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

Sot po ndaj një rast praktik shumë të fuqishëm. (Më poshtë në fund të artikullit do të gjeni udhëzime)

Një zhvillues i pavarur, përdori OpenClaw + Codex/CC për të ndërtuar një sistem AI Agent, çfarë efekti arriti?

Një ditë 94 dorëzime, 30 minuta për të përfunduar 7 PR, dhe në këtë ditë ai gjithashtu mbajti 3 takime me klientë, pa hapur asnjëherë redaktorin.

Kjo ndodhi në janar 2026. Autori publikoi të gjithë arkitekturën e sistemit, rrjedhën e punës, dhe konfigurimin e kodit, dhe pasi e lexova, mendoj se ky koncept është shumë i vlefshëm për t'u mësuar, prandaj e kam përmbledhur në këtë artikull për t'jua ndarë.

Nëse po përdorni Codex ose Claude Code, ose jeni të interesuar për OpenClaw, ky artikull do t'ju japë shumë frymëzim.

Një person, 94 dorëzime kodi në një ditë

Së pari, le të shohim disa të dhëna, për të ndjerë fuqinë e këtij sistemi:

• Maksimumi i dorëzimeve në një ditë 94 (mesatarisht 50 dorëzime në ditë)
• Përfundimi i 7 PR në 30 minuta
• Shpejtësia nga ideja deri në lançim është aq e shpejtë sa "mund të dorëzohet kërkesa e klientit në të njëjtën ditë"

Autori përdori këtë sistem për të zhvilluar një produkt të vërtetë B2B SaaS, duke bashkëpunuar me themeluesin për shitje direkte, shumica e kërkesave funksionale mund të përfundojnë në të njëjtën ditë. Sa e shpejtë është? Klientët paraqesin kërkesat, dhe në të njëjtën ditë mund të shohin rezultatet, duke u shndërruar direkt në përdorues të paguar.

Sa është kostoja? Çdo muaj $190 (Claude $100 + Codex $90), një fillestar mund të fillojë me $20.

Mund të pyesni: A është kjo thjesht një grumbull mjetesh AI, dhe pastaj të gjeneroni kod të papërshtatshëm?

Jo. Historia e Git-it të autorit duket si "sapo ka punësuar një ekip zhvilluesish", por në të vërtetë është vetëm ai. Ndryshimi kyç është: ai kaloi nga "menaxhimi i Claude Code" në "menaxhimin e një kujdestari AI, i cili menaxhon një grup Claude Code".

• Para janarit: shkruante kod direkt me Codex ose Claude Code
• Pas janarit: përdorte OpenClaw si një nivel organizimi, duke e lejuar atë të planifikonte Codex/Claude Code/Gemini

Ky ndryshim solli efektin që: sistemi mund të përfundojë automatikisht pothuajse të gjitha detyrat e vogla deri në mesatare, pa nevojën për ndërhyrje njerëzore.

Pse Codex dhe Claude Code nuk janë të mjaftueshme kur përdoren veçmas?

Në këtë pikë, ndoshta po mendoni: Codex dhe Claude Code janë tashmë shumë të fuqishme, pse duhet të shtoni një nivel organizimi?

Përgjigjja e autorit është shumë e drejtpërdrejtë: Codex dhe Claude Code nuk dinë asgjë për biznesin tuaj. Ato shohin vetëm kodin, nuk shohin pamjen e plotë të biznesit.

Këtu ka një kufizim themelor: dritarja e kontekstit është e fiksuar, ju mund të zgjidhni vetëm një nga dy.

Duhet të bëni zgjedhje se çfarë të vendosni brenda:

• Plotësoni me kod → nuk ka hapësirë për kontekstin e biznesit
• Plotësoni me historinë e klientëve → nuk ka hapësirë për bibliotekën e kodit

Prandaj, kur përdorni veçmas Codex ose Claude Code, do të hasni këto probleme:

• Ajo nuk e di për cilin klient është kjo funksionalitet
• Ajo nuk e di pse kërkesa e ngjashme dështoi herën e fundit
• Ajo nuk e di pozicionimin dhe parimet e dizajnit të produktit tuaj
• Ajo mund të punojë vetëm në bazë të kodit aktual dhe prompt-it tuaj

OpenClaw e ndryshoi këtë ekuacion.

