KI-Agenten ohne Blindflug: Wie diese CLI-Werkzeug Dateien gezielt ausliest

Als Solo-Entwickler nutze ich seit Monaten KI-gestützte Coding-Assistenten wie Claude Code oder Cursor – und bin begeistert von ihrer Produktivität. Doch die monatlichen Token-Kosten explodieren, und mit jedem Dialogschritt wird das Kontextfenster zum überquellenden Schrottcontainer: 500 irrelevante Codezeilen später merkt man erst, dass der Agent blind in die falsche Datei getappt ist.

Die Ursache? Naive Dateiauslesungen. Die meisten KI-Tools lesen ganze Dateien ein, ohne zu wissen, ob der Inhalt überhaupt relevant ist. Erst nach dem teuren Lesevorgang wird klar, ob die geladenen Daten etwas mit der eigentlichen Aufgabe zu tun haben. Bestehende Lösungen wie Graphify oder RTK setzen entweder auf nachträgliche Komprimierung – die bereits verschwendete Tokens nicht zurückholt – oder delegieren die Strukturanalyse an externe LLMs. Doch was, wenn die Lösung lokal, deterministisch und vor dem eigentlichen Lesevorgang erfolgen könnte?

Genau das habe ich in den letzten Wochen entwickelt: unerr – eine lokale CLI, die als intelligente Schnittstelle zwischen deinem Repository und dem KI-Agenten fungiert.

Wie unerr funktioniert: Präzision statt Blindflug

unerr nutzt das Model Context Protocol (MCP), um gezielt mit deinem Codebase zu interagieren. Statt das Tool einfach blind Dateien auslesen zu lassen, übernimmt unerr die Vorverarbeitung:

• Schnelle Indexierung: Innerhalb weniger Sekunden analysiert die CLI dein gesamtes Projekt und erstellt einen AST-Graphen (Abstract Syntax Tree) mithilfe von Tree-sitter.
• Lokale Wissensdatenbank: Ein eingebettetes CozoDB-System speichert die Abhängigkeiten, Funktionsaufrufe und Strukturbeziehungen zwischen den Dateien.
• Kontextuelle Auslieferung: Fordert dein KI-Agent nun Informationen zu einer Datei an, liefert unerr nicht das gesamte Dokument, sondern nur die relevanten Code-Abschnitte, Methodenaufrufe und Abhängigkeiten – völlig ohne externe LLM-Analyse.

Das Ergebnis? Dein Agent bekommt sofortige Klarheit über die Code-Struktur, ohne unnötige Tokens zu verbrauchen oder irrelevante Daten zu verarbeiten. Die KI handelt weniger wie ein blinder Leser, sondern wie ein Programmierer mit „Sehfähigkeit“.

Warum Feedback jetzt entscheidend ist

Ich habe unerr als Solo-Entwickler gebaut – und das birgt ein klassisches Risiko: „Funktioniert bei mir, funktioniert überall.“ Die CLI interagiert mit lokalen Datenbanken, AST-Parsern und spezifischen Node.js-Umgebungen. Da ist es fast garantiert, dass ich Randfälle auf bestimmten Betriebssystemen oder Node-Versionen übersehen habe.

Deshalb suche ich jetzt Beta-Tester, die mir helfen, die Software zu härten. Ich bitte dich konkret um drei Dinge:

• Installationstest: Funktioniert der Befehl npm install -g @unerr-ai/unerr auf deinem System ohne Fehler?
• Kontextgenauigkeit: Liefert unerr die richtigen Code-Abschnitte für deine spezifische Codebase?
• Agenten-Erlebnis: Fühlt sich dein KI-Assistent nach der Integration tatsächlich schlauer und schneller an – oder steht das Tool im Weg?

So kannst du mitmachen

Die Teilnahme ist denkbar einfach:

1. Installiere die CLI mit:

npm install -g @unerr-ai/unerr

1. Starte die CLI und lass sie dein Repository analysieren:

unerr index

1. Nutze deinen KI-Agenten wie gewohnt – aber mit dem neuen Kontext.

Wichtig: Es gibt keine Cloud, keine Accounts, keine API-Schlüssel. Alles läuft lokal auf deinem Rechner. Die Analyse und Intelligenz stammen ausschließlich aus deinen eigenen Daten.

Ausblick: Eine neue Ära für KI-gestützte Entwicklung?

Wenn unerr sein Potenzial entfaltet, könnte es die Art und Weise verändern, wie KI-Tools mit Code interagieren. Statt teure Blindlesungen zu tolerieren, würde die KI gezielt nur das lernen, was sie wirklich braucht. Das spart nicht nur Kosten, sondern beschleunigt auch die Entwicklung – ein Traum für Solo-Entwickler und Teams gleichermaßen.

Doch das hängt davon ab, ob die Community unerr jetzt testet und verbessert. Jeder Bug-Report, jedes unerwartete Verhalten oder sogar Lob hilft mir, die Software robuster zu machen. Also: Probier es aus, brech es, verbessere es – und lass mich wissen, was du denkst.

Die Zukunft des KI-gestützten Codings könnte lokal, präzise und kosteneffizient sein. Wir sind nur einen Beta-Test davon entfernt, sie zu gestalten.