचे चित्र दिसत नाही.

येथे एक मूलभूत मर्यादा आहे: संदर्भ विंडो निश्चित आहे, तुम्हाला एकच निवड करावी लागेल.

तुम्हाला निवड करावी लागेल की काय आत भरणे:

• कोडने भरले → व्यवसाय संदर्भ ठेवण्यासाठी जागा नाही
• ग्राहक इतिहासाने भरले → कोड बेस ठेवण्यासाठी जागा नाही

म्हणूनच Codex किंवा Claude Code स्वतंत्रपणे वापरताना तुम्हाला या समस्यांचा सामना करावा लागतो:

• त्याला माहित नाही की ही कार्यक्षमता कोणत्या ग्राहकासाठी आहे
• त्याला माहित नाही की मागील समान मागणी का अपयशी ठरली
• त्याला माहित नाही की तुमची उत्पादन स्थानिकता आणि डिझाइन तत्त्वे काय आहेत
• तो फक्त वर्तमान कोड आणि तुमच्या प्रॉम्प्टच्या आधारे काम करू शकतो

OpenClaw ने या समीकरणात बदल केला.

तो समन्वय स्तर म्हणून कार्य करतो, तुम्ही आणि सर्व AI साधनांमध्ये आहे. त्याची भूमिका आहे:

• सर्व व्यवसाय संदर्भ धारण करणे (ग्राहक डेटा, बैठकांचे रेकॉर्ड, ऐतिहासिक निर्णय, यशस्वी/अपयशी प्रकरणे)
• व्यवसाय संदर्भ अचूक प्रॉम्प्टमध्ये अनुवादित करणे, विशिष्ट एजंटला खाऊ घालणे
• या एजंटना त्यांच्या कौशल्यात लक्ष केंद्रित करण्यास अनुमती देणे: कोड लिहिणे

उदाहरणार्थ:

• Codex/Claude Code = व्यावसायिक शेफ, फक्त जेवण बनवतात
• OpenClaw = मुख्य शेफ, ग्राहकांच्या चवी, साहित्याच्या स्टॉक, मेनू स्थानिकतेची माहिती आहे, प्रत्येक शेफला अचूक सूचना देते

हेच कारण आहे की दुहेरी प्रणाली आवश्यक आहे: संदर्भाच्या व्यावसायिक विभाजनाद्वारे, अधिक मजबूत मॉडेल बदलण्याऐवजी.

दुहेरी प्रणालीची विशिष्ट रचना: समन्वय स्तर + कार्यान्वयन स्तर

या प्रणालीची विशिष्ट रचना पाहूया.

दोन स्तर, प्रत्येकाची भूमिका:

OpenClaw（संयोजन स्तर）काय करू शकते？

• Obsidian नोट्समधील सर्व बैठकांचे रेकॉर्ड वाचा (स्वयंचलित समन्वय)
• उत्पादन डेटाबेसमध्ये प्रवेश करा (फक्त वाचन अधिकार) ग्राहक कॉन्फिगरेशन मिळवण्यासाठी
• प्रशासक API अधिकार आहेत, थेट ग्राहकांना रिचार्ज करून अडथळा दूर करू शकतात
• कार्य प्रकारानुसार योग्य एजंट निवडा
• सर्व एजंटच्या प्रगतीवर लक्ष ठेवा, अपयश झाल्यास कारणांचे विश्लेषण करा आणि प्रॉम्प्ट पुनः प्रयत्न करा
• पूर्ण झाल्यावर Telegram द्वारे लेखकाला सूचित करा

एजंट（अंमलबजावणी स्तर）काय करू शकते？

• कोड संग्रह वाचा आणि लिहा
• चाचण्या आणि बांधकाम चालवा
• कोड सबमिट करा आणि PR तयार करा
• कोड पुनरावलोकनाच्या फीडबॅकला प्रतिसाद द्या

महत्त्वाचे मुद्दे: अंमलबजावणी स्तरावरील एजंट कधीही उत्पादन डेटाबेसशी संपर्क साधणार नाही, आणि ग्राहकांची संवेदनशील माहिती पाहणार नाही. त्यांना "या कार्यासाठी आवश्यक असलेली किमान संदर्भ माहिती" मिळते.

