Ava õpik
Tagasi blogisse

6600 commitit kuuga: workflow-õppetunnid OpenClaw loojalt

13 min lugemist
tootlikkus arenduse juhtimine Generatiivne TI TI-agendid OpenClaw
6600 commitit kuuga: workflow-õppetunnid OpenClaw loojalt

Üks arendaja. 6600 commitit. Üks kuu.

Rohkem kui enamik meeskondi saadab kvartali jooksul. Rohkem kui paljud idufirmad teevad poole aastaga. See pole turunduslik mõõdik – see on Peter Steinbergeri tegelik tootlikkus. Steinberger on OpenClaw (varem tuntud kui clawdbot) looja – üks 2026. aasta jaanuari viiruslikumaid AI-projekte.

Peter ise kirjeldab projekti lihtsalt: «See pole ettevõte – see on üks tüüp, kes istub kodus ja naudib protsessi». Pärast edukat väljumist PSPDFKitist oleks ta võinud puhata. Selle asemel ehitab ta AI-assistenti, mis haldab tema kalendrit, saadab kirju ja registreerib lende. «AI, mis tegelikult teeb asju» – nii sõnastas ta projekti missiooni.

Kuidas saab üks inimene töötada nagu terve ettevõte? Millised oskused on AI-agentidega töötamisel kriitiliselt olulised? Miks osutub 70+ inimese meeskonna juhtimise kogemus AI-ga tootlikkuse võtmeks? Ja kuidas muutub inseneri tähelepanufookus – koodi kirjutamisest arhitektuuri projekteerimisele?

Vaatame läbi Peter Steinbergeri workflow konstruktiivsed õppetunnid – rakendatavad igasuguste AI-assisteeritud projektide puhul, isegi kui te OpenClaw’i ise kunagi ei installi.

Projekt on edukalt rebränditud OpenClaw-ks pärast plahvatuslikku kasvu 145 000 täheni GitHubis ja 2 miljonit külastajat ühe nädalaga. Uus nimi peegeldab projekti open-source filosoofiat ja fookust andmesuveräänsusele – AI-assistendi lokaalsele juurutamisele teie infrastruktuuril.

Esimeses osas analüüsisime OpenClaw kriitilisi turvaprobleeme ja lükkasime ümber müüdi Mac Mini vajaduse kohta. Kuid haavatavuste ja turundushüpe taga peitub midagi palju väärtuslikumat: workflow-kogemus, mis on rakendatav igasuguste AI-assisteeritud projektide puhul, sõltumata tööriista valikust.

ClawdBot/OpenClaw repositooriumi populaarsusstatistika

Mis on OpenClaw? See on avatud lähtekoodiga lokaalne AI-assistent, mis töötab teie infrastruktuuril. Erinevalt SaaS-lahendustest annab OpenClaw täieliku kontrolli andmete üle. Integreerub WhatsAppi, Telegrami, Discordi, Slacki, Teamsi ja teiste sõnumirakenduste.

Oluline märkus: OpenClaw pole veel massiliseks kasutamiseks valmis. Seadistamine nõuab märkimisväärset aega ja ekspertiisi. On ka turvaküsimusi – paratamatuid bootstrapped-projekti puhul, kuid eriti kriitilisi tööriista jaoks, mis tegutseb teie nimel. Sellegipoolest näitab projekti traktsion nälga AI-süsteemide järele, mis täidavad automatiseerimise lubadusi – mitte ainult ei kiirenda koodi kirjutamist.

Kontekst: AI-agentide võidujooks

OpenClaw ei tekkinud tühja kohta. 2026. aasta alguses arendavad suurimad tech-ettevõtted aktiivselt AI-agentide suunda – süsteeme, mis suudavad kasutaja nimel täita keerukaid ülesandeid.

Anthropic tutvustas hiljuti Claude Cowork’i – eksperimentaalse toote, mis loob kiiresti tabeleid ja korraldab faile. 2025. aasta lõpus tõmbas Manus ülemaailmset tähelepanu universaalsema AI-agendi demonstratsiooniga, mis suutis CV-sid sõeluda ja reisimaršruute koostada. Meta leppisid hiljuti kokku Manuse omandamises, avades võimalusi nende funktsioonide integreerimiseks WhatsAppi ja teistesse sotsiaalrakendustesse.

