OpenClaw + Claude Code/Codex：打造个人开发Agent Swarm

大家好，我是鲁工。

前段在X上刷到一条推文，瞬间就吸引了我。一个叫Elvis的独立开发者说，他现在已经不直接用Claude Code和Codex了，改用OpenClaw作为编排层，让一个叫Zoe的AI编排器去管理一整支Claude Code和Codex的Agent Swarm。

这条推文的数据也很炸裂，490万浏览，1.1万点赞，1800转发。

我们号写Vibe Coding四个多月，Claude Code一直是主力工具。我之前也写过一些多Agent协作、VSCode多Agent架构等相关文章。

但看到Elvis的这套玩法，我只能直呼内行了。一个人，靠一套编排系统，日均50次代码提交，最猛的一天提交了94次，还接了3个客户电话，编辑器一次都没打开。

这不就是一个人当一支开发团队用吗？

今天这篇文章就来拆解一下，他到底是怎么做到的。

OpenClaw大家都不陌生了

这只小龙虾春节前到现在，一直火爆。简单来说就是一个开源的AI Agent框架，GitHub上目前已经超过24万Star，并在前两天正式超越React，成为GitHub历史上star增长最快的开源项目。

创始人Peter Steinberger是奥地利开发者，之前创办过PSPDFKit（一个PDF框架的B2B公司），2021年拿了Insight Partners一亿欧元的投资。今年2月Peter宣布加入OpenAI，OpenClaw项目移交给开源基金会运营。

OpenClaw的定位不是聊天机器人，是一个跑在你本地设备上的AI Agent运行时。它有四个核心组件：Gateway（网关，连接50多个消息平台）、Agent（推理引擎）、Skills（5400多个插件）、Memory（记忆系统）。

但Elvis用OpenClaw的方式比较特别。他直接把它当成编排层，专门用来管理Claude Code和Codex这些编码Agent，没拿它当通用助手在使用。

这个思路确实很不一般。

为什么需要一个编排层呢？

Elvis在推文里提了一个很关键的观点：上下文窗口是零和博弈。

你往里面塞代码，就没空间放业务上下文了。你往里塞客户历史和会议记录，就没空间放代码库了。单个AI再强，它也没办法同时装下这两种完全不同类型的信息。

所以他把系统拆成了两层。

上层是OpenClaw的编排器Zoe，她掌握所有业务上下文，包括客户数据、会议记录、历史决策、哪些方案试过了、哪些失败了。这些信息全部存在Elvis的Obsidian笔记库里，Zoe可以直接读取。

下层是Claude Code和Codex这些编码Agent，它们只看代码，只管写代码。每个Agent启动的时候，Zoe会根据业务上下文给它写一份精准的prompt，告诉它该做什么、背景是什么、客户要的是什么。

简单来说了就是：编排器负责理解需求，编码Agent负责干活。各做各擅长的事。

这个架构和Stripe前段时间公开的内部系统Minions异曲同工。Stripe的Minions也是并行编码Agent加集中式编排层的设计，每周能合并1000多个完全由AI编写的PR。Elvis说他是无意中搭了个类似的架构，只不过跑在自己的Mac mini上。

真实案例工作流

Elvis在推文里用了一个真实案例来讲他的完整工作流，我把核心环节简单串一下。他接了一个客户电话，客户想在团队内部复用已有的配置。通话结束后，他跟Zoe聊了一下这个需求。因为所有会议记录都会自动同步到Obsidian，Zoe已经知道客户说了什么，不需要Elvis额外解释。他们一起确定了功能范围，最终方案是做一个模板系统。

然后Zoe自动做了三件事：给客户充值解锁服务（她有管理员API权限），从生产数据库拉取客户现有配置（只读权限，编码Agent永远不会有这个权限），然后生成一个Codex Agent，带着包含完整业务上下文的详细prompt。

每个Agent都有自己独立的worktree（隔离分支）和tmux会话。启动命令大概是这样的：

# Create worktree + spawn agent
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
Agent跑起来之后，有一个定时任务每10分钟巡检一次。但它不会直接去问Agent（那样太烧token了），而是跑一个确定性的Shell脚本，检查tmux会话是否还活着、有没有创建PR、CI是否通过。

如果CI失败了，自动重启Agent，最多重试3次。只有需要人工干预的时候才发通知。

Agent完成任务后会自动创建PR。但光创建PR还不算完，Elvis定义了一套完成标准：PR创建、分支同步到main（无合并冲突）、CI全部通过、三个AI模型的代码审查全部通过、如果有UI改动还必须附截图。

