【译】OpenClaw + Codex/Claude Code Agent 集群：一人开发团队完整指南
凡人小北约 9 分钟📌 译者说
这篇文章让我眼前一亮。作者一个人用 Agent 集群做到了一天 94 次 commit、30 分钟 7 个 PR，git 历史看起来像刚招了一个开发团队。这也是我们配 Mac Mini 的原因——搭建类似的系统，用 OpenClaw 编排多个 Agent 协同工作。
本文完整翻译自 @elvissun 的 X 长文（2026年2月23日，4581 赞）。核心洞察：通过上下文实现专业化，而不是通过不同的模型。
什么是 Agent Swarm？ 就像蜂群一样——一个"女王蜂"（编排者 Zoe）指挥一群"工蜂"（Codex/Claude Code agent）干活。你不用自己写代码，只需要和女王蜂对话，她会把任务分配下去、监控进度、PR 准备好了通知你。
原文作者：@elvissun (Elvis) | 译者：凡人小北
我现在不直接用 Codex 或 Claude Code 了。
我用 OpenClaw 作为编排层。我的编排者 Zoe 负责生成 agent、编写 prompt、为每个任务选择合适的模型、监控进度，PR 准备好合并时通过 Telegram 通知我。
📊 过去 4 周的数据
• 一天 94 次 commit。那是我效率最高的一天。我开了 3 个客户会议，编辑器都没打开过。平均每天大约 50 次 commit。
• 30 分钟内 7 个 PR。从想法到生产非常快，因为编码和验证大部分都自动化了。
• Commit → MRR：我用这套系统做一个真正的 B2B SaaS。结合创始人直销，大多数功能需求当天就能交付。速度把潜在客户变成了付费客户。
1月前：只有 Claude Code/Codex | 1月后：OpenClaw 编排 Claude Code/Codex
我的 git 历史看起来像刚招了一个开发团队。实际上只是我一个人：从直接管理 claude code，变成管理一个 openclaw agent，它再管理一群 claude code 和 codex agent。
成功率：系统几乎能一次性完成所有中小型任务，无需任何干预。
成本：Claude 大约 $100/月，Codex $90/月。但你可以从 $20 开始。
🤔 为什么这比直接用 Codex 更好？
Codex 和 Claude Code 对你的业务了解很少。它们只看到代码，看不到业务全貌。
OpenClaw 改变了这个局面。它作为你和所有 agent 之间的编排层，持有我所有的业务上下文（客户数据、会议笔记、过去的决策、什么有效、什么失败了），都在我的 Obsidian 库里。它把历史上下文转化为精确的 prompt 给每个编码 agent。Agent 专注于代码，编排者专注于高层策略。
🏗️ 系统的高层架构
上周 Stripe 写了他们的后台 agent 系统「Minions」。这是由集中编排层支撑的并行编码 agent。我无意中构建了同样的东西，但它运行在我的 Mac mini 上。
在告诉你怎么设置之前，你需要知道为什么需要一个 agent 编排者。
🧠 为什么一个 AI 做不了两件事
上下文窗口是零和的。你必须选择放什么进去。
填满代码，就没有空间放业务上下文。填满客户历史，就没有空间放代码库。这就是为什么两层系统有效：每个 AI 只加载它需要的东西。
OpenClaw 和 Codex 的上下文截然不同：
通过上下文实现专业化，而不是通过不同的模型。
📋 完整的 8 步工作流
然后 Zoe 做三件事：
1️⃣ 充值积分立即解锁客户。她有管理员 API 访问权限。
2️⃣ 从生产数据库拉取客户配置。她有只读生产数据库访问权限（我的 codex agent 永远不会有这个），获取他们的现有设置，包含在 prompt 里。
3️⃣ 生成一个 Codex agent，带着包含所有上下文的详细 prompt。
第 2 步：生成 Agent
每个 agent 有自己的 worktree（隔离的分支）和 tmux 会话：
# 创建 worktree + 生成 agent
git worktree add ../feat-custom-templates -b feat/custom-templates origin/main
cd ../feat-custom-templates && pnpm install
tmux new-session -d -s "codex-templates" \
-c "/Users/elvis/Documents/GitHub/medialyst-worktrees/feat-custom-templates" \
"$HOME/.codex-agent/run-agent.sh templates gpt-5.3-codex high"Agent 在 tmux 会话中运行，通过脚本完整记录终端日志。
启动 agent 的方式：
# Codex
codex --model gpt-5.3-codex \
-c "model_reasoning_effort=high" \
--dangerously-bypass-approvals-and-sandbox \
"Your prompt here"
# Claude Code
claude --model claude-opus-4.5 \
--dangerously-skip-permissions \
-p "Your prompt here"我以前用 codex exec 或 claude -p，最近改用 tmux 了。
tmux 好得多，因为中途重定向很强大。Agent 走错方向了？不用杀掉它：
# 方向错了：
tmux send-keys -t codex-templates "Stop. Focus on the API layer first, not the UI." Enter
# 需要更多上下文：
tmux send-keys -t codex-templates "The schema is in src/types/template.ts. Use that." Enter任务在 .clawdbot/active-tasks.json 中跟踪：
{
"id": "feat-custom-templates",
"tmuxSession": "codex-templates",
"agent": "codex",
"description": "Custom email templates for agency customer",
"repo": "medialyst",
"worktree": "feat-custom-templates",
"branch": "feat/custom-templates",
"startedAt": 1740268800000,
"status": "running",
"notifyOnComplete": true
}完成后，更新 PR 号和检查状态（更多细节在第 5 步）：
{
"status": "done",
"pr": 341,
"completedAt": 1740275400000,
"checks": {
"prCreated": true,
"ciPassed": true,
"claudeReviewPassed": true,
"geminiReviewPassed": true
},
"note": "All checks passed. Ready to merge."