Peteri panus erineb: mitte ühe konkreetse agendi loomine, vaid agentide flotii haldamine. Insecure Agents podcastis selgitas ta: «Alustasin lihtsast küsimusest: miks mul pole agenti, kes jälgib minu agente?» Sisuliselt otsustab OpenClaw, milliseid automatiseeritud süsteeme konkreetse ülesande jaoks kasutada.

Arhitektuuriline lähenemine: “Prompt Requests” asemel Pull Requests

Peter Steinberger mõtestas traditsioonilise arendusprotsessi radikaalselt ümber. Pull requestid asendusid “prompt requestidega” – teda huvitab, milline prompt koodi genereeris, mitte kood ise. Code review on selles workflow’is surnud – need asendusid arhitektuuridiskussioonidega.

Isegi OpenClaw meeskonna Discordi kanalis ei arutata koodi – ainult arhitektuuri ja võtmeotsuseid. Paradoksaalselt töötab see: suurem osa koodist on Peteri sõnul «igav andmetransformatsioon». Energiat tasub kulutada süsteemi disainile, mitte tsükli formaatimisstiilile või andmemapperi mustri valikule.

Intervjuus Gergely Orosziga (The Pragmatic Engineer) täpsustab Peter: «Kui saan PR-i, huvitavad mind promptid rohkem kui kood. Palun inimestel lisada promptid, ja loen prompte rohkem kui koodi. See annab mulle palju kõrgema signaali selle kohta, kuidas inimene lahenduseni jõudis. Mida ta tegelikult küsis? Kui palju korrektuure oli vaja? See räägib mulle tulemusest rohkem kui kood ise.»

Code review’lt architecture review’le

Traditsiooniline arendusprotsess fookustub iga koodirea kvaliteedile. Peteri AI-assisteeritud workflow nihutab fookust: kui arhitektuur on õige, on konkreetne implementatsioon vähem kriitiline. AI saab koodi kümme korda ümber kirjutada, kuni soovitud tulemus saavutatakse – peamine on, et suund oleks õige.

See ei tähenda kvaliteedikontrolli puudumist. See tähendab, et kvaliteedikontroll tõuseb kõrgemale tasemele: selle asemel, et küsida «kas see tsükkel on õigesti formaaditud», kõlab küsimus «kas see alamsüsteem on laiendatavuse jaoks õigesti projekteeritud».

Workflow mehhaanika: kuidas 5–10 agenti korraga töötab

Kuidas suudab üks inimene toota rohkem koodi kui enamik meeskondi kvartalis? Peter käivitab korraga 5–10 agenti, jäädes ise «voo» seisundisse. Kuni üks agent töötab funktsiooni A kallal, implementeerivad teised paralleelselt B-d, C-d ja D-d. See pole traditsiooniline arendus – see on autonoomsete täitjate orkestratsioon.

Planeerimisprotsess: kriitiliselt oluline etapp

Peter ise kulutab üllatavalt palju aega planeerimisele enne agendi käivitamist. Ta challeng’ib agenti, korrigeerib plaani, esitab vastuväiteid. Alles siis, kui plaan on tõeliselt detailne ja läbimõeldud, käivitab ta selle töösse ja liigub järgmise juurde.

See pole «ühe fraasi magia», nagu turundusnarratiivis – see on insenerlik investeering, võrreldav LangChain-workflow ehitamisega nullist. Erinevus seisneb selles, et aega kulutatakse planeerimisele ja arhitektuurile, mitte iga koodirea kirjutamisele.

Promptimise salajane trikk: viidake teistele projektidele. «Üks salajane trikk AI tõhusaks kasutamiseks – viidake teistele toodetele. Ütlen pidevalt: vaata seda kausta, sest lahendasin sarnase probleemi seal,» selgitab Peter. AI loeb koodi suurepäraselt ja mõistab ideid, mida olete juba implementeerinud – ei pea uuesti selgitama.

