OpenClaw + Codex/ClaudeCode Agent Swarm: Il team di sviluppo composto da una sola persona [Configurazione completa]

Non uso più Codex o Claude Code direttamente.

Uso OpenClaw come mio livello di orchestrazione. La mia orchestratrice, Zoe, genera gli agenti, scrive i loro prompt, sceglie il modello giusto per ogni compito, monitora i progressi e mi avvisa su Telegram quando le PR sono pronte per essere unite.

Prove concrete delle ultime 4 settimane:

• 94 commit in un giorno. Il mio giorno più produttivo: ho avuto 3 chiamate con clienti e non ho aperto l'editor nemmeno una volta. La media è di circa 50 commit al giorno.

• 7 PR in 30 minuti. Dall'idea alla produzione è fulmineo perché la codifica e le validazioni sono per lo più automatizzate.

• Commit → MRR: Uso questo sistema per un vero SaaS B2B che sto costruendo, abbinandolo a vendite guidate dal fondatore per evadere la maggior parte delle richieste di funzionalità in giornata. La velocità trasforma i lead in clienti paganti.

La mia cronologia git sembra quella di chi ha appena assunto un team di sviluppatori. In realtà sono solo io che sono passato dal gestire Claude Code al gestire un agente OpenClaw che gestisce una flotta di altri agenti Claude Code e Codex.

Tasso di successo: il sistema risolve al primo colpo quasi tutti i compiti piccoli e medi senza alcun intervento.

Costo: circa $100/mese per Claude e $90/mese per Codex, ma puoi iniziare con $20.

Ecco perché funziona meglio che usare Codex o Claude Code direttamente:

>Codex e Claude Code hanno pochissimo contesto sulla tua attività.

Vedono il codice. Non vedono il quadro completo della tua attività.

OpenClaw cambia le carte in tavola. Funge da livello di orchestrazione tra te e tutti gli agenti: conserva tutto il contesto della mia attività (dati dei clienti, appunti delle riunioni, decisioni passate, cosa ha funzionato, cosa ha fallito) all'interno del mio vault Obsidian e traduce il contesto storico in prompt precisi per ogni agente di codifica. Gli agenti rimangono concentrati sul codice. L'orchestratore rimane a livello di strategia generale.

Ecco come funziona il sistema ad alto livello:

La scorsa settimana Stripe ha scritto del loro sistema di agenti in background chiamato "Minions": agenti di codifica paralleli supportati da un livello di orchestrazione centralizzato. Ho accidentalmente costruito la stessa cosa, ma funziona localmente sul mio Mac mini.

Prima di dirti come impostarlo, dovresti sapere PERCHÉ hai bisogno di un orchestratore di agenti.

Perché una Singola IA Non Può Fare Entrambe le Cose

Le finestre di contesto sono a somma zero. Devi scegliere cosa inserire.

Riempila di codice → niente spazio per il contesto aziendale. Riempila con la cronologia dei clienti → niente spazio per il codebase. Ecco perché il sistema a due livelli funziona: ogni IA è caricata esattamente con ciò di cui ha bisogno.

OpenClaw e Codex hanno contesti drasticamente diversi:

Specializzazione attraverso il contesto, non attraverso modelli diversi.

Il Flusso di Lavoro Completo in 8 Fasi

Lascia che ti guidi attraverso un esempio reale della scorsa settimana.

Fase 1: Richiesta del Cliente → Definizione dell'ambito con Zoe

Ho avuto una chiamata con un cliente agenzia. Volevano riutilizzare le configurazioni già impostate in tutto il team.

Dopo la chiamata, ho discusso la richiesta con Zoe. Poiché tutti i miei appunti delle riunioni si sincronizzano automaticamente nel mio vault Obsidian, non è stata necessaria alcuna spiegazione da parte mia. Abbiamo definito insieme l'ambito della funzionalità e siamo arrivati a un sistema di template che permette loro di salvare e modificare le configurazioni esistenti.

