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

Danas delimo jedan veoma impresivan praktičan slučaj. (Na kraju teksta je priložen vodič)

Jedan nezavisni programer je koristio OpenClaw + Codex/CC da izgradi AI Agent sistem. Kakav je rezultat?

Jedan dan 94 podnošenja, 30 minuta za 7 PR-ova, a tog dana je imao i 3 sastanka sa klijentima, a editor nije ni otvorio.

Ovo se zaista dogodilo u januaru 2026. Autor je javno podelio celu arhitekturu sistema, radne tokove i konfiguraciju koda, i nakon što sam to video, mislim da je ova ideja vredna učenja, pa sam je organizovao u ovaj članak da podelim s vama.

Ako i vi koristite Codex ili Claude Code, ili vas zanima OpenClaw, ovaj članak će vam dati mnogo inspiracije.

Jedna osoba, 94 podnošenja koda u jednom danu

Prvo pogledajmo nekoliko podataka kako bismo osetili moć ovog sistema:

• Najviše podnošenja u jednom danu 94 (prosečno 50 podnošenja dnevno)
• 30 minuta za 7 PR-ova
• Brzina od ideje do objavljivanja je toliko brza da može "isti dan isporučiti klijentove zahteve"

Autor koristi ovaj sistem za rad na pravom B2B SaaS proizvodu, u kombinaciji sa direktnom prodajom osnivača, većina funkcionalnih zahteva može se završiti istog dana. Koliko je brzina? Klijent postavi zahtev, a istog dana može da vidi rezultate, direktno se pretvara u plaćene korisnike.

A troškovi? Svakog meseca $190 (Claude $100 + Codex $90), početnici mogu početi sa $20.

Možda se pitate: Da li je to samo gomila AI alata koji generišu beskoristan kod?

Nije. Autorova Git istorija izgleda kao da je "upravo zaposlio tim programera", ali zapravo je samo on. Ključna promena je: prešao je iz "upravljanja Claude Code" u "upravljanje AI batlerom, koji zatim upravlja grupom Claude Code".

• Pre januara: direktno korišćenje Codex ili Claude Code za pisanje koda
• Posle januara: korišćenje OpenClaw kao sloja orkestracije, koji upravlja Codex/Claude Code/Gemini

Ova promena donosi efekat: sistem može automatski da završi gotovo sve male do srednje složene zadatke, bez potrebe za ljudskom intervencijom.

Zašto Codex i Claude Code sami po sebi nisu dovoljni?

U ovom trenutku, možda se pitate: Codex i Claude Code su već veoma moćni, zašto dodavati još jedan sloj orkestracije?

Autorov odgovor je vrlo direktan: Codex i Claude Code gotovo ništa ne znaju o vašem poslovanju. Oni vide samo kod, ne vide celu sliku poslovanja.

Ovde postoji fundamentalno ograničenje: kontekstualni prozor je fiksan, možete izabrati samo jedno.

Morate da odlučite šta da stavite unutra:

• Napuniti kodom → nema prostora za poslovni kontekst
• Napuniti istorijom klijenata → nema prostora za repozitorijum koda

Dakle, kada koristite Codex ili Claude Code samostalno, naići ćete na sledeće probleme:

• Ne zna za kojeg klijenta je ova funkcionalnost napravljena
• Ne zna zašto je prethodni sličan zahtev propao
• Ne zna vašu poziciju proizvoda i dizajnerske principe
• Može raditi samo na osnovu trenutnog koda i vašeg prompta

OpenClaw menja ovu jednadžbu.

Ono deluje kao sloj orkestracije, smešten između vas i svih AI alata. Njegova uloga je:

• Držati sav poslovni kontekst (podaci o klijentima, beleške sa sastanaka, istorijske odluke, uspešni/neuspešni slučajevi)
• Prevesti poslovni kontekst u precizne promptove, koje daje konkretnim agentima
• Omogućiti tim agentima da se fokusiraju na ono što najbolje rade: pisanje koda

U poređenju:

• Codex/Claude Code = profesionalni kuvar, samo kuva
• OpenClaw = glavni kuvar, zna ukus klijenata, zalihe sastojaka, pozicioniranje menija, daje precizne instrukcije svakom kuvaru

Zato je potrebna dvostruka struktura: kroz specijalizaciju konteksta, a ne zamenu jačim modelom.

Specifična arhitektura dvostrukog sistema: sloj orkestracije + sloj izvršenja

Hajde da pogledamo specifičnu arhitekturu ovog sistema.

Dva sloja, svako ima svoju ulogu:

Šta može OpenClaw (sloj orkestracije)?