## 三个AI模型做代码审查

三个AI模型做代码审查看起来就很稳。聊一下他对这三个模型的评价，挺有意思的。

Codex Reviewer，他评价最高，说它在边界情况和逻辑错误方面的审查非常彻底，误报率很低。

Gemini Code Assist Reviewer，免费的，他说非常实用，能发现其他模型遗漏的安全隐患和可扩展性问题，还能给出具体修复方案。

Claude Code Reviewer，他的原话是"基本没用"，说它过度谨慎，满屏都是"考虑添加..."之类的建议，大部分属于过度设计。除非标记为关键问题，否则他直接跳过。

我看到这段的时候有点惊讶。作为Claude Code的重度用户，我确实也遇到过它在代码审查时过于保守的情况，但基本没用这个评价还是有点过了。不过这也从侧面说明，多模型交叉审查确实有价值，不同模型的偏见刚好互补。

三个审查全部通过后，Elvis才会收到Telegram通知。到这一步，他看的主要是截图，确认UI改动是否正确，很多PR他不看代码就直接合并了。他说自己的人工审查只需要5到10分钟。

## Zoe的主动性

Zoe不只是执行者。比工作流本身更有意思的是Zoe的主动性。

Elvis说Zoe不会坐等它分配任务，它会主动找活干。早上扫描Sentry的错误日志，发现4个新错误，自动生成4个Agent去修。开完会扫描会议记录，标记出客户提到的3个功能需求，然后自动启动3个Codex Agent。晚上扫描Git日志，启动Claude Code更新changelog和客户文档。

Elvis出门遛个弯回来，Telegram上就躺着一条消息：7个PR准备好了，3个新功能，4个bug修复。这不就是我一直期望打造的OPC一人公司开发团队效果吗。ಮತ್ತು ಏಜೆಂಟ್ ವಿಫಲವಾದಾಗ, ಝೋಯ್‌ನ ನಿರ್ವಹಣಾ ಶ್ರೇಣಿಯು ಸರಳ ಪುನರಾವೃತ್ತಕ್ಕಿಂತ ಹೆಚ್ಚು ಉನ್ನತವಾಗಿದೆ. ಇದು ವ್ಯವಹಾರದ上下文ವನ್ನು ಸಂಯೋಜಿಸಿ ವಿಫಲವಾದ ಕಾರಣವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ಏಜೆಂಟ್上下文 ಮುರಿಯುತ್ತದಾ? ಇದು ವ್ಯಾಪ್ತಿಯನ್ನು ಕೀಳಗೆ ಇಳಿಸುತ್ತದೆ, ಏಜೆಂಟ್ ಕೇವಲ ಮೂರು ಫೈಲ್‌ಗಳನ್ನು ಗಮನಿಸುತ್ತೆ. ಏಜೆಂಟ್ ದಿಕ್ಕು ತಪ್ಪಿದರೆ? ಇದು ಸರಿಪಡಿಸುತ್ತದೆ, ಏಜೆಂಟ್‌ಗೆ ಗ್ರಾಹಕ ಏನನ್ನು ಬೇಕೆಂದು ಹೇಳುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿಸುತ್ತದೆ, X ಬೇಕು Y ಅಲ್ಲ ಮತ್ತು ಸಭೆಯಲ್ಲಿ ಉಲ್ಲೇಖಿಸಿದ ಮೂಲ ಮಾತುಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ.

ಕಾಲದೊಂದಿಗೆ, ಝೋಯ್ ಅನುಭವವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಯಾವ ಪ್ರಾಂಪ್ಟ್ ರಚನೆಗಳು ಯಾವ ರೀತಿಯ ಕಾರ್ಯಗಳಿಗೆ ಉತ್ತಮ ಪರಿಣಾಮವನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ನೆನೆಸಿಕೊಳ್ಳುತ್ತದೆ, ಮುಂದಿನ ಬಾರಿ ಹೆಚ್ಚು ನಿಖರವಾದ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ.

