Agentic Coding · KI-Landkarte

Start › 9 · Agentic Coding

Agentic Coding – KI als Programmier-Kollege

Das derzeit größte Anwendungsfeld für Agenten: KI, die selbstständig programmiert – Dateien liest, Code schreibt, Tests ausführt, Fehler behebt. Hier landen viele Begriffe aus deiner Liste: Claude Code, Codex, Gemini, CLAUDE.md, AGENTS.md, Vibe Coding, Markdown, GitHub.

Schaubild 11: Der Agentic-Coding-Arbeitsfluss: Auftrag → Agent arbeitet in der Schleife am Repository → Ergebnis geht als Pull Request zu GitHub/GitLab → Review fließt zurück. Unten: das Kontroll-Spektrum bis zum „Vibe Coding“.

Agentic Coding KI programmiert selbstständig

Der Arbeitsstil, bei dem die KI nicht nur Code vorschlägt, sondern selbst arbeitet: Dateien lesen, Befehle ausführen, Änderungen machen, Tests laufen lassen – während du zuschaust, umlenkst oder etwas anderes tust.

Agentic Coding — Der neue Arbeitsstil: KI programmiert, Mensch dirigiert

1Begriff

Agentic Coding: Software-Entwicklung, bei der ein KI-Agent selbstständig Dateien liest/ändert, Befehle und Tests ausführt und iteriert – der Mensch gibt Ziele vor, prüft und lenkt.

2Bedeutung

Der größte Produktivitätsschub der Branche seit Jahren und das Testfeld, auf dem Agenten-Technik reift (alles von MCP bis Subagenten kam übers Coding zur Reife). Verändert Rollen: weniger Tippen, mehr Spezifizieren + Reviewen.

3Funktionsweise

Schaubild 11: Auftrag → Agent arbeitet die agentische Schleife am Repository ab (lesen → planen → editieren → Tests laufen lassen → korrigieren) → Ergebnis als Commit/Pull Request → Review-Feedback zurück in die Schleife. Erfolgs-Zutaten: Verification Loop (Tests/Build als objektives „fertig“), gute Steuer-Dateien, kleine, klar geschnittene Aufgaben.

4Hintergrund

Evolution: Autovervollständigung (Copilot 2021) → Chat-Assistenz → agentische CLI/IDE-Tools (2024/25) → Cloud-Agenten, die parallel ganze Tickets abarbeiten. Studienlage: große Zeitgewinne bei Routine/Boilerplate; Qualität steht und fällt mit Review-Disziplin und Testabdeckung.

5Werkzeuge (Auswahl)

Tool	Anbieter	Form
Claude Code	Anthropic	CLI · IDE · Desktop · Web
Codex	OpenAI	CLI · IDE · Cloud-Agent
Gemini CLI / Jules	Google	CLI (OSS) · Cloud-Agent
Cursor / Windsurf	—	KI-IDEs
Copilot (Agent-Modus)	GitHub/MS	IDE · github.com
Aider	OSS	CLI, modelloffen

6Vor- & Nachteile

+ Enorme Geschwindigkeit bei Routine, Tests & Doku „gratis“ mit, Einstieg für Nicht-Profis, parallele Aufgaben.
− Ungeprüfter Code = Sicherheits-/Qualitätsrisiko; Skill-Verkümmerung als Team-Thema; Kosten bei Dauerbetrieb; Kontext-Grenzen bei Riesen-Codebasen.

7Kosten

Einstieg in Chat-Abos enthalten (~20 €/M); Power-Nutzung via Max/Pro-Stufen 100–250 €/M oder API-Verbrauch (intensiver Entwickler: oft 50–500 €/M – gegen Entwickler-Stundensätze fast immer günstig).

8Empfehlung

Heute Standard-Arbeitsweise – aber als Paar: Agent schreibt, Mensch reviewt; Tests zuerst einfordern; mit Git arbeiten (alles reversibel). Einstieg: kleines echtes Projekt + AGENTS.md schreiben + Aufgaben in PR-große Häppchen schneiden.

Vibe Coding Programmieren nach Gefühl

Der (halb scherzhafte) Begriff von Andrej Karpathy (2025) für: Man beschreibt nur noch, was man will, akzeptiert die KI-Vorschläge weitgehend ungeprüft und „reitet die Vibes“. Für Prototypen befreiend – für Produktivsysteme gefährlich.

Gut für

Prototypen & Wegwerf-Tools
Nicht-Programmierer mit Ideen
Schnelles Ausprobieren

Riskant für

Produktion & sensible Daten
Sicherheit (ungeprüfter Code)
Wartbarkeit im Team

Vibe Coding — Beschreiben statt programmieren — befreiend und riskant

1Begriff

Vibe Coding (Andrej Karpathy, Feb. 2025): Programmieren, bei dem man nur beschreibt, was man will, KI-Output weitgehend ungeprüft übernimmt und „den Vibes vertraut“ – Fehler? Einfach die Fehlermeldung zurück an die KI.