Ajo vepron si një nivel organizimi, midis jush dhe të gjitha mjeteve AI. Roli i saj është:

• Të mbajë të gjithë kontekstin e biznesit (të dhënat e klientëve, shënimet e takimeve, vendimet historike, rastet e suksesit/dështimit)
• Të përkthejë kontekstin e biznesit në prompt të saktë, për t'ia dhënë Agjentëve specifikë
• Të lejojë këta Agjentë të përqendrohen në atë që dinë të bëjnë më mirë: të shkruajnë kod

Një krahasim:

• Codex/Claude Code = kuzhinier profesionist, vetëm përgatit ushqim
• OpenClaw = shef kuzhine, di shijet e klientëve, inventarin e përbërësve, pozicionimin e menusë, jep udhëzime të sakta për çdo kuzhinier

Kjo është arsyeja pse nevojitet një sistem me dy nivele: përmes specializimit të kontekstit, dhe jo duke zëvendësuar me një model më të fuqishëm.

Arkitektura specifike e sistemit me dy nivele: niveli i organizimit + niveli i ekzekutimit

Le të shohim arkitekturën specifike të këtij sistemi.

Dyfish, secili me detyrat e veta:

Çfarë mund të bëjë OpenClaw (Shtresa e organizimit)?

• Lexoni të gjitha protokollet e takimeve në shënimet Obsidian (sinkronizim automatik)
• Qasni në bazën e të dhënave të prodhimit (leje vetëm për lexim) për të marrë konfigurimin e klientit
• Ka leje API administratori, mund të rimbushë klientin dhe të heqë bllokimin direkt
• Zgjidhni agjentin e duhur sipas llojit të detyrës
• Monitoroni përparimin e të gjithë agjentëve, nëse dështojnë do të analizoni arsyet dhe do të rregulloni promptin për të provuar përsëri
• Pas përfundimit, njoftoni autorin përmes Telegramit

Çfarë mund të bëjë Agjenti (Shtresa e ekzekutimit)?

• Lexoni dhe shkruani në bibliotekën e kodit
• Ekzekutoni teste dhe ndërtim
• Dërgoni kodin dhe krijoni PR
• Përgjigjuni komenteve të rishikimit të kodit

Pika kyçe: Agjenti në shtresën e ekzekutimit kurrë nuk do të ketë qasje në bazën e të dhënave të prodhimit dhe nuk do të shohë informacionet e ndjeshme të klientit. Ata marrin vetëm "kontekstin minimal që nevojitet për të përfunduar këtë detyrë".

Ky dizajn është shumë i zgjuar: kufiri i sigurisë është i qartë, ndërsa garanton efikasitetin.

Procesi i plotë: 8 hapa nga kërkesa e klientit deri te bashkimi i PR

Tani hyjmë në pjesën kryesore. Me një rast të vërtetë të autorit nga java e kaluar, do t'ju çojmë përmes procesit të plotë.

Sfondi: Një klient biznesi telefonoi dhe tha se dëshiron të ripërdorë konfigurimet e tyre të gatshme, për t'i ndarë brenda ekipit.

Hapi 1: Kërkesa e klientit → OpenClaw kupton dhe ndan

Pas përfundimit të bisedës, autori dhe Zoe (OpenClaw e tij) biseduan për këtë kërkesë.

Këtu është gjëja magjike: kostoja e shpjegimit është zero. Sepse të gjitha protokollet e takimeve sinkronizohen automatikisht në Obsidian, Zoe e kishte lexuar përmbajtjen e bisedës, e dinte se kush ishte klienti, skenari i tyre i biznesit dhe konfigurimi ekzistues.

Autori dhe Zoe ndanë kërkesën në: të krijojnë një sistem modeli, që lejon përdoruesit të ruajnë dhe redaktojnë konfigurimet ekzistuese.

Pastaj Zoe bëri tre gjëra:

• Rimbushi klientin — përdori API-në e administratorit për të hequr menjëherë kufizimet e përdorimit të klientit
• Tërheqi konfigurimin e klientit — mori konfigurimin ekzistues nga baza e të dhënave të prodhimit (lexim vetëm)
• Gjeneroi prompt dhe nisi agjentin — paketoi të gjithë kontekstin dhe ia dha Codex

Hapi 2: Nisi agjentin

Zoe krijoi për këtë detyrë:

• Një git worktree të pavarur (mjedis të izoluar të degëve)
• Një seancë tmux (për të lejuar Agjentin të funksionojë në sfond)

# 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 Pse përdorim tmux? Sepse mund të ndërhyjmë në mes.

Nëse AI devijon, nuk është e nevojshme të vrasim dhe të fillojmë nga e para, thjesht dërgojmë urdhra në 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 Ndërkohë, detyra do të regjistrohet në një skedë JSON:{ "id": "feat-custom-templates", "tmuxSession": "codex-templates", "agent": "codex", "description": "Funksioni i template-ve të personalizuara për klientët e bizneseve", "repo": "medialyst", "worktree": "feat-custom-templates", "branch": "feat/custom-templates", "startedAt": 1740268800000, "status": "running", "notifyOnComplete": true }

Hapi 3: Monitorimi Automatizuar

Një detyrë cron kontrollon statusin e të gjithë agjentëve çdo 10 minuta.

