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

Сегодня я поделюсь потрясающим практическим примером. (В конце статьи прикреплено руководство)

Один независимый разработчик использовал OpenClaw + Codex/CC для создания системы AI Agent. Какой результат он достиг?

94 коммита за день, 7 PR за 30 минут, и в этот день он также провел 3 встречи с клиентами, не открыв редактор.

Это произошло на самом деле в январе 2026 года. Автор опубликовал всю архитектуру системы, рабочий процесс и конфигурацию кода, и, посмотрев на это, я понял, что этот подход стоит изучить, поэтому я собрал это в статью, чтобы поделиться с вами.

Если вы также используете Codex или Claude Code, или интересуетесь OpenClaw, эта статья даст вам много вдохновения.

Один человек, 94 коммита в день

Сначала посмотрите на несколько данных, чтобы почувствовать мощь этой системы:

• Максимум 94 коммита за день (в среднем 50 коммитов в день)
• 7 PR за 30 минут
• Скорость от идеи до запуска такова, что можно "доставить клиентские требования в тот же день"

Автор использует эту систему для создания реального B2B SaaS продукта, в сочетании с прямыми продажами от основателя, большинство функциональных требований можно решить в тот же день. Насколько быстро? Клиент выдвигает требования, и в тот же день можно увидеть результат, что напрямую приводит к платным пользователям.

А как насчет затрат? Каждый месяц $190 (Claude $100 + Codex $90), новичок может начать с $20.

Вы можете спросить: неужели это просто набор AI инструментов, которые безумно генерируют мусорный код?

Нет. История Git автора выглядит так, как будто "он только что нанял команду разработчиков", но на самом деле это только он один. Ключевое изменение заключается в том, что он перешел от "управления Claude Code" к "управлению AI помощником, который управляет группой Claude Code".

• До января: прямое использование Codex или Claude Code для написания кода
• После января: использование OpenClaw в качестве уровня оркестрации, позволяя ему управлять Codex/Claude Code/Gemini

Этот переход привел к тому, что система может автоматически выполнять почти все задачи от небольших до средних по сложности, без необходимости вмешательства человека.

Почему Codex и Claude Code по отдельности недостаточно хороши?

В этот момент вы, возможно, подумаете: Codex и Claude Code уже очень сильны, зачем добавлять еще один уровень оркестрации?

Ответ автора очень прямолинеен: Codex и Claude Code почти ничего не знают о вашем бизнесе. Они видят только код, но не видят полной картины бизнеса.

Здесь есть фундаментальное ограничение: окно контекста фиксировано, и вы можете выбрать только одно.

Вы должны решить, что туда вставить:

• Заполнить кодом → нет места для бизнес-контекста
• Заполнить историей клиентов → нет места для кодовой базы

Поэтому, используя Codex или Claude Code по отдельности, вы столкнетесь с такими проблемами:

• Он не знает, для какого клиента предназначена эта функция
• Он не знает, почему предыдущий аналогичный запрос провалился
• Он не знает, какова ваша продуктовая позиция и принципы дизайна
• Он может работать только на основе текущего кода и вашего запроса

OpenClaw изменил это уравнение.

Он выступает в качестве уровня оркестрации, находясь между вами и всеми AI инструментами. Его роль заключается в следующем:

• Хранить весь бизнес-контекст (данные клиентов, записи встреч, исторические решения, успешные/неудачные примеры)
• Переводить бизнес-контекст в точные запросы, которые передаются конкретному агенту
• Позволять этим агентам сосредоточиться на том, что они умеют делать лучше всего: писать код

Для сравнения:

• Codex/Claude Code = профессиональный повар, который только готовит
• OpenClaw = шеф-повар, который знает предпочтения клиентов, запасы ингредиентов, позиционирование меню и дает каждому повару точные инструкции

Вот почему нужна двухуровневая система: через специализированное распределение контекста, а не замену на более мощную модель.

Конкретная архитектура двухуровневой системы: уровень оркестрации + уровень исполнения

Давайте посмотрим на конкретную архитектуру этой системы.

Два уровня, каждый выполняет свою задачу:

Что может сделать OpenClaw (уровень оркестрации)?

• Чтение всех протоколов встреч из заметок Obsidian (автоматическая синхронизация)
• Доступ к производственной базе данных (только для чтения) для получения конфигурации клиента
• Имеет права администратора API, может напрямую пополнять счет клиента и снимать блокировку
• Выбор подходящего агента в зависимости от типа задачи
• Мониторинг прогресса всех агентов, в случае неудачи анализирует причины и корректирует prompt для повторной попытки
• По завершении уведомляет автора через Telegram

Что может сделать Agent (исполнительный уровень)?