हा डिझाइन खूप चांगला आहे: सुरक्षा सीमा स्पष्ट आहे, आणि कार्यक्षमता सुनिश्चित करते.

संपूर्ण कार्यप्रवाह: ग्राहकाच्या गरजांपासून PR विलीन होईपर्यंत 8 टप्पे

आता मुख्य भागात प्रवेश करूया. लेखकाच्या मागील आठवड्यातील एक वास्तविक प्रकरण वापरून तुम्हाला संपूर्ण प्रक्रिया दाखवतो.

पार्श्वभूमी: एक व्यावसायिक ग्राहक फोनवर आला, त्याने सांगितले की त्यांना त्यांच्या आधीच कॉन्फिगर केलेल्या सेटिंग्ज पुनः वापरण्याची इच्छा आहे, टीममध्ये सामायिक करणे.

पहिला टप्पा: ग्राहकाची आवश्यकता → OpenClaw समजून घेणे आणि विभाजित करणे

फोन कॉल संपल्यानंतर, लेखक आणि झोई (त्याची OpenClaw) या आवश्यकतेवर चर्चा केली.

येथेचा जादुई भाग: शून्य स्पष्टीकरण खर्च. कारण सर्व बैठकांचे रेकॉर्ड स्वयंचलितपणे Obsidian मध्ये समन्वयित केले जातात, झोईने कॉलच्या सामग्रीचे वाचन केले आहे, तिला ग्राहक कोण आहेत, त्यांचा व्यवसायाचा संदर्भ, विद्यमान कॉन्फिगरेशन माहित आहे.

लेखक आणि झोईने एकत्रितपणे आवश्यकता विभाजित केली: एक टेम्पलेट प्रणाली तयार करा, ज्यामुळे वापरकर्ते विद्यमान कॉन्फिगरेशन जतन आणि संपादित करू शकतील.

त्यानंतर झोईने तीन गोष्टी केल्या:

• ग्राहकांना रिचार्ज करा — प्रशासक API वापरून त्वरित ग्राहकांच्या वापराच्या मर्यादा दूर करा
• ग्राहक कॉन्फिगरेशन आणा — उत्पादन डेटाबेसमधून (फक्त वाचन) ग्राहकांचे विद्यमान सेटिंग्ज मिळवा
• प्रॉम्प्ट तयार करा आणि एजंट सुरू करा — सर्व संदर्भ पॅक करा, Codex ला खायला द्या

दुसरा टप्पा: एजंट सुरू करणे

झोईने या कार्यासाठी तयार केले:

• एक स्वतंत्र git worktree (अलग शाखा वातावरण)
• एक tmux सत्र (एजंटला पार्श्वभूमीत चालवण्यासाठी)

# 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"tmux का वापरला? कारण तुम्ही मध्यवर्ती हस्तक्षेप करू शकता.

जर AI चुकला, तर पुन्हा सुरू करण्याची आवश्यकता नाही, थेट tmux मध्ये आदेश द्या:

# 代理方向错了 tmux send-keys -t codex-templates "停一下。先做 API 层,别管 UI。" Enter

代理需要更多上下文

tmux send-keys -t codex-templates "类型定义在 src/types/template.ts,用那个。" Enterत्याच वेळी, कार्य एक JSON फाईलमध्ये नोंदवले जाईल: { "id": "feat-custom-templates", "tmuxSession": "codex-templates", "agent": "codex", "description": "उद्योग ग्राहकांसाठी कस्टम ईमेल टेम्पलेट्सची कार्यक्षमता", "repo": "medialyst", "worktree": "feat-custom-templates", "branch": "feat/custom-templates", "startedAt": 1740268800000, "status": "running", "notifyOnComplete": true}

तिसरा टप्पा: स्वयंचलित देखरेख

एक क्रॉन कार्य प्रत्येक 10 मिनिटांनी सर्व एजंटची स्थिती तपासते.

