Учебник Записаться
Вернуться к блогу

6600 коммитов за месяц: уроки workflow от создателя OpenClaw

14 мин чтения
AI-workflow продуктивность управление-разработкой AI для менеджеров Генеративный ИИ AI-агенты OpenClaw clawdbot
6600 коммитов за месяц: уроки workflow от создателя OpenClaw

Один разработчик. 6600 коммитов. Один месяц.

Больше, чем большинство команд отправляет за квартал. Больше, чем многие стартапы делают за полгода. Это не маркетинговая метрика – это реальная продуктивность Питера Штайнбергера, создателя OpenClaw (ранее известного как clawdbot), одного из самых вирусных AI-проектов января 2026 года.

Сам Питер описывает проект просто: «Это не компания – это один чувак, который сидит дома и кайфует от процесса». После успешного exit из PSPDFKit он мог бы отдыхать. Вместо этого – строит AI-ассистента, который управляет его календарём, отправляет письма и регистрирует на рейсы. «AI, который действительно делает дела» – так он сформулировал миссию проекта.

Как один человек может работать как целая компания? Какие навыки критически важны при работе с AI-агентами? Почему опыт управления командой из 70+ человек оказывается ключевым для продуктивности с AI? И как меняется фокус внимания инженера – от написания кода к проектированию архитектуры?

Разберём конструктивные уроки из workflow Питера Штайнбергера – применимые к любым AI-ассистированным проектам, даже если вы никогда не установите сам OpenClaw.

Проект успешно ребрендирован в OpenClaw после взрывного роста до 145 000 звёзд на GitHub и 2 миллионов посетителей за одну неделю. Новое название отражает open-source философию проекта и его фокус на data sovereignty – локальном развёртывании AI-ассистента на вашей инфраструктуре.

В первой части мы разобрали критические проблемы безопасности OpenClaw и развенчали миф о необходимости Mac Mini. Но за уязвимостями и маркетинговым хайпом скрывается нечто гораздо более ценное: опыт workflow, который применим к любым AI-ассистированным проектам, независимо от выбора инструмента.

Статистика популярности репозитория ClawdBot/OpenClaw

Что такое OpenClaw? Это локальный AI-ассистент с открытым исходным кодом, работающий на вашей инфраструктуре. В отличие от SaaS-решений, OpenClaw даёт полный контроль над данными. Интегрируется с WhatsApp, Telegram, Discord, Slack, Teams и другими мессенджерами.

Важная оговорка: OpenClaw пока не готов для массового использования. Настройка требует значительного времени и экспертизы. Есть и вопросы безопасности – неизбежные для bootstrapped-проекта, но особенно критичные для инструмента, действующего от вашего имени. Тем не менее, трекшн проекта показывает голод на AI-системы, которые выполняют обещания автоматизации – а не только ускоряют написание кода.

Контекст: гонка AI-агентов

OpenClaw появился не в вакууме. В начале 2026 года крупнейшие tech-компании активно развивают направление AI-агентов – систем, способных выполнять комплексные задачи от имени пользователя.

Anthropic недавно представил Claude Cowork – экспериментальный продукт, который быстро создаёт таблицы и наводит порядок в файлах. В конце 2025 года Manus привлёк глобальное внимание демонстрацией более универсального AI-агента, способного скринить резюме и составлять маршруты путешествий. Meta недавно согласилась приобрести Manus, открывая возможности интеграции этих функций в WhatsApp и другие социальные приложения.

Ставка Питера отличается: не на создание одного конкретного агента, а на управление флотом агентов. В подкасте Insecure Agents он объяснил: «Я начал с простого вопроса: почему у меня нет агента, который присматривает за моими агентами?» По сути, OpenClaw решает, какие автоматизированные системы использовать для конкретной задачи.

