OpenClaw + Claude Code super močan vodič: En človek lahko zgradi popolno razvojno ekipo!
OpenClaw + Claude Code super močan vodič: En človek lahko zgradi popolno razvojno ekipo!
Danes delim zelo zanimiv praktični primer. (Na koncu članka je priložen vodič)
Neodvisni razvijalec je z OpenClaw + Codex/CC zgradil sistem AI Agent, kakšne rezultate je dosegel?
94 oddaj dnevno, 7 PR-jev v 30 minutah, poleg tega pa je imel še 3 sestanke s strankami, urejevalnika sploh ni odprl.
To se je res zgodilo januarja 2026. Avtor je razkril celotno arhitekturo sistema, delovne tokove in konfiguracijo kode, po pregledu sem ugotovil, da je ta pristop zelo vreden učenja, zato sem ga strnil v ta članek, da ga delim s tabo.
Če tudi ti uporabljaš Codex ali Claude Code, ali te zanima OpenClaw, ti bo ta članek dal veliko navdiha.
En človek, 94 oddaj kode na dan
Najprej poglejmo nekaj podatkov, da začutimo moč tega sistema:
- Največ 94 oddaj na dan (povprečno 50 oddaj na dan)
- 7 PR-jev v 30 minutah
- Hitrost od ideje do objave je tako hitra, da lahko "dostaviš zahteve strankam še isti dan"
Kaj pa stroški? Vsak mesec $190 (Claude $100 + Codex $90), začetnik lahko začne s $20.
Morda se sprašuješ: ali to pomeni, da je nabral kup AI orodij in nato noro generiral smeti kode?
Ne. Avtorjeva Git zgodovina izgleda, kot da je "pravkar najel razvojno ekipo", vendar je v resnici samo on. Ključna sprememba je: prešel je od "upravljanja Claude Code" k "upravljanju AI upravitelja, ki nato upravlja skupino Claude Code".
- Pred januarjem: neposredno pisanje kode z Codex ali Claude Code
- Po januarju: uporaba OpenClaw kot plast za usklajevanje, ki usklajuje Codex/Claude Code/Gemini
Zakaj Codex in Claude Code ne delujeta dovolj dobro, če ju uporabljamo ločeno?
V tem trenutku se morda sprašuješ: Codex in Claude Code sta že zelo močna, zakaj bi dodali še plast usklajevanja?
Avtorjev odgovor je zelo neposreden: Codex in Claude Code skoraj nič ne vedo o tvojem poslu. Vidita le kodo, ne vidita celotne poslovne slike.
Tukaj je temeljna omejitev: okno konteksta je fiksno, lahko izbereš le eno od dveh možnosti.
Moraš se odločiti, kaj boš vnesel:
- Napolniš s kodo → ni prostora za poslovni kontekst
- Napolniš s zgodovino strank → ni prostora za knjižnico kode
- Ne ve, za katerega kupca je ta funkcionalnost
- Ne ve, zakaj je prejšnja podobna zahteva propadla
- Ne ve, kakšna je tvoja produktna usmeritev in načela oblikovanja
- Lahko deluje le na podlagi trenutne kode in tvojega poziva
Deluje kot plast za usklajevanje, ki se nahaja med tabo in vsemi AI orodji. Njegova vloga je:
- Imati vse poslovne kontekste (podatki o strankah, zapisniki sestankov, zgodovinske odločitve, uspešni/neuspešni primeri)
- Prevesti poslovni kontekst v natančne pozive, ki jih posreduje konkretnemu agentu
- Omogočiti tem agentom, da se osredotočijo na tisto, kar najbolje obvladajo: pisanje kode
- Codex/Claude Code = profesionalni kuhar, ki se ukvarja le s kuhanjem
- OpenClaw = glavni kuhar, ki pozna okus strank, zaloge sestavin, usmeritev menija, in daje natančna navodila vsakemu kuharju
Specifična arhitektura dvoplastnega sistema: plast za usklajevanje + plast za izvajanje
Poglejmo specifično arhitekturo tega sistema.
Dve plasti, vsaka ima svoje naloge:
Kaj lahko stori OpenClaw (plast za usklajevanje)?