महत्त्वाचे: हे "प्रगती कशी आहे" असे "विचारणे" नाही (ते टोकन खर्च करते), तर वस्तुनिष्ठ तथ्यांची तपासणी करणे:

• tmux सत्र अजूनही जिवंत आहे का?
• PR तयार केला आहे का?
• CI स्थिती कशी आहे?
• जर अपयशी ठरले, तर पुन्हा सुरू करण्याची आवश्यकता आहे का? (कमीत कमी 3 वेळा पुन्हा प्रयत्न करा)

हा देखरेख स्क्रिप्ट 100% निश्चित आहे, अत्यंत टोकन वाचवणारा आहे, फक्त मानवी हस्तक्षेपाची आवश्यकता असताना लेखकाला सूचित करतो.

हे वास्तवात राल्फ लूपचा सुधारित आवृत्ती आहे, याबद्दल पुढे तपशीलवार चर्चा केली जाईल.

चौथा टप्पा: एजंट PR तयार करतो

एजंटने कोड पूर्ण केल्यानंतर, सबमिट करतो, पुश करतो, आणि नंतर gh pr create --fill वापरून PR तयार करतो.

नोट: यावेळी लेखकाला सूचित केले जाणार नाही. कारण एक PR स्वतः "पूर्ण" दर्शवत नाही.

"पूर्ण" ची व्याख्या आहे:

• ✅ PR तयार केला आहे
• ✅ शाखा मुख्याशी समन्वयित आहे (कोणतीही संघर्ष नाही)
• ✅ CI पास झाला आहे (lint, प्रकार तपासणी, युनिट चाचणी, E2E चाचणी)
• ✅ Codex समीक्षकाने पास केला
• ✅ Claude कोड समीक्षकाने पास केला
• ✅ Gemini समीक्षकाने पास केला
• ✅ जर UI मध्ये बदल असेल, तर स्क्रीनशॉट समाविष्ट करणे आवश्यक आहे

फक्त सर्व गोष्टी पूर्ण झाल्यावरच ते खरे पूर्ण मानले जाते.

पाचवा टप्पा: स्वयंचलित कोड पुनरावलोकन

प्रत्येक PR तीन एजंटद्वारे पुनरावलोकन केले जाईल:

• Codex Reviewer — सर्वात विश्वासार्ह पुनरावलोकक - सीमारेषा परिस्थिती शोधण्यात कुशल
• तार्किक त्रुटी, गहाळ त्रुटी हाताळणी, स्पर्धात्मक परिस्थिती शोधू शकतो
• खोटी रिपोर्टिंग दर खूप कमी आहे

• Gemini Code Assist Reviewer — मोफत आणि वापरण्यास सोपे - इतर पुनरावलोककांनी गहाळ केलेले सुरक्षा समस्या आणि विस्तारशीलता समस्या शोधू शकतो
• विशिष्ट दुरुस्तीच्या शिफारसी देतो
• वापरायचे असल्यास, वापरा

• Claude Code Reviewer — मूलतः उपयोगी नाही - अत्यधिक सावध, नेहमी "विचार करा ..." जोडण्याची शिफारस करतो
• बहुतेक शिफारसी अत्यधिक डिझाइन आहेत
• "महत्त्वाचे" म्हणून चिन्हांकित केले नाहीत तर थेट वगळा

तीनही पुनरावलोकक थेट PR मध्ये टिप्पणी करतील.

सहावा टप्पा: स्वयंचलित चाचणी

CI पाइपलाइन चालेल:

• Lint आणि TypeScript तपासणी
• युनिट चाचणी
• E2E चाचणी
• Playwright चाचणी (उत्पादन वातावरणासारख्या पूर्वावलोकन वातावरणात चालवली जाते)

गेल्या आठवड्यात नवीन नियम: जर PR ने UI बदलला, तर वर्णनात स्क्रीनशॉट समाविष्ट करणे आवश्यक आहे, अन्यथा CI थेट अपयशी ठरते.

