Coding-Agents in der Praxis

Unsere Position. Deterministische Operationen legen wir in Scripts, damit der Agent sie nicht improvisiert.

Wie arbeiten Praktiker:innen im Alltag mit Coding-Agents?

Das Bild “Robots versus Iron Men” trennt autonome Agents von Tools, die Menschen verstärken. Es folgert, dass Verstärkung die Autonomie schlägt, weil die Feedback-Schleifen eng bleiben. Tools für Zusammenarbeit sind noch auf eine Person ausgelegt, also kollidieren parallele Bots, und Merges werden hässlich. Von drei Strategien für Kontext (Fine-Tuning, größere Kontextfenster, RAG) wirkte damals nur RAG vielversprechend. Die besten Teams optimieren die Zufriedenheit ihrer Entwickler:innen statt der reinen Produktivität. Dafür geben sie lästige Routinearbeit wie Tests und Docs an die KI ab (How Engineering Teams use AI (öffnet in einem neuen Tab), März 2025). Mit Agents vervielfacht sich, was einzelne Engineers schaffen. 37signals berichtet von einem Engineer, der mit Agents den P1-Request-Floor von 4ms auf unter 0,5ms senkte, in 12 PRs mit rund 2.500 Zeilen (The Pragmatic Engineer - The impact of AI on software engineers in 2026 (öffnet in einem neuen Tab)).

Die Workflows einzelner Praktiker:innen zeigen, wie weit Delegation gehen kann. Ein dokumentierter Workflow erzeugt PRDs mit dem Taskmaster MCP und legt sie als GitHub Issues ab. Er bindet MCPs für Memory und Dokumentation in den Agent ein. So schrumpft rund eine Woche Arbeit auf wenige Stunden, und der Mensch arbeitet nur noch als Code-Reviewer. Am Ende steht ein Prompt “we’re done”, der Branch, PR, Review durch mehrere Agents und Merge auslöst (DevOps Toolkit - My Workflow With AI: How I Code, Test, and Deploy Faster Than Ever (öffnet in einem neuen Tab)). Intercom macht aus derselben Entwicklung ein festes Flywheel: Gebt Agents Probleme, keine Aufgaben. Automatisiert eure Arbeit, macht daraus einen geteilten Skill und optimiert dann die Umgebung für Agents. Archivierte Session-Transkripte und Telemetrie über Skill-Aufrufe speisen die Schleife (Intercom talk - Doubling engineering throughput (öffnet in einem neuen Tab)).

Ein SaaS, solo in 15 Tagen gebaut, ist das warnende Gegenstück. KI-Agents erzeugen Code neu, ohne den Zusammenhang zu wahren, und vergessen, warum Entscheidungen fielen. Das zeigte sich als still umgangene Row-Level Security, doppelt verschlüsselte OAuth-Tokens und still zurückgesetzte Umgebungsvariablen. Außerdem zeigte eine Produktions-App auf die Dev-Datenbank. Bewährt hat sich, zuerst die gesamte UI zu bauen, um den Drift zu stabilisieren. Modelle verstehen nämlich Englisch und UI-Flows besser als Backend-Architektur. Ebenso bewährt hat sich sokratische Prüfung: Das Modell muss begründen statt produzieren. Dokumentation diente als Versicherung für den Notfall statt als Hygiene. All das wirkte gegen die Neigung des Modells, allem zuzustimmen und fast nie “I don’t know” zu sagen (Sentient Notes – What Vibecoding a Real SaaS Taught Me About AI (öffnet in einem neuen Tab), Dezember 2025). Für das Wissen rund um die Arbeit bleibt PARA das Standardsystem für Einzelne: Projects, Areas, Resources und Archives. Es sortiert nach Umsetzbarkeit statt nach Thema. Sein Grundsatz lautet, dass ein System euch Zeit geben muss, nicht Zeit nehmen (Forte Labs - The PARA Method (öffnet in einem neuen Tab)).

Ein Engineer am Coding-Agent Amp übergibt dem Agent laut seiner Arbeitsliste den ganzen Delivery-Zyklus (How I work with Agents (öffnet in einem neuen Tab), Oktober 2026). Der Agent führt das Gebaute von Anfang bis Ende aus, liest Produktionslogs und beobachtet den Rollout. Er schaltet Feature Flags und sortiert Bug Reports. Der Grund: Was ein Agent nicht sieht, erfindet er. Statt im Gespräch eine Idee nach der anderen zu probieren, baut der Agent Mittel zum Vergleich. Ein Beispiel sind zwanzig Varianten plus eine kleine Seite, um sie zu kombinieren und zu testen. Ein anderes sind vier Theorien, warum etwas langsam ist, und jede davon wird geprüft. Die Liste verlangt Belege, die die Person nicht bestreiten kann, etwa End-to-End-Walkthroughs, Demo-Videos und Vorher-nachher-Zahlen. Eine Zeile in AGENTS.md sagt Agents, was nicht als Beleg zählt. Wissensdateien durchlaufen denselben Test: Agents, die den Zweck des Vergleichs nicht kennen, laufen mit und ohne Datei, als Kontroll- und Testgruppe. So zeigt sich, ob Agents die Datei überhaupt nutzen.

