OpenClaw + Claude Code Super Sterke Tutorial: Een Persoon Kan Een Compleet Ontwikkelteam Opzetten!

Vandaag deel ik een zeer indrukwekkend praktijkvoorbeeld. (Aan het einde van het artikel vind je de tutorial)

Een onafhankelijke ontwikkelaar heeft met OpenClaw + Codex/CC een AI Agent-systeem opgezet. Wat voor resultaten heeft hij behaald?

94 commits op één dag, 7 PR's in 30 minuten afgerond, en op diezelfde dag had hij ook nog 3 klantvergaderingen, zonder ooit de editor te openen.

Dit is echt gebeurd in januari 2026. De auteur heeft de architectuur, workflow en codeconfiguratie van het hele systeem openbaar gemaakt. Na het lezen ervan vond ik deze aanpak te waardevol om niet te delen, dus heb ik dit artikel samengesteld.

Als je ook Codex of Claude Code gebruikt, of geïnteresseerd bent in OpenClaw, zal dit artikel je veel inspiratie geven.

Eén Persoon, 94 Code Commits Op Een Dag

Laten we een paar gegevens bekijken om de kracht van dit systeem te voelen:

• Hoogste aantal commits op één dag: 94 (gemiddeld 50 commits per dag)
• 7 PR's in 30 minuten afgerond
• De snelheid van idee tot lancering is zo snel dat je "de klantbehoefte op dezelfde dag kunt leveren"

De auteur gebruikt dit systeem voor een echt B2B SaaS-product, in combinatie met directe verkoop door de oprichter, waardoor de meeste functionele vereisten op dezelfde dag kunnen worden afgehandeld. Hoe snel is het? Klanten stellen een verzoek, en dezelfde dag zie je het resultaat, wat direct leidt tot betalende gebruikers.

Wat zijn de kosten? Elke maand $190 (Claude $100 + Codex $90), en beginners kunnen al starten met $20.

Je vraagt je misschien af: is dit niet gewoon een stapel AI-tools die samen rommelcode genereren?

Nee. De Git-geschiedenis van de auteur lijkt op "net een ontwikkelteam aangenomen", maar in werkelijkheid is hij de enige. De sleutelverandering is: hij is overgestapt van "Claude Code beheren" naar "een AI-butler beheren die op zijn beurt een groep Claude Code beheert".

• Voor januari: direct code schrijven met Codex of Claude Code
• Na januari: OpenClaw gebruiken als orchestratielaag, die Codex/Claude Code/Gemini aanstuurt

Het effect van deze transformatie is: het systeem kan automatisch bijna alle taken van kleine tot gemiddelde complexiteit voltooien, zonder menselijke tussenkomst.

Waarom Zijn Codex En Claude Code Alleen Niet Goed Genoeg?

Op dit punt vraag je je misschien af: Codex en Claude Code zijn al sterk, waarom zou je nog een laag van orkestratie toevoegen?

Het antwoord van de auteur is heel direct: Codex en Claude Code weten bijna niets over jouw bedrijf. Ze zien alleen de code, niet het volledige zakelijke plaatje.

Hier is een fundamentele beperking: het contextvenster is vast, je kunt maar één van de twee kiezen.

Je moet kiezen wat je erin stopt:

• Vol met code → Geen ruimte voor zakelijke context
• Vol met klantgeschiedenis → Geen ruimte voor de codebase

Dus als je Codex of Claude Code alleen gebruikt, kom je deze problemen tegen:

• Het weet niet voor welke klant deze functie is
• Het weet niet waarom de vorige vergelijkbare aanvraag is mislukt
• Het weet niet wat jouw productpositionering en ontwerpprincipes zijn
• Het kan alleen werken op basis van de huidige code en jouw prompt

OpenClaw heeft deze vergelijking veranderd.

Het fungeert als de orchestratielaag, tussen jou en alle AI-tools in. De rol ervan is:

• Alle zakelijke context vasthouden (klantgegevens, vergaderverslagen, historische beslissingen, succes-/mislukkingcases)
• De zakelijke context vertalen naar nauwkeurige prompts, die aan specifieke agents worden gegeven
• Deze agents laten focussen op waar ze goed in zijn: code schrijven

Vergelijk het met:

• Codex/Claude Code = Professionele chef-koks, die zich alleen op koken richten
• OpenClaw = Hoofdkok, die de smaak van de klant, de voorraad ingrediënten en de menu-positionering kent, en elke chef-kok nauwkeurige instructies geeft

Dit is waarom een dubbel systeem nodig is: door de specialisatie van context, in plaats van een krachtiger model te vervangen.

