Wie ich mit KI-Agenten ein 10-köpfiges Produktteam nachbaute

Im Zeitalter von KI-gestützter Softwareentwicklung verschwimmen die Grenzen zwischen menschlichem Teamwork und autonomer Agentenarbeit. Doch ein Entwickler aus der DEV-Community hat einen radikalen Ansatz gewählt: Er ersetzt sein klassisches Produktteam durch ein Netzwerk aus 10 spezialisierten KI-Agenten. Jeder Agent übernimmt eine klar definierte Rolle – vom Marktforscher bis zum Compliance-Prüfer – und arbeitet unter einem einzigen Claude-Max-Abo. Die Methode verspricht nicht nur Kosteneffizienz, sondern auch strukturierte Abläufe, die bisher nur in klassischen Teams möglich schienen.

Warum ein einzelnes KI-Modell nicht ausreicht

Ein einziges großes Sprachmodell mag in der Lage sein, Code zu schreiben oder Texte zu generieren, doch für die Entwicklung eines vollwertigen Produkts reicht seine Kapazität nicht aus. Kontextverlust, Entscheidungsmüdigkeit und die Unfähigkeit zur Selbstkritik führen schnell zu suboptimalen Ergebnissen – selbst bei hochwertigen Modellen. Der Entwickler erkannte dies und baute ein System, das die Stärken mehrerer spezialisierter Agenten kombiniert.

Das Team besteht aus folgenden Rollen:

• Athina: Projektmanagerin und Orchestratorin, die die Zusammenarbeit koordiniert.
• Scout: Marktforscherin, die Produktideen validiert und Zielgruppen analysiert.
• Spectra: Produktmanagerin, die technische Spezifikationen (PRDs) erstellt.
• Pixel: Designerin und Architektin, die UI-Entwürfe und Systemarchitekturen skizziert.
• Builder: Ingenieurin, die nach strengem Test-Driven-Development (TDD) programmiert.
• Auditor: Sicherheitsprüferin, die Code und Architektur auf Schwachstellen untersucht.
• Bugsy: Qualitätssichererin (QA), die die Software auf Fehler prüft.
• Piper: DevOps-Expertin für Deployment und Infrastruktur.
• Nova: Marketingmanagerin für die Go-to-Market-Strategie.
• Quill: Inhaltserstellerin für Dokumentation und Marketingtexte.

Jeder Agent hat eine klare Aufgabe und folgt einem definierten Arbeitsablauf. Vor der Weitergabe an die nächste Phase durchlaufen alle Ergebnisse Qualitätskontrollen. Kritische Annahmen werden in sogenannten Grill-Me-Sitzungen hinterfragt, um Blind Spots zu vermeiden.

Vom OpenClaw-Framework zu simplen Markdown-Dateien

Zunächst setzte der Entwickler auf das Open-Source-Framework OpenClaw, das eine komplexe Infrastruktur mit WebSocket-Verbindungen und Gateway-Servern erforderte. Zwar funktionierte das System, doch der administrative Aufwand war enorm:

• Wartung eines Gateway-Servers mit Port-Konfigurationen.
• Verwaltung mehrerer Agentenprozesse.
• Hohe Token-Kosten durch API-Aufrufe.
• Indirekte Kommunikation der Agenten über den Orchestrator.

Die Lösung lag in einer einfacheren Alternative: den Claude-Code-Agenten-Teams. Statt auf externe Tools zu setzen, nutzt das neue System die eingebaute Funktion von Claude Code. Die Agenten werden als Markdown-Dateien in einem Projektordner abgelegt, während eine zentrale Konfiguration die Zusammenarbeit steuert.

Der Aufbau des KI-Teams in wenigen Schritten

Die Einrichtung des Teams erfordert nur wenige Dateien und eine klare Struktur. Der Projektordner enthält:

Ihr-Projekt/
├── CLAUDE.md                    ← Gemeinsame Projektarchitektur und Coding-Standards
└── .claude/
    ├── settings.json            ← Aktiviert Agenten-Teams und legt den Lead-Agenten fest
    ├── project-config.md        ← Projektidentität, Pfade und IDs
    └── agents/
        ├── athina.md            ← Lead-Orchestrator
        ├── scout.md             ← Marktforscherin
        ├── spectra.md           ← PRD-Autorin
        ├── pixel.md             ← Designerin
        ├── builder.md           ← Ingenieurin
        ├── auditor.md           ← Sicherheitsprüferin
        ├── bugsy.md             ← QA-Testerin
        ├── piper.md             ← DevOps-Expertin
        ├── nova.md              ← Marketingmanagerin
        └── quill.md             ← Inhaltserstellerin

Die Konfiguration erfolgt über die Datei settings.json, die den Lead-Agenten (Athina) und die Teamstruktur definiert. Jeder Agent erhält eine eigene Markdown-Datei mit einer detaillierten Rollenbeschreibung, Arbeitsanweisungen und Beispielen. Die Agenten können direkt miteinander kommunizieren, ohne Umwege über einen zentralen Server.

