Coding Agents in Kundenprojekten: Methode, Projektwissen und Grenzen.
In fast dreißig Jahren Softwareentwicklung habe ich viele Frameworks und Technologien kommen und gehen sehen. Fast alle versprachen, die Arbeit produktiver zu machen, nur wenige hielten dieses Versprechen. Bei Coding Agents, den KI-Werkzeugen, die Code nach Vorgabe des Entwicklers schreiben und ändern, verändert sich trotz ihrer Schwächen etwas. Ich nutze insbesondere Claude Code und Codex nicht bloß für Fragen im Chat, sondern nach einer Methode, die von schriftlichen Spezifikationen ausgeht (spec-driven), und mit einer Wissensbasis, die ich für jedes Projekt aufbaue.
Für alle, die mir ein Projekt anvertrauen, ändert sich an der Zusammenarbeit nichts: Spezifikationen, Prüfungen und Verantwortung bleiben dieselben. Was sich ändert, wo der Kontext es erlaubt, ist die Geschwindigkeit, mit der aus der Spezifikation Code wird.
In jedem Kundenprojekt, das es zulässtAb 2025 für Entwicklung, Migration und Wartung.
Die Verantwortung bleibt bei mirDer Agent beschleunigt die Ausführung; Analyse, Architektur und Überprüfung bleiben meine Aufgabe.
Die Methode: Spezifikationen vor dem Code
01
Spezifikation
Anforderungen, Einschränkungen und Akzeptanzkriterien, schriftlich festgehalten vor dem Code, basierend auf der Dokumentation oder Beschreibung des Kunden.
02
Plan
Wie es aufgebaut wird: beteiligte Teile, Ablauf, Risiken. Spezifikation und Plan werden überprüft, bevor ein Code geschrieben wird.
03
Entwicklung
Ich wechsle zwischen Claude Code und Codex in den verschiedenen Phasen, gemäß dem genehmigten Plan.
04
Tests
Zuerst automatisiert, dann interaktiv. Bei Bedarf wird das Problem oder Feature zu einem wiederholbaren Test.
05
Überprüfung
Ich prüfe, ob der Code der Spezifikation entspricht, und aktualisiere die Dokumentation: erledigte Arbeit, Roadmap, Entscheidungen, Stolpersteine.
In diesem Ablauf übernimmt der Agent drei verschiedene Rollen: Er führt die Aufgaben aus, die ich ihm zuweise, bespricht mit mir Spezifikation und Plan wie beim Pair Programming und sucht während der Entwicklung nach Informationen. Die beiden letzten sind die nützlichsten und die heikelsten: Ich beschreibe sie bei den Grenzen.
Das Projektgerüst
Mit Projektgerüst meine ich die Anweisungen, das Fachwissen und die Abläufe, auf die der Agent bei jeder Anfrage zurückgreift. Für jedes Projekt baue ich es schrittweise auf. Dazu gehören Dokumente mit Fachregeln, Verfahren und Informationen, die für die Qualität entscheidend sind.
Das ist eine Antwort auf etwas, das ich in den letzten Jahren oft erlebt habe: Projekte ohne jede Dokumentation. Mit einem Agenten wird es besonders wichtig, Entscheidungen, Nutzeranfragen und Stolpersteine festzuhalten. So lässt sich später nachvollziehen, warum etwas auf eine bestimmte Weise umgesetzt wurde.
Dieses Gerüst braucht Pflege. Die Informationen wachsen, und der Agent muss weiterhin die passenden Stellen finden. Deshalb muss das Projektgerüst wie Code gepflegt und verbessert werden. Es ist auch immer auf das jeweilige Projekt zugeschnitten.
Am meisten lohnt es sich in komplexen Projekten, deren Abläufe über Webanwendungen, APIs und externe Dienste wie ein CRM führen, oft verteilt auf mehrere Repositorys. Ohne festgehaltenes Fachwissen sieht der Agent in der IDE jeweils nur einen Ausschnitt und muss den gesamten Ablauf bei jeder Frage neu erschließen. Mit dem Projektgerüst kann er ihm über die Systemgrenzen hinweg folgen.
Eine wirksame Harness muss auch Fehler sichtbar machen: Aktionsgrenzen und unabhängige Prüfungen helfen, falsche Änderungen vor der Übernahme ins Produkt zu stoppen.
