OpenClaw + Codex/ClaudeCode Agent Swarm: A equipe de desenvolvimento de uma pessoa só [Configuração Completa]

Não uso mais Codex ou Claude Code diretamente.

Uso o OpenClaw como minha camada de orquestração. Minha orquestradora, Zoe, cria os agentes, escreve seus prompts, escolhe o modelo certo para cada tarefa, monitora o progresso e me avisa no Telegram quando os PRs estão prontos para merge.

Comprovantes das últimas 4 semanas:

• 94 commits em um único dia. Meu dia mais produtivo — tive 3 ligações com clientes e não abri meu editor uma vez. A média é de cerca de 50 commits por dia.

• 7 PRs em 30 minutos. Da ideia à produção é extremamente rápido porque a codificação e as validações são em grande parte automatizadas.

• Commits → MRR: Uso isso para um SaaS B2B real que estou construindo — combinando com vendas lideradas pelo fundador para entregar a maioria dos pedidos de funcionalidades no mesmo dia. Velocidade converte leads em clientes pagantes.

Meu histórico do git parece que contratei uma equipe de desenvolvimento. Na realidade, sou só eu passando de gerenciar o Claude Code para gerenciar um agente OpenClaw que gerencia uma frota de outros agentes Claude Code e Codex.

Taxa de sucesso: O sistema resolve quase todas as tarefas pequenas e médias sem qualquer intervenção.

Custo: ~$100/mês para Claude e $90/mês para Codex, mas você pode começar com $20.

Aqui está o motivo pelo qual isso funciona melhor do que usar Codex ou Claude Code diretamente:

>Codex e Claude Code têm muito pouco contexto sobre o seu negócio.

Eles veem código. Eles não veem o quadro completo do seu negócio.

O OpenClaw muda a equação. Ele atua como a camada de orquestração entre você e todos os agentes — ele mantém todo o meu contexto de negócio (dados de clientes, anotações de reuniões, decisões passadas, o que funcionou, o que falhou) dentro do meu cofre Obsidian, e traduz o contexto histórico em prompts precisos para cada agente de codificação. Os agentes permanecem focados no código. O orquestrador permanece no nível de estratégia elevada.

Aqui está como o sistema funciona em alto nível:

Na semana passada, o Stripe escreveu sobre seu sistema de agentes em segundo plano chamado "Minions" — agentes de codificação paralelos apoiados por uma camada de orquestração centralizada. Eu construí acidentalmente a mesma coisa, mas funciona localmente no meu Mac mini.

Antes de eu te contar como configurar isso, você deve saber POR QUE você precisa de um orquestrador de agentes.

Por que Uma Única IA Não Consegue Fazer Ambos

As janelas de contexto são soma zero. Você tem que escolher o que entra.

Preencha com código → sem espaço para contexto de negócio. Preencha com histórico do cliente → sem espaço para a base de código. É por isso que o sistema de dois níveis funciona: cada IA é carregada exatamente com o que precisa.

OpenClaw e Codex têm contextos drasticamente diferentes:

Especialização através do contexto, não através de modelos diferentes.

O Fluxo de Trabalho Completo em 8 Etapas

Deixe-me mostrar um exemplo real da semana passada.

Etapa 1: Solicitação do Cliente → Escopo com Zoe

Tive uma ligação com um cliente agência. Eles queriam reutilizar configurações que já haviam definido em toda a equipe.

Após a ligação, conversei sobre a solicitação com a Zoe. Como todas as minhas anotações de reunião são sincronizadas automaticamente para meu cofre Obsidian, nenhuma explicação foi necessária da minha parte. Nós definimos o escopo da funcionalidade juntos — e chegamos a um sistema de templates que permite que eles salvem e editem suas configurações existentes.

Então Zoe faz três coisas:

1. Adiciona créditos para desbloquear o cliente imediatamente — ela tem acesso à API de administrador
2. Puxa a configuração do cliente do banco de produção — ela tem acesso somente leitura ao banco de produção (meus agentes Codex nunca terão isso) para recuperar a configuração existente deles, que é incluída no prompt
3. Cria um agente Codex — com um prompt detalhado contendo todo o contexto

Etapa 2: Criar o Agente

Cada agente recebe sua própria worktree (branch isolada) e sessão tmux:

1# Criar worktree + criar 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"

O agente é executado em uma sessão tmux com registro completo do terminal através de um script.