Архитектурный подход: “Prompt Requests” вместо Pull Requests

Питер Штайнбергер радикально переосмыслил традиционный процесс разработки. Pull requests заменились на “prompt requests” – его интересует, какой промпт сгенерировал код, а не сам код. Code review мертвы в этом workflow – их заменили дискуссии об архитектуре.

Даже в Discord-канале команды OpenClaw не обсуждают код – только архитектуру и ключевые решения. Парадоксально, но это работает: большая часть кода, как формулирует Питер, это “скучная трансформация данных”. Энергию стоит тратить на дизайн системы, а не на стиль форматирования или выбор паттерна для очередного data mapper.

В интервью с Gergely Orosz (The Pragmatic Engineer) Питер уточняет: «Когда я получаю PR, меня больше интересуют промпты, чем код. Я прошу людей добавлять промпты, и читаю промпты больше, чем код. Для меня это даёт гораздо более высокий сигнал о том, как человек пришёл к решению. Что он реально спрашивал? Сколько корректировок было нужно? Это говорит мне больше о результате, чем сам код».

От code review к architecture review

Традиционный процесс разработки фокусируется на качестве каждой строки кода. AI-ассистированный workflow Питера смещает фокус: если архитектура правильная, конкретная реализация менее критична. AI может переписать код десять раз, пока не получится нужный результат – главное, чтобы направление было верным.

Это не означает отсутствие контроля качества. Это означает, что контроль качества перемещается на уровень выше: вместо “правильно ли отформатирован этот цикл” вопросы звучат как “правильно ли спроектирована эта подсистема для расширяемости”.

Механика workflow: как работают 5–10 агентов одновременно

Как один человек может выдавать больше кода, чем большинство команд за квартал? Питер запускает 5–10 агентов одновременно, оставаясь в состоянии “потока”. Пока один агент работает над функцией A, другие параллельно реализуют B, C и D. Это не традиционная разработка – это оркестрация автономных исполнителей.

Процесс планирования: критически важный этап

Сам Питер тратит удивительно долгое время на планирование перед запуском агента. Он челленджит агента, корректирует план, возражает. Только когда план действительно детальный и продуманный, он запускает его в работу и переходит к следующему.

Это не “магия одной фразы”, как в маркетинговых нарративах – это инженерные инвестиции, сопоставимые с построением LangChain-workflow с нуля. Разница в том, что время тратится на планирование и архитектуру, а не на написание каждой строки кода.

Секретный хак промптинга: ссылайтесь на другие проекты. «Один из секретных хаков эффективного использования AI – ссылаться на другие продукты. Я постоянно говорю ему: посмотри в эту папку, потому что я решил похожую проблему там», – объясняет Питер. AI отлично читает код и понимает идеи, которые вы уже реализовали – не нужно объяснять заново.

Питер предпочитает использовать Codex именно потому, что Codex уходит выполнять долгосрочные задачи, а Claude Code возвращается за уточнениями – что отвлекает, когда план уже детально проработан. Это показывает важность выбора правильного инструмента для конкретной фазы работы.

В видео-интервью Питер уточняет разницу: «Для кодинга я предпочитаю Codex, потому что он умеет навигировать большие кодовые базы. Можно буквально отправить промпт и потом пушить в main – у меня 95% уверенности, что это реально работает. С Claude Code нужно больше трюков, больше “шарады”, чтобы получить тот же результат». При этом для характера и юмора в Discord-боте он выбирает Opus: «Не знаю, на чём они тренировали модель, сколько там Reddit, но она ведёт себя отлично в Discord. Шутки, которые реально смешные – я такое видел только с Opus».

Close the loop: self-verifying systems

Close the Loop

AI-агенты должны верифицировать свою собственную работу – ключевой принцип workflow Питера. Он проектирует системы так, чтобы агенты могли компилировать, линтить, выполнять и валидировать выходные данные самостоятельно.