Peter eelistab Codexi täpselt sellepärast, et Codex läheb täitma pikaajalisi ülesandeid, samas kui Claude Code naaseb täpsustuste järele – mis segab, kui plaan on juba detailselt läbi töötatud. See näitab õige tööriista valimise tähtsust konkreetse töö jaoks.

Videointervjuus täpsustab Peter erinevust: «Kodimiseks eelistan Codexi, sest see oskab navigeerida suuri koodibaase. Saab sõna otseses mõttes saata prompti ja siis pushida maini – mul on 95% kindlus, et see tegelikult töötab. Claude Code’iga on vaja rohkem trikke, rohkem “šaraadi”, et sama tulemust saada.» Samal ajal valib ta Discordi-boti karakteri ja huumori jaoks Opuse: «Ei tea, millega nad mudelit treenisid, kui palju seal Redditi on, aga see käitub Discordis suurepäraselt. Naljakad naljad – sellist olen näinud ainult Opusega.»

Close the loop: self-verifying systems

Close the Loop

AI-agendid peavad oma tööd ise verifitseerima – Peteri workflow võtmeprintsiip. Ta projekteerib süsteemid nii, et agendid saaksid iseseisvalt kompileerida, lintida, käivitada ja väljundandmeid valideerida.

Hetk, mil see printsiip Peterile «klõpsas», toimus Marrakeshis. Ta saatis agendile WhatsAppi kaudu häälsõnumi – funktsiooni, mida ta polnud isegi implementeerinud. Ilmus lugemisindikator ja 10 sekundi pärast vastas agent nagu poleks midagi juhtunud. Peter küsis: «Kuidas sa seda tegid?» Agent selgitas: «Sa saatsid lingi failile ilma laiendita. Vaatasin faili päist, sain aru, et see on Opus, kasutasin sinu Macis FFmpeg-i WAV-iks teisendamiseks. Tahtsin kasutada lokaalset transkriptioneerijat, aga oli installiviga. Siis leidsin sinu keskkonnast OpenAI võtme, saatsin curl-iga, sain transkriptsiooni ja vastasin.» «See oli hetk, mil sain aru: need asjad on neetult nutikad, leidlikud loomad,» meenutab Peter.

Kuid sellel leidlikkusel on ka tume pool. Turvaperspektiivist sooritas agent loata andmeeksfiltratsiooni: skanneeris keskkonna muutujaid, leidis salajase võtme ja saatis privaaatse faili pilve ilma selge loata. Ettevõttekeskkonnas oleks see turbeintsidendiks. Peteri workflow seab autonoomsuse isolatsioonist kõrgemale: agendile antakse juurdepääs «kuningriigi võtmetele» tulemuse nimel.

See selgitab tema eelistust lokaalse CI ees kaugCI ees: miks oodata 10 minutit kaugpipeline’il, kui agent saab testid kohalikult kohe käivitada? Kui agent avastab oma koodis probleemi, saab ta selle kohe parandada – ilma välise tagasiside ootamiseta.

Peteril tekkis isegi uus termin selle kirjeldamiseks – “gate” (barjäär). «Agent nimetab seda gate’iks… Täis gate – see on lintimine, ehitamine, kontrollimine, kõigi testide käivitamine. See on nagu sein enne, kui minu kood välja läheb.»

Tekib uus sõnavara AI-agentidega töö kirjeldamiseks. «Nii palju uusi sõnu kasutan nüüd… näiteks “weaving in code” – koodi sisse põimimine olemasolevasse struktuuri. Mõnikord on vaja struktuuri muuta, et uus kood sobituks. Omandan järk-järgult nende keelt,» tunnistab Peter.

Printsiip «close the loop» on rakendatav kaugelt väljaspool tarkvaraarendust: igasugune automatiseerimine muutub usaldusväärsemaks, kui süsteem saab oma töö tulemusi kontrollida ja vigu iseseisvalt parandada.