Aqui está como lançamos agentes:

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

Eu costumava usar codex exec ou claude -p, mas recentemente mudei para tmux:

tmux é muito melhor porque o redirecionamento no meio da tarefa é poderoso. Agente indo na direção errada? Não o mate:

1# Abordagem errada:
2tmux send-keys -t codex-templates "Pare. Foque na camada da API primeiro, não na UI." Enter
3
4# Precisa de mais contexto:
5tmux send-keys -t codex-templates "O schema está em src/types/template.ts. Use isso." Enter

A tarefa é rastreada em .clawdbot/active-tasks.json:

1{
2  "id": "feat-custom-templates",
3  "tmuxSession": "codex-templates",
4  "agent": "codex",
5  "description": "Templates de e-mail personalizados para cliente agência",
6  "repo": "medialyst",
7  "worktree": "feat-custom-templates",
8  "branch": "feat/custom-templates",
9  "startedAt": 1740268800000,
10  "status": "running",
11  "notifyOnComplete": true
12}

Quando concluída, atualiza com o número do PR e verificações. (Mais sobre isso na etapa 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": "Todas as verificações passaram. Pronto para merge."
12}

Etapa 3: Monitoramento em Loop

Um cron job é executado a cada 10 minutos para cuidar de todos os agentes. Isso funciona basicamente como um Ralph Loop melhorado, mais sobre isso depois.

Mas ele não consulta os agentes diretamente — isso seria caro. Em vez disso, executa um script que lê o registro JSON e verifica:

1.clawdbot/check-agents.sh

O script é 100% determinístico e extremamente eficiente em tokens:

• Verifica se as sessões tmux estão ativas
• Verifica se há PRs abertos em branches rastreadas
• Verifica o status do CI via gh cli
• Reinicia automaticamente agentes que falharam (máx. 3 tentativas) se o CI falhar ou houver feedback crítico de revisão
• Só alerta se algo precisa de atenção humana

Não estou olhando para terminais. O sistema me diz quando olhar.

Etapa 4: Agente Cria PR

O agente faz commit, push e abre um PR via gh pr create --fill. Neste ponto, eu NÃO sou notificado — um PR sozinho não está concluído.

Definição de concluído (muito importante que seu agente saiba disso):

• PR criado
• Branch sincronizada com a main (sem conflitos de merge)
• CI passando (lint, types, testes unitários, E2E)
• Revisão do Codex aprovada
• Revisão do Claude Code aprovada
• Revisão do Gemini aprovada
• Screenshots incluídas (se houver mudanças na UI)

Etapa 5: Revisão de Código Automatizada

Cada PR é revisado por três modelos de IA. Eles detectam coisas diferentes:

• Revisor Codex — Excepcional em casos extremos. Faz a revisão mais completa. Detecta erros de lógica, tratamento de erros ausente, condições de corrida. A taxa de falso positivo é muito baixa.
• Revisor Gemini Code Assist — Gratuito e incrivelmente útil. Detecta problemas de segurança, problemas de escalabilidade que outros agentes perdem. E sugere correções específicas. É óbvio instalar.
• Revisor Claude Code — Quase inútil - tende a ser excessivamente cauteloso. Muitas sugestões do tipo "considere adicionar..." que geralmente são engenharia excessiva. Eu pulo tudo, a menos que seja marcado como crítico. Raramente encontra problemas críticos por conta própria, mas valida o que os outros revisores sinalizam.

Todos os três postam comentários diretamente no PR.

Etapa 6: Testes Automatizados

Nosso pipeline de CI executa uma grande quantidade de testes automatizados:

• Verificações de Lint e TypeScript
• Testes unitários
• Testes E2E
• Testes Playwright contra um ambiente de preview (idêntico ao de produção)

Adicionei uma nova regra na semana passada: se o PR alterar qualquer UI, ele deve incluir um screenshot na descrição do PR. Caso contrário, o CI falha. Isso reduz drasticamente o tempo de revisão — posso ver exatamente o que mudou sem precisar navegar pelo preview.

Etapa 7: Revisão Humana

Agora recebo a notificação do Telegram: "PR #341 pronto para revisão."

Neste ponto:

• CI passou
• Três revisores de IA aprovaram o código
• Screenshots mostram as mudanças na UI
• Todos os casos extremos estão documentados nos comentários de revisão

Minha revisão leva de 5 a 10 minutos. Muitos PRs eu faço merge sem ler o código — o screenshot me mostra tudo que preciso.

Etapa 8: Merge

PR é mergeado. Um cron job diário limpa worktrees órfãs e o registro JSON de tarefas.

O Ralph Loop V2

Isso é essencialmente o Ralph Loop, mas melhor.

O Ralph Loop puxa contexto da memória, gera saída, avalia resultados, salva aprendizados. Mas a maioria das implementações executa o mesmo prompt a cada ciclo. Os aprendizados destilados melhoram as recuperações futuras, mas o prompt em si permanece estático.

Nosso sistema é diferente. Quando um agente falha, Zoe não apenas o recria com o mesmo prompt. Ela analisa a falha com contexto completo de negócio e descobre como desbloqueá-lo:

• Agente ficou sem contexto? "Foque apenas nestes três arquivos."
• Agente foi na direção errada? "Pare. O cliente queria X, não Y. Aqui está o que ele disse na reunião."
• Agente precisa de esclarecimento? "Aqui está o e-mail do cliente e o que a empresa dele faz."