Момент, когда этот принцип «щёлкнул» для Питера, произошёл в Марракеше. Он отправил агенту голосовое сообщение через WhatsApp – функцию, которую даже не реализовывал. Появился индикатор чтения, и через 10 секунд агент ответил как ни в чём не бывало. Питер спросил: «Как ты это сделал?» Агент объяснил: «Ты прислал ссылку на файл без расширения. Я посмотрел заголовок файла, понял, что это Opus, использовал FFmpeg на твоём Mac для конвертации в WAV. Хотел использовать локальный транскрайбер, но была ошибка установки. Тогда я нашёл ключ OpenAI в твоём окружении, отправил через curl, получил транскрипцию и ответил». «Это был момент, когда я понял: эти штуки – чертовски умные, находчивые звери», – вспоминает Питер.

Но у этой находчивости есть и тёмная сторона. С точки зрения безопасности, агент совершил неавторизованную эксфильтрацию данных: просканировал переменные окружения, нашёл секретный ключ и отправил приватный файл в облако без явного разрешения. В корпоративной среде это инцидент безопасности. Workflow Питера ставит автономность выше изоляции: агенту даётся доступ к “ключам от королевства” ради результата.

Это объясняет его предпочтение локального CI против удалённого: зачем ждать 10 минут на remote pipeline, если агент может запустить тесты локально прямо сейчас? Когда агент обнаруживает проблему в своём коде, он может немедленно её исправить – без waiting на external feedback.

У Питера появился даже новый термин для этого – “gate” (барьер). «Агент называет это gate… Full gate – это линтинг, билд, проверка, запуск всех тестов. Это как стена перед тем, как мой код выходит наружу».

Появляется новый словарь для описания работы с AI-агентами. «Столько новых слов я использую теперь… например, “weaving in code” – вплетание кода в существующую структуру. Иногда нужно изменить структуру, чтобы новый код подошёл. Я постепенно перенимаю их язык», – признаёт Питер.

Принцип “close the loop” применим далеко за пределами разработки софта: любая автоматизация становится надёжнее, когда система может проверить результаты своей работы и самостоятельно исправить ошибки.

CLIs побеждают MCPs: почему командная строка масштабируется лучше

У Питера есть чёткая позиция по архитектуре интеграций: «Моя предпосылка – MCPs (Model Context Protocol) – это ерунда. Они не масштабируются. Люди строят вокруг них всякие странные поисковые штуки. А знаете, что масштабируется? CLI. Агенты знают Unix».

Логика проста: на вашем компьютере могут быть тысячи маленьких программ. Агенту достаточно знать имя. Он вызывает --help, загружает нужную информацию и использует инструмент. «Мы буквально вызываем help menu, потом они знают, как использовать программу».

Ключевой инсайт: «Стройте для моделей, а не для людей». Если агенты ожидают флаг --log, создавайте --log. Это agentic-driven разработка – проектируйте так, как думает модель, и всё работает лучше. «Это новый вид софта», – говорит Питер.

Цена такой гибкости – безопасность. CLI-подход даёт агенту права пользователя (shell access), в отличие от MCP, ограничивающего действия конкретными API-вызовами. Это требует жестких мер предосторожности (“песочницы”, виртуалки), так как агент с доступом к терминалу может случайно (или намеренно при prompt injection) выполнить деструктивную команду.

CLI Interface

Перед созданием OpenClaw Питер построил десятки CLI-инструментов: для Google Places, для Sonos, для камер наблюдения, для системы умного дома. Каждый новый CLI давал агенту больше возможностей – и делал работу с ним интереснее. Весь этот фундамент уже существовал, когда появилась интеграция с WhatsApp.

Навыки, которые имеют значение: outcomes важнее algorithms

Skills Matrix

Опыт Питера Штайнбергера выявляет любопытные паттерны того, какие навыки и подходы критически важны при работе с AI-агентами.

Инженеры, ориентированные на результаты против алгоритмических головоломок

Питер замечает чёткое разделение: инженеры, которые любят решать алгоритмические задачи, часто с трудом адаптируются к workflow с AI-агентами. Те, кто любит доставлять продукты и заботится о результатах, преуспевают.