- Prebere vse zapisnike sestankov iz Obsidian beležk (samodejna sinhronizacija)
- Dostopa do produkcijske baze podatkov (samo za branje) za pridobitev konfiguracije strank
- Ima API pravice skrbnika, lahko neposredno napolni račun stranke in odpravi blokade
- Izbere ustreznega agenta glede na vrsto naloge
- Spremlja napredek vseh agentov, v primeru neuspeha analizira vzroke in prilagodi prompt za ponovni poskus
- Po zaključku obvesti avtorja preko Telegrama
Kaj lahko stori Agent (izvršna plast)?
- Bere in piše v repozitorij kode
- Izvaja teste in gradi
- Predloži kodo in ustvari PR
- Odgovarja na povratne informacije o pregledu kode
Ta zasnova je pametna: varnostne meje so jasne, hkrati pa zagotavljajo učinkovitost.
Celoten delovni tok: 8 korakov od potreb strank do združitve PR
Zdaj preidimo na jedro. Uporabimo resničen primer avtorja iz prejšnjega tedna, da vas popeljemo skozi celoten postopek.
Ozadje: Podjetje stranka je poklicalo in izrazilo željo po ponovni uporabi njihovih že nastavljenih nastavitev za deljenje znotraj ekipe.
1. korak: Potrebe strank → OpenClaw razume in razčleni
Po končanem klicu je avtor govoril z Zoe (njegov OpenClaw) o tej potrebi.
Tu je čarobnost: nič stroškov razlage. Ker so vsi zapisniki sestankov samodejno sinhronizirani v Obsidian, je Zoe že prebrala vsebino klica in ve, kdo je stranka, kakšna je njihova poslovna situacija in kakšna je obstoječa konfiguracija.
Avtor in Zoe sta razčlenila potrebo na: ustvariti sistem predlog, ki omogoča uporabnikom, da shranijo in uredijo obstoječo konfiguracijo.
Nato je Zoe naredila tri stvari:
- Napolnila račun stranke — takoj je z administrativnim API-jem odpravila omejitve stranke
- Pridobila konfiguracijo stranke — pridobila obstoječe nastavitve iz produkcijske baze podatkov (samo za branje)
- Generirala prompt in zagnala agenta — vse kontekste je zapakirala in jih poslala Codexu
2. korak: Zagon agenta
Zoe je za to nalogo ustvarila:
- Neodvisno git worktree (izolirano okolje veje)
- tmux sejo (da Agent deluje v ozadju)
# 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 Zakaj uporabljamo tmux? Ker omogoča posredovanje vmes.
Če AI zaide s poti, ni treba ubiti in začeti znova, preprosto v tmux pošljite ukaz:
# 代理方向错了 tmux send-keys -t codex-templates "Ustavi se. Najprej naredi API plast, ne glej na UI." Enter
代理需要更多上下文
tmux send-keys -t codex-templates "Tipi so definirani v src/types/template.ts, uporabi to." Enter Hkrati se naloga beleži v JSON datoteko: { "id": "feat-custom-templates", "tmuxSession": "codex-templates", "agent": "codex", "description": "Funkcija prilagojenih e-poštnih predlog za poslovne stranke", "repo": "medialyst", "worktree": "feat-custom-templates", "branch": "feat/custom-templates", "startedAt": 1740268800000, "status": "running", "notifyOnComplete": true}
Korak 3: Avtomatsko spremljanje
Cron naloga preverja stanje vseh agentov vsakih 10 minut.
Pomembno: ne gre za "vprašanje" agenta, kako napreduje (to bi porabilo veliko tokenov), temveč za preverjanje objektivnih dejstev:
- Ali je tmux seansa še vedno aktivna?
- Ali je bil ustvarjen PR?
- Kakšno je stanje CI?
- Če je prišlo do napake, ali je potrebno ponovno zagnati? (največ 3 ponovitve)
Ta skripta za spremljanje je 100% deterministična, zelo varčna s tokeni, obvesti avtorja le, ko je potrebna človeška intervencija.
To je v bistvu izboljšana različica Ralph Loop, o kateri bomo podrobneje govorili kasneje.
Korak 4: Agent ustvari PR
Agent napiše kodo, jo odda, potisne in nato ustvari PR z ukazom gh pr create --fill.
Opomba: v tem trenutku avtor ne bo prejel obvestila. Ker PR sam po sebi ne pomeni "končano".