• Чтение и запись в репозиторий кода
• Запуск тестов и сборки
• Отправка кода и создание PR
• Ответ на отзывы по code review

Ключевой момент: агент исполнительного уровня никогда не будет иметь доступа к производственной базе данных и не увидит конфиденциальную информацию клиента. Они получают только "минимальный контекст, необходимый для выполнения этой задачи".

Этот дизайн очень умный: границы безопасности четкие, при этом обеспечивается эффективность.

Полный рабочий процесс: 8 шагов от запроса клиента до слияния PR

Теперь переходим к основной части. На примере реального случая автора на прошлой неделе, я проведу вас через полный процесс.

Контекст: корпоративный клиент позвонил и сказал, что хочет повторно использовать уже настроенные параметры и поделиться ими в команде.

Шаг 1: Запрос клиента → OpenClaw понимает и разбивает задачу

После завершения звонка автор обсудил этот запрос с Zoe (его OpenClaw).

Здесь волшебство: нулевые затраты на объяснение. Поскольку все протоколы встреч автоматически синхронизируются с Obsidian, Zoe уже прочитала содержание звонка и знает, кто клиент, их бизнес-сценарий и существующие настройки.

Автор и Zoe вместе разбили запрос на: создать систему шаблонов, чтобы пользователи могли сохранять и редактировать существующие настройки.

Затем Zoe сделала три вещи:

• Пополнила счет клиента — немедленно сняла ограничения на использование клиента с помощью администратора API
• Получила конфигурацию клиента — извлекла существующие настройки клиента из производственной базы данных (только для чтения)
• Сгенерировала prompt и запустила агента — упаковала весь контекст и передала его Codex

Шаг 2: Запуск агента

Zoe создала для этой задачи:

• Отдельное git worktree (изолированная ветвь)
• Сессию tmux (чтобы агент работал в фоновом режиме)

# 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 Почему используется tmux? Потому что можно вмешаться в процессе.

Если AI отклоняется от курса, не нужно убивать и начинать заново, просто отправьте команду в 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 В то же время задача будет записана в JSON файл:[[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]] [[HTMLPLACEHOLDER29]] [[HTMLPLACEHOLDER30]]Полный процесс от клиента до кода может занять всего 1-2 часа, в то время как фактические затраты автора могут составлять всего 10 минут.

Три механизма, делающих систему умнее

Механизм 1: Улучшенная версия Ralph Loop — не просто повторение, а обучение

Вы, возможно, слышали о Ralph Loop: извлечение контекста из памяти → генерация вывода → оценка результата → сохранение обучения.

Но у большинства реализаций есть одна проблема: каждый раз используется один и тот же prompt. Изученные вещи улучшают будущие запросы, но сам prompt остается статичным.

Эта система отличается.

Когда Agent терпит неудачу, Zoe не перезапускает с тем же prompt. Она анализирует причины неудачи с полным бизнес-контекстом и затем переписывает prompt:

❌ Плохой пример (статический prompt): { "реализовать функцию пользовательского шаблона" }

✅ Хороший пример (динамическая настройка): { "Стоп. Клиент хочет X, а не Y. Вот их точные слова на встрече: Мы хотим сохранить существующую конфигурацию, а не создавать новую с нуля. Сосредоточьтесь на повторном использовании конфигурации, не создавайте новый процесс." }Zoe может делать такие изменения, потому что у нее есть контекст, которого нет у Agent:

• Что клиент сказал на встрече
• Чем занимается эта компания
• Почему предыдущий аналогичный запрос провалился

Более того, Zoe не будет ждать, пока вы назначите задачу, она сама найдет работу:

• Утром: сканирует Sentry → находит 4 новых ошибки → запускает 4 Agent для расследования и исправления
• После встречи: сканирует протокол встречи → находит 3 функциональных требования, упомянутых клиентами → запускает 3 Codex
• Вечером: сканирует git log → запускает Claude Code для обновления changelog и клиентской документации

Автор возвращается с прогулки, и в Telegram отображается: "7 PR готовы. 3 новых функции, 4 исправления ошибок."

Успешные модели будут записаны:

• "Эта структура prompt очень эффективна для функции выставления счетов"
• "Codex нужно заранее получить определения типов"
• "Всегда нужно включать путь к тестовым файлам"

Сигналы награды: CI прошел, три code review прошли, ручное слияние. Любая неудача запускает цикл.