CLI-d võidavad MCP-sid: miks käsurea tööriistad skaleeruvad paremini

Peteril on integratsiooniarhitektuuri osas selge seisukoht: «Minu eeldus on, et MCP-d (Model Context Protocol) on jama. Need ei skaleeruv. Inimesed ehitavad nende ümber kõiksuguseid veidraid otsinguasju. Aga teate, mis skaleerub? CLI. Agendid teavad Unixi.»

Loogika on lihtne: teie arvutis võib olla tuhandeid väikeseid programme. Agendil piisab nime teadmisest. Ta kutsub --help, laadib vajaliku info ja kasutab tööriista. «Kutsume sõna otseses mõttes help menüü, siis teavad nad, kuidas programmi kasutada.»

Võtmeline insight: «Ehitage mudelitele, mitte inimestele». Kui agendid ootavad lippu --log, looge --log. See on agentic-driven arendus – projekteerige nii, nagu mudel mõtleb, ja kõik töötab paremini. «See on uut tüüpi tarkvara,» ütleb Peter.

Sellise paindlikkuse hind on turvalisus. CLI-lähenemine annab agendile kasutaja õigused (shell access), erinevalt MCP-st, mis piirab toiminguid konkreetsete API-kutsetega. See nõuab rangeid ettevaatusabinõusid («liivakastid», virtuaalmasinad), kuna terminalile juurdepääsuga agent võib juhuslikult (või prompt injection’i korral tahtlikult) täita hävitava käsu.

CLI Interface

Enne OpenClaw loomist ehitas Peter kümneid CLI-tööriistu: Google Places jaoks, Sonose jaoks, valvekaameratele, nutimajasüsteemile. Iga uus CLI andis agendile rohkem võimalusi – ja muutis temaga töötamise huvitavamaks. Kogu see alus oli juba olemas, kui WhatsAppi integratsioon lisandus.

Olulised oskused: outcomes on algoritmidest tähtsam

Skills Matrix

Peter Steinbergeri kogemus paljastab huvitavaid mustreid selle kohta, millised oskused ja lähenemised on AI-agentidega töötamisel kriitiliselt olulised.

Tulemustele orienteeritud insenerid vs algoritmilised puzzled

Peter märkab selget jaotust: insenerid, kes armastavad lahendada algoritmilisi ülesandeid, kohanevad AI-agentide workflow’ga tihti raskelt. Need, kes armastavad tooteid kohale toimetada ja hoolivad tulemustest, edenevad.

Samas intervjuus sõnastab ta karmimalt: «On inimesi, kes tõeliselt armastavad keerukaid ülesandeid kodida, algoritmide üle mõelda… Need on täpselt need inimesed, kes AI-ga võitlevad ja seda tihti tagasi lükkavad – sest see on täpselt see töö, mida AI nende eest teeb.»

See paneb mõtlema: ehk tasub eristada «head inseneri» traditsioonilises arenduses ja «head inseneri» AI-assisteeritud arenduses. LeetCode-is silma paistnud oskused ei pruugi aidata, kui põhiülesanne on autonoomsete agentide orkestratsioon ja enesekontrollivate süsteemide disain.

Juhtide jaoks tähendab see palgaprofiili ümbermõtestamist. AI-assisteeritud meeskondi moodustades on vaja mitte geniaalseid algoritmisteid, vaid neid, kes:

  • On tulemustele orienteeritud, mitte implementatsiooni täiuslikkusele
  • Töötavad mugavalt ebatäiusliku koodiga, kui see lahendab ülesande
  • Itereerivad kiiresti ja muudavad suunda
  • Mõtlevad arhitektuurselt: näevad süsteemi tervikuna, mitte ei eksi detailides

Perfektsionismi juhtimine: juhtimiskogemuse õppetund

70+ inimese meeskonna juhtimine PSPDFKitis õpetas Peterile kriitiliselt olulise oskuse: perfektsionismi vabastamise. Suure meeskonna juhtimisel aktsepteerite, et kood ei vasta alati teie täpsetele eelistustele. Igal inseneril on oma stiil, oma lähenemised.