Poi Zoe fa tre cose:

1. Aggiunge crediti per sbloccare immediatamente il cliente: ha accesso API come amministratore
2. Recupera la configurazione del cliente dal database di produzione — ha accesso in sola lettura al DB di produzione (i miei agenti Codex non lo avranno mai) per recuperare la loro configurazione esistente, che viene inclusa nel prompt
3. Genera un agente Codex — con un prompt dettagliato contenente tutto il contesto

Fase 2: Generare l'Agente

Ogni agente riceve il proprio worktree (branch isolato) e la propria sessione tmux:

1# Crea worktree + genera agente
2git worktree add ../feat-custom-templates -b feat/custom-templates origin/main
3cd ../feat-custom-templates && pnpm install
4
5tmux new-session -d -s "codex-templates" \
6  -c "/Users/elvis/Documents/GitHub/medialyst-worktrees/feat-custom-templates" \
7  "$HOME/.codex-agent/run-agent.sh templates gpt-5.3-codex high"

L'agente viene eseguito in una sessione tmux con registrazione completa del terminale tramite uno script.

Ecco come lanciamo gli agenti:

1# Codex
2codex --model gpt-5.3-codex \
3  -c "model_reasoning_effort=high" \
4  --dangerously-bypass-approvals-and-sandbox \
5  "Il tuo prompt qui"
6
7# Claude Code
8claude --model claude-opus-4.5 \
9  --dangerously-skip-permissions \
10  -p "Il tuo prompt qui"

Prima usavo codex exec o claude -p, ma di recente sono passato a tmux:

tmux è molto meglio perché il reindirizzamento a metà compito è potente. L'agente sta andando nella direzione sbagliata? Non ucciderlo:

1# Approccio sbagliato:
2tmux send-keys -t codex-templates "Ferma. Concentrati prima sul livello API, non sull'interfaccia utente." Enter
3
4# Serve più contesto:
5tmux send-keys -t codex-templates "Lo schema è in src/types/template.ts. Usa quello." Enter

Il compito viene tracciato in .clawdbot/active-tasks.json:

1{
2  "id": "feat-custom-templates",
3  "tmuxSession": "codex-templates",
4  "agent": "codex",
5  "description": "Template email personalizzati per cliente agenzia",
6  "repo": "medialyst",
7  "worktree": "feat-custom-templates",
8  "branch": "feat/custom-templates",
9  "startedAt": 1740268800000,
10  "status": "running",
11  "notifyOnComplete": true
12}

Al completamento, si aggiorna con il numero della PR e i controlli. (Maggiori dettagli nella fase 5)

1{
2  "status": "done",
3  "pr": 341,
4  "completedAt": 1740275400000,
5  "checks": {
6    "prCreated": true,
7    "ciPassed": true,
8    "claudeReviewPassed": true,
9    "geminiReviewPassed": true
10  },
11  "note": "Tutti i controlli superati. Pronta per l'unione."
12}

Fase 3: Monitoraggio in un ciclo

Un cron job viene eseguito ogni 10 minuti per supervisionare tutti gli agenti. Questo funziona essenzialmente come un Ralph Loop migliorato, ne parleremo più avanti.

Ma non interroga direttamente gli agenti — sarebbe costoso. Invece, esegue uno script che legge il registro JSON e controlla:

1.clawdbot/check-agents.sh

Lo script è deterministico al 100% ed estremamente efficiente in termini di token:

• Controlla se le sessioni tmux sono attive
• Controlla se ci sono PR aperte sui branch tracciati
• Controlla lo stato della CI tramite gh cli
• Riavvia automaticamente gli agenti falliti (massimo 3 tentativi) se la CI fallisce o se ci sono feedback critici dalla revisione
• Avvisa solo se qualcosa richiede attenzione umana

Non sto guardando i terminali. Il sistema mi dice quando guardare.

Fase 4: L'Agente Crea la PR

L'agente esegue il commit, il push e apre una PR tramite \gh pr create --fill\. A questo punto NON vengo avvisato — una PR da sola non è sufficiente.