ಈ ಚಿಂತನಶೀಲತೆ ವಾಸ್ತವವಾಗಿ ರಾಲ್ಫ್ ಲೂಪ್‌ನ ಉನ್ನತ ಆವೃತ್ತಿಯಾಗಿದೆ. ರಾಲ್ಫ್ ಲೂಪ್‌ನ ಕೇಂದ್ರ ಲಾಜಿಕ್上下文ವನ್ನು ಆಕರ್ಷಿಸುವುದು, ಔಟ್‌ಪುಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವುದು, ಫಲಿತಾಂಶವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು, ಅನುಭವವನ್ನು ಉಳಿಸುವಂತಹ ಚಕ್ರವಾಗಿದೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಅನುಷ್ಠಾನಗಳು ಪ್ರತಿಯೊಂದು ಚಕ್ರದ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಸ್ಥಿರವಾಗಿರಿಸುತ್ತವೆ. ಎಲ್ವಿಸ್‌ನ ವ್ಯವಸ್ಥೆ ವಿಭಿನ್ನವಾಗಿದೆ, ಪ್ರತಿಯೊಂದು ಪುನರಾವೃತ್ತದಲ್ಲೂ ಝೋಯ್ ವಿಫಲವಾದ ಕಾರಣವನ್ನು ಆಧರಿಸಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಚಲಿಸುತ್ತವೆ, ಮತ್ತು ಸಂಪೂರ್ಣ ವ್ಯವಹಾರ上下文ವನ್ನು ಹೊಂದಿದೆ.

ವೆಚ್ಚ ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್

ವೆಚ್ಚದ ದೃಷ್ಟಿಯಿಂದ, ಎಲ್ವಿಸ್‌ ಅವರ ಸಾರ್ವಜನಿಕ ಮಾಹಿತಿಯ ಪ್ರಕಾರ ಕ್ಲೋಡ್ ಪ್ರತಿ ತಿಂಗಳು ಸುಮಾರು 100 ಡಾಲರ್, ಕೋಡೆಕ್ಸ್ ಪ್ರತಿ ತಿಂಗಳು ಸುಮಾರು 90 ಡಾಲರ್. ಅವರು 20 ಡಾಲರ್‌ಗಳಿಂದ ಪ್ರಯೋಗಿಸಲು ಪ್ರಾರಂಭಿಸಬಹುದು ಎಂದು ಹೇಳಿದರು.

ಈ ವೆಚ್ಚವು ಡೆವೆಲಪರ್ ಅನ್ನು ನೇಮಿಸುವುದಕ್ಕಿಂತ ಖಂಡಿತವಾಗಿ ಕಡಿಮೆ. ಆದರೆ ನೀವು ಉತ್ಪನ್ನ ನಿರ್ಧಾರ, ಗ್ರಾಹಕ ಸಂವಹನ, ಕೋಡ್ ಪರಿಶೀಲನೆಗಳನ್ನು ಮಾಡಬೇಕಾದರೆ, ಇದು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ನೀಡುತ್ತದೆ, ನಿಮಗೆ ಕೋಡಿಂಗ್ ಮತ್ತು ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಹೆಚ್ಚು ಪುನರಾವೃತ್ತ ಹಂತಗಳನ್ನು ಉಳಿಸುತ್ತದೆ.

ಹಾರ್ಡ್‌ವೇರ್ ದೃಷ್ಟಿಯಿಂದ, ಎಲ್ವಿಸ್ ಅವರು ತಮ್ಮ ಪ್ರಸ್ತುತ ದೊಡ್ಡ ತೊಂದರೆ RAM ಎಂದು ಉಲ್ಲೇಖಿಸುತ್ತಾರೆ. ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್‌ಗೆ ಸ್ವಾಯತ್ತವಾದ worktree ಅಗತ್ಯವಿದೆ, ಪ್ರತಿಯೊಂದು worktreeಗೆ ತನ್ನದೇ ಆದ node_modules ಇದೆ, ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್ ನಿರ್ಮಾಣ, ಶ್ರೇಣೀಬದ್ಧತೆ ಮತ್ತು ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಬೇಕು. 5 ಏಜೆಂಟ್‌ಗಳನ್ನು ಒಂದೇ ಸಮಯದಲ್ಲಿ ನಿರ್ವಹಿಸುವುದು 5 ಸಮಾಂತರ TypeScript ಸಂಯೋಜಕ, 5 ಪರೀಕ್ಷಾ ಕಾರ್ಯನಿರ್ವಹಕ, 5 ಸೆಟ್ಗಳ ಅವಲಂಬನೆಗಳನ್ನು ಅರ್ಥೈಸುತ್ತದೆ.