В том же интервью он формулирует жёстче: «Есть люди, которые реально любят кодить сложные задачи, думать об алгоритмах… Это именно те люди, которые борются с AI и часто его отвергают – потому что это именно та работа, которую AI делает за них».

Это заставляет задуматься: возможно, стоит различать “хорошего инженера” в традиционной разработке и “хорошего инженера” в AI-ассистированной разработке. Навыки, которые делали вас звездой в LeetCode, могут не помочь, когда основная задача – оркестрация автономных агентов и дизайн самопроверяемых систем.

Для менеджеров это означает переосмысление профиля найма. При формировании AI-ассистированных команд нужны не гениальные алгоритмисты, а те, кто:

  • Ориентирован на результат, а не на совершенство реализации
  • Комфортно работает с несовершенным кодом, если он решает задачу
  • Быстро итерирует и меняет направление
  • Мыслит архитектурно: видит систему целиком, а не теряется в деталях

Управление перфекционизмом: урок из management-опыта

Управление командой из 70+ человек в PSPDFKit научило Питера критически важному навыку: отпускать перфекционизм. Когда вы руководите большой командой, вы принимаете, что код не всегда будет соответствовать вашим точным предпочтениям. Каждый инженер имеет свой стиль, свои подходы.

Парадоксально, но этот управленческий навык оказывается критически важным для работы с AI-агентами. Если вы не можете принять, что AI напишет код не совсем так, как вы бы написали, вы застрянете в бесконечных корректировках вместо доставки фич.

Это объясняет, почему опытные менеджеры могут быть более продуктивными с AI, чем junior разработчики. Не потому, что они лучше программируют, а потому, что они научились отпускать контроль над деталями и фокусироваться на результате.

Нетехнические пользователи тоже могут: кейс дизайн-агентства

На одной из встреч Agents Anonymous Питер познакомился с человеком из дизайн-агентства, который никогда не программировал. «Он открыл для себя OpenClaw в начале декабря и начал использовать», – рассказывает Питер. Результат? «У них теперь 25 веб-сервисов – внутренние инструменты для всего, что им нужно. Он понятия не имеет, как работает код. Он просто использует Telegram и разговаривает со своим агентом, а агент строит».

Это фундаментальный сдвиг: вместо подписки на случайные стартапы, которые строят общий набор функций, люди получают гиперперсонализированный софт, который решает именно их проблему. И это бесплатно. «Нетехнические люди делают это, потому что это естественно. Ты просто описываешь проблему, и эта штука строит то, что тебе нужно».

Код обесценивается: новая экономика software

Питер формулирует радикальную мысль о ценности кода: «Код больше не стоит так много. Можно просто удалить его и построить заново за месяц. Гораздо важнее идея, внимание и, возможно, бренд – вот что имеет реальную ценность».

Это объясняет его спокойное отношение к MIT-лицензии и возможности форков: «Пусть копируют. Давайте сделаем open source настолько хорошим, чтобы не было много пространства для людей, которые хотят конвертировать его в свой собственный продукт».

И парадоксальное признание: «Я пишу лучший код сейчас, когда сам не пишу код. А я писал реально хороший код». Раньше в PSPDFKit он одержимо следил за каждым пробелом, каждым переносом строки, naming conventions. «В ретроспективе – какого чёрта? Зачем я это делал? Клиент не видит внутренности».

Что это значит для workflow? Если код можно переписать за месяц, фокус смещается на то, что переписать нельзя: архитектурные решения, понимание домена, отношения с пользователями. Workflow Питера – следствие этого сдвига: меньше времени на полировку кода, больше – на системный дизайн.

Интенциональные трейдоффы: когда “неэффективность” – стратегия

Один из самых интересных аспектов workflow Питера – намеренные компромиссы, которые выглядят как ошибки с точки зрения традиционной разработки.

