OpenClaw + Claude Code Super Tutorial: Isang Tao Lamang ang Maaaring Bumuo ng Kumpletong Team ng Pagbuo!

Ngayon ay magbabahagi ako ng isang napaka-kahanga-hangang praktikal na kaso. (May tutorial sa dulo ng artikulo)

Isang independent developer ang gumamit ng OpenClaw + Codex/CC upang makabuo ng isang AI Agent system. Ano ang naging resulta?

94 na submissions sa isang araw, 7 PR na natapos sa loob ng 30 minuto, at sa araw na iyon ay nagdaos pa siya ng 3 customer meetings, hindi man lang binuksan ang editor.

Ito ay totoong nangyari noong Enero 2026. Ibinahagi ng may-akda ang buong arkitektura ng sistema, workflow, at configuration ng code. Matapos itong basahin, naisip kong napakahalaga ng ideyang ito, kaya't inayos ko ito sa artikulong ito upang ibahagi sa iyo.

Kung ikaw ay gumagamit din ng Codex o Claude Code, o interesado sa OpenClaw, ang artikulong ito ay magbibigay sa iyo ng maraming inspirasyon.

Isang Tao, 94 na Code Submissions sa Isang Araw

Tingnan muna ang ilang datos upang maramdaman ang kapangyarihan ng sistemang ito:

• Pinakamataas na 94 na submissions sa isang araw (average na 50 submissions bawat araw)
• 7 PR na natapos sa loob ng 30 minuto
• Mabilis na mula sa ideya hanggang sa live na maaaring "ipasa ang mga pangangailangan ng customer sa parehong araw"

Gumagamit ang may-akda ng sistemang ito upang gumawa ng isang tunay na B2B SaaS na produkto, kasabay ng direct sales ng founder, karamihan sa mga pangangailangan ng function ay natatapos sa parehong araw. Gaano kabilis? Kapag nagbigay ng pangangailangan ang customer, makikita na ang resulta sa parehong araw, na agad na nagiging bayad na mga user.

Ano ang gastos? Bawat buwan ay $190 (Claude $100 + Codex $90), at ang mga baguhan ay maaaring magsimula sa $20.

Maaaring magtanong ka: hindi ba ito nag-imbak ng maraming AI tools at nag-generate ng basura na code?

Hindi. Ang Git history ng may-akda ay mukhang "kaka-recruit lang ng isang development team," ngunit sa katotohanan ay siya lamang ang nag-iisa. Ang pangunahing pagbabago ay: siya ay lumipat mula sa "pamamahala ng Claude Code" patungo sa "pamamahala ng isang AI steward, na siyang namamahala sa isang grupo ng Claude Code."

• Bago ang Enero: direktang gumagamit ng Codex o Claude Code upang magsulat ng code
• Pagkatapos ng Enero: gumagamit ng OpenClaw bilang orchestration layer, na nag-schedule ng Codex/Claude Code/Gemini

Ang epekto ng pagbabagong ito ay: ang sistema ay maaaring awtomatikong kumpletuhin ang halos lahat ng maliliit hanggang katamtamang kumplikadong mga gawain, nang hindi nangangailangan ng interbensyon ng tao.

Bakit Hindi Sapat ang Paggamit ng Codex at Claude Code Nang Mag-isa?

Sa puntong ito, maaaring mag-isip ka: ang Codex at Claude Code ay talagang malakas na, bakit kailangan pa ng isang layer ng orchestration?

Ang ibinigay na sagot ng may-akda ay tuwiran: ang Codex at Claude Code ay halos walang kaalaman tungkol sa iyong negosyo. Nakikita lamang nila ang code, hindi ang buong larawan ng negosyo.

Narito ang isang pangunahing limitasyon: ang context window ay nakatakda, maaari ka lamang pumili ng isa.