Dieselbe Liste holt die Aufmerksamkeit der Person aus dem Gespräch. Agents bekommen größere Aufgaben, die asynchron laufen. Geplante Check-ins lassen den Agent auf die Person warten statt umgekehrt, etwa ein Blick in die Logs zwei Stunden nach einem Release. Die Größe des Kontexts überlässt die Liste der automatischen Compaction, mit einem Thread pro Aufgabe. Das Review beschränkt sich auf Code mit großem Blast Radius: weniger als fünf zentrale Dateien plus Datenbankmigrationen. Namen und Duplikate prüft es nicht mehr (How I work with Agents (öffnet in einem neuen Tab), Oktober 2026). Die Liste gibt die Erfahrung eines einzelnen Praktikers wieder, ohne Messung. Sie behauptet, angesammelter Agent-Output mache eine Codebasis nicht mehr unwartbar. Dem steht der Drift entgegen, den der 15-Tage-SaaS-Build oben im Dezember 2025 festhielt.

Was hält der Musterkatalog der Community fest?

Augmented Coding Patterns ist ein Katalog der Community, der Erfahrung aus der Praxis in drei Arten von Einträgen sortiert. Stand Oktober 2026 enthält er 15 Obstacles, 13 Anti-Patterns und 63 Patterns unter CC BY 4.0 (Augmented Coding Patterns (öffnet in einem neuen Tab)). Ein Obstacle ist eine Grenze des Modells, die kein Prompting beseitigt. Ein Anti-Pattern ist ein Fehler, den die Person macht. Ein Pattern ist eine Praxis, die auf eines davon oder auf beide antwortet. Typisierte Links verbinden die Einträge (solves, uses, enables, extends, similar, alternative, causes). Wer bei einem Symptom beginnt, landet so bei den Praktiken, die es angehen. Die Einträge sind Erfahrungsberichte aus der Praxis, die meisten davon ohne Messung. Lest ein Pattern als Praxis zum Ausprobieren und holt jede Zahl aus einer Primärquelle.

Wie macht ihr den Plan zum eigentlichen Asset?

Eine Gruppe von Einträgen sieht im Plan das Asset und im Code etwas Wegwerfbares.

Knowledge checkpoint

Pattern.

Kontext. Die Implementierung einer geplanten Änderung beginnt gleich.

Problem. Ohne gespeicherten Plan kostet ein gescheiterter Versuch eine zweite Planungsrunde.

Deshalb. Schreibt den Plan vor der Implementierung in eine Datei und committet ihn. Dann kostet ein gescheiterter Versuch nur einen Reset (Augmented Coding Patterns - Knowledge Checkpoint (öffnet in einem neuen Tab)).

Achtet auf. Einen Agent, der unbedingt mit der Implementierung loslegen will. Unterbrecht ihn und lasst ihn zuerst den Plan in einer Datei sichern.

Verwandt. Sunk cost, Happy to delete, Parallel implementations.

Sunk cost

Anti-Pattern.

Kontext. Ein Versuch ist gescheitert, und die Person lässt den Agent ihn immer weiter flicken.

Problem. Der Katalog setzt den Punkt abnehmenden Ertrags bei der dritten oder vierten Iteration an. Danach bringt jeder Fix neue Fehler (Augmented Coding Patterns - Sunk Cost (öffnet in einem neuen Tab)).

Ausweg. Verwerft den Versuch und startet mit einem schärferen Prompt neu. Oder zerlegt das Problem in Teile, die klein genug für den Agent sind.

Achtet auf. Zeitdruck. Er verstärkt den Drang, noch einen Fix zu verlangen.

Verwandt. Knowledge checkpoint, Happy to delete, Answer injection.

Happy to delete

Pattern.

Kontext. Ein Versuch hat die Anforderung verfehlt, und sein Code lässt sich billig neu erzeugen.

Problem. Menschen behandeln diesen Code, als hätte er Stunden gekostet. Sie flicken eine fehlerhafte Implementierung, statt neu anzufangen.

Deshalb. Committet, bevor der Agent etwas ändert, und setzt einen gescheiterten Versuch zurück. Versucht es dann erneut mit dem, was der Fehlschlag über den Prompt gezeigt hat (Augmented Coding Patterns - Happy to Delete (öffnet in einem neuen Tab)).

