OpenClaw + Claude Code Süper Eğitimi: Tek Başına Tam Bir Geliştirme Ekibi Kurabilirsiniz!

Bugün çok etkileyici bir uygulama örneği paylaşacağım. (Yazının sonunda eğitim var)

Bir bağımsız geliştirici, OpenClaw + Codex/CC ile bir AI Agent sistemi kurdu. Peki, bu sistem ne tür sonuçlar elde etti?

Günde 94 kez gönderim yaptı, 30 dakikada 7 PR tamamladı ve bu gün içinde 3 müşteri toplantısı yaptı, editörü hiç açmadı.

Bu, 2026 yılının Ocak ayında gerçek bir olaydır. Yazar, tüm sistemin mimarisini, iş akışını ve kod yapılandırmasını açıkladı. Bunu gördükten sonra bu yaklaşımın öğrenmeye değer olduğunu düşündüm, bu yüzden bu makaleyi derledim ve sizinle paylaşıyorum.

Eğer siz de Codex veya Claude Code kullanıyorsanız ya da OpenClaw ile ilgileniyorsanız, bu makale size birçok ilham verecek.

Tek Başına, Günde 94 Kod Gönderimi

Önce birkaç veriye bakalım, bu sistemin gücünü hissedelim:

• Tek günde en fazla 94 gönderim (ortalama günde 50 gönderim)
• 30 dakika içinde 7 PR tamamlandı
• Fikirden yayına alma hızı, "gün içinde müşteri taleplerini teslim etme" seviyesine ulaştı

Yazar, bu sistemle gerçek bir B2B SaaS ürünü geliştiriyor. Kurucunun doğrudan satışlarıyla, çoğu işlevsel talep aynı gün içinde tamamlanabiliyor. Hız ne kadar yüksek? Müşteri talep ettiğinde, aynı gün içinde sonuçları görebiliyor ve doğrudan ücretli kullanıcıya dönüşebiliyor.

Maliyet nedir? Aylık $190 (Claude $100 + Codex $90), acemiler için başlangıçta $20 ile başlayabilirsiniz.

Belki de soracaksınız: Bu, bir sürü AI aracı yığmak ve sonra çılgınca çöp kodu üretmek mi?

Hayır. Yazarın Git geçmişi, "yeni bir geliştirme ekibi kurmuş gibi" görünüyor, ama aslında sadece kendisi var. Temel değişiklik şu: "Claude Code'u yönetmekten", "bir AI yöneticisini yönetmeye, bu yöneticinin de bir grup Claude Code'u yönetmesine" geçti.

• Ocak öncesi: Doğrudan Codex veya Claude Code ile kod yazmak
• Ocak sonrası: OpenClaw'ı bir düzenleme katmanı olarak kullanmak, Codex/Claude Code/Gemini'yi yönlendirmek

Bu dönüşümün etkisi: Sistem, neredeyse tüm küçük ve orta karmaşıklıktaki görevleri otomatik olarak tamamlayabiliyor, insan müdahalesine gerek kalmıyor.

Neden Codex ve Claude Code Tek Başına Yeterli Değil?

Bu noktada, Codex ve Claude Code zaten çok güçlü, neden bir düzenleme katmanı eklemeliyiz diye düşünebilirsiniz?

Yazarın verdiği cevap oldukça net: Codex ve Claude Code, işiniz hakkında neredeyse hiçbir şey bilmez. Sadece kodu görürler, tam iş manzarasını göremezler.

Burada temel bir sınırlama var: Bağlam penceresi sabittir, sadece birini seçebilirsiniz.

İçine ne koyacağınıza karar vermeniz gerekiyor:

• Kodu doldurmak → İş bağlamı için yer yok
• Müşteri geçmişini doldurmak → Kod deposu için yer yok

Bu nedenle, Codex veya Claude Code'u tek başına kullandığınızda, şu sorunlarla karşılaşırsınız:

• Bu işlevin hangi müşteri için yapıldığını bilmez
• Önceki benzer talebin neden başarısız olduğunu bilmez
• Ürün konumlandırmanızı ve tasarım ilkelerinizi bilmez
• Sadece mevcut kod ve sizin isteminize göre çalışabilir

OpenClaw bu denklemi değiştirdi.