Kailangan mong pumili kung ano ang ilalagay mo:

• Puno ng code → walang espasyo para sa konteksto ng negosyo
• Puno ng kasaysayan ng customer → walang espasyo para sa codebase

Kaya kapag gumagamit ka ng Codex o Claude Code nang mag-isa, makakaranas ka ng mga problemang ito:

• Hindi nito alam kung para kanino ang function na ito
• Hindi nito alam kung bakit nabigo ang nakaraang katulad na pangangailangan
• Hindi nito alam ang iyong product positioning at design principles
• Maaari lamang itong gumana batay sa kasalukuyang code at iyong prompt

Binago ng OpenClaw ang equation na ito.

Ito ay nagsisilbing orchestration layer, nasa pagitan mo at ng lahat ng AI tools. Ang papel nito ay:

• Hawakan ang lahat ng konteksto ng negosyo (data ng customer, tala ng pulong, mga desisyon sa nakaraan, mga kaso ng tagumpay/pagkabigo)
• Isalin ang konteksto ng negosyo sa tumpak na prompt, na ibinibigay sa tiyak na Agent
• Hayaan ang mga Agent na tumutok sa kanilang mga espesyalidad: magsulat ng code

Ihambing natin:

• Codex/Claude Code = propesyonal na chef, nakatuon lamang sa pagluluto
• OpenClaw = head chef, alam ang panlasa ng customer, imbentaryo ng sangkap, at positioning ng menu, nagbibigay ng tumpak na mga utos sa bawat chef

Ito ang dahilan kung bakit kailangan ang double-layer system: sa pamamagitan ng specialization ng context, sa halip na palitan ng mas malakas na modelo.

Espesipikong Arkitektura ng Double-Layer System: Orchestration Layer + Execution Layer

Tingnan natin ang tiyak na arkitektura ng sistemang ito.

两层，各司其职：

OpenClaw（编排层）能做什么？

• Basahin ang lahat ng tala ng pulong mula sa Obsidian (awtomatikong nagsasabay)
• Mag-access sa production database (read-only na pahintulot) upang makuha ang configuration ng kliyente
• May administrator API na pahintulot, maaaring direktang mag-recharge at alisin ang blockage ng kliyente
• Pumili ng angkop na agent batay sa uri ng gawain
• Subaybayan ang progreso ng lahat ng agent, kung nabigo ay susuriin ang dahilan at iaangkop ang prompt para sa muling pagsubok
• Matapos ang gawain, ipaalam sa may-akda sa pamamagitan ng Telegram

Agent（执行层）能做什么？

• Magbasa at magsulat ng code repository
• Patakbuhin ang mga pagsubok at build
• Mag-submit ng code at lumikha ng PR
• Tumugon sa feedback ng code review

关键点：执行层的 Agent 永远不会接触生产数据库，也不会看到客户的敏感信息。它们只拿到"完成这个任务需要知道的最小上下文"。

这个设计很聪明：安全边界清晰，同时保证了效率。

完整工作流：从客户需求到 PR 合并的 8 个步骤

现在进入核心部分。用作者上周的一个真实案例，带你走一遍完整流程。

背景：一个企业客户打电话来，说希望能复用他们已经配置好的设置，在团队内共享。

第 1 步：客户需求 → OpenClaw 理解并拆解

通话结束后，作者和 Zoe（他的 OpenClaw）聊了聊这个需求。

这里的神奇之处：零解释成本。因为所有会议记录自动同步到 Obsidian, Zoe 已经读过了通话内容，知道客户是谁、他们的业务场景、现有配置。

作者和 Zoe 一起把需求拆解成：做一个模板系统，让用户保存和编辑现有配置。

然后 Zoe 做了三件事：

• 给客户充值 — 用管理员 API 立即解除客户的使用限制
• 拉取客户配置 — 从生产数据库（只读）获取客户现有的设置
• 生成 prompt 并启动代理 — 把所有上下文打包，喂给 Codex

第 2 步：启动代理

Zoe 为这个任务创建了：

• 一个独立的 git worktree（隔离的分支环境）
• 一个 tmux 会话（让 Agent 在后台运行）

# 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 Bakit gumagamit ng tmux? Dahil maaari itong i-intervene sa gitna.