ಅವರ ಮ್ಯಾಕ್ ಮಿನಿ 16GB ಮೆಮೊರಿ ಹೆಚ್ಚು ಹೆಚ್ಚು 4 ರಿಂದ 5 ಏಜೆಂಟ್‌ಗಳನ್ನು ಒಂದೇ ಸಮಯದಲ್ಲಿ ನಿರ್ವಹಿಸುತ್ತದೆ, ಹೆಚ್ಚು ಇದ್ದರೆ ಮೆಮೊರಿ ವಿನಿಮಯವಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ ಅವರು 128GB ಮೆಮೊರಿ ಹೊಂದಿರುವ ಮ್ಯಾಕ್ ಸ್ಟುಡಿಯೋ M4 ಮ್ಯಾಕ್ಸ್ (3500 ಡಾಲರ್) ಖರೀದಿಸಿದರು, ಹೆಚ್ಚು ಏಜೆಂಟ್‌ಗಳನ್ನು ಸಮಾನಾಂತರವಾಗಿ ನಿರ್ವಹಿಸಲು ಬಳಸಲು ಉದ್ದೇಶಿಸಿದ್ದಾರೆ.

ಸಾರಾಂಶ ಮತ್ತು ವಾಸ್ತವ ಸಮಸ್ಯೆಗಳು

ಸತ್ಯವಾಗಿ ಹೇಳಬೇಕಾದರೆ, ಎಲ್ವಿಸ್ ಈ ವ್ಯವಸ್ಥೆ ನನಗೆ ಸಾಕಷ್ಟು ಪರಿಣಾಮ ಬೀರಿತು. ನಾನು ಹಿಂದೆ ಓಪನ್ ಕ್ಲಾ ಅನ್ನು ಆಟದಂತೆ ಬಳಸುತ್ತಿದ್ದೆ, ಉತ್ಪಾದಕತೆಯಲ್ಲಿ ನಾನು ಸ್ವಾಯತ್ತ ಕ್ಲೋಡ್‌ಗೆ ಅವಲಂಬಿತವಾಗಿದ್ದೆ. ಕೆಲವೊಮ್ಮೆ worktree ಅನ್ನು ಸಮಾನಾಂತರವಾಗಿ ಬಳಸುತ್ತೇನೆ, ಆದರೆ ಈ ರೀತಿಯ ವ್ಯವಸ್ಥಿತ ರೂಪದಲ್ಲಿ ಇಲ್ಲ. ಅವರ ಟ್ವೀಟ್‌ಗಳನ್ನು ಓದಿದ ನಂತರ, ನಾನು ಎಐ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಈ ವಿಷಯದ ಶ್ರೇಣಿಯನ್ನು ಮತ್ತಷ್ಟು ಹೆಚ್ಚಿಸಿದೆ ಎಂದು ಭಾವಿಸುತ್ತೇನೆ.

ನಾನು ಇತ್ತೀಚೆಗೆ ಅವರ ಚಿಂತನಶೀಲತೆಗೆ ಅನುಗುಣವಾಗಿ, ಓಪನ್ ಕ್ಲಾ ಅನ್ನು ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ಒಬ್ಬ ಡೆವೆಲಪರ್ ತಂಡವನ್ನು ನಿರ್ಮಿಸಲು ಉದ್ದೇಶಿಸುತ್ತಿದ್ದೇನೆ. ಆದ್ದರಿಂದ, ಹತ್ತಿರದ ಭವಿಷ್ಯದಲ್ಲಿ ನಾವು ಓಪನ್ ಕ್ಲಾ ಕುರಿತು ಹಲವಾರು ಅಭ್ಯಾಸ ಲೇಖನಗಳನ್ನು ಪ್ರಕಟಿಸುತ್ತೇವೆ.

ಕೆಲವು ವಾಸ್ತವ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ನಿಮಗೆ ಎಚ್ಚರಿಕೆ ನೀಡಬೇಕಾಗಿದೆ.

ಈ ವ್ಯವಸ್ಥೆಯ ಶ್ರೇಣಿಯು ನೀವು ಸ್ಪಷ್ಟವಾದ ಉತ್ಪನ್ನ, ನಿರ್ದಿಷ್ಟ ಗ್ರಾಹಕ ಅಗತ್ಯಗಳು, ಸಂಪೂರ್ಣ CI/CD ಪೈಪ್ಲೈನ್ ಅನ್ನು ಹೊಂದಿರಬೇಕು ಎಂಬುದಾಗಿದೆ. ಎಲ್ವಿಸ್ ವಾಸ್ತವವಾಗಿ ಒಂದು ನಿಜವಾದ B2B SaaS ಉತ್ಪನ್ನವನ್ನು ಮಾಡುತ್ತಿದ್ದಾರೆ, ಗ್ರಾಹಕರು, ಆದಾಯ, ಉತ್ಪಾದನಾ ಪರಿಸರವಿದೆ. ನೀವು ಇನ್ನೂ ಡೆಮೋ ಅಥವಾ ಕಲಿಕೆಯ ಹಂತದಲ್ಲಿದ್ದರೆ, ಈ ಶ್ರೇಣಿಯ ROI ಬಹಳಷ್ಟು ಲಾಭದಾಯಕವಾಗಿಲ್ಲ.