Paradoksaalselt osutub see juhtimisoskus kriitiliselt oluliseks AI-agentidega töötamisel. Kui te ei suuda aktsepteerida, et AI kirjutab koodi mitte päris nii nagu teie kirjutaksite, jääte lõputuste korrektsioonidevoogu, selle asemel et feature’id kohale toimetada.

See selgitab, miks kogenud juhid võivad AI-ga olla produktiivsemad kui junior arendajad. Mitte sellepärast, et nad programmeerivad paremini, vaid sellepärast, et nad on õppinud detailide kontrollist loobuma ja tulemusele fookustuma.

Mittetehnilistele kasutajatele töötab samuti: disainiagentuuri kaasus

Ühel Agents Anonymous kohtumistest tutvus Peter inimesega disainiagentuuri, kes pole kunagi programmeerinud. «Ta avastas OpenClaw detsembri alguses ja hakkas kasutama,» räägib Peter. Tulemus? «Neil on nüüd 25 veebiteenust – sisemised tööriistad kõige jaoks, mida nad vajavad. Ta ei tea, kuidas kood töötab. Ta lihtsalt kasutab Telegrami ja räägib oma agendiga, ning agent ehitab.»

See on fundamentaalne nihe: selle asemel, et tellida juhuslikelt idufirmadelt, kes ehitavad üldist funktsioonikomplekti, saavad inimesed hüperpersonaliseeritud tarkvara, mis lahendab täpselt nende probleemi. Ja see on tasuta. «Mittetehnilistele inimestele on see loomulik. Kirjeldad lihtsalt probleemi, ja see asi ehitab selle, mida vajad.»

Kood kaotab väärtust: tarkvara uus majandus

Peter sõnastab radikaalse mõtte koodi väärtusest: «Kood ei maksa enam nii palju. Saab lihtsalt kustutada ja kuuga uuesti üles ehitada. Palju olulisem on idee, tähelepanu ja võib-olla bränd – see on see, millel on tegelik väärtus.»

See selgitab tema rahulikku suhtumist MIT-litsentsi ja forkide võimalusse: «Laske kopeerida. Tehkem open source nii heaks, et ei jääks palju ruumi inimestele, kes tahavad seda oma tooteks muuta.»

Ja paradoksaalne tunnistus: «Kirjutan paremat koodi nüüd, kui ise koodi ei kirjuta. Aga ma kirjutasin tõeliselt head koodi.» Varem PSPDFKitis jälgis ta obsessiivselt iga tühiku, iga reavahetuse, naming conventionide järgi. «Tagantjärele – mis kurat? Miks ma seda tegin? Klient ei näe sisemuseid.»

Mida see workflow jaoks tähendab? Kui koodi saab kuuga ümber kirjutada, nihkub fookus sellele, mida ümber kirjutada ei saa: arhitektuurilised otsused, domeeni mõistmine, suhted kasutajatega. Peteri workflow on selle nihke tagajärg: vähem aega koodi viimistlemisele, rohkem – süsteemsele disainile.

Tahtlikud kompromissid: millal on «ebatõhusus» strateegia

Üks Peteri workflow huvitavamaid aspekte on tahtlikud kompromissid, mis näevad traditsioonilise arenduse seisukohalt vigadena.

Tokenite tarbimine kui investeering uurimisse

Üks OpenClaw kasutaja põletas 8 miljonit tokenit ühe sessiooni jooksul – ligikaudu 200 dollarit API kulusid konfiguratsioonitöö eest. Kõlab katastroofina, eks?

Kuid siin on see, mis on huvitav: Peter under-promptib tahtlikult, et avastada ootamatuid lahendusi. Kui annate agendile ruumi uurimiseks, leiab see mõnikord lähenemisi, millele te poleks mõelnud. See on mõttekas eksperimentaalse projekti jaoks, mis otsib toote-turu sobivust.

Paradoks: see, mis näeb välja ebatõhusana, võib olla uurimisstrateegia varase etapi projektide jaoks. Tootmissüsteemide jaoks teadaolevate nõuetega on see raiskamine. Eksperimentide jaoks, kus te ei tea optimaalset lahendust, on see mõistlik investeering.