Zoe cuida dos agentes até a conclusão. Ela tem contexto que os agentes não têm — histórico do cliente, anotações de reuniões, o que tentamos antes, por que falhou. Ela usa esse contexto para escrever prompts melhores em cada nova tentativa.

Mas ela também não espera que eu atribua tarefas. Ela encontra trabalho proativamente:

• Manhã: Escaneia Sentry → encontra 4 novos erros → cria 4 agentes para investigar e corrigir
• Após reuniões: Escaneia anotações de reunião → sinaliza 3 pedidos de funcionalidades que clientes mencionaram → cria 3 agentes Codex
• Noite: Escaneia git log → cria Claude Code para atualizar changelog e documentação do cliente

Saio para uma caminhada após uma ligação com cliente. Volto para o Telegram: "7 PRs prontos para revisão. 3 funcionalidades, 4 correções de bugs."

Quando os agentes têm sucesso, o padrão é registrado. "Esta estrutura de prompt funciona para funcionalidades de faturamento." "Codex precisa das definições de tipo antecipadamente." "Sempre inclua os caminhos dos arquivos de teste."

Os sinais de recompensa são: CI passando, todas as três revisões de código passando, merge humano. Qualquer falha aciona o loop. Com o tempo, Zoe escreve prompts melhores porque ela se lembra do que foi enviado.

Escolhendo o Agente Certo

Nem todos os agentes de codificação são iguais. Referência rápida:

Codex é meu cavalo de batalha. Lógica de backend, bugs complexos, refatorações em vários arquivos, qualquer coisa que exija raciocínio em toda a base de código. É mais lento, mas completo. Uso para 90% das tarefas.

Claude Code é mais rápido e melhor para trabalho de frontend. Também tem menos problemas de permissão, então é ótimo para operações git. (Eu costumava usar mais para o dia a dia, mas o Codex 5.3 é simplesmente melhor e mais rápido agora)

Gemini tem um superpoder diferente — sensibilidade de design. Para UIs bonitas, peço ao Gemini para gerar uma especificação HTML/CSS primeiro, depois passo para o Claude Code implementar em nosso sistema de componentes. Gemini projeta, Claude constrói.

Zoe escolhe o agente certo para cada tarefa e roteia as saídas entre eles. Um bug no sistema de faturamento vai para Codex. Uma correção de estilo de botão vai para Claude Code. Um novo design de dashboard começa com Gemini.

Como Configurar Isso

Copie este artigo inteiro para o OpenClaw e diga: "Implemente esta configuração de enxame de agentes para minha base de código."

Ele lerá a arquitetura, criará os scripts, configurará a estrutura de diretórios e configurará o monitoramento cron. Feito em 10 minutos.

Nenhum curso para te vender.

O Gargalo Que Ninguém Espera

Aqui está o limite que estou enfrentando agora: RAM.

Cada agente precisa de sua própria worktree. Cada worktree precisa de seu próprio node_modules. Cada agente executa builds, verificações de tipo, testes. Cinco agentes executando simultaneamente significa cinco compiladores TypeScript paralelos, cinco executores de teste, cinco conjuntos de dependências carregados na memória.

Meu Mac Mini com 16GB atinge o máximo em 4-5 agentes antes de começar a fazer swap — e preciso ter sorte de que eles não tentem fazer build ao mesmo tempo.

Então comprei um Mac Studio M4 max com 128GB de RAM ($3.500) para alimentar este sistema. Chega no final de março e vou compartilhar se vale a pena.

A Próxima Etapa: A Empresa de Um Milhão de Dólares com Uma Pessoa

Vamos ver uma tonelada de empresas de um milhão de dólares com uma pessoa começando em 2026. A alavancagem é enorme para aqueles que entendem como construir agentes que se autoaprimoram recursivamente.

É assim que se parece: um orquestrador de IA como uma extensão de si mesmo (como Zoe é para mim), delegando trabalho a agentes especializados que lidam com diferentes funções de negócio. Engenharia. Suporte ao cliente. Operações. Marketing. Cada agente focado no que é bom. Você mantém foco total e controle total.

A próxima geração de empreendedores não contratará uma equipe de 10 para fazer o que uma pessoa com o sistema certo pode fazer. Eles construirão assim — permanecendo pequenos, movendo-se rápido, enviando diariamente.

Há tanto conteúdo gerado por IA de baixa qualidade agora. Tanto hype em torno de agentes e "centros de comando" sem construir nada realmente útil. Demonstrações chamativas sem benefícios no mundo real.

Estou tentando fazer o oposto: menos hype, mais documentação da construção de um negócio real. Clientes reais, receita real, commits reais que vão para produção, e perdas reais também.

O que estou construindo? Agentic PR — uma empresa de uma pessoa enfrentando os gigantes de relações públicas corporativas. Agentes que ajudam startups a obter cobertura de imprensa sem um contrato de $10.000/mês.

Se você quiser ver até onde vou com isso, acompanhe.