De Specifieke Architectuur Van Het Dubbele Systeem: Orkestratielaag + Uitvoeringslaag

Laten we eens kijken naar de specifieke architectuur van dit systeem.

Twee lagen, elk met zijn eigen verantwoordelijkheden:

Wat kan OpenClaw (Orkestratielaag) doen?

• Leest alle vergadernotities in Obsidian (automatische synchronisatie)
• Toegang tot de productie database (alleen-lezen rechten) om klantconfiguraties te verkrijgen
• Heeft beheerders API-rechten, kan klanten direct opladen en blokkades opheffen
• Kies de juiste agent op basis van het type taak
• Houdt de voortgang van alle agenten in de gaten, analyseert de redenen bij falen en past de prompt aan voor een nieuwe poging
• Stuur een melding naar de auteur via Telegram wanneer het is voltooid

Wat kan de Agent (Uitvoeringslaag) doen?

• Leest en schrijft in de codebase
• Voert tests en builds uit
• Dien code in en maak PR aan
• Reageert op feedback van code reviews

Belangrijk punt: De Agent op de uitvoeringslaag heeft nooit toegang tot de productie database en ziet nooit gevoelige informatie van klanten. Ze krijgen alleen de "minimale context die nodig is om deze taak te voltooien".

Dit ontwerp is slim: de veiligheidsgrenzen zijn duidelijk, terwijl de efficiëntie wordt gegarandeerd.

Volledige Workflow: 8 Stappen van Klantbehoefte tot PR-samenvoeging

Laten we nu naar het kernonderdeel gaan. Aan de hand van een echt geval van de auteur van vorige week, nemen we je mee door het volledige proces.

Achtergrond: Een zakelijke klant belde en zei dat ze hun al geconfigureerde instellingen willen hergebruiken en delen binnen het team.

Stap 1: Klantbehoefte → OpenClaw begrijpt en ontleedt

Na het telefoongesprek besprak de auteur deze behoefte met Zoe (zijn OpenClaw).

Het wonderlijke hier is: nul uitlegkosten. Omdat alle vergadernotities automatisch synchroniseren naar Obsidian, had Zoe de inhoud van het gesprek al gelezen, wist wie de klant was, hun zakelijke scenario en de bestaande configuratie.

De auteur en Zoe ontleedden de behoefte tot: maak een sjabloonsysteem zodat gebruikers bestaande configuraties kunnen opslaan en bewerken.

Vervolgens deed Zoe drie dingen:

• Laadde de klant op — gebruikte de beheerders API om onmiddellijk de gebruiksbeperkingen van de klant op te heffen
• Haalde klantconfiguratie op — verkreeg de bestaande instellingen van de klant uit de productie database (alleen-lezen)
• Genereerde prompt en startte de agent — verpakte alle context en gaf deze aan Codex

Stap 2: Start de agent

Zoe creëerde voor deze taak:

• Een onafhankelijke git worktree (geïsoleerde takomgeving)
• Een tmux-sessie (zodat de Agent op de achtergrond kan draaien)

# 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 Waarom tmux gebruiken? Omdat je halverwege kunt ingrijpen.

Als de AI de verkeerde kant op gaat, hoef je niet alles te stoppen en opnieuw te beginnen, je kunt gewoon instructies geven in tmux:

# 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。" Enter Tegelijkertijd wordt de taak vastgelegd in een JSON-bestand:[[HTMLPLACEHOLDER0]]

Een cron-taak controleert elke 10 minuten de status van alle agents.

[[HTMLPLACEHOLDER1]] Het is niet de bedoeling om de Agent te "vragen" hoe het met de voortgang staat (dat kost veel tokens), maar om objectieve feiten te controleren:

[[HTMLPLACEHOLDER2]]

Dit monitoringscript is 100% deterministisch, zeer token-efficiënt en zal alleen de auteur op de hoogte stellen wanneer menselijke tussenkomst nodig is.

Dit is eigenlijk een verbeterde versie van de Ralph Loop, die later in detail zal worden besproken.

[[HTMLPLACEHOLDER3]]

De Agent schrijft de code, commit, pusht en maakt vervolgens een PR aan met gh pr create --fill.

[[HTMLPLACEHOLDER4]] Op dit moment ontvangt de auteur geen notificatie. Omdat een PR op zich niet "voltooid" betekent.