Kung nalihis ang AI, hindi kailangang patayin at simulan muli, direktang magbigay ng utos sa 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 Kasabay nito, ang gawain ay itatala sa isang JSON file.[[HTMLPLACEHOLDER0]]

Isang cron na gawain ang sumusuri sa estado ng lahat ng ahente tuwing 10 minuto.

Punto: Hindi ito "nagtatanong" sa Ahente kung paano ang progreso (napakamahal sa token), kundi sinusuri ang mga obhetibong katotohanan:

[[HTMLPLACEHOLDER1]]

Ang monitoring script na ito ay 100% deterministic, napaka-makatipid sa token, at magbibigay lamang ng abiso sa may-akda kapag kinakailangan ng interbensyon ng tao.

Ito ay talagang isang pinabuting bersyon ng Ralph Loop, na tatalakayin nang detalyado sa susunod.

[[HTMLPLACEHOLDER2]]

Matapos isulat ng Ahente ang code, isusumite, itutulak, at pagkatapos ay gagamitin ang [[HTMLPLACEHOLDER3]] upang lumikha ng PR.

Tandaan: Sa puntong ito, hindi makakatanggap ng abiso ang may-akda. Dahil ang isang PR mismo ay hindi nangangahulugang "tapos".

Ang depinisyon ng "tapos" ay:

[[HTMLPLACEHOLDER4]]

Tanging kapag lahat ay natugunan, saka lamang ito itinuturing na tunay na tapos.

[[HTMLPLACEHOLDER5]]

Bawat PR ay susuriin ng tatlong Ahente:

[[HTMLPLACEHOLDER6]]

Ang tatlong tagasuri ay direktang magkokomento sa PR.

[[HTMLPLACEHOLDER7]]

Ang CI pipeline ay tatakbo:

[[HTMLPLACEHOLDER8]]

Bagong patakaran na idinagdag noong nakaraang linggo: Kung ang PR ay nagbago ng UI, dapat ay may kasamang screenshot sa deskripsyon, kung hindi, mabibigo ang CI nang direkta.

Ang patakarang ito ay lubos na nagpabilis ng oras ng review — ang may-akda ay makakakita ng screenshot at agad na malalaman kung ano ang binago, hindi na kailangang pumasok sa preview environment.

[[HTMLPLACEHOLDER9]]

Ngayon, nakatanggap ang may-akda ng abiso sa Telegram: "PR #341 ay handa na, maaari nang i-review."

Sa puntong ito:

[[HTMLPLACEHOLDER10]]

Ang review ng may-akda ay nangangailangan lamang ng 5-10 minuto. Maraming PR ang hindi niya tinitingnan ang code, tinitingnan lamang ang screenshot at diretsong pinagsasama na.

[[HTMLPLACEHOLDER11]]

Pinagsama ang PR. Araw-araw may cron na gawain na naglilinis ng mga nakahiwalay na worktree at tala ng gawain.Buong proseso na natapos, mula sa pangangailangan ng kliyente hanggang sa pag-deploy ng code, maaaring tumagal lamang ng 1-2 oras, habang ang aktwal na oras na ginugol ng may-akda ay maaaring 10 minuto lamang.

Tatlong Mekanismo na Ginagawang Mas Matalino ang Sistema

Mekanismo 1: Pinahusay na Ralph Loop — Hindi lamang pag-uulit, kundi pagkatuto

Maaaring narinig mo na ang Ralph Loop: mula sa pagkuha ng konteksto mula sa memorya → pagbuo ng output → pagsusuri ng resulta → pag-save ng kaalaman.

Ngunit ang karamihan sa mga implementasyon ay may isang problema: ang prompt na ginagamit sa bawat ikot ay pareho. Ang mga natutunan ay nagpapabuti sa hinaharap na pagkuha, ngunit ang prompt mismo ay static.

Iba ang sistemang ito.

