Wie ich mit Qwen Code Slash-Befehlen die App Achu entwickle

Die Kombination aus präzisen Anweisungen und wiederverwendbaren Kontextbausteinen macht agentische KI-Tools wie Qwen Code zu einem mächtigen Begleiter für Softwareprojekte. Besonders in der frühen Phase, wenn Architekturentscheidungen fallen, zeigt sich, wie entscheidend strukturierte Kommunikation mit der KI ist.

Warum Entwickler auf Qwen Code setzen

Agentische KI-CLIs wie Qwen Code haben sich in den letzten Jahren als Game-Changer für Entwickler etabliert. Im Vergleich zu älteren Modellen wie Google Antigravity oder anderen proprietären Lösungen überzeugt Qwen durch drei zentrale Vorteile: volle Open-Source-Nutzung, eine ausgereifte Slash-Befehls-Syntax und robuste Subagent-Unterstützung.

Für komplexe Frontend-Projekte mit Electron, React und TypeScript eignet sich besonders das Modell Qwen Max. Es glänzt durch seine Fähigkeit, tief in die Architektur von Desktop-Anwendungen einzutauchen und technische Abhängigkeiten präzise zu analysieren. Für schnelle Routineaufgaben wie Code-Zusammenfassungen oder Vorschläge für Prompts wird dagegen das leichtere Modell qwen3-coder-flash genutzt, um Kosten zu sparen.

Die Wahl zwischen diesen Modellen ist kein Zufall, sondern folgt einem klaren Kosten-Nutzen-Prinzip: Maximale Effizienz bei minimalem Ressourcenverbrauch.

Projektstart mit /init – der erste Schritt zur Kontextklarheit

Jedes neue Feature oder Rückkehr zu einem unterbrochenen Projekt beginnt mit demselben Befehl: /init. Dieser Slash-Befehl durchsucht das aktuelle Arbeitsverzeichnis, analysiert die Ordnerstruktur und generiert automatisch eine Grundlagendatei für den Kontext. Diese Datei fungiert wie eine architektonische Landkarte – sie zeigt dem KI-Assistenten die wichtigsten Dateien, Abhängigkeiten und die allgemeine Projektstruktur.

Doch /init ist nur der Ausgangspunkt. Die eigentliche Magie entsteht durch manuelle Ergänzungen. Der Entwickler hinter Achu vergleicht diesen Schritt mit einem Onboarding-Dokument für neue Teammitglieder. Hier werden essenzielle Informationen hinterlegt:

• - Eine klare Beschreibung des Projekts und seiner Hauptfunktionen
• - Der aktuelle Meilenstein oder das Ziel der Session
• - Technische Constraints wie Electron IPC-Grenzen oder externe Integrationen
• - Spezifische Anforderungen an Sicherheit oder Performance

Diese Investition in den initialen Kontext zahlt sich später vielfach aus, indem sie Rückfragen, Missverständnisse und ineffiziente Code-Generierungen verhindert.

Präzise Feature-Planung mit /plan – bevor eine Zeile Code entsteht

Ein häufiger Fehler bei der Arbeit mit KI-Entwicklungstools ist das direkte Umschalten in den Implementierungsmodus. Der Entwickler hinter Achu geht einen anderen Weg: Jedes neue Feature wird zunächst in einer dedizierten Planungsphase entworfen.