}第 3 步：循环监控
一个 cron 任务每 10 分钟运行一次，照看所有 agent。这基本上是改进版的 Ralph Loop，后面详细说。
但它不直接轮询 agent，那太贵了。它运行一个脚本，读取 JSON 注册表并检查：
.clawdbot/check-agents.sh这个脚本 100% 确定性的，非常省 token：
• 检查 tmux 会话是否存活
• 检查跟踪分支上是否有未合并的 PR
• 通过 gh cli 检查 CI 状态
• 如果 CI 失败或有关键审查反馈，自动重启失败的 agent（最多 3 次）
• 只有需要人工关注时才报警
我不用盯着终端。系统会告诉我什么时候该看。
第 4 步：Agent 创建 PR
Agent 提交、推送，然后通过 gh pr create --fill 创建 PR。这时我不会收到通知。光有 PR 还不算完成。
完成的定义（让你的 agent 知道这个很重要）：
• PR 已创建
• 分支已同步到 main（无合并冲突）
• CI 通过（lint、types、unit tests、E2E）
• Codex 审查通过
• Claude Code 审查通过
• Gemini 审查通过
• 包含截图（如果有 UI 变更）
第 5 步：自动化代码审查
每个 PR 都由三个 AI 模型审查。它们能发现不同的问题：
• Codex Reviewer：非常擅长边界情况。做最彻底的审查。能发现逻辑错误、缺失的错误处理、竞态条件。误报率很低。
• Gemini Code Assist Reviewer：免费且非常有用。能发现其他 agent 忽略的安全问题、可扩展性问题。还会建议具体的修复方案。装上不亏。
• Claude Code Reviewer：基本上没用，过于谨慎。很多「考虑添加...」的建议，通常是过度工程。除非标记为 critical，否则我都跳过。它很少自己发现严重问题，但会验证其他审查者标记的问题。
三个都直接在 PR 上发表评论。
第 6 步：自动化测试
我们的 CI 流水线运行大量自动化测试：
• Lint 和 TypeScript 检查
• 单元测试
• E2E 测试
• Playwright 测试，针对预览环境（与生产环境相同）
我上周加了一个新规则：如果 PR 改了任何 UI，必须在 PR 描述中包含截图。否则 CI 失败。这大大缩短了审查时间。我不用点进预览就能看到具体改了什么。
第 7 步：人工审查
现在我收到 Telegram 通知：「PR #341 ready for review.」
到这时：
• CI 通过
• 三个 AI 审查者都批准了代码
• 截图展示了 UI 变更
• 所有边界情况都在审查评论中记录了
我的审查只需要 5-10 分钟。很多 PR 我不看代码就直接合并。截图告诉我需要知道的一切。
第 8 步：合并
PR 合并。每天的 cron 任务清理孤立的 worktree 和任务注册表 json。
🔄 Ralph Loop V2
这本质上就是 Ralph Loop，但更好。
Ralph Loop 从记忆中拉取上下文，生成输出，评估结果，保存学习成果。但大多数实现每个周期都运行相同的 prompt。提炼的学习成果改善了未来的检索，但 prompt 本身保持静态。
我们的系统不一样。当 agent 失败时，Zoe 不只是用相同的 prompt 重新生成它。她带着完整的业务上下文看失败原因，想办法解除阻塞：
• Agent 上下文用完了？「只关注这三个文件。」
• Agent 走错方向了？「停。客户想要的是 X，不是 Y。这是他们在会议上说的。」
• Agent 需要澄清？「这是客户的邮件和他们公司做什么的信息。」
Zoe 一直照看 agent 直到完成。她有 agent 没有的上下文：客户历史、会议笔记、我们之前尝试过什么、为什么失败。她用这些上下文在每次重试时写更好的 prompt。
但她也不等我分配任务。她主动找工作：
• 早上：扫描 Sentry → 发现 4 个新错误 → 生成 4 个 agent 调查和修复