• Čita sve zapisnike sastanaka iz Obsidian beleški (automatska sinhronizacija)
• Pristupa proizvodnoj bazi podataka (samo za čitanje) da dobije konfiguraciju klijenta
• Ima administratorske API privilegije, može direktno da dopuni klijentov račun i ukloni blokadu
• Biranje odgovarajuće agenta prema tipu zadatka
• Praćenje napretka svih agenata, u slučaju neuspeha analizira uzrok i prilagođava prompt za ponovni pokušaj
• Nakon završetka obaveštava autora putem Telegram-a

Šta može Agent (izvršni sloj)?

• Čita i piše u repozitorijum koda
• Pokreće testove i izgradnju
• Predaje kod i kreira PR
• Odgovara na povratne informacije iz code review-a

Ključna tačka: Agent izvršnog sloja nikada ne kontaktira proizvodnu bazu podataka i ne vidi osetljive informacije klijenata. Oni dobijaju samo "najmanji kontekst potreban za završavanje ovog zadatka".

Ovaj dizajn je pametan: sigurnosna granica je jasna, dok se istovremeno obezbeđuje efikasnost.

Potpuni radni tok: 8 koraka od zahteva klijenta do spajanja PR-a

Sada prelazimo na ključni deo. Koristeći pravi slučaj autora iz prošle nedelje, vodiću vas kroz ceo proces.

Pozadina: Klijent iz preduzeća je pozvao i rekao da želi da ponovo koristi njihovu već podešenu konfiguraciju i deli je unutar tima.

Korak 1: Zahtev klijenta → OpenClaw razume i razlaže

Nakon završetka poziva, autor je razgovarao sa Zoe (njegovim OpenClaw) o ovom zahtevu.

Ono što je ovde čarobno: nulti troškovi objašnjenja. Pošto su svi zapisnici sastanaka automatski sinhronizovani u Obsidian, Zoe je već pročitala sadržaj poziva, zna ko je klijent, kakav je njihov poslovni scenario i koja je trenutna konfiguracija.

Autor i Zoe su zajedno razložili zahtev na: napraviti sistem šablona koji omogućava korisnicima da sačuvaju i edituju postojeću konfiguraciju.

Zatim je Zoe uradila tri stvari:

• Dopunila klijentov račun — odmah je uklonila ograničenja korišćenja klijenta koristeći administratorski API
• Preuzela konfiguraciju klijenta — dobila trenutne postavke klijenta iz proizvodne baze podataka (samo za čitanje)
• Generisala prompt i pokrenula agenta — spakovala sve kontekste i dala ih Codex-u

Korak 2: Pokretanje agenta

Zoe je za ovaj zadatak kreirala:

• Nezavisno git worktree (izolovano okruženje grane)
• tmux sesiju (da Agent radi u pozadini)

# 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 Zašto koristiti tmux? Zato što omogućava intervenciju usred procesa.

Ako AI skrene s puta, nije potrebno ubijati proces i počinjati ispočetka, jednostavno se u tmux-u šalju komande:

# 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 U isto vreme, zadatak će biti zabeležen u JSON datoteci: { "id": "feat-custom-templates", "tmuxSession": "codex-templates", "agent": "codex", "description": "Funkcija prilagođenih e-mail šablona za poslovne klijente", "repo": "medialyst", "worktree": "feat-custom-templates", "branch": "feat/custom-templates", "startedAt": 1740268800000, "status": "running", "notifyOnComplete": true}

Korak 3: Automatsko praćenje

Cron zadatak proverava stanje svih agenata na svakih 10 minuta.

Fokus: Ne ide se da "pitamo" Agenta kako napreduje (to bi trošilo mnogo tokena), već se proveravaju objektivne činjenice:

• Da li je tmux sesija još uvek aktivna?
• Da li je PR kreiran?
• Kakvo je stanje CI?
• Ako je neuspešno, da li je potrebno ponovo pokrenuti? (maksimalno 3 pokušaja)

Ovaj skript za praćenje je 100% determinističan, veoma štedi tokene, i obaveštava autora samo kada je potrebna ljudska intervencija.

Ovo je zapravo unapređena verzija Ralph Loop-a, o kojoj ćemo detaljnije govoriti kasnije.

Korak 4: Agent kreira PR

Agent završi kod, pošalje, i koristi gh pr create --fill za kreiranje PR-a.

Napomena: U ovom trenutku autor neće primiti obaveštenje. Jer jedan PR sam po sebi ne predstavlja "završeno".

Definicija "završeno" je:

• ✅ PR je kreiran
• ✅ Grana je sinhronizovana sa main (nema konflikata)
• ✅ CI je prošao (lint, provere tipova, unit testovi, E2E testovi)
• ✅ Codex recenzent je odobrio
• ✅ Claude recenzent je odobrio
• ✅ Gemini recenzent je odobrio
• ✅ Ako ima UI promena, mora sadržati screenshot

Samo kada su svi ovi uslovi ispunjeni, smatra se da je stvarno završeno.