Definizione di completato (molto importante che il tuo agente lo sappia):

• PR creata
• Branch sincronizzato con main (nessun conflitto di merge)
• CI superata (lint, tipi, test unitari, E2E)
• Revisione Codex superata
• Revisione Claude Code superata
• Revisione Gemini superata
• Screenshot inclusi (se ci sono modifiche all'interfaccia utente)

Fase 5: Revisione Automatica del Codice

Ogni PR viene revisionata da tre modelli IA. Catturano cose diverse:

• Codex Reviewer — Eccezionale per i casi limite. Fa la revisione più approfondita. Cattura errori logici, gestione degli errori mancante, race condition. Il tasso di falsi positivi è molto basso.
• Gemini Code Assist Reviewer — Gratuito e incredibilmente utile. Cattura problemi di sicurezza, problemi di scalabilità che altri agenti perdono. E suggerisce correzioni specifiche. Un gioco da ragazzi da installare.
• Claude Code Reviewer — Per lo più inutile: tende ad essere eccessivamente cauto. Molti suggerimenti del tipo "considera l'aggiunta di..." che di solito sono overengineering. Salto tutto a meno che non sia contrassegnato come critico. Raramente trova problemi critici da solo, ma convalida ciò che gli altri revisori segnalano.

Tutti e tre pubblicano commenti direttamente sulla PR.

Fase 6: Test Automatici

La nostra pipeline CI esegue una grande quantità di test automatici:

• Controlli Lint e TypeScript
• Test unitari
• Test E2E
• Test Playwright su un ambiente di anteprima (identico alla produzione)

La scorsa settimana ho aggiunto una nuova regola: se la PR modifica l'interfaccia utente, deve includere uno screenshot nella descrizione della PR. Altrimenti la CI fallisce. Questo riduce drasticamente i tempi di revisione: posso vedere esattamente cosa è cambiato senza dover navigare nell'anteprima.

Fase 7: Revisione Umana

Ora ricevo la notifica su Telegram: "PR #341 pronta per la revisione."

A questo punto:

• CI superata
• Tre revisori IA hanno approvato il codice
• Gli screenshot mostrano le modifiche all'interfaccia utente
• Tutti i casi limite sono documentati nei commenti di revisione

La mia revisione richiede 5-10 minuti. Molte PR le unisco senza leggere il codice — lo screenshot mi mostra tutto ciò di cui ho bisogno.

Fase 8: Unione

La PR viene unita. Un cron job giornaliero pulisce i worktree orfani e il registro JSON delle attività.

Il Ralph Loop V2

Questo è essenzialmente il Ralph Loop, ma migliorato.

Il Ralph Loop recupera il contesto dalla memoria, genera output, valuta i risultati, salva gli apprendimenti. Ma la maggior parte delle implementazioni esegue lo stesso prompt ogni ciclo. Gli apprendimenti distillati migliorano i recuperi futuri, ma il prompt stesso rimane statico.

Il nostro sistema è diverso. Quando un agente fallisce, Zoe non lo rigenera semplicemente con lo stesso prompt. Analizza il fallimento con il contesto aziendale completo e capisce come sbloccarlo:

• L'agente ha esaurito il contesto? "Concentrati solo su questi tre file."
• L'agente è andato nella direzione sbagliata? "Ferma. Il cliente voleva X, non Y. Ecco cosa ha detto nella riunione."
• L'agente ha bisogno di chiarimenti? "Ecco l'email del cliente e cosa fa la sua azienda."

Zoe supervisiona gli agenti fino al completamento. Ha un contesto che gli agenti non hanno: cronologia dei clienti, appunti delle riunioni, cosa abbiamo provato prima, perché è fallito. Usa quel contesto per scrivere prompt migliori ad ogni tentativo.

Ma non aspetta nemmeno che io assegni i compiti. Trova lavoro in modo proattivo:

• Mattina: Scansiona Sentry → trova 4 nuovi errori → genera 4 agenti per indagare e correggere
• Dopo le riunioni: Scansiona gli appunti delle riunioni → segnala 3 richieste di funzionalità menzionate dai clienti → genera 3 agenti Codex
• Sera: Scansiona il git log → genera Claude Code per aggiornare il changelog e la documentazione per i clienti

Faccio una passeggiata dopo una chiamata con un cliente. Torno e trovo su Telegram: "7 PR pronte per la revisione. 3 funzionalità, 4 correzioni di bug."

Quando gli agenti hanno successo, il modello viene registrato. "Questa struttura di prompt funziona per le funzionalità di fatturazione." "Codex ha bisogno delle definizioni dei tipi in anticipo." "Includi sempre i percorsi dei file di test."