O, sizinle tüm AI araçları arasında bir düzenleme katmanı olarak görev yapar. Rolü:

• Tüm iş bağlamını (müşteri verileri, toplantı notları, geçmiş kararlar, başarı/başarısızlık örnekleri) tutmak
• İş bağlamını kesin istemlere çevirerek belirli bir Ajana iletmek
• Bu Ajansların, uzman oldukları şeyleri yapmaya odaklanmalarını sağlamak: kod yazmak

Bir benzetme yapalım:

• Codex/Claude Code = Profesyonel şef, sadece yemek yapar
• OpenClaw = Baş şef, müşteri damak tadını, malzeme envanterini, menü konumlandırmasını bilir, her şefe kesin talimatlar verir

İşte bu yüzden çift katmanlı bir sisteme ihtiyaç var: Bağlamın uzmanlaşmış iş bölümü sayesinde, daha güçlü bir model değiştirmek yerine.

Çift Katmanlı Sistemin Spesifik Mimarisi: Düzenleme Katmanı + Uygulama Katmanı

Bu sistemin spesifik mimarisine bir bakalım.

İki katman, her biri kendi görevini yerine getirir:

OpenClaw (Orkestrasyon Katmanı) Ne Yapabilir?

• Obsidian notlarındaki tüm toplantı kayıtlarını okuyabilir (otomatik senkronizasyon)
• Üretim veritabanına erişim (salt okunur izin) ile müşteri yapılandırmasını alabilir
• Yönetici API iznine sahiptir, müşteriye doğrudan yükleme yapabilir ve engellemeleri kaldırabilir
• Görev türüne göre uygun aracı seçebilir
• Tüm aracılardaki ilerlemeyi izler, başarısız olursa nedenini analiz eder ve prompt'u ayarlayıp yeniden dener
• Tamamlandığında yazarına Telegram üzerinden bildirim gönderir

Agent (Uygulama Katmanı) Ne Yapabilir?

• Kod deposunu okuyup yazabilir
• Testleri çalıştırabilir ve inşa edebilir
• Kod gönderebilir ve PR oluşturabilir
• Kod inceleme geri bildirimlerine yanıt verebilir

Anahtar nokta: Uygulama katmanındaki Agent asla üretim veritabanına erişmez ve müşterinin hassas bilgilerini görmez. Sadece "bu görevi tamamlamak için bilmesi gereken en az bağlamı" alır.

Bu tasarım oldukça akıllıca: Güvenlik sınırları net, aynı zamanda verimliliği garanti ediyor.

Tam İş Akışı: Müşteri İhtiyacından PR Birleştirmeye 8 Adım

Şimdi ana bölüme geçiyoruz. Yazarın geçen haftaki gerçek bir örneği ile sizi tam süreçten geçiriyorum.

Arka plan: Bir kurumsal müşteri aradı ve ekip içinde paylaşmak için zaten yapılandırılmış ayarlarını yeniden kullanmak istediğini söyledi.

1. Adım: Müşteri İhtiyacı → OpenClaw Anlayıp Parçalara Ayırma

Görüşme sona erdikten sonra, yazar ve Zoe (OpenClaw'ı) bu ihtiyacı tartıştılar.

Buradaki sihirli kısım: Sıfır açıklama maliyeti. Çünkü tüm toplantı kayıtları otomatik olarak Obsidian'a senkronize edildi, Zoe görüşme içeriğini okudu ve müşterinin kim olduğunu, iş senaryolarını ve mevcut yapılandırmayı biliyordu.

Yazar ve Zoe birlikte ihtiyacı şu şekilde parçalara ayırdılar: Kullanıcının mevcut yapılandırmayı kaydedip düzenlemesine olanak tanıyan bir şablon sistemi oluşturmak.

Sonra Zoe üç şey yaptı:

• Müşteriye yükleme yaptı — Yönetici API'si ile müşterinin kullanım kısıtlamasını hemen kaldırdı
• Müşteri yapılandırmasını çekti — Üretim veritabanından (salt okunur) müşterinin mevcut ayarlarını aldı
• Prompt oluşturdu ve aracı başlattı — Tüm bağlamı paketleyip Codex'e verdi

2. Adım: Aracı Başlatma

Zoe bu görev için şunları oluşturdu:

• Bağımsız bir git worktree (izole bir dal ortamı)
• Bir tmux oturumu (Agent'in arka planda çalışmasını sağlamak için)

# worktree oluştur + aracı başlat

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" Neden tmux kullanılıyor? Çünkü araya müdahale edebilmek için.