ಇನ್ನು ಓಪನ್ ಕ್ಲಾ ಪ್ರಸ್ತುತದ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ಗಮನ ಹರಿಸಲು ಅಗತ್ಯವಿದೆ. ಸಾರ್ವಜನಿಕ ಮಾಹಿತಿಯ ಪ್ರಕಾರ, ಹಲವಾರು ಉನ್ನತ ಅಪಾಯದ CVEಗಳನ್ನು ಬಹಿರಂಗಗೊಳಿಸಲಾಗಿದೆ, ಮತ್ತು 341 ದುಷ್ಟ ಸಮುದಾಯ ಪ್ಲಗಿನ್‌ಗಳಲ್ಲಿ ಡೇಟಾ ಕಳ್ಳತನದ ವರದಿಗಳು ಕಂಡುಬಂದಿವೆ. ಓಪನ್ ಕ್ಲಾ ಅನ್ನು ನಿಯೋಜಿಸುವಾಗ, ಪ್ರತ್ಯೇಕತೆ ಮತ್ತು ಅನುಮತಿ ನಿಯಂತ್ರಣವನ್ನು ಖಚಿತವಾಗಿ ಮಾಡಬೇಕು. ಇದು ನಾನು ಓಪನ್ ಕ್ಲಾ ಅನ್ನು ನನ್ನ ಸ್ಥಳೀಯ ಶ್ರೇಣಿಯ ಯಂತ್ರದಲ್ಲಿ ನಿಯೋಜಿಸಲು ಸಾಧ್ಯವಾಗದ ಕಾರಣವಾಗಿದೆ.

ಮರುಕತೆಯಾಗಿ, ಎಲ್ವಿಸ್ ಟ್ವೀಟ್‌ನಲ್ಲಿ ಕ್ಲೋಡ್ ಕೋಡ್‌ನ ಕೋಡ್ ಪರಿಶೀಲನೆಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ಕಡಿಮೆ ಮಾಡಿದ್ದಾನೆ, ಆದರೆ ಇತ್ತೀಚೆಗೆ ಕ್ಲೋಡ್ ಕೋಡ್ ಏಜೆಂಟ್ ತಂಡಗಳ ಕಾರ್ಯವನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ (ಅಧಿಕೃತವಾಗಿ ಒಳಗೊಂಡ ಬಹು-ಏಜೆಂಟ್ ಸಹಕಾರ), ಆಂಥ್ರೋಪಿಕ್ ಕೂಡ ಈ ರೂಪದಲ್ಲಿ ಶ್ರಮಿಸುತ್ತಿದೆ.

ಆದರೆ ಈ ವಿವರಗಳನ್ನು ಬಿಟ್ಟು, ಎಲ್ವಿಸ್ ಈ ರೂಪವನ್ನು ನಿರ್ವಹಣಾ ಹಂತ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಣಾ ಹಂತದ ಶ್ರೇಣಿಯ ಚಿಂತನಶೀಲತೆ ವಾಸ್ತವವಾಗಿ ಗಮನಾರ್ಹವಾಗಿದೆ.上下文 ವಿಂಡೋನ ಶೂನ್ಯ ಮತ್ತು ಬಾಹ್ಯ ಆಟವು ವಾಸ್ತವವಾಗಿ ಇರುವ ನಿರ್ಬಂಧವಾಗಿದೆ, ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಹಂತಬದ್ಧ ಶ್ರೇಣಿಯನ್ನು ಬಳಸುವುದು, ವಿಭಿನ್ನ AI ಗಳು ತಮ್ಮ ತಮ್ಮ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ, ಈ ದಿಕ್ಕಿನಲ್ಲಿ ನಾನು ವೈಯಕ್ತಿಕವಾಗಿ ಸರಿಯಾಗಿದೆ ಎಂದು ಭಾವಿಸುತ್ತೇನೆ....