Der Befehl /plan aktiviert einen speziellen Modus, in dem Qwen Code nicht sofort Code generiert, sondern stattdessen eine detaillierte Spezifikation erstellt. Diese Spezifikation umfasst:

• - Die exakten Anforderungen an die neue Funktion
• - Schnittstellenverträge und Datenflüsse
• - Mögliche Fehlerpfade und Edge Cases
• - Akzeptanzkriterien für die spätere Qualitätssicherung

Der Prozess folgt einem iterativen Muster:

1. 1. Der Entwickler beschreibt das gewünschte Feature in allen Details
2. 2. Qwen Code schlägt einen Lösungsansatz vor
3. 3. Der Entwickler prüft die Vorschläge und fordert bei Bedarf Anpassungen
4. 4. Das Modell überarbeitet die Spezifikation
5. 5. Wiederholung, bis ein optimaler Plan entsteht

Diese mehrstufige Abstimmung mag aufwendig wirken, ist aber der entscheidende Faktor für die Qualität der späteren Implementierung. Ein gut durchdachter Plan reduziert nicht nur die Fehleranfälligkeit, sondern beschleunigt auch den gesamten Entwicklungsprozess.

Parallelisierung mit Subagents – Arbeitsteilung für maximale Effizienz

Sobald die Spezifikation steht, kommt die nächste Optimierung ins Spiel: die Nutzung von Subagents. Diese spezialisierten KI-Agenten ermöglichen es, unabhängige Aufgaben gleichzeitig zu bearbeiten, ohne den Hauptkontext zu überlasten.

Für das Achu-Projekt wurden mehrere Subagents definiert, darunter:

• - Ein Testing-Subagent, der sich auf Vitest-Unit-Tests und Electron-Integrationstests spezialisiert hat
• - Ein Code-Reviewer-Subagent, der in Planungsmodus arbeitet und ausschließlich Dateien analysiert

Diese Subagents werden entweder explizit angesprochen oder automatisch vom Hauptagenten delegiert. Ein besonders mächtiges Feature ist die Fork-Funktion: Qwen Code kann mehrere Subagents parallel starten, die jeweils einen Teilauftrag bearbeiten. Beispielsweise:

Untersuche gleichzeitig:
- Die IPC-Handler für die Privacy-Guard-Funktionalität
- Die Integration von Ollama
- Den Upstash-Redis-Voting-Mechanismus

Die Subagents erben den Hauptkontext und teilen sich den Prefix-Cache, wodurch Token-Kosten deutlich reduziert werden. Der Entwickler kann so komplexe Aufgaben in logische Teilprobleme zerlegen und parallel lösen lassen – ein Ansatz, der die Produktivität exponentiell steigert.

Kontinuierliche Kontextpflege mit /compress und /remember

Ein kritischer Aspekt bei der Arbeit mit KI-Entwicklungstools ist die Verwaltung des Kontexts. Zu große oder unstrukturierte Kontexte führen zu ineffizienten Antworten oder sogar zu Tokens, die über das Limit laufen. Hier kommen die Slash-Befehle /compress und /remember ins Spiel.

• - /compress verdichtet den aktuellen Kontext, indem unwichtige oder redundante Informationen entfernt werden. Das Modell behält dabei die essenziellen Details bei und optimiert so die Token-Nutzung.
• - /remember dient zur persistenten Speicherung von Architekturentscheidungen oder wiederkehrenden Mustern. Diese Informationen stehen in späteren Sessions sofort zur Verfügung und sparen Zeit.

Durch diese Mechanismen bleibt der Arbeitsfluss sauber und übersichtlich – selbst über längere Zeiträume hinweg.

Fazit: Strukturierte Zusammenarbeit mit KI als Schlüssel zum Erfolg

Die Entwicklung von Achu zeigt, dass agentische KI-Tools wie Qwen Code nicht einfach nur Code generieren, sondern vielmehr als intelligente Projektpartner fungieren können. Der Schlüssel zum Erfolg liegt in der Kombination aus präzisen Anweisungen, strukturierter Planung und cleverer Parallelisierung.

Die Zukunft der Softwareentwicklung wird zunehmend von solchen KI-gestützten Workflows geprägt sein. Wer es schafft, diese Tools effektiv einzusetzen, wird nicht nur schneller, sondern auch zuverlässiger arbeiten können. Ein Ansatz, der sich besonders für komplexe Projekte mit vielen Abhängigkeiten und hohen Qualitätsansprüchen eignet.