De definitie van "voltooid" is:

[[HTMLPLACEHOLDER5]]

Pas als aan alle voorwaarden is voldaan, is het echt voltooid.

[[HTMLPLACEHOLDER6]]

Elke PR wordt beoordeeld door drie Agents:

[[HTMLPLACEHOLDER7]] [[HTMLPLACEHOLDER8]] [[HTMLPLACEHOLDER9]] [[HTMLPLACEHOLDER10]] [[HTMLPLACEHOLDER11]]

De drie reviewers zullen direct in de PR commentaar geven.

[[HTMLPLACEHOLDER12]]

De CI-pijplijn voert uit:

[[HTMLPLACEHOLDER13]]

Nieuwe regel van vorige week: als de PR de UI heeft gewijzigd, moet er een screenshot in de beschrijving worden bijgevoegd, anders faalt de CI direct.

Deze regel heeft de reviewtijd aanzienlijk verkort - de auteur kan in één oogopslag zien wat er is gewijzigd zonder de preview-omgeving te hoeven openen.

[[HTMLPLACEHOLDER14]]

Nu ontvangt de auteur een Telegram-notificatie: "PR #341 is klaar voor review."

Op dit moment:

[[HTMLPLACEHOLDER15]]

De review van de auteur duurt slechts 5-10 minuten. Voor veel PR's kijkt hij zelfs niet naar de code, maar kijkt hij alleen naar de screenshots en merge hij direct.

[[HTMLPLACEHOLDER16]]

De PR wordt samengevoegd. Elke dag is er een cron-taak die geïsoleerde worktrees en taakrecords opruimt.## Drie mechanismen om het systeem slimmer te maken

Mechanisme 1: Verbeterde Ralph Loop — Niet alleen herhalen, maar leren

Je hebt misschien gehoord van de Ralph Loop: context ophalen uit geheugen → output genereren → resultaten evalueren → leren opslaan.

Maar de meeste implementaties hebben een probleem: elke cyclus gebruikt dezelfde prompt. Wat geleerd is, verbetert de toekomstige opvraging, maar de prompt zelf is statisch.

Dit systeem is anders.

Wanneer de Agent faalt, zal Zoe de prompt niet opnieuw starten met dezelfde prompt. Ze zal met de volledige zakelijke context de reden van de mislukking analyseren en de prompt herschrijven:

❌ Slecht voorbeeld (statische prompt): { "Implementeer aangepaste sjabloonfunctie" }

✅ Goed voorbeeld (dynamische aanpassing): { "Stop. De klant wil X, niet Y. Dit is hun exacte citaat uit de vergadering: We willen de huidige configuratie behouden, niet vanaf nul een nieuwe creëren. Focus op configuratiehergebruik, niet op het creëren van nieuwe processen." }Zoe kan deze aanpassingen maken omdat ze context heeft die de uitvoeringslaag Agent niet heeft:

• Wat de klant in de vergadering heeft gezegd
• Wat het bedrijf doet
• Waarom de vorige vergelijkbare behoefte is mislukt

Verder wacht Zoe niet tot je een taak toewijst, ze gaat proactief aan de slag:

• Ochtend: Scannen van Sentry → 4 nieuwe fouten ontdekt → 4 Agents starten om te onderzoeken en op te lossen
• Na de vergadering: Scannen van notulen → 3 functionaliteitsbehoeften genoemd door klanten ontdekt → 3 Codex starten
• Avond: Scannen van git log → Claude Code starten om changelog en klantdocumentatie bij te werken

De auteur komt terug van een wandeling en ziet op Telegram: "7 PR's zijn klaar. 3 nieuwe functies, 4 bugfixes."

Succesvolle patronen worden vastgelegd:

• "Deze promptstructuur is zeer effectief voor de factureringsfunctie"
• "Codex moet vooraf de type-definities ontvangen"
• "Altijd het pad naar testbestanden opnemen"

Beloningssignalen zijn: CI slaagt, drie code reviews slagen, handmatige samenvoeging. Elke mislukking activeert de cyclus.

Hoe langer het duurt, hoe beter de prompts die Zoe schrijft, omdat ze zich herinnert wat succesvol was.