• 会议后：扫描会议笔记 → 标记客户提到的 3 个功能需求 → 生成 3 个 Codex agent
• 晚上：扫描 git log → 生成 Claude Code 更新 changelog 和客户文档
我在客户电话后出去散步。回来看 Telegram：「7 PRs ready for review. 3 features, 4 bug fixes.」
当 agent 成功时，模式会被记录。「这个 prompt 结构适用于计费功能。」「Codex 需要先给类型定义。」「总是包含测试文件路径。」
奖励信号是：CI 通过、三个代码审查都通过、人工合并。任何失败都触发循环。随着时间推移，Zoe 写的 prompt 越来越好，因为她记得什么能发布。
🤖 选择合适的 Agent
不是所有编码 agent 都一样。快速参考：
Codex 是我的主力。后端逻辑、复杂 bug、多文件重构、任何需要跨代码库推理的任务。它慢但彻底。90% 的任务我用它。
Claude Code 更快，更擅长前端工作。它的权限问题也少，所以很适合 git 操作。（我以前用这个多一些做日常工作，但 Codex 5.3 现在明显更好更快了）
Gemini 有不同的超能力：设计感。对于漂亮的 UI，我会让 Gemini 先生成 HTML/CSS 规范，然后交给 Claude Code 在我们的组件系统中实现。Gemini 设计，Claude 构建。
Zoe 为每个任务选择合适的 agent，并在它们之间传递输出。计费系统 bug 交给 Codex。按钮样式修复交给 Claude Code。新的仪表板设计从 Gemini 开始。
🛠️ 如何设置
把这整篇文章复制到 OpenClaw，告诉它：「为我的代码库实现这个 agent swarm 设置。」
它会读取架构，创建脚本，设置目录结构，配置 cron 监控。10 分钟搞定。
没有课程要卖给你。
⚠️ 没人预料到的瓶颈：内存
这是我现在碰到的天花板：内存。
每个 agent 需要自己的 worktree。每个 worktree 需要自己的 node_modules。每个 agent 运行构建、类型检查、测试。5 个 agent 同时运行意味着 5 个并行的 TypeScript 编译器、5 个测试运行器、5 套依赖加载到内存。
我的 Mac Mini 16GB 内存最多跑 4-5 个 agent，之后就开始交换了。而且还得运气好，它们不同时构建。
所以我买了一台 Mac Studio M4 Max 128GB 内存（$3,500）来支撑这套系统。三月底到货，到时候我会分享值不值。
🚀 下一步：一人百万美元公司
2026 年开始，我们会看到大量一人百万美元公司。对于那些懂得如何构建递归自我改进 agent 的人来说，杠杆是巨大的。
这就是它的样子：一个作为你自己延伸的 AI 编排者（就像 Zoe 对我来说），把工作委托给专门处理不同业务功能的 agent。工程、客户支持、运营、营销。每个 agent 专注于它擅长的事情。你保持激光般的专注和完全的控制。
下一代创业者不会雇佣 10 人团队来做一个拥有正确系统的人能做的事。他们会这样构建：保持小、动作快、每天发布。
现在有太多 AI 生成的垃圾了。太多关于 agent 和「任务控制台」的炒作，却没有构建任何真正有用的东西。花哨的演示，没有现实世界的好处。
我在尝试做相反的事：少炒作，多记录构建真正业务的过程。真实的客户、真实的收入、真实提交到生产的代码，还有真实的亏损。
我在做什么？Agentic PR。一个一人公司，挑战企业级 PR 巨头。帮助初创公司获得媒体报道的 agent，不需要每月 $10k 的顾问费。
如果你想看我把这件事做到什么程度，跟着看吧。
原文作者：@elvissun (Elvis)
原文链接：https://x.com/elvissun/status/2025920521871716562
发布时间：2026年2月23日
数据：❤️ 4581 🔁 496 💬 154