Thelbësore: Nuk është për të "pyetur" Agjentin se si po shkon progresi (sepse do të shpenzojë shumë token), por për të kontrolluar faktet objektive:

• A është ende sesioni tmux aktiv?
• A është krijuar PR?
• Si është statusi i CI?
• Nëse ka dështuar, a duhet të ri-startohet? (maksimumi 3 herë)

Ky skript monitorimi është 100% deterministik, shumë ekonomik në përdorimin e token, dhe do të njoftojë autorin vetëm kur kërkohet ndërhyrje manuale.

Kjo është në fakt një version i përmirësuar i Ralph Loop, për të cilin do të flasim më në detaje më vonë.

Hapi 4: Agjenti Krijon PR

Agjenti shkruan kodin, e dërgon, e shtyn, dhe pastaj krijon PR me gh pr create --fill.

Vërejtje: Në këtë moment autori nuk do të marrë njoftim. Sepse një PR vetë nuk përfaqëson "përfundimin".

Përkufizimi i "përfundimit" është:

• ✅ PR është krijuar
• ✅ Dega është sinkronizuar me main (pa konflikte)
• ✅ CI ka kaluar (lint, kontrolli i tipeve, testet e njësive, testet E2E)
• ✅ Rishikuesi Codex ka kaluar
• ✅ Rishikuesi Claude ka kaluar
• ✅ Rishikuesi Gemini ka kaluar
• ✅ Nëse ka ndryshime në UI, duhet të përfshijë një screenshot

Vetëm kur të gjitha këto plotësohen, atëherë konsiderohet se është përfunduar vërtet.

Hapi 5: Automatizimi i Rishikimit të Kodit

Çdo PR do të rishikohet nga tre Agjentë:

• Rishikuesi Codex — Rishikuesi më i besueshëm - i specializuar në gjetjen e rasteve të skajshme
• Mund të kapë gabime logjike, mungesë të trajtimit të gabimeve, kushte garuese
• Shkalla e gabimeve të rreme është shumë e ulët

• Rishikuesi Gemini Code Assist — Falas dhe i lehtë për t'u përdorur - mund të zbulojë probleme sigurie dhe zgjerueshmërie që rishikuesit e tjerë mund t'i kenë humbur
• Do të ofrojë sugjerime të sakta për rregullim
• Pse të mos e përdorësh

• Rishikuesi Claude Code — Praktikisht i padobishëm - tepër i kujdesshëm, gjithmonë sugjeron "mendo për të shtuar..."
• Shumica e sugjerimeve janë tepër të dizajnuara
• Përveç nëse është shënuar si "kritike", përndryshe kalon direkt

Të tre rishikuesit do të komentojnë drejtpërdrejt në PR.

Hapi 6: Testimi Automatizuar

CI pipeline do të ekzekutojë:

• Kontrollin e Lint dhe TypeScript
• Testet e njësive
• Testet E2E
• Testet Playwright (në një mjedis paraprak që është identik me mjedisin e prodhimit)

Rregulli i ri i shtuar javën e kaluar: nëse PR ndryshon UI, duhet të përfshijë një screenshot në përshkrim, përndryshe CI dështojnë direkt.

Ky rregull ka shkurtuar ndjeshëm kohën e rishikimit - autori vetëm e shikon screenshot-in dhe e di çfarë është ndryshuar, pa pasur nevojë të hyjë në mjedisin paraprak.

Hapi 7: Rishikimi Manual

Tani, autori merr një njoftim në Telegram: "PR #341 është gati, mund të rishikohet."

Në këtë moment:

• CI është plotësisht e gjelbër
• Të tre rishikuesit AI e kanë miratuar
• Screenshot-i tregon ndryshimet në UI
• Të gjitha rastet e skajshme janë regjistruar në komentet e rishikimit

Rishikimi i autorit kërkon vetëm 5-10 minuta. Shumë PR ai madje nuk e shikon kodin, vetëm shikon screenshot-in dhe e bashkon direkt.