Eğer AI yanlış yöne giderse, baştan başlamak zorunda kalmadan doğrudan tmux içinde komut gönderebilirsiniz:

# Aracın yönü yanlış

tmux send-keys -t codex-templates "Dur. Önce API katmanını yap, UI ile ilgilenme." Enter

Aracın daha fazla bağlama ihtiyacı var

tmux send-keys -t codex-templates "Tür tanımı src/types/template.ts'de, onu kullan." Enter Aynı zamanda, görev bir JSON dosyasına kaydedilecektir: [[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]]Tam süreç tamamlandığında, müşteri talebinden kodun yayına alınmasına kadar sadece 1-2 saat geçmiş olabilir, oysa yazarın gerçek katkısı muhtemelen sadece 10 dakikadır.

Üç Mekanizma Sistemi Daha Akıllı Hale Getirir

Mekanizma 1: Geliştirilmiş Ralph Loop — Sadece Tekrar Değil, Öğrenme

Ralph Loop'u duymuş olabilirsiniz: Bellekten bağlamı çek → Çıktıyı oluştur → Sonuçları değerlendir → Öğrenmeyi kaydet.

Ancak çoğu uygulamanın bir sorunu var: Her döngüde kullanılan prompt aynıdır. Öğrenilen şeyler gelecekteki alımları iyileştirir, ancak prompt kendisi statiktir.

Bu sistem farklıdır.

Agent başarısız olduğunda, Zoe aynı prompt ile yeniden başlatmaz. Tam iş bağlamıyla birlikte başarısızlık nedenini analiz eder ve ardından prompt'u yeniden yazar:

❌ Kötü örnek (statik prompt): { "Özelleştirilmiş şablon işlevini uygulayın" }

✅ İyi örnek (dinamik ayarlama): { "Durun. Müşteri X istiyor, Y değil. Bu, toplantıda söyledikleri: Biz mevcut yapılandırmayı korumak istiyoruz, yeni bir tane sıfırdan oluşturmak değil. Odak noktası yapılandırma yeniden kullanımı olmalı, yeni bir süreç oluşturmamalı." }Zoe bu tür ayarlamaları yapabilir çünkü yürütme katmanında Agent'ın sahip olmadığı bağlama sahiptir:

• Müşteri toplantıda ne söyledi
• Bu şirket ne yapıyor
• Benzer bir talep neden başarısız oldu

Daha ileri giderek, Zoe sizin görev atamanızı beklemez, aktif olarak iş bulur:

• Sabah: Sentry'yi tarar → 4 yeni hata bulur → 4 Agent'ı araştırma ve düzeltme için başlatır
• Toplantı sonrası: Toplantı kayıtlarını tarar → 3 müşteri tarafından belirtilen işlev talebi bulur → 3 Codex'i başlatır
• Akşam: git log'u tarar → Claude Code'u changelog ve müşteri belgelerini güncellemek için başlatır

Yazar yürüyüşten döndüğünde, Telegram'da görünür: "7 PR hazır. 3 yeni özellik, 4 hata düzeltmesi."

Başarılı modeller kaydedilir:

• "Bu prompt yapısı fatura işlevi için çok etkili"
• "Codex, tür tanımlarını önceden almalı"
• "Her zaman test dosyası yolunu içermelidir"

Ödül sinyali şudur: CI geçiyor, üç kod incelemesi geçiyor, manuel birleştirme. Herhangi bir başarısızlık döngüyü tetikler.

Zaman geçtikçe, Zoe'nin yazdığı prompt daha iyi hale gelir çünkü neyin başarılı olduğunu hatırlar.

Mekanizma 2: Agent Seçim Stratejisi — Farklı Görevler İçin Farklı Uzmanlar

Tüm Agent'lar aynı güçte değildir. Yazarın özetlediği seçim stratejisi:

• Codex(gpt-5.3-codex) — Ana güç - Arka uç mantığı, karmaşık hatalar, çoklu dosya yeniden yapılandırma, kod havuzları arasında çıkarım gerektiren görevler
• Yavaş ama kapsamlı
• Görevlerin %90'ını kapsar

• Claude Code(claude-opus-4.5) — Hız odaklı oyuncu - Ön uç çalışmaları
• Yetki sorunları az, git işlemleri için uygundur
• (Yazar daha önce daha sık kullanıyordu, ancak Codex 5.3 çıktıktan sonra değiştirdi)

• Gemini — Tasarımcı - Tasarım estetiğine sahip
• Güzel bir UI için önce Gemini'nin HTML/CSS standartlarını oluşturmasına izin verin, ardından Claude Code'a bileşen sisteminde uygulamasını verin
• Gemini tasarlar, Claude inşa eder

Zoe, görev türüne göre otomatik olarak Agent seçer ve bunlar arasında çıktı aktarır. Fatura sistemi hatası Codex'e, buton stil düzeltmesi Claude Code'a, yeni gösterge paneli tasarımı önce Gemini'ye verilir.

