KI-Entwicklungsassistenten können Code schreiben, aber sie scheitern oft an der Komplexität realer Projekte. Stattdessen von „Planen und Bauen“ zu sprechen, ist wie ein Auto mit Vollgas durch die Stadt zu fahren – teuer und ineffizient. Seit Februar experimentiert ein Entwickler mit einem schlanken, spezifikationsgetriebenen Workflow, der genau dieses Problem löst.
Das Ziel war nicht mehr Prozess um des Prozesses willen, sondern die Vermeidung von Tokenverschwendung. Wer schon einmal einen KI-Agenten in einem wachsenden Projekt eingesetzt hat, kennt das Muster: Zunächst läuft alles wie am Schnürchen. Doch sobald der Codeumfang steigt, beginnt der Agent, irrelevante Dateien zu lesen, bereits getroffene Entscheidungen zu ignorieren und Absichten aus dem Chatverlauf zu rekonstruieren. Das Ergebnis? Höhere Kosten, langsamere Iterationen und unklare Implementierungen.
Warum der klassische „Plan-Build“-Ansatz scheitert
Der häufigste Workflow mit KI-Agenten folgt dem Schema: Projekt analysieren, Absicht ableiten, Änderung entwerfen, umsetzen, testen und reviewen. Auf den ersten Blick logisch, doch in der Praxis ein Datenverarbeitungs-Albtraum.
Der Agent muss in einer einzigen Schleife eine Flut von Variablen verarbeiten:
- Verstehen des Codebasis
- Interpretation der Projektziele
- Design der Änderung
- Implementierung
- Tests
- Review
- Kontext behalten
Bei kleinen Projekten funktioniert das noch. Doch mit wachsender Codebasis wird diese Schleife zum Token-Fresser. Der Agent verbringt seine Ressourcen mit Orientierung statt mit Ausführung. Entscheidungen aus vorherigen Sessions gehen verloren, und jeder neue Chat beginnt mit einer unscharfen Version der ursprünglichen Intention.
Das Problem ist nicht die Codegenerierung selbst, sondern die Aufmerksamkeitslenkung. KI-Agenten sind keine digitalen Mitarbeiter – sie sind Datenpipelines, die einen Input verarbeiten und einen Output produzieren. Wenn der Input zu groß oder unstrukturiert ist, leidet die Qualität der Ausgabe.
Die Lösung: Task-Spezifikationen als Filter
Der Schlüssel liegt in der Einführung von Task-Spezifikationen – kleinen, temporären Verträgen, die dem Agenten klare Grenzen setzen. Diese Spezifikationen sind kein Ersatz für Architektur-Dokumente, sondern dienen als präzise Anweisungen für eine konkrete Aufgabe.
Eine typische Task-Spezifikation enthält:
- Funktionales Ziel & Nicht-Ziele: Klare Abgrenzung, was der Agent tun soll und was nicht.
- Benutzerverhalten: Konkrete Beschreibung der erwarteten Interaktion.
- Technischer Plan: Mögliche Code-Änderungen und Implementierungsschritte.
- Testanforderungen: Erwartete Testergebnisse und Nachweise.
Der Vorteil? Der Agent muss nicht mehr das gesamte Projekt scannen, um eine einzelne Funktion zu erweitern. Stattdessen erhält er eine fokussierte Anweisung mit genauem Kontext. Das spart Token, beschleunigt die Ausführung und reduziert Fehler.
Intent-Spezifikationen vs. Projekt-Spezifikationen
Ein häufiger Fehler ist die Vermischung von Intent-Spezifikationen (für temporäre Aufgaben) und Projekt-Spezifikationen (für dauerhafte Dokumentation). Beide haben unterschiedliche Zwecke:
- Intent-Spezifikationen beschreiben, was in einer bestimmten Phase benötigt wird. Sie sind nur während der Planung, Umsetzung und Review relevant.
- Projekt-Spezifikationen dokumentieren, was tatsächlich umgesetzt wurde. Sie gehören in dauerhafte Artefakte wie:
- Quellcode-Kommentare
MAP.md-Dateien- Paket-Dokumentationen
README-Updates
Die Trennung verhindert, dass der Workflow zu einem administrativen Hindernis wird. Die Task-Spezifikation gibt dem Agenten klare Anweisungen, während die Projekt-Dokumentation das kollektive Wissen bewahrt.
MAP.md: Der Kompass für KI-Agenten
Ein weiterer zentraler Baustein ist die MAP.md-Datei im Projektstammverzeichnis. Dieses Dokument dient als erste Orientierungshilfe für den Agenten und erklärt:
- Was das Projekt tut
- Welche Dateien welche Verantwortung tragen
- Wo spezifische Funktionen implementiert sind
Die MAP.md ersetzt nicht das Lesen des Codes, aber sie macht die erste Code-Analyse weniger zufällig. Besonders in größeren Projekten hilft sie dem Agenten, schneller relevante Stellen zu identifizieren – ohne stundenlanges Scrollen durch die Projektstruktur.
Praktische Umsetzung: Ein Workflow für jeden Agenten
Die beschriebenen Prinzipien sind werkzeugunabhängig und lassen sich auf nahezu jeden modernen KI-Entwicklungsassistenten übertragen. Ob mit opencode, codex oder einem anderen Tool – die Kernidee bleibt gleich:
- Planung: Erstelle eine Task-Spezifikation mit klaren Zielen und Grenzen.
- Erkundung: Analysiere die Auswirkungen der geplanten Änderung, bevor der Code geschrieben wird.
- Umsetzung: Implementiere eine einzelne Aufgabe nach der Spezifikation.
- Review: Überprüfe die Umsetzung gegen die Task-Spezifikation.
- Dokumentation: Aktualisiere dauerhafte Artefakte mit neuem Wissen.
Der Workflow ist bewusst schlank gehalten. Es geht nicht um starre Prozesse, sondern um kontextuelle Klarheit. Jeder Schritt hat einen klaren Zweck, und der Agent wird nicht mit irrelevanten Informationen überflutet.
Fazit: Weniger ist mehr – auch bei KI-Agenten
KI-Entwicklungsassistenten sind mächtige Werkzeuge, aber ihr Potenzial entfaltet sich erst mit der richtigen Struktur. Ein unkontrollierter Einsatz führt zu Tokenverschwendung, unklaren Absichten und ineffizienten Iterationen. Die Lösung liegt nicht in mehr Prozess, sondern in zweckgerichteter Fokussierung.
Mit Task-Spezifikationen, MAP.md und einer Trennung zwischen temporären Anweisungen und dauerhafter Dokumentation lässt sich der Workflow radikal vereinfachen. Der Agent erhält genau die Informationen, die er braucht – nicht mehr und nicht weniger. Das Ergebnis sind schnellere, kostengünstigere und vor allem zuverlässigere KI-gestützte Entwicklungsprozesse.
KI-Zusammenfassung
AI ajanlarınızın projelerinizde daha odaklı ve verimli çalışmasını sağlamanın basit yollarını keşfedin. Token israfını azaltan hafif bir çalışma akışı.