Korak 5: Automatizovana revizija koda

Svaki PR će biti pregledan od strane tri Agenta:

• Codex Reviewer — najpouzdaniji recenzent - stručnjak za otkrivanje ivica slučajeva
• Može uhvatiti logičke greške, nedostajuće obrade grešaka, uslove trke
• Stopa lažnih alarma je veoma niska

• Gemini Code Assist Reviewer — besplatan i lak za korišćenje - može otkriti sigurnosne probleme i probleme sa skalabilnošću koje su drugi recenzenti propustili
• Daje konkretne predloge za ispravke
• Ne koristi se uzalud

• Claude Code Reviewer — praktično beskoristan - previše oprezan, uvek predlaže "razmislite o dodavanju..."
• Većina predloga su prekomerni dizajn
• Osim ako nije označeno kao "kritično", inače se preskoči

Sva tri recenzenta će direktno komentarisati u PR-u.

Korak 6: Automatizovana testiranja

CI pipeline će pokrenuti:

• Lint i TypeScript provere
• Unit testove
• E2E testove
• Playwright testove (u okruženju koje je identično produkciji)

Nova pravila uvedena prošle nedelje: ako PR menja UI, mora se u opisu priložiti screenshot, inače CI direktno pada.

Ovo pravilo je značajno skratilo vreme revizije — autor može brzo da pogleda screenshot i vidi šta je promenjeno, bez potrebe da ulazi u pregledno okruženje.

Korak 7: Ručna revizija

Sada, autor prima Telegram obaveštenje: "PR #341 je spreman za reviziju."

U ovom trenutku:

• CI je potpuno zelen
• Sva tri AI recenzenta su odobrila
• Screenshot prikazuje UI promene
• Svi ivica slučajevi su zabeleženi u komentarima revizije

Autoru je potrebna samo 5-10 minuta za reviziju. Mnoge PR-ove čak ni ne gleda, samo pogleda screenshot i odmah ih spoji.

Korak 8: Spajanje

PR se spaja. Svakodnevno se pokreće cron zadatak za čišćenje izolovanih worktree-a i zapisa zadataka.Potpun proces, od zahteva klijenta do puštanja koda u rad, može trajati samo 1-2 sata, dok je autorovo stvarno ulaganje možda samo 10 minuta.

Tri mehanizma koja čine sistem pametnijim

Mehanizam 1: Poboljšana verzija Ralph Loop — ne samo ponavljanje, već i učenje

Možda ste čuli za Ralph Loop: povlačenje konteksta iz memorije → generisanje izlaza → procena rezultata → čuvanje učenja.

Ali većina implementacija ima jedan problem: svaki put kada se ciklus ponavlja, prompt je isti. Ono što se nauči poboljšava buduće pretrage, ali sam prompt je statičan.

Ovaj sistem je drugačiji.

Kada Agent ne uspe, Zoe ne ponovo pokreće sa istim promptom. Ona analizira uzrok neuspeha sa kompletnim poslovnim kontekstom i zatim prepisuje prompt:

❌ Loš primer (staticki prompt): { "Implementirati funkcionalnost prilagođenih šablona" }

✅ Dobar primer (dinamičko prilagođavanje): { "Stop. Klijent želi X, a ne Y. Ovo su njihove reči sa sastanka: Želimo da sačuvamo postojeću konfiguraciju, a ne da kreiramo novu od nule. Fokusirajte se na ponovnu upotrebu konfiguracije, nemojte praviti novi proces." }Zoe može da napravi ovakve prilagodbe jer ima kontekst koji Agent nema:

• Šta je klijent rekao na sastanku
• Čime se ta kompanija bavi
• Zašto je prethodni sličan zahtev propao

Još dalje, Zoe ne čeka da joj dodelite zadatak, ona aktivno traži posao:

• Ujutro: skenira Sentry → otkriva 4 nova greška → pokreće 4 Agenta da istraže i isprave
• Nakon sastanka: skenira beleške sa sastanka → otkriva 3 funkcionalna zahteva koja su klijenti pomenuli → pokreće 3 Codex-a
• Uveče: skenira git log → pokreće Claude Code da ažurira changelog i dokumentaciju za klijente

Autor se vraća sa šetnje, a na Telegramu piše: "7 PR-ova je spremno. 3 nove funkcionalnosti, 4 ispravke grešaka."

Uspešni obrasci će biti zabeleženi:

• "Ova struktura prompta je veoma efikasna za funkcionalnost računa"
• "Codex treba unapred da dobije definiciju tipa"
• "Uvek treba uključiti putanju do testnog fajla"

Signal nagrade je: CI prolazi, tri code review-a prolaze, ručno spajanje. Svaki neuspeh pokreće ciklus.

Što duže traje, to je Zoe-ov prompt bolji, jer se seća šta može uspeti.