Ich lege Technologien und Richtlinien fest, richte das Projektgerüst ein und entwickle Funktionen nach dem spezifikationsbasierten Ablauf. Ausgangspunkt sind die Dokumentation oder die Beschreibung des Kunden. Wenn es sinnvoll ist, teile ich die Arbeit in mehrere parallele Stränge auf.
Das Projektgerüst laufend an die Entwicklung des Projekts anpassen.
02
Migration
Ich beginne mit dem vorhandenen Material, oft dem Code selbst, und lege eine schrittweise Migrationsroadmap fest, wobei ich die beste Abfolge wähle. Ich wechsle zwischen den vom Agenten durchgeführten Tests und manuellen Überprüfungen der laufenden Arbeit ab.
Bei Systemen, in denen jede Prüfung die vollständige Anwendung, eine gemeinsam genutzte Datenbank oder manuelle Konfigurationen benötigt, bereite ich zunächst eine Umgebung und wiederholbare Prüfungen vor. Der Aufwand, Änderungen überprüfbar zu machen, gehört zur Einführung des Agenten.
Etwas Laufendes und Testbares so früh wie möglich haben, wenn auch minimal. Das Risiko besteht darin, wochenlang konzentriert zu arbeiten und beim ersten Start nicht zu verstehen, warum es nicht funktioniert: besser ist es, klein anzufangen, zu überprüfen, dass es läuft, und Funktionen schrittweise hinzuzufügen.
03
Wartung
Ich analysiere den Code und die verwendeten Muster. Das ist besonders hilfreich, wenn ihre Einhaltung im Review geprüft wird. Das Fachwissen der Beteiligten und Produktexperten überführe ich in das Projektgerüst. So kann ich mich schneller einarbeiten und eigenständig beitragen.
Der kritische Punkt
Immer einen kritischen Blick bewahren: Was der Agent vorschlägt, muss gegen das, was über das Projekt bekannt ist, abgewogen werden.
04
Verteilte Systeme
Bei Projekten mit mehreren Repositorys oder Produkten analysiere ich die Abläufe zwischen den Systemen. Das hilft bei der Suche nach verteilten Fehlern und bei der Einschätzung, welche Folgen neue Funktionen haben. Diese Arbeit gehört meist zur Wartung: Ich komme oft hinzu, wenn das System bereits produktiv und etabliert ist.
Der kritische Punkt
Die Flüsse zwischen Systemen explizit machen, die kein einzelnes Repository vollständig zeigt.
05
Datenanalyse
Mit direktem Datenzugriff ermöglicht der Agent eine vertiefte, interaktive Analyse und kann Werkzeuge und Algorithmen vorschlagen. Das Projektgerüst hält frühere Analysen, Ergebnisse und Entscheidungen fest. So bleiben der Datenfluss und die Gründe für jede Entscheidung nachvollziehbar.
Der kritische Punkt
Ich arbeite an Testumgebungen oder anonymisierten Daten, nicht an Produktionsdaten.
Grenzen und Bedingungen
Bloßes Bestätigen reicht nicht
Aus meiner Erfahrung kommt man nicht weit, wenn man einfach akzeptiert, was der Agent vorschlägt. Sie müssen sich in das Thema und den Problembereich einarbeiten.
Das hängt von der Technologie ab
Der Agent schließt auf das durchschnittliche Wissen, das während des Trainings gesammelt wurde: Er ist auf weit verbreitete Technologien und aktuelle Methoden sehr effektiv, auf veraltete oder nicht standardisierte Kontexte weniger zuverlässig. Ein weiterer Grund, aktuelle Lösungen immer dann vorzuziehen, wenn es möglich ist.
Wir sind diejenigen, die sich anpassen
Zunächst scheint es, neue Fronten schnell zu eröffnen. Später müssen Sie jedoch seine Vokabeln lernen, in seine Welt eintreten und seine Methoden lernen: Wir passen uns mehr an, als es sich an uns anpasst. Bei Themen fernab der eigenen Erfahrung argumentiert der Agent wie ein Experte und führt Schritt für Schritt zu technischen Bewertungen, für die man sich erst in das Thema einarbeiten muss.