Чем дольше, тем лучше написанные Zoe prompt, потому что она помнит, что может сработать.

Механизм 2: Стратегия выбора Agent — разные задачи, разные эксперты

Не все Agent одинаково сильны. Автор обобщил стратегию выбора:

• Codex(gpt-5.3-codex) — основной — бэкенд-логика, сложные ошибки, многопрофильная рефакторинг, задачи, требующие межкодовой логики
• Медленный, но тщательный
• Занимает 90% задач

• Claude Code(claude-opus-4.5) — скоростной игрок — фронтенд-работа
• Меньше проблем с правами, подходит для операций git
• (Автор раньше использовал чаще, но после выхода Codex 5.3 переключился)

• Gemini — дизайнер — имеет дизайнерский вкус
• Для красивого UI сначала пусть Gemini генерирует HTML/CSS спецификации, а затем передает Claude Code для реализации в компонентной системе
• Gemini проектирует, Claude строит

Zoe автоматически выбирает Agent в зависимости от типа задачи и передает вывод между ними. Ошибка в системе выставления счетов идет к Codex, исправление стиля кнопки — к Claude Code, новый дизайн панели сначала идет к Gemini.

Механизм 3: Где узкое место? RAM

Здесь есть неожиданное ограничение: не стоимость токенов, не скорость API, а память.

Каждому Agent требуется:

• Свой worktree
• Свои nodemodules
• Запуск сборки, проверки типов, тестирования

5 Agent одновременно = 5 параллельных компиляторов TypeScript + 5 тестовых раннеров + 5 наборов зависимостей загружаются в память.

У автора Mac Mini (16 ГБ RAM) максимум может одновременно работать 4-5 Agent, больше — начинается своп, и нужно молиться, чтобы они не начали собираться одновременно.Поэтому он купил Mac Studio M4 Max (128 ГБ ОЗУ, $3500), который должен был прибыть в конце марта. Он сказал, что поделится, стоит ли это своих денег.

Вы тоже можете настроить: от нуля до работы всего за 10 минут

Хотите попробовать эту систему?

Самый простой способ:

Скопируйте всю эту статью в OpenClaw и скажите ему: "Согласно этой архитектуре, реализуйте для моей кодовой базы систему кластера агентов."

Тогда он:

• Прочитает архитектурный дизайн
• Создаст скрипты
• Настроит структуру каталогов
• Настроит мониторинг cron

10 минут и готово.

Вам нужно подготовить:

• Учетная запись OpenClaw
• Доступ к API Codex и/или Claude Code
• Git-репозиторий
• (по желанию) Obsidian для хранения бизнес-контекста

2026: миллионная компания одного человека

Автор в конце статьи сказал одну вдохновляющую вещь:

"Мы увидим множество миллионных компаний одного человека, появляющихся с 2026 года. Рычаг огромен и принадлежит тем, кто понимает, как строить рекурсивные самоулучшающиеся AI-системы."

Вот как это выглядит:

• AI-оркестратор как ваше расширение (как Zoe для автора)
• Делегирование работы специализированным агентам для обработки различных бизнес-функций
• Инженерия, поддержка клиентов, операции, маркетинг
• Каждый агент сосредоточен на том, что он умеет лучше всего
• Вы сохраняете концентрацию и полный контроль

Следующее поколение предпринимателей не будет нанимать 10 человек для выполнения задач, которые может сделать один человек с системой. Они будут строить так — оставаться небольшими, быстро действовать, публиковать каждый день.

Сейчас слишком много мусорного контента, генерируемого AI. Различные хайпы, различные «центры управления задачами» с эффектными демо, но без действительно полезного.

Автор говорит, что хочет делать противоположное: меньше хайпа, больше записи реального процесса создания. Реальные клиенты, реальные доходы, реальные отправки в производственную среду, а также реальные неудачи.

На этом статья заканчивается.

Основные моменты:

• Двухуровневая архитектура: уровень оркестрации содержит бизнес-контекст, уровень выполнения сосредоточен на коде
• Полная автоматизация: 8-шаговый процесс от требований до PR, большинство задач выполняется с первого раза
• Динамическое обучение: не повторное выполнение, а корректировка стратегии на основе причин неудач
• Контролируемые затраты: старт с $20/месяц, интенсивное использование $190/месяц

Если вы тоже исследуете практическое применение AI-автоматизации, надеюсь, этот случай даст вам некоторые идеи.

Ссылка на источник:[[HTMLPLACEHOLDER_31]]