Mehanizam 2: Strategija izbora Agenta — različiti zadaci, različiti stručnjaci

Nisu svi Agent isti. Autor je sumirao strategiju izbora:

• Codex(gpt-5.3-codex) — glavni igrač - backend logika, složene greške, refaktorisanje više fajlova, zadaci koji zahtevaju inferenciju preko više kodnih biblioteka
• Sporo, ali temeljno
• Pokriva 90% zadataka

• Claude Code(claude-opus-4.5) — brzi igrač - frontend rad
• Manje problema sa dozvolama, pogodan za git operacije
• (Autor ga je ranije više koristio, ali je prešao na Codex 5.3)

• Gemini — dizajner - ima estetski osećaj
• Za lepi UI, prvo neka Gemini generiše HTML/CSS specifikacije, a zatim ih preda Claude Code-u za implementaciju u sistemu komponenti
• Gemini dizajnira, Claude gradi

Zoe automatski bira Agenta prema vrsti zadatka i prenosi izlaze između njih. Greške u sistemu računa idu Codex-u, ispravke stila dugmadi idu Claude Code-u, a novi dizajn kontrolne table prvo ide Gemini-ju.

Mehanizam 3: Gde je usko grlo? RAM

Ovde postoji neočekivano ograničenje: nije trošak tokena, nije brzina API-ja, već memorija.

Svaki Agent zahteva:

• Svoj worktree
• Svoje nodemodules
• Pokretanje gradnje, provere tipova, testiranja

5 Agenta koji rade istovremeno = 5 paralelnih TypeScript kompajlera + 5 testnih izvršitelja + 5 setova zavisnosti učitanih u memoriju.

Autorov Mac Mini (16GB RAM) može istovremeno da pokrene najviše 4-5 Agenta, a više od toga počinje da koristi swap, i mora se moliti da ne grade istovremeno.Dakle, kupio je Mac Studio M4 Max (128GB RAM, $3500), koji je stigao krajem marta. Rekao je da će podeliti da li se isplati ili ne.

Takođe možete postaviti: od nule do rada za 10 minuta

Želite da probate ovaj sistem?

Najlakši način:

Kopirajte ceo ovaj članak OpenClaw-u i recite mu: "Na osnovu ove arhitekture, implementiraj mi sistem Agent klastera za moj kodni repozitorij."

Onda će:

• pročitati dizajn arhitekture
• kreirati skripte
• postaviti strukturu direktorijuma
• konfigurisati cron monitoring

Završite za 10 minuta.

Treba da pripremite:

• OpenClaw nalog
• API pristup za Codex i/ili Claude Code
• jedan git repozitorij
• (opciono) Obsidian za skladištenje poslovnog konteksta

2026: Million dolarska kompanija jednog čoveka

Autor na kraju članka iznosi misao koja mi se čini veoma inspirativnom:

"Videćemo veliki broj million dolarskih kompanija jednog čoveka počevši od 2026. godine. Poluga je ogromna, pripada onima koji razumeju kako da izgrade rekurzivne AI sisteme za samopoboljšanje."

To izgleda ovako:

• AI orkestrator kao vaše produženo biće (poput Zoe za autora)
• Delegiranje posla specijalizovanim Agentima, koji se bave različitim poslovnim funkcijama
• Inženjering, korisnička podrška, operacije, marketing
• Svaki Agent se fokusira na ono što najbolje radi
• Vi ostajete fokusirani i potpuno kontrolisani

Sledeća generacija preduzetnika neće zapošljavati 10 ljudi da urade ono što može uraditi jedan čovek uz sistem. Oni će graditi ovako — ostati mali, brzo delovati, objavljivati svaki dan.

Sada je previše generisanog smešnog sadržaja od strane AI. Razne hype, razne "kontrolne centre zadataka" sa šarenim demo verzijama, ali bez stvarno korisnih stvari.

Autor kaže da želi da uradi suprotno: manje hype-a, više beleženja stvarnog procesa izgradnje. Stvarni klijenti, stvarni prihodi, stvarna dostava u produkciju, takođe i stvarni neuspehi.

Ovaj članak se ovde završava.

Pregled ključnih tačaka:

• Dvostruka arhitektura: sloj orkestracije drži poslovni kontekst, izvršni sloj se fokusira na kod
• Potpuna automatizacija: 8 koraka procesa od zahteva do PR-a, većina zadataka uspeva iz prve
• Dinamičko učenje: nije ponavljanje izvršenja, već prilagođavanje strategije prema uzrocima neuspeha
• Kontrolisani troškovi: početak $20/mesečno, intenzivna upotreba $190/mesečno

Ako i vi istražujete praktične primene AI automatizacije, nadam se da će vam ovaj slučaj dati inspiraciju.

Referentna adresa:[[HTMLPLACEHOLDER_0]]