Definicija "končano" je:
- ✅ PR je bil ustvarjen
- ✅ Večja je sinhronizirana z main (brez konfliktov)
- ✅ CI je uspešen (lint, preverjanje tipov, enotne teste, E2E teste)
- ✅ Codex pregledovalec je odobril
- ✅ Claude pregledovalec je odobril
- ✅ Gemini pregledovalec je odobril
- ✅ Če so bile spremembe v UI, morajo biti priložene posnetki zaslona
Le če so vsi pogoji izpolnjeni, je to resnično končano.
Korak 5: Avtomatizacija pregleda kode
Vsak PR bo pregledalo tri agente:
- Codex pregledovalec — najbolj zanesljiv pregledovalec - dober pri odkrivanju robnih primerov
- Zmožen odkriti logične napake, manjkajoče obravnave napak, pogoje dirke
- Stopnja lažnih pozitivov je zelo nizka
- Gemini Code Assist pregledovalec — brezplačen in enostaven za uporabo - lahko odkrije varnostne in razširljivostne težave, ki jih drugi pregledovalci spregledajo
- Daje konkretne predloge za popravke
- Ne izkoristiš, če ne poskusiš
- Claude pregledovalec kode — skoraj brez vrednosti - preveč previden, vedno predlaga "razmislite o dodajanju..."
- Večina predlogov je prekomerno zasnovanih
- Razen če je označeno kot "kritično", se preprosto preskoči
Trije pregledovalci bodo neposredno komentirali v PR.
Korak 6: Avtomatizirani testi
CI cevovod bo izvajal:
- Lint in TypeScript preverjanja
- Enotne teste
- E2E teste
- Playwright teste (v okolju, ki je identično produkcijskemu)
Nova pravila, dodana prejšnji teden: če PR spremeni UI, mora biti v opisu priložen posnetek zaslona, sicer CI takoj ne uspe.
To pravilo je znatno skrajšalo čas pregleda - avtor si lahko hitro ogleda posnetek zaslona in vidi, kaj se je spremenilo, brez potrebe po vstopu v predogledno okolje.
Korak 7: Ročni pregled
Zdaj avtor prejme obvestilo na Telegramu: "PR #341 je pripravljen, lahko ga pregledaš."
V tem trenutku:
- CI je povsem zelen
- Vsi trije AI pregledovalci so odobrili
- Posnetek zaslona prikazuje spremembe v UI
- Vsi robni primeri so dokumentirani v komentarjih pregleda
Avtorjev pregled traja le 5-10 minut. Veliko PR-jev celo pregleda le posnetke zaslona in jih neposredno združi, ne da bi pogledal kodo.
Korak 8: Združitev
PR se združi. Vsak dan je cron naloga, ki čisti osamljene worktree in zapise nalog.## Tri mehanizme, ki sistem naredijo pametnejši
Mehanizem 1: Izboljšana različica Ralph Loop — ne gre le za ponavljanje, temveč za učenje
Morda ste slišali za Ralph Loop: pridobivanje konteksta iz spomina → generiranje izhoda → ocenjevanje rezultatov → shranjevanje učenja.
Toda večina implementacij ima eno težavo: vsakokratni klic uporablja enak prompt. Učenje, ki ga pridobimo, izboljša prihodnje iskanje, vendar je sam prompt statičen.
Ta sistem je drugačen.
Ko Agent ne uspe, Zoe ne bo ponovno zagnala z istim promptom. S celotnim poslovnim kontekstom analizira vzroke neuspeha in nato prepiše prompt:
❌ Slab primer (statistični prompt): { "izvedba funkcionalnosti po meri" }
✅ Dober primer (dinamično prilagajanje): { "Ustavi se. Stranka želi X, ne Y. To so njihove besede iz sestanka: Želimo ohraniti obstoječo konfiguracijo, ne pa ustvariti novo od začetka. Osredotočite se na ponovno uporabo konfiguracije, ne na ustvarjanje novih procesov." }`Zoe lahko izvede to prilagoditev, ker ima kontekst, ki ga Agent nima:
- Kaj je stranka rekla na sestanku
- S čim se podjetje ukvarja
- Zakaj je prejšnja podobna zahteva propadla
- Zjutraj: skenira Sentry → odkrije 4 nove napake → zažene 4 agente za raziskovanje in popravilo
- Po sestanku: skenira zapisnike sestanka → odkrije 3 funkcionalne zahteve, ki jih omenjajo stranke → zažene 3 Codex
- Zvečer: skenira git log → zažene Claude Code za posodobitev changelog-a in dokumentacije za stranke
Uspešni vzorci se zabeležijo:
- "Ta struktura prompta je zelo učinkovita za funkcionalnost računov"
- "Codex mora prej prejeti definicije tipov"
- "Vedno je treba vključiti pot do testne datoteke"
Daljši kot je čas, boljši je prompt, ki ga napiše Zoe, ker se spomni, kaj lahko uspe.