Achtet auf. Einen vage formulierten Revert. Ohne ausdrückliche Instruktion zu git reset neigt der Agent dazu, den Originalcode aus dem Gedächtnis neu zu schreiben.

Verwandt. Sunk cost, Knowledge checkpoint, Parallel implementations.

Parallel implementations

Pattern.

Kontext. Der Weg zu einer Änderung ist unklar.

Problem. Der Output des Agents ist nicht deterministisch, also ist der erste Versuch oft nicht der gewünschte. Wiederholungen nacheinander kosten eure Zeit.

Deshalb. Lasst drei bis fünf Versuche parallel vom selben Checkpoint laufen. Behaltet dann den besten oder kombiniert Teile aus mehreren (Augmented Coding Patterns - Parallel Implementations (öffnet in einem neuen Tab)).

Achtet auf. Ihr tauscht Token gegen eure Zeit. Jeder Versuch braucht ein eigenes Arbeitsverzeichnis, etwa einen Git-Worktree.

Verwandt. Knowledge checkpoint, Happy to delete.

Wie prägt die Frage die Antwort des Agents?

Eine zweite Gruppe behandelt, wie die Frage die Antwort prägt.

Answer injection

Anti-Pattern.

Kontext. Eine Person stellt dem Agent eine Frage oder gibt ihm eine Aufgabe.

Problem. Nennt eine Frage schon eine Lösung, beschränkt sie den Agent auf diese Lösung. Eine feste Anzahl (“give me three questions”) lässt ihn Punkte erfinden oder echte weglassen.

Ausweg. Nennt das Ziel und lasst die Methode weg (Augmented Coding Patterns - Answer Injection (öffnet in einem neuen Tab)).

Achtet auf. Antworten, die eure Idee bestätigen, statt Alternativen zu erkunden. Die fragende Person sieht die Verengung nicht.

Verwandt. Silent misalignment, Sunk cost.

Silent misalignment

Anti-Pattern.

Kontext. Der Agent arbeitet aus seiner eigenen Sicht auf den Code.

Problem. Er befolgt weiter Instruktionen, die in dieser Sicht keinen Sinn ergeben. Jede Änderung baut auf der falschen Lesart auf.

Ausweg. Lasst den Agent zeigen, was er sieht. Im Beispiel des Katalogs sollte der Agent die besprochenen Layout-Blöcke einfärben, und die Farben landeten auf den falschen Blöcken. Grundregeln, nach denen der Agent unverständliche Instruktionen melden darf, machen die Lücke früher sichtbar (Augmented Coding Patterns - Silent Misalignment (öffnet in einem neuen Tab)).

Achtet auf. Selbstsichere Zustimmung, auf die Änderungen folgen, die nicht funktionieren. Der Agent sagt “Sure thing” und rät weiter.

Verwandt. Answer injection.

Offload deterministic

Pattern.

Kontext. Eine Aufgabe braucht Zählen, Parsen oder eine andere exakte Operation, die sich wiederholt.

Problem. Der Agent ist nicht deterministisch. Führt er die Operation jedes Mal selbst aus, kann er sie jedes Mal falsch machen.

Deshalb. Der Agent schreibt einmal ein Script, und danach läuft jedes Mal dieses Script (Augmented Coding Patterns - Offload Deterministic (öffnet in einem neuen Tab)).

Achtet auf. Ein ungetestetes Script. Testet es und passt es an, bis es tut, was ihr wollt, bevor ihr euch darauf verlasst.

Verwandt. Knowledge checkpoint, Parallel implementations.

Verwandte Seiten

• Effektive Praktiken für Einsteiger:innen: die Gewohnheiten, die vor diesen Abläufen kommen.
• Disciplined Compounding Loop: ein fester Zyklus, der jede Lektion zurück ins Repository schreibt.
• Der Agent Loop: wie die Schleife um das Modell seine Zuverlässigkeit erzeugt.
• Prompt Engineering: wie ihr eine Anfrage so aufbaut, dass der Agent nicht raten muss.
• Wo KI-Produktivität entsteht und verloren geht: wo sich schnellere Einzelarbeit nicht mehr auszahlt.

Quellen

Pattern-Kataloge

• Augmented Coding Patterns (öffnet in einem neuen Tab) - Katalog der Community mit 15 Obstacles, 13 Anti-Patterns und 63 Patterns für die Arbeit mit Coding-Agents, verbunden durch typisierte Beziehungen, CC BY 4.0.

Berichte aus der Praxis

• How I work with Agents (öffnet in einem neuen Tab) - Liste eines Praktikers vom Oktober 2026, wie er Coding-Agents den ganzen Delivery-Zyklus übergibt, von der Forderung nach Belegen bis zum Review nach Blast Radius.