हा नियम पुनरावलोकन वेळ लक्षणीयपणे कमी करतो - लेखक स्क्रीनशॉटवर एक नजर टाकून काय बदलले आहे हे जाणून घेतो, पूर्वावलोकन वातावरणात प्रवेश करण्याची आवश्यकता नाही.

सातवा टप्पा: मानवी पुनरावलोकन

आता, लेखकाला टेलीग्राम सूचनेची प्राप्ती झाली: "PR #341 तयार आहे, पुनरावलोकनासाठी."

यावेळी:

• CI पूर्णपणे हिरवे आहे
• तीन AI पुनरावलोककांनी सर्वांनी मान्यता दिली आहे
• स्क्रीनशॉटने UI बदल दर्शविला आहे
• सर्व सीमारेषा परिस्थिती पुनरावलोकन टिप्पणीत नोंदविल्या आहेत

लेखकाचे पुनरावलोकन फक्त 5-10 मिनिटे लागते. अनेक PR मध्ये तो कोड पाहत नाही, फक्त स्क्रीनशॉट पाहून थेट विलीन करतो.

आठवा टप्पा: विलीन करणे

PR विलीन करा. प्रत्येक दिवशी एक क्रॉन कार्य एकाकी worktree आणि कार्य नोंदी साफ करते.## तीन प्रणाली अधिक बुद्धिमान बनवणारे यंत्रणा

यंत्रणा 1: सुधारित Ralph Loop — फक्त पुनरावृत्ती नाही, तर शिकणे

तुम्ही Ralph Loop बद्दल ऐकले असेल: स्मृतीतून संदर्भ काढणे → आउटपुट तयार करणे → परिणामाचे मूल्यांकन करणे → शिकणे जतन करणे.

पण बहुतेक कार्यान्वयनांमध्ये एक समस्या आहे: प्रत्येक चक्रात वापरलेला prompt सारखाच असतो. शिकलेले गोष्टी भविष्यातील शोध सुधारतात, पण prompt स्वतः स्थिर असतो.

ही प्रणाली वेगळी आहे.

जेव्हा Agent अपयशी ठरतो, तेव्हा Zoe त्याच prompt ने पुन्हा सुरू करत नाही. ती संपूर्ण व्यवसाय संदर्भासह अपयशाचे कारण विश्लेषण करते, आणि नंतर prompt पुन्हा लिहिते:

❌ वाईट उदाहरण (स्थिर prompt): { "कस्टम टेम्पलेट कार्यक्षमता कार्यान्वित करा" }

✅ चांगले उदाहरण (गतीशील समायोजन): { "थांबा. ग्राहकाला X हवे आहे, Y नाही. हे त्यांच्या बैठकीतील मूळ शब्द आहेत: आम्हाला विद्यमान कॉन्फिगरेशन जतन करायचे आहे, नवीन तयार करण्याऐवजी. केंद्रितपणे कॉन्फिगरेशन पुनर्वापरावर लक्ष केंद्रित करा, नवीन प्रक्रिया तयार करू नका." }Zoe हे समायोजन करू शकते कारण तिला कार्यान्वयन स्तरावर Agent नसलेल्या संदर्भाची माहिती आहे:

• ग्राहकाने बैठकीत काय सांगितले
• ही कंपनी काय करते
• मागील समान गरजा का अपयशी ठरल्या

आणखी पुढे, Zoe तुमच्याकडून कार्य असाइन करण्याची वाट पाहत नाही, ती सक्रियपणे काम शोधते:

• सकाळी: Sentry स्कॅन करणे → 4 नवीन त्रुटी आढळल्या → 4 Agent सुरू करणे तपासण्यासाठी आणि दुरुस्तीसाठी
• बैठकीनंतर: बैठक नोंदी स्कॅन करणे → 3 ग्राहकांनी उल्लेख केलेल्या कार्यक्षमता गरजा आढळल्या → 3 Codex सुरू करणे
• रात्री: git log स्कॅन करणे → Claude Code सुरू करणे changelog आणि ग्राहक दस्तऐवज अद्यतनित करण्यासाठी

लेखक चालत परत येतो, Telegram वर दिसते: "7 PR तयार आहेत. 3 नवीन कार्यक्षमता, 4 बग दुरुस्त."