Kapag nabigo ang Agent, hindi muling sinisimulan ni Zoe ang parehong prompt. Dadalhin niya ang buong konteksto ng negosyo, susuriin ang dahilan ng pagkabigo, at pagkatapos ay muling isusulat ang prompt:

❌ Masamang Halimbawa (static prompt): { "Ipatupad ang pasadyang template na tampok" }

✅ Magandang Halimbawa (dynamic adjustment): { "Tigil. Ang kailangan ng kliyente ay X, hindi Y. Ito ang kanilang eksaktong sinabi sa pulong: Nais naming panatilihin ang kasalukuyang configuration, hindi lumikha ng bago mula sa simula. Ang pokus ay sa pag-reuse ng configuration, huwag gumawa ng bagong proseso." }

Kaya ni Zoe na gawin ang ganitong mga pagsasaayos dahil mayroon siyang konteksto na wala ang mga Agent:

• Ano ang sinabi ng kliyente sa pulong
• Ano ang ginagawa ng kumpanyang ito
• Bakit nabigo ang nakaraang katulad na pangangailangan

Sa karagdagang antas, hindi hihintayin ni Zoe na i-assign ang mga gawain, siya ay aktibong naghahanap ng mga trabaho:

• Umaga: nag-scan ng Sentry → natagpuan ang 4 na bagong error → nag-activate ng 4 na Agent upang imbestigahan at ayusin
• Pagkatapos ng pulong: nag-scan ng mga tala ng pulong → natagpuan ang 3 mga pangangailangan ng tampok na binanggit ng kliyente → nag-activate ng 3 Codex
• Gabi: nag-scan ng git log → nag-activate ng Claude Code upang i-update ang changelog at dokumentasyon ng kliyente

Nang bumalik ang may-akda mula sa paglalakad, ipinapakita sa Telegram: "7 na PR ang handa na. 3 bagong tampok, 4 na pag-aayos ng bug."

Ang mga matagumpay na modelo ay itinatala:

• "Ang ganitong estruktura ng prompt ay epektibo para sa tampok na billing"
• "Kailangan ng Codex na makuha ang mga uri ng depinisyon nang maaga"
• "Laging isama ang landas ng mga test file"

Ang signal ng gantimpala ay: CI na pumasa, tatlong code review na pumasa, manual na pagsasama. Anumang pagkabigo ay mag-trigger ng ikot.

Habang tumatagal, mas maganda ang prompt na isinulat ni Zoe, dahil natatandaan niya kung ano ang nagtagumpay.

Mekanismo 2: Estratehiya ng Pagpili ng Agent — Iba't ibang mga eksperto para sa iba't ibang mga gawain

Hindi lahat ng Agent ay pareho ang lakas. Ang estratehiya ng pagpili na buod ng may-akda:

• Codex(gpt-5.3-codex) — Pangunahing ahente - backend logic, kumplikadong bug, multi-file refactoring, mga gawain na nangangailangan ng cross-codebase reasoning
• Mabagal ngunit masusing
• Saklaw ang 90% ng mga gawain

• Claude Code(claude-opus-4.5) — Mabilis na ahente - frontend na trabaho
• Kaunting isyu sa pahintulot, angkop para sa mga operasyon ng git
• (Mas madalas gamitin ng may-akda dati, ngunit nagbago nang lumabas ang Codex 5.3)

• Gemini — Disenyador - may pangdisenyo na estetik
• Para sa magandang UI, hayaan munang lumikha si Gemini ng HTML/CSS na pamantayan, bago ipasa kay Claude Code para ipatupad sa component system
• Gemini ang nagdidisenyo, Claude ang nagtatayo

Awtomatikong pinipili ni Zoe ang Agent batay sa uri ng gawain at ipinapasa ang output sa pagitan nila. Ang bug ng billing system ay ibinibigay kay Codex, ang pag-aayos ng estilo ng button ay ibinibigay kay Claude Code, ang bagong disenyo ng dashboard ay unang ibinibigay kay Gemini.

Mekanismo 3: Saan ang bottleneck? RAM

Narito ang isang hindi inaasahang limitasyon: hindi ito token cost, hindi ito API rate, kundi memorya.

Bawat Agent ay nangangailangan:

• Sariling worktree
• Sariling node_modules
• Patakbuhin ang build, type checking, testing

5 Agent na tumatakbo nang sabay = 5 parallel TypeScript compiler + 5 testing runners + 5 set ng dependencies na naka-load sa memorya.