I segnali di ricompensa sono: CI superata, tutte e tre le revisioni del codice superate, unione umana. Qualsiasi fallimento attiva il ciclo. Col tempo, Zoe scrive prompt migliori perché ricorda cosa è stato rilasciato.

Scegliere l'Agente Giusto

Non tutti gli agenti di codifica sono uguali. Riferimento rapido:

Codex è il mio cavallo di battaglia. Logica backend, bug complessi, refactoring multi-file, qualsiasi cosa richieda ragionamento attraverso il codebase. È più lento ma approfondito. Lo uso per il 90% dei compiti.

Claude Code è più veloce e migliore per il lavoro frontend. Ha anche meno problemi di autorizzazione, quindi è ottimo per le operazioni git. (Prima lo usavo di più per la gestione quotidiana, ma Codex 5.3 è semplicemente migliore e più veloce ora)

Gemini ha un superpotere diverso: sensibilità al design. Per interfacce utente belle, faccio generare a Gemini una specifica HTML/CSS prima, poi la passo a Claude Code per implementarla nel nostro sistema di componenti. Gemini progetta, Claude costruisce.

Zoe sceglie l'agente giusto per ogni compito e instrada gli output tra di loro. Un bug del sistema di fatturazione va a Codex. Una correzione dello stile di un pulsante va a Claude Code. Un nuovo design della dashboard inizia con Gemini.

Come Impostare Questo

Copia l'intero articolo in OpenClaw e digli: "Implementa questa configurazione di sciame di agenti per il mio codebase."

Leggerà l'architettura, creerà gli script, imposterà la struttura delle directory e configurerà il monitoraggio cron. Fatto in 10 minuti.

Nessun corso da venderti.

Il Collo di Bottiglia Che Nessuno si Aspetta

Ecco il limite che sto incontrando in questo momento: la RAM.

Ogni agente ha bisogno del proprio worktree. Ogni worktree ha bisogno del proprio
ode_modules\. Ogni agente esegue build, controlli dei tipi, test. Cinque agenti in esecuzione simultanea significano cinque compilatori TypeScript paralleli, cinque esecutori di test, cinque set di dipendenze caricati in memoria.

Il mio Mac Mini con 16GB arriva al massimo a 4-5 agenti prima di iniziare a fare swapping — e devo essere fortunato che non provino a fare build contemporaneamente.

Quindi ho comprato un Mac Studio M4 max con 128GB di RAM ($3.500) per alimentare questo sistema. Arriva a fine marzo e condividerò se ne vale la pena.

Prossimo: L'Azienda da un Milione di Dollari con una Sola Persona

Vedremo un sacco di aziende da un milione di dollari con una sola persona a partire dal 2026. La leva è enorme per coloro che capiscono come costruire agenti che si auto-migliorano in modo ricorsivo.

Ecco come appare: un orchestratore IA come estensione di te stesso (come Zoe lo è per me), che delega il lavoro ad agenti specializzati che gestiscono diverse funzioni aziendali. Ingegneria. Supporto clienti. Operazioni. Marketing. Ogni agente concentrato su ciò in cui è bravo. Tu mantieni una concentrazione laser e il pieno controllo.

La prossima generazione di imprenditori non assumerà un team di 10 persone per fare ciò che una persona con il sistema giusto può fare. Costruiranno così — rimanendo piccoli, muovendosi velocemente, rilasciando quotidianamente.

C'è così tanta robaccia generata dall'IA in questo momento. Così tanto hype sugli agenti e sui "centri di controllo" senza costruire nulla di realmente utile. Demo appariscenti senza benefici nel mondo reale.

Sto cercando di fare il contrario: meno hype, più documentazione sulla costruzione di un'attività reale. Clienti reali, entrate reali, commit reali che vanno in produzione, e anche perdite reali.

Cosa sto costruendo? Agentic PR — un'azienda con una sola persona che sfida gli incumbent delle PR aziendali. Agenti che aiutano le startup a ottenere copertura stampa senza un contratto da $10.000 al mese.

Se vuoi vedere fino a dove posso spingermi, seguimi.