Hapi 8: Bashkimi

PR bashkohet. Çdo ditë ka një detyrë cron që pastron worktree dhe regjistrat e detyrave të izoluar.Procesi i plotë, nga kërkesat e klientit deri te kodimi në linjë, mund të ketë zgjatur vetëm 1-2 orë, ndërsa investimi i autorit mund të ketë qenë vetëm 10 minuta.

Tre mekanizma që e bëjnë sistemin më të mençur

Mekanizmi 1: Ralph Loop i përmirësuar — nuk është vetëm përsëritje, por është mësim

Mund të keni dëgjuar për Ralph Loop: tërheq kontekstin nga memoria → gjeneron daljen → vlerëson rezultatet → ruan mësimin.

Por shumica e realizimeve kanë një problem: çdo herë që cikli përsëritet, prompti është i njëjtë. Ajo që mësohet përmirëson kërkimin e ardhshëm, por prompti vetë është statik.

Ky sistem është ndryshe.

Kur Agjenti dështon, Zoe nuk e rinis me të njëjtin prompt. Ajo do të analizojë arsyet e dështimit me kontekstin e plotë të biznesit dhe pastaj do të rishkruajë promptin:

❌ Shembulli i keq (prompt statik): { "Implementoni funksionalitetin e shabllonit të personalizuar" }

✅ Shembulli i mirë (rregullim dinamik): { "Ndal. Klienti kërkon X, jo Y. Këto janë fjalët e tyre në takim: Ne duam të ruajmë konfigurimin ekzistues, jo të krijojmë një të ri nga e para. Pika kryesore është të bëjmë ripërdorimin e konfigurimeve, mos krijoni procese të reja." }Zoe mund të bëjë këtë rregullim sepse ajo ka kontekstin që Agjenti nuk e ka:

• Çfarë tha klienti në takim
• Çfarë bën kjo kompani
• Pse dështoi kërkesa e ngjashme herën e fundit

Më tej, Zoe nuk do të presë që ju të caktoni detyra, ajo do të kërkojë punë vetë:

• Në mëngjes: skanon Sentry → zbulon 4 gabime të reja → nis 4 Agjentë për të hetuar dhe riparuar
• Pas takimit: skanon protokollin e takimit → zbulon 3 kërkesa funksionaliteti të përmendura nga klientët → nis 3 Codex
• Në mbrëmje: skanon log-un e git-it → nis Claude Code për të përditësuar changelog-un dhe dokumentacionin e klientit

Autori kthehet nga një shëtitje dhe në Telegram shfaqet: "7 PR janë gati. 3 funksionalitete të reja, 4 riparime gabimesh."

Modelet e suksesshme do të regjistrohen:

• "Kjo strukturë prompt-i është shumë efektive për funksionalitetin e faturimit"
• "Codex duhet të marrë përpara definicionet e tipeve"
• "Gjithmonë duhet të përfshijë rrugën e skedarëve të testeve"

Sinjali i shpërblimit është: CI kalon, tre rishikime të kodit kalojnë, bashkimi manual. Çdo dështim do të aktivizojë ciklin.

Sa më shumë kohë kalon, aq më i mirë bëhet prompt-i i shkruar nga Zoe, sepse ajo e mban mend se çfarë mund të ketë sukses.

Mekanizmi 2: Strategjia e zgjedhjes së Agjentëve — për detyra të ndryshme, gjeni ekspertë të ndryshëm

Jo të gjithë Agjentët janë po aq të fortë. Strategjia e zgjedhjes e përmbledhur nga autori:

• Codex(gpt-5.3-codex) — Forca kryesore - logjika e pasme, gabime komplekse, rikonstruksion i shumë skedarëve, detyra që kërkojnë arsyetim përtej kodeve
• E ngadalshme por e plotë
• Përdoret në 90% të detyrave

• Claude Code(claude-opus-4.5) — Kandidati i shpejtë - puna e përparme
• Problemet e lejes janë të pakta, e përshtatshme për operacionet git
• (Autori e ka përdorur më shpesh më parë, por pas daljes së Codex 5.3 e ka ndërruar)

• Gemini — Dizajneri - ka estetikë dizajni
• Për UI të bukur, së pari le të gjenerohet HTML/CSS nga Gemini, pastaj t'i jepet Claude Code për ta realizuar në sistemin e komponentëve
• Gemini dizajnon, Claude ndërtan

Zoe do të zgjedhë automatikisht Agjentin në bazë të llojit të detyrës dhe do të kalojë daljet midis tyre. Gabimi në sistemin e faturimit i jepet Codex, riparimi i stilit të butonit i jepet Claude Code, dizajni i ri i panelit i jepet së pari Gemini.