यशस्वी नमुने नोंदवले जातात:

• "हा prompt संरचना बिलिंग कार्यक्षमतेसाठी खूप प्रभावी आहे"
• "Codex ला प्रकाराची व्याख्या आधीच मिळवावी लागेल"
• "सर्व वेळ चाचणी फाइल पथ समाविष्ट करणे आवश्यक आहे"

बक्षीस संकेत आहेत: CI पास, तीन कोड पुनरावलोकन पास, मानवी विलीन. कोणतीही अपयश चक्र सुरू करेल.

जास्त वेळ, Zoe ने लिहिलेल्या prompt चांगले असतात, कारण ती काय यशस्वी होईल हे लक्षात ठेवते.

यंत्रणा 2: Agent निवड धोरण — वेगवेगळ्या कार्यांसाठी वेगवेगळे तज्ञ

सर्व Agent सारखेच मजबूत नाहीत. लेखकाने संक्षेपित केलेले निवड धोरण:

• Codex(gpt-5.3-codex) — मुख्य- मागील अंतर्गत लॉजिक, जटिल बग, अनेक फाइल पुनर्रचना, क्रॉस कोड बेस तर्क आवश्यक असलेल्या कार्ये
• हळू पण संपूर्ण
• 90% कार्ये व्यापतात

• Claude Code(claude-opus-4.5) — गती प्रकारचा खेळाडू- फ्रंट-एंड काम
• परवानगीच्या समस्यांचा कमी, git क्रियाकलापांसाठी योग्य
• (लेखक पूर्वी अधिक वापरत असे, पण Codex 5.3 आल्यानंतर बदलले)

• Gemini — डिझाइनर- डिझाइन सौंदर्य आहे
• सुंदर UI साठी, प्रथम Gemini ला HTML/CSS मानक तयार करू द्या, नंतर Claude Code ला घटक प्रणालीमध्ये कार्यान्वित करण्यासाठी द्या
• Gemini डिझाइन, Claude बांधतो

Zoe कार्य प्रकारानुसार स्वयंचलितपणे Agent निवडते, आणि त्यांच्यात आउटपुट हस्तांतरित करते. बिलिंग प्रणाली बग Codex ला, बटण शैली दुरुस्ती Claude Code ला, नवीन डॅशबोर्ड डिझाइन प्रथम Gemini ला.

यंत्रणा 3: अडथळा कुठे आहे? RAM

येथे एक अनपेक्षित मर्यादा आहे: टोकन खर्च नाही, API गती नाही, तर मेमरी आहे.

प्रत्येक Agent ची आवश्यकता आहे:

• स्वतःचा worktree
• स्वतःचे nodemodules
• बिल्ड, प्रकार तपासणी, चाचणी चालवणे

5 Agent एकाच वेळी चालवणे = 5 समांतर TypeScript संकलक + 5 चाचणी चालवणारे + 5 संच अवलंबन मेमरीमध्ये लोड केले.

लेखकाचा Mac Mini(16GB RAM) सर्वाधिक 4-5 Agent एकाच वेळी चालवतो, त्यापेक्षा जास्त झाल्यास स्वॅप सुरू होते, आणि प्रार्थना करावी लागते की ते एकाच वेळी बिल्ड करू नयेत.त्यामुळे त्याने एक Mac Studio M4 Max (128GB RAM, $3500) खरेदी केली, जो मार्चच्या शेवटी येईल. त्याने सांगितले की तेव्हा तो सांगेल की तो योग्य आहे का.

तुम्हीही तयार करू शकता: शून्यापासून चालविण्यासाठी फक्त 10 मिनिटे लागतील

या प्रणालीची चाचणी घेऊ इच्छिता?