Потребление токенов как инвестиция в исследование

Пользователь OpenClaw сжёг 8 миллионов токенов за одну сессию – примерно 200 долларов затрат на API для задачи конфигурации. Звучит как катастрофа, правда?

Но вот что интересно: Питер под-промптует интенционально, чтобы обнаруживать неожиданные решения. Когда вы даёте агенту пространство для исследования, он иногда находит подходы, о которых вы бы не подумали. Это имеет смысл для экспериментального проекта, ищущего соответствие продукта рынку.

Парадокс: то, что выглядит как неэффективность, может быть стратегией исследования для проектов на ранней стадии. Для production-систем с известными требованиями это расточительство. Для экспериментов, где вы не знаете оптимального решения, это разумная инвестиция.

Когда применим workflow Питера

Этот workflow не универсален – он работает в специфическом контексте.

Применимо когда:

  • Вы исследуете новую категорию продуктов или услуг
  • Скорость итераций критичнее стабильности
  • У вас есть глубокая экспертиза в домене (архитектура, системный дизайн)
  • Команда небольшая и все разделяют архитектурное видение

Неприменимо когда:

  • Production-система с SLA и финансовыми обязательствами
  • Compliance-требования и чувствительные данные
  • Бюджет на API строго ограничен
  • Команда большая и распределённая

Один опытный архитектор с AI-агентами может быть продуктивнее корпоративной команды – в правильном контексте. В неправильном контексте та же самая продуктивность превратится в хаос с уязвимостями и техническим долгом.

Прогноз для компаний: 30% команды

Питер даёт жёсткий прогноз для корпоративного мира: «Компаниям будет очень сложно эффективно внедрить AI, потому что это требует полностью переопределить, как работает компания… Вы, вероятно, можете сократить компанию до 30% людей».

Это пугающая перспектива, но она отражает реальность: «Этот новый мир требует людей с продуктовым видением, способных делать всё. И нужно гораздо меньше таких людей. Но это должны быть люди с очень высоким agency и компетенцией».

Заключение: применимые принципы, а не конкретный инструмент

6 600 коммитов за январь – это реальный результат, показывающий, что возможно, когда опытный архитектор комбинирует глубокий системный дизайн с AI-агентами.

Workflow Питера Штайнбергера строится на пяти принципах:

  1. Навыки outcomes важнее алгоритмического мастерства. Management-опыт и умение отпускать перфекционизм оказываются критичнее, чем умение решать LeetCode-задачи.

  2. Архитектура важнее кода. Prompt requests вместо pull requests. Энергию – на системный дизайн, а не на форматирование циклов.

  3. Close the loop. Агенты должны верифицировать свою работу. Локальный “gate” вместо ожидания remote CI.

  4. Планирование перед исполнением. Детальное челленджирование плана до запуска агента – не “магия одной фразы”.

  5. Контекст определяет подход. Exploration требует свободы и токенов. Production – жёстких ограничений и оптимизации.

Это не “software engineering is dead” – это эволюция роли. Меняется уровень абстракции: от написания каждой строки к проектированию систем, которые AI может расширять и поддерживать.

Хотите узнать о критических проблемах безопасности и реальной стоимости владения OpenClaw? Читайте первую часть: критический анализ OpenClaw – развенчание мифа о Mac Mini, документированные уязвимости и когда стоит выбрать проверенные альтернативы.

Применяете AI-агенты в работе? Какие паттерны нашли полезными? Обсудить можно в комментариях или в нашем Telegram-канале.

Бесплатный модуль

Хотите научиться эффективно работать с AI-агентами?

Открытый модуль курса mysummit.school: как проектировать AI-ассистированные workflow, выбирать правильные инструменты и избегать типичных ошибок – без регистрации.

Детальный разбор инструментов с примерами
Готовые промпты для типовых задач
Навыки безопасного использования AI
Понимание, как измерять ROI
Начать обучение бесплатно →
Без платёжных данных

Другие части серии

Источники