Mekanizmi 3: Ku është ngushtica? RAM

Këtu ka një kufizim të papritur: nuk është kostoja e token-it, nuk është shpejtësia e API-së, por është memoria.

Çdo Agjent ka nevojë për:

• Worktree-në e tij
• nodemodules e tij
• Të ekzekutojë ndërtimin, kontrollin e tipeve, testimin

5 Agjentë që funksionojnë njëkohësisht = 5 kompilatorë TypeScript në paralel + 5 ekzekutorë testesh + 5 grupe varësish të ngarkuara në memorie.

Mac Mini i autorit (16GB RAM) mund të funksionojë maksimumi 4-5 Agjentë njëkohësisht, më shumë se kaq fillon të bëjë swap, dhe duhet të lutet që ata të mos ndërtuan njëkohësisht.Prandaj ai bleu një Mac Studio M4 Max (128GB RAM, $3500), që do të arrijë në fund të marsit. Ai tha se do të ndajë nëse ia vlen apo jo.

Ti gjithashtu mund të ndërtohesh: nga zero në funksionim në vetëm 10 minuta

Dëshiron të provosh këtë sistem?

Mënyra më e thjeshtë:

Kopjo të gjithë këtë artikull dhe jepja OpenClaw, thuaj "Sipas kësaj strukture, implemento një sistem Agent cluster për bibliotekën time të kodit."

Pastaj, ajo do të:

• Lexojë dizajnin e strukturës
• Krijojë skriptet
• Vendosë strukturën e dosjeve
• Konfigurojë monitorimin cron

10 minuta për ta përfunduar.

Ti ke nevojë të përgatitësh:

• Llogari OpenClaw
• Qasje në API të Codex dhe/ose Claude Code
• Një depo git
• (opsionale) Obsidian për të ruajtur kontekstin e biznesit

2026: Një kompani milion dollarëshe e një personi

Autori në fund të artikullit tha një frazë që mendoj se është shumë frymëzuese:

"Ne do të shohim një numër të madh kompanish milion dollarëshe të një personi që do të shfaqen nga viti 2026. Leverazhi është i madh, për ata që kuptojnë se si të ndërtojnë sisteme AI që përmirësohen vetë në mënyrë rekursive."

Kjo është si duket:

• Një AI orkestrues si zgjatje e jote (si Zoe për autorin)
• Delego punën te Agjentë të specializuar, që trajtojnë funksione të ndryshme të biznesit
• Inxhinieri, mbështetje për klientët, operacione, marketing
• Çdo Agjent përqendrohet në atë që di të bëjë më mirë
• Ti mbetesh i përqendruar dhe ke kontroll të plotë

Nesërmendësit e ardhshëm nuk do të punësojnë 10 njerëz për të bërë atë që një person me një sistem mund ta bëjë. Ata do ta ndërtojnë kështu - duke mbajtur një shkallë të vogël, duke vepruar shpejt, duke publikuar çdo ditë.

Tani ka shumë përmbajtje të gjeneruar nga AI që është e padobishme. Lloje të ndryshme të reklamave, lloje të ndryshme të demo-ve të shtrenjta "qendrat e kontrollit të detyrave", por pa asgjë të vërtetë të dobishme.

Autori thotë se dëshiron të bëjë të kundërtën: më pak reklamim, më shumë dokumentim të procesit të ndërtimit të vërtetë. Klientë të vërtetë, të ardhura të vërteta, dorëzime të vërteta në ambientin e prodhimit, gjithashtu dështime të vërteta.

Ky është fundi i artikullit.

Rikujtim i pikave kryesore:

• Strukturë me dy nivele: niveli i orkestrimit mban kontekstin e biznesit, niveli i ekzekutimit përqendrohet në kod
• Automatizim i plotë: procesi 8-hapësh nga kërkesa në PR, shumica e detyrave përfundohen me sukses në herën e parë
• Mësim dinamik: nuk është ekzekutim i përsëritur, por rregullim i strategjisë sipas arsyeve të dështimit
• Kostot e kontrolluara: fillimi $20/muaj, përdorim intensiv $190/muaj

Nëse ti gjithashtu je duke eksploruar aplikimet praktike të automatizimit AI, shpresoj që ky rast të të japë disa frymëzim.

Adresa referuese:[[HTMLPLACEHOLDER_0]]