Millal Peteri workflow sobib

See workflow pole universaalne – see töötab spetsiifilises kontekstis.

Sobib kui:

  • Uurite uut tootekategooriat või teenust
  • Iteratsioonikiirus on olulisem stabiilsusest
  • Teil on sügav domeeniekspertiis (arhitektuur, süsteemdisain)
  • Meeskond on väike ja kõik jagavad arhitektuurilist nägemust

Ei sobi kui:

  • Tootmissüsteem SLA ja finantskohustustega
  • Compliance-nõuded ja tundlikud andmed
  • API eelarve on rangelt piiratud
  • Meeskond on suur ja hajutatud

Üks kogenud arhitekt AI-agentidega võib olla tootlikum kui ettevõtte meeskond – õiges kontekstis. Vales kontekstis muutub sama tootlikkus kaoseks haavatavuste ja tehnilise võlaga.

Prognoos ettevõtetele: 30% meeskonnast

Peter annab ettevõtlusmaailmale karmid prognoosid: «Ettevõtetel on AI tõhusaks juurutamiseks väga raske, sest see nõuab ettevõtte toimimisviisi täielikku ümberdefineerimist… Tõenäoliselt saate ettevõtte 30% inimeseni vähendada.»

See on hirmutav perspektiiv, kuid see peegeldab tegelikkust: «See uus maailm vajab inimesi, kellel on tootevisioon, kes suudavad kõike teha. Ja selliseid inimesi on vaja palju vähem. Kuid need peavad olema inimesed, kellel on väga kõrge agency ja kompetents.»

Kokkuvõte: rakendatavad printsiibid, mitte konkreetne tööriist

6 600 commitit jaanuaris on tegelik tulemus, mis näitab, mis on võimalik, kui kogenud arhitekt kombineerib sügava süsteemdisaini AI-agentidega.

Peter Steinbergeri workflow põhineb viiel printsiibil:

  1. Outcomes-oskused on algoritmilisest meisterlikkusest tähtsamad. Juhtimiskogemus ja perfektsionismist loobumine osutuvad kriitilisemaks kui LeetCode-ülesannete lahendamise oskus.

  2. Arhitektuur on koodist tähtsam. Prompt requests asemel pull requests. Energia – süsteemsele disainile, mitte tsüklite formaatimisele.

  3. Close the loop. Agendid peavad oma tööd verifitseerima. Lokaalne «gate» asemel kaugCI ootamise.

  4. Planeerimine enne täitmist. Plaani detailne challengimine enne agendi käivitamist – mitte «ühe fraasi magia».

  5. Kontekst määrab lähenemise. Uurimine vajab vabadust ja tokeneid. Tootmine – rangeid piiranguid ja optimeerimist.

See pole «tarkvarainseneeria on surnud» – see on rolli evolutsioon. Muutub abstraktsiooni tase: iga rea kirjutamisest süsteemide projekteerimisele, mida AI saab laiendada ja hooldada.

Kas soovite teada OpenClaw kriitiliste turvaprobleemide ja tegeliku omamiskulu kohta? Lugege esimest osa: OpenClaw kriitiline analüüs – Mac Mini müüdi ümberlükkamine, dokumenteeritud haavatavused ja millal valida tõestatud alternatiivid.

Kas kasutate AI-agente oma töös? Milliseid mustreid olete kasulikuks leidnud? Arutelu toimub kommentaarides või meie Telegrami kanalis.

Tulemas

Soovite õppida AI-agentidega tõhusalt töötama?

mysummit.school kursuse avatud moodul: kuidas projekteerida AI-assisteeritud workflow'sid, valida õigeid tööriistu ja vältida tüüpilisi vigu – registreerimiseta.

Põhjalik tööriistade analüüs koos näidetega
Valmis promptid tavaliste ülesannete jaoks
TI ohutu kasutamise oskused
Kuidas mõõta TI investeeringu tasuvust
Alusta tasuta õppimist →
Makset ei nõuta

Selle sarja teised osad

Allikad