सर्वात सोपा मार्ग:

या संपूर्ण लेखाची कॉपी OpenClaw ला द्या, त्याला सांगा: "या आर्किटेक्चरनुसार, माझ्या कोड बेससाठी एक एजंट क्लस्टर प्रणाली कार्यान्वित करा."

आणि मग, ते:

• आर्किटेक्चर डिझाइन वाचेल
• स्क्रिप्ट तयार करेल
• निर्देशिका संरचना सेट करेल
• क्रॉन मॉनिटर कॉन्फिगर करेल

10 मिनिटांत पूर्ण.

तुम्हाला तयार करणे आवश्यक आहे:

• OpenClaw खाते
• Codex आणि/किंवा Claude Code चा API प्रवेश
• एक git रेपॉजिटरी
• (पर्यायी) व्यवसाय संदर्भासाठी Obsidian

2026: एका व्यक्तीची एक मिलियन डॉलर कंपनी

लेखकाने लेखाच्या शेवटी एक वाक्य सांगितले, जे मला प्रेरणादायक वाटले:

"आपण 2026 पासून एक व्यक्तीच्या मिलियन डॉलर कंपन्यांची मोठी संख्या पाहू. लीव्हरेज प्रचंड आहे, जे त्यांच्यासाठी आहे जे पुनरावृत्ती आत्म-सुधारणा AI प्रणाली कशा तयार करायच्या हे समजतात."

हे असे दिसते:

• एक AI समन्वयक तुमच्या विस्तार म्हणून (लेखकासाठी झोईसारखे)
• काम विशिष्ट एजंटकडे सोपवणे, विविध व्यवसाय कार्ये हाताळणे
• अभियांत्रिकी, ग्राहक समर्थन, ऑपरेशन्स, मार्केटिंग
• प्रत्येक एजंट त्याच्या कौशल्यावर लक्ष केंद्रित करतो
• तुम्ही लक्ष केंद्रित करता आणि पूर्ण नियंत्रण ठेवता

पुढच्या पिढीचे उद्योजक 10 लोकांना कामावर ठेवणार नाहीत जे एक व्यक्ती आणि एक प्रणाली करू शकते. ते असे तयार करतील - लहान आकारात राहून, जलद कार्यवाही करणे, दररोज प्रकाशन करणे.

आता AI द्वारे तयार केलेले कचरा सामग्री खूप आहे. विविध प्रचार, विविध "कार्य नियंत्रण केंद्र" च्या भव्य डेमो, पण खरोखर उपयुक्त काहीही नाही.

लेखक म्हणतो की तो उलट काम करायचा आहे: कमी प्रचार, अधिक वास्तविक निर्माण प्रक्रियेची नोंद. वास्तविक ग्राहक, वास्तविक उत्पन्न, उत्पादन वातावरणात वास्तविक सबमिशन प्रकाशन, तसेच वास्तविक अपयश.

हा लेख येथे संपतो.

मुख्य मुद्दे पुनरावलोकन:

• डुअल लेयर आर्किटेक्चर: समन्वय स्तर व्यवसाय संदर्भ ठेवतो, कार्यान्वयन स्तर कोडवर लक्ष केंद्रित करतो
• पूर्ण स्वयंचलन: आवश्यकता ते PR पर्यंत 8 टप्प्यांची प्रक्रिया, बहुतेक कार्य एकाच वेळी यशस्वी
• डायनॅमिक लर्निंग: पुनरावृत्ती कार्यान्वित करणे नाही, तर अपयशाच्या कारणानुसार धोरण समायोजित करणे
• खर्च नियंत्रित: प्रारंभ $20/महिना, तीव्र वापर $190/महिना

जर तुम्हीही AI स्वयंचलनाच्या व्यावहारिक अनुप्रयोगांचा शोध घेत असाल, तर आशा आहे की हा केस तुम्हाला काही प्रेरणा देईल.

संदर्भ पत्ता:[[HTMLPLACEHOLDER_0]]