Ang Mac Mini ng may-akda (16GB RAM) ay kayang tumakbo ng 4-5 Agent nang sabay, higit pa ay nagsisimulang mag-swap, at kailangan pang manalangin na hindi sila sabay-sabay na nagbu-build.Kaya bumili siya ng isang Mac Studio M4 Max (128GB RAM, $3500), darating sa katapusan ng Marso. Sabi niya, ibabahagi niya kung sulit ito sa oras na iyon.

## Maaari mo ring itayo: Mula sa simula hanggang sa tumakbo sa loob ng 10 minuto

Nais bang subukan ang sistemang ito?

Pinakasimpleng paraan:

Kopyahin ang buong artikulong ito sa OpenClaw, sabihin dito: "Ayon sa arkitekturang ito, ipatupad ang isang sistema ng Agent cluster para sa aking codebase."

Pagkatapos, gagawin nito:

- Basahin ang disenyo ng arkitektura
- Lumikha ng mga script
- Itakda ang istruktura ng direktoryo
- I-configure ang cron monitoring

Matatapos sa loob ng 10 minuto.

Kailangan mong ihanda:

- OpenClaw account
- API access sa Codex at/o Claude Code
- Isang git repository
- (Opsyonal) Obsidian para sa pag-iimbak ng konteksto ng negosyo

## 2026: Isang milyon dolyar na kumpanya ng isang tao

Sa dulo ng artikulo, sinabi ng may-akda ang isang pahayag na sa tingin ko ay nakapagbibigay inspirasyon:

> "Makikita natin ang maraming milyon dolyar na kumpanya ng isang tao na nagsisimula mula 2026. Ang leverage ay napakalaki, para sa mga nakakaintindi kung paano bumuo ng recursive self-improving AI systems."
Ganito ang hitsura nito:

- Isang AI orchestrator bilang iyong extension (tulad ng Zoe para sa may-akda)
- Ipinapasa ang trabaho sa mga espesyal na Agent, na humahawak ng iba't ibang mga tungkulin sa negosyo
- Inhenyeriya, suporta sa customer, operasyon, marketing
- Bawat Agent ay nakatuon sa kanilang mga espesyalidad
- Nanatili kang nakatuon at may ganap na kontrol

Ang susunod na henerasyon ng mga negosyante ay hindi maghahanap ng 10 tao para gawin ang isang bagay na kayang gawin ng isang tao na may isang sistema. Gagawin nila ito sa ganitong paraan—manatiling maliit, mabilis na kumilos, maglathala araw-araw.

Ngayon, sobrang dami ng basura na nilalaman na nabuo ng AI. Iba't ibang hype, iba't ibang magagarang demo ng "task control center", ngunit walang talagang kapaki-pakinabang na bagay.

Sinabi ng may-akda na nais niyang gawin ang kabaligtaran: mas kaunting hype, mas maraming tunay na proseso ng konstruksyon. Tunay na mga customer, tunay na kita, tunay na mga submission na nailathala sa production environment, at mayroon ding tunay na mga pagkatalo.

Hanggang dito na ang artikulong ito.

Mga pangunahing punto na dapat balikan:

- Double-layer architecture: Ang orchestration layer ay naglalaman ng konteksto ng negosyo, ang execution layer ay nakatuon sa code
- Kumpletong automation: 8-step na proseso mula sa pangangailangan hanggang PR, karamihan sa mga gawain ay matagumpay sa isang subok
- Dynamic learning: hindi ulit-ulit na pagsasagawa, kundi pag-aayos ng estratehiya batay sa mga dahilan ng pagkatalo
- Kontroladong gastos: nagsisimula sa $20/buwan, mabigat na paggamit $190/buwan

Kung ikaw ay nag-eeksplora rin ng mga praktikal na aplikasyon ng AI automation, umaasa akong makapagbigay inspirasyon sa iyo ang kasong ito.

Mga sanggunian:https://x.com/elvissun/status/2025920521871716562`