Mehanizem 2: Strategija izbire Agenta — različni strokovnjaki za različne naloge
Niso vsi agenti enako močni. Avtor povzema strategijo izbire:
- Codex(gpt-5.3-codex) — glavni igralec - logika na zadnjem delu, kompleksne napake, prestrukturiranje več datotek, naloge, ki zahtevajo sklepanje čez kode
- Počasen, a temeljit
- Pokriva 90% nalog
- Claude Code(claude-opus-4.5) — hitri igralec - delo na sprednjem delu
- Manj težav s pravicami, primeren za git operacije
- (Avtor je prej pogosteje uporabljal, a se je po izidu Codex 5.3 preusmeril)
- Gemini — oblikovalec - ima estetski občutek
- Za lep UI najprej naj Gemini ustvari HTML/CSS specifikacije, nato pa naj Claude Code to implementira v sistemu komponent
- Gemini oblikuje, Claude gradi
Mehanizem 3: Kje je ozka grla? RAM
Tu je nepričakovana omejitev: ni strošek tokenov, ni hitrost API, temveč pomnilnik.
Vsak agent potrebuje:
- svojo delovno drevo
- svoje nodemodules
- izvajanje gradnje, preverjanje tipov, testiranje
Avtorjev Mac Mini (16GB RAM) lahko hkrati poganja največ 4-5 agentov, več pa začne zamenjati, poleg tega mora moliti, da ne gradijo hkrati.## Tudi ti lahko postaviš: od nič do delovanja v 10 minutah
Želiš preizkusiti ta sistem?
Najlažji način:
Kopiraj celoten ta članek v OpenClaw in mu povej: "Po tej arhitekturi, implementiraj sistem Agent klasterja za mojo kodo."
Nato bo:
- prebral arhitekturni načrt
- ustvaril skripte
- nastavil strukturo map
- konfiguriral cron nadzor
Pripraviti moraš:
- OpenClaw račun
- API dostop do Codex in/ali Claude Code
- git repozitorij
- (neobvezno) Obsidian za shranjevanje poslovnega konteksta
2026: milijonsko podjetje ene osebe
Avtor na koncu članka pove nekaj, kar se mi zdi zelo navdihujoče:
"Videli bomo veliko milijonskih podjetij ene osebe, ki se bodo začela pojavljati od leta 2026. Leverage je ogromen, pripada tistim, ki razumejo, kako zgraditi rekurzivni sistem umetne inteligence za samopoboljšanje."
To je videti takole:
- AI orkestrator kot tvoja podaljšana roka (kot je Zoe za avtorja)
- Delo delegiraš specializiranim Agentom, ki obravnavajo različne poslovne funkcije
- Inženiring, podpora strankam, operacije, marketing
- Vsak Agent se osredotoča na tisto, kar najbolje obvlada
- Ti ostaneš osredotočen in imaš popoln nadzor
Zdaj je preveč vsebine, ki jo generira AI, ki je slabe kakovosti. Različne hype, različni "centri za nadzor nalog" s pompznimi demo, a brez resnično uporabnih stvari.
Avtor pravi, da želi narediti nasprotno: manj hype, več dokumentiranja resničnega procesa gradnje. Resnični kupci, resnični prihodki, resnični oddaji za objavo v produkcijskem okolju, prav tako pa tudi resnični neuspehi.
Ta članek je tukaj.
Povzetek ključnih točk:
- Dvoplastna arhitektura: orkestracijska plast drži poslovni kontekst, izvršna plast se osredotoča na kodo
- Popolna avtomatizacija: 8-stopenjski proces od zahtev do PR, večina nalog uspe na prvi poskus
- Dinamično učenje: ne ponavljamo izvajanja, temveč prilagajamo strategijo glede na vzroke neuspeha
- Stroški pod nadzorom: začetek pri 20 $/mesec, intenzivna uporaba 190 $/mesec
Referenčna povezava:[[HTMLPLACEHOLDER_0]]