Mekanizma 3: Darboğaz Nerede? RAM

Burada beklenmedik bir kısıtlama var: token maliyeti değil, API hızı değil, bellek.

Her Agent'ın ihtiyacı vardır:

• Kendi worktree'si
• Kendi nodemodules'u
• Derleme, tür kontrolü, test çalıştırma

5 Agent aynı anda çalışıyorsa = 5 paralel TypeScript derleyicisi + 5 test çalıştırıcısı + 5 set bağımlılık belleğe yüklenir.

Yazarın Mac Mini'si (16GB RAM) en fazla 4-5 Agent'ı aynı anda çalıştırabilir, daha fazlası swap yapmaya başlar ve bunların aynı anda derlenmemesini ummak zorundadır.Bu yüzden bir Mac Studio M4 Max (128GB RAM, $3500) satın aldı, Mart ayının sonunda eline geçecek. O zaman bunun değerli olup olmadığını paylaşacağını söyledi.

Sen de Kurabilirsin: Sıfırdan Çalıştırmak Sadece 10 Dakika Alır

Bu sistemi denemek ister misin?

En basit yol:

Bu makalenin tamamını OpenClaw'a kopyala ve ona şunu söyle: "Bu mimariye göre, benim kod deposuna bir Agent küme sistemi gerçekleştir."

Sonra, o:

• Mimari tasarımı okuyacak
• Script oluşturacak
• Dizin yapısını ayarlayacak
• Cron izleme yapılandırmasını yapacak

10 dakikada halledilir.

Hazırlaman gerekenler:

• OpenClaw hesabı
• Codex ve/veya Claude Code'un API erişimi
• Bir git deposu
• (isteğe bağlı) İş bağlamını depolamak için Obsidian

2026: Bir Kişinin Milyon Dolar Değerindeki Şirketi

Yazar, makalenin sonunda ilham verici bir şey söyledi:

"2026'dan itibaren birçok bir kişinin milyon dolarlık şirketinin ortaya çıktığını göreceğiz. Kaldıraç büyük, geri dönüşüm kendini geliştiren AI sistemlerini nasıl inşa edeceğini anlayanlara ait."

İşte bu böyle görünüyor:

• Bir AI orkestratörü senin uzantın olarak (yazar için Zoe gibi)
• Farklı iş fonksiyonlarını işlemek için özel Agent'lara iş devretmek
• Mühendislik, müşteri desteği, operasyon, pazarlama
• Her Agent, en iyi olduğu şeye odaklanır
• Sen odaklanır ve tam kontrolü sağlarsın

Yeni nesil girişimciler, bir kişinin bir sistemle yapabileceği işleri yapmak için 10 kişiyi işe almayacaklar. Böyle inşa edecekler - küçük kalacak, hızlı hareket edecek, her gün yayın yapacaklar.

Şu anda AI tarafından üretilen gereksiz içerik çok fazla. Her türlü abartı, her türlü "görev kontrol merkezi"nin gösterişli demo'ları, ama gerçekten faydalı bir şey yok.

Yazar, tersini yapmak istediğini söylüyor: Daha az abartı, daha fazla gerçek inşa sürecini kaydetmek. Gerçek müşteriler, gerçek gelirler, üretim ortamına gerçek gönderimler ve gerçek başarısızlıklar.

Bu makale burada sona eriyor.

Temel noktaların gözden geçirilmesi:

• İki katmanlı mimari: Orkestrasyon katmanı iş bağlamını tutar, yürütme katmanı koda odaklanır
• Tam otomasyon: İhtiyaçtan PR'ye kadar 8 adımlık süreç, çoğu görev bir seferde başarılı
• Dinamik öğrenme: Tekrar yürütme değil, başarısızlık nedenine göre stratejiyi ayarlama
• Maliyet kontrolü: Başlangıç $20/ay, yoğun kullanım $190/ay

Eğer sen de AI otomasyonunun pratik uygulamalarını keşfediyorsan, umarım bu örnek sana bazı ilhamlar verebilir.

Referans adresi:[[HTMLPLACEHOLDER29]][[HTMLPLACEHOLDER_30]]