Wie die Agenten zusammenarbeiten

Die Zusammenarbeit folgt einem klaren Phasenmodell mit acht definierten Stufen:

1. Ideation: Erste Produktideen werden gesammelt und bewertet.
2. Research & Feasibility: Marktanalyse und Machbarkeitsstudie.
3. PRD-Erstellung: Technische Spezifikationen werden ausgearbeitet.
4. Design & Architektur: UI-Entwürfe und Systemdesign werden entwickelt.
5. Engineering: Programmierung nach TDD-Prinzipien.
6. QA & Staging: Qualitätssicherung und Testumgebungen.
7. Produktions-Deployment: Auslieferung in die Live-Umgebung.
8. Go-to-Market: Marketing und Vertriebsvorbereitung.

Jede Phase endet mit einer Qualitätskontrolle. Der Auditor prüft Code, Design und Architektur auf Compliance und Sicherheit. Der Lead-Agent Athina überwacht den Fortschritt und stellt sicher, dass keine Phase übersprungen wird. Kritische Entscheidungen werden in Grill-Me-Sitzungen diskutiert, in denen die Agenten Annahmen hinterfragen und alternative Lösungswege aufzeigen.

Beispiel: Die Rolle der PRD-Autorin Spectra

Spectra ist verantwortlich für die Erstellung des Product Requirements Document (PRD). Vor der eigentlichen Ausarbeitung schlägt sie jedoch drei unterschiedliche Ansätze vor:

• Ansatz A: Vollständige Plattform mit 25 Anforderungen (8 Wochen Entwicklungszeit).
• Ansatz B: Fokussiertes MVP mit 15 Anforderungen (4 Wochen Entwicklungszeit).
• Ansatz C: API-first-Ansatz mit 12 Anforderungen (3 Wochen Entwicklungszeit).

Der Entwickler wählt einen Ansatz aus, und Spectra erstellt daraufhin das detaillierte PRD. Diese Vorgehensweise verhindert Scope Creep und stellt sicher, dass die Ressourcen optimal eingesetzt werden.

Kostenoptimierung durch Modellauswahl

Nicht alle Agenten benötigen das gleiche Sprachmodell. Während fünf Agenten (Athina, Scout, Spectra, Pixel, Builder) mit dem leistungsstarken Opus 4.6 arbeiten, nutzen die anderen fünf (Auditor, Bugsy, Piper, Nova, Quill) das kostengünstigere Sonnet 4.6. Diese Aufteilung reduziert die Token-Kosten deutlich, da Agenten wie der Auditor oder die QA-Testerin keine hochkomplexe Reasoning-Kapazität benötigen, sondern präzise Anweisungen und Checklisten befolgen.

Die Vorteile des KI-Teams im Überblick

• Keine zusätzliche Infrastruktur: Alles läuft lokal über Markdown-Dateien und eine zentrale Konfiguration.
• Kosteneffizienz: Ein einziges Abo deckt alle Agenten ab, und die Modellauswahl spart Token-Kosten.
• Strukturierte Abläufe: Klare Phasen mit Qualitätskontrollen verhindern Chaos und Improvisation.
• Kollaboration in Echtzeit: Agenten kommunizieren direkt miteinander, was die Effizienz steigert.
• Flexibilität: Neue Agenten lassen sich einfach hinzufügen oder bestehende anpassen.

Ausblick: KI-Agenten als Standard für Produktentwicklung?

Die Methode des Entwicklers zeigt, wie KI-Agenten klassische Teamstrukturen ersetzen können – zumindest in Teilen. Während menschliche Expertise weiterhin unverzichtbar bleibt, bieten KI-basierte Teams eine skalierbare Alternative für repetitive und strukturierte Aufgaben. Die Technologie steckt noch in den Kinderschuhen, doch Ansätze wie dieser könnten die Art und Weise, wie Software entwickelt wird, grundlegend verändern. Ein nächster Schritt wäre die Integration von Echtzeit-Feedback aus Nutzerdaten, um die Agenten kontinuierlich zu verbessern. Die Zukunft der Produktentwicklung könnte also nicht nur menschlich, sondern auch maschinell sein.