Gleiche Wörter, andere Bedeutungen
Der Agent gibt Fachbegriffen die Bedeutung, die er aus den Texten seines Trainings ableitet, und die stimmt nicht immer mit der des Kunden, den Regeln des Unternehmens oder meiner Erfahrung überein. Ihn um mehr Genauigkeit zu bitten, reicht nicht immer. Wo es geht, kläre ich die Begriffe im Projektgerüst und prüfe danach, ob wir übereinstimmen; häufiger ist es ein gemischter Prozess: Ich gleiche ihn teilweise ab und arbeite mich zugleich in das Thema ein, nicht zuletzt, weil ich für das Ergebnis verantwortlich bin.
Informationen müssen geprüft werden
Wenn ich ihn zur Recherche nutze, bitte ich ihn, sich nicht auf das Wissen des Modells zu beschränken: Er soll externe Quellen prüfen und mir die Links nennen, damit ich Inhalt und Herkunft kontrollieren kann.
Im Team skaliert es nicht von allein
Ein Projektgerüst, das alle ohne Abstimmung bearbeiten, verliert an Präzision. Im Team müsste es wie Code im Repository verwaltet werden: mit einer verantwortlichen Person sowie einem Review- und Freigabeprozess. Das ist ein deutlich komplexerer Schritt, den ich in einem Projekt noch nicht angegangen bin. Vorerst nutze ich es als eigenes Arbeitswerkzeug außerhalb des Projekt-Repositorys und behandle es so vertraulich wie den Kundencode.
Für alle, die den Umgang damit lernen möchten
Ich kann einzelne Entwickler darin schulen, Coding-Agenten methodisch einzusetzen, jeden an der eigenen Arbeit, und sie während des Projekts begleiten.
In den meisten Projekten übergebe ich am Ende den Quellcode. Mit Coding-Agenten lohnt es sich, vorher zu klären, in welchem Zustand er sein wird.
Eine höhere Produktivität ist für Auftraggeber willkommen. Doch Code, der einwandfrei funktioniert und den Spezifikationen entspricht, kann für Menschen schwer lesbar sein, während ein Agent gut damit zurechtkommt.
Der Agent tut, was von ihm verlangt wird: die Änderung zum Laufen bringen. Schon das ist nicht immer selbstverständlich.
Lesbarkeit des Codes ist standardmäßig keine Anforderung.
Jede zusätzliche Kontrolle im Projektgerüst kostet Zeit, Tokens und Verwaltungsaufwand.
Deshalb setze ich beim Endzustand des Quellcodes nichts voraus: Er erfüllt, was verlangt und geprüft wurde; was nicht verlangt wurde, bleibt den Entscheidungen des Modells überlassen.
Soll das Produkt auch auf herkömmliche Weise, von Hand, übernommen werden können, müssen die Kriterien für Bewertung und Abnahme zu Beginn geklärt werden, in jeder Form: Lesbarkeit, Konventionen Ihres Teams, Dokumentation, Tests. Wie die Spezifikationen vereinbare ich sie mit Ihnen. Sonst droht ein Produkt, das funktioniert und den Spezifikationen entspricht, aber nur sehr schwer zu übernehmen ist.
Ich nutze Code-Agenten nur dort, wo es die Regeln des Kunden erlauben, und mit professionellen Konten. Wenn der Kunde keine KI-Werkzeuge erlaubt, arbeite ich ohne sie.
Für die Datenanalyse arbeite ich an Testumgebungen oder anonymisierten Daten, nicht an Produktionsdaten.
Vijayvargiya u. a. — Ambig-SWE (ICLR 2026) (öffnet in einem neuen Tab): Agenten unterscheiden vollständige und unvollständige Anfragen nur schwer und arbeiten mit Annahmen weiter; Rückfragen verbesserten die Ergebnisse in den Tests um bis zu 74 %. Die Bedeutung einzelner Begriffe wird nicht gemessen.
Liu und Kollegen — Debt Behind the AI Boom (öffnet in einem neuen Tab): Bei 302.600 Commits von fünf Assistenten führen zwischen 7,5 % und 14,8 % der Commits jedes Assistenten mindestens ein Problem ein, zu 89,3 % strukturelle Mängel (Code Smells); 22,7 % bleiben im Code. Preprint, 2026.