Mechanisme 2: Agent selectie strategie — Verschillende taken vereisen verschillende experts

Niet alle Agents zijn even sterk. De selectie strategie van de auteur:

• Codex(gpt-5.3-codex) — Hoofdkracht - backend logica, complexe bugs, multi-bestand herstructurering, taken die cross-codebase redenering vereisen
• Langzaam maar grondig
• Behandelt 90% van de taken

• Claude Code(claude-opus-4.5) — Snelheidspecialist - frontend werk
• Weinig problemen met machtigingen, geschikt voor git-operaties
• (De auteur gebruikte dit eerder vaker, maar is overgestapt na de release van Codex 5.3)

• Gemini — Ontwerper - heeft ontwerp esthetiek
• Voor mooie UI, laat Gemini eerst HTML/CSS specificaties genereren, en geef het dan aan Claude Code om het in het componentensysteem te implementeren
• Gemini ontwerpt, Claude bouwt

Zoe kiest automatisch de Agent op basis van het type taak en geeft de output tussen hen door. Factureringssysteem bugs gaan naar Codex, knopstijl correcties naar Claude Code, en het nieuwe dashboardontwerp gaat eerst naar Gemini.

Mechanisme 3: Waar is de bottleneck? RAM

Hier is een onverwachte beperking: het is niet de token kost, het is niet de API snelheid, maar het is het geheugen.

Elke Agent heeft nodig:

• Eigen worktree
• Eigen nodemodules
• Uitvoeren van builds, type-controles, tests

5 Agents die tegelijkertijd draaien = 5 parallelle TypeScript compilers + 5 test runners + 5 sets afhankelijkheden die in het geheugen worden geladen.

De Mac Mini van de auteur (16GB RAM) kan maximaal 4-5 Agents tegelijk draaien, meer dan dat begint te swappen, en je moet bidden dat ze niet tegelijkertijd bouwen.## Je kunt ook opzetten: van nul naar draaien in slechts 10 minuten

Wil je dit systeem uitproberen?

De eenvoudigste manier:

Kopieer dit hele artikel naar OpenClaw en vertel het: "Implementeer een Agent-clustersysteem voor mijn codebase volgens deze architectuur."

Dan zal het:

• De architectuurontwerp lezen
• Scripts maken
• De mappenstructuur instellen
• Cron-monitoring configureren

In 10 minuten geregeld.

Je moet voorbereiden:

• OpenClaw-account
• API-toegang tot Codex en/of Claude Code
• Een git-repository
• (optioneel) Obsidian voor het opslaan van zakelijke context

2026: Een miljoen dollar bedrijf voor één persoon

De auteur zegt aan het einde van het artikel iets dat ik inspirerend vind:

"We zullen vanaf 2026 een groot aantal miljoen dollar bedrijven voor één persoon zien verschijnen. De hefboom is enorm, en het is voor degenen die begrijpen hoe ze zelfverbeterende AI-systemen kunnen bouwen."

Dit is hoe het eruit ziet:

• Een AI-coördinator als jouw verlengstuk (zoals Zoe voor de auteur)
• Werk delegeren aan gespecialiseerde Agents, die verschillende zakelijke functies afhandelen
• Engineering, klantenservice, operaties, marketing
• Elke Agent richt zich op waar hij goed in is
• Jij blijft gefocust en hebt volledige controle

De volgende generatie ondernemers zal geen 10 mensen inhuren om te doen wat één persoon met een systeem kan doen. Ze zullen het zo opbouwen - klein blijven, snel handelen, elke dag publiceren.

Nu is er te veel rommelinhoud die door AI wordt gegenereerd. Allerlei hype, allerlei "task control center" flashy demo's, maar niets echt nuttigs.

De auteur zegt dat hij het tegenovergestelde wil doen: minder hype, meer documentatie van het echte bouwproces. Echte klanten, echte inkomsten, echte indelingen die naar de productieomgeving worden gepubliceerd, en ook echte mislukkingen.

Dit artikel eindigt hier.

Kernpunten samenvatting:

• Dubbele architectuur: de coördinatielaag houdt de zakelijke context vast, de uitvoeringslaag richt zich op de code
• Volledige automatisering: een 8-stappenproces van vereisten tot PR, de meeste taken slagen in één keer
• Dynamisch leren: niet herhaaldelijk uitvoeren, maar strategieën aanpassen op basis van de redenen voor falen
• Kosten onder controle: beginnen bij $20/maand, intensief gebruik $190/maand

Als je ook de praktische toepassingen van AI-automatisering verkent, hoop ik dat dit geval je enige inspiratie kan geven.

Referentieadres:[[HTMLPLACEHOLDER_17]]