2Bedeutung

Kulturbegriff des Jahres 2025 (Collins „Word of the Year“): Er markiert, dass Software-Erstellung erstmals ohne Programmierkenntnis möglich wird – und benennt zugleich die Sorglosigkeit, die dabei einreißen kann.

3Funktionsweise

Praktisch: natürliche Sprache → App-Gerüst in Minuten (Tools: Lovable, Replit, v0, Bolt oder direkt Claude/ChatGPT-Artefakte). Iteration per Zuruf. Der entscheidende Unterschied zu Agentic Coding: dort bleibt Review/Verifikation im Prozess – Vibe Coding verzichtet bewusst darauf.

4Hintergrund

Reale Schattenseite dokumentiert: öffentlich erreichbare Datenbanken, geleakte API-Keys, gelöschte Produktionsdaten durch „vibed“ Projekte. Führte zum Gegenbegriff-Paar: Prototyp-Modus (ok) vs. Produktions-Software (Engineering-Pflichten).

5Alternativen

Agentic Coding mit Review: gleiche Geschwindigkeit, professioneller Rahmen.
Low-Code/No-Code-Plattformen: geführte Sicherheit statt freiem Vibe.
Klassisch lernen + KI: Grundverständnis macht aus Vibe-Nutzern souveräne Dirigenten.

6Vor- & Nachteile

+ Ideen → lauffähig in Stunden; Programmieren wird zugänglich; perfekt für Wegwerf-Werkzeuge & Demos.
− Sicherheitslücken & Datenpannen; unwartbarer Code; niemand versteht das eigene System; skaliert nicht ins Team.

7Kosten

Einstieg gratis bis ~25 €/M (Tools/Abos). Die wahren Kosten lauern hinten: Ein Datenleck oder eine Neuentwicklung „richtig“ kostet ein Vielfaches des Ersparten.

8Empfehlung

Vibe Coding ja – für Prototypen, interne Helferlein, Lernen. Harte Linie bei: echten Nutzerdaten, Zahlungen, öffentlichem Betrieb – dann Review, Tests und jemanden mit Engineering-Blick dazuholen. Faustregel: „Würde ein Datenleck hier jemandem schaden? Dann kein Vibe-Modus.“

Claude Code Anthropics Coding-Agent

Anthropics Agentic Harness fürs Programmieren: läuft im Terminal (CLI), in VS Code/JetBrains, als Desktop-App und im Web. Liest Projekte, ändert Dateien, führt Befehle aus, nutzt MCP, Skills und Subagenten.

Claude Code — Anthropics Agentic-Coding-Harness — Terminal, IDE, Desktop, Web

1Begriff

Claude Code: Anthropics Agentic Harness fürs Programmieren – Claude-Modelle mit Datei-, Shell-, Git- und Web-Werkzeugen in einer agentischen Schleife. code.claude.com

2Bedeutung

Gilt als Referenz der Kategorie und Innovationstreiber: viele Konzepte, die inzwischen Standard sind (CLAUDE.md, Skills, Subagenten, Hooks, MCP-Integration), wurden hier etabliert. Auch diese Cowork-Sitzung basiert auf derselben Technik.

3Funktionsweise

Start im Projektordner → lädt CLAUDE.md/AGENTS.md, Memory & Skills → Auftrag in Alltagssprache → Agent liest Code, plant, editiert, führt Tests aus, committet auf Wunsch. Kontrolle über Permission Modes (von „alles fragen“ über Plan Mode bis autonom), Checkpoints (Esc-Esc = zurückspulen), Hooks (eigene Automatik), Subagenten & Worktrees für Parallelarbeit.

4Hintergrund

02/2025 gestartet, rasant gewachsen; Flächen: CLI, VS Code/JetBrains, Desktop-App, Web/Mobile („Claude Code on the web“), GitHub-Integration. Stärke laut Nutzerkonsens: lange, sorgfältige Mehrschritt-Aufgaben und großer Codebasen-Kontext.

5Alternativen

Codex (OpenAI) – engster Rivale, stark bei Cloud-Parallelität.
Gemini CLI (Google, OSS, großzügig gratis).
Cursor/Windsurf – IDE-first statt CLI-first.
Aider – Open Source, jedes Modell.

6Vor- & Nachteile

+ Sehr fähige Agentik, reiches Erweiterungssystem (Skills/Hooks/MCP/Plugins), überall verfügbar, feingranulare Sicherheit.
− An Claude-Modelle gebunden; Terminal-Lastigkeit schreckt manche ab; intensive Nutzung braucht Max-Abo oder API-Budget.

7Kosten

In Claude-Abos enthalten: Pro (~20 €/M) mit Kontingent, Max (100–200 €/M) für Vielnutzer; alternativ API-Abrechnung nach Verbrauch. Kostenlos ausprobierbar im Rahmen der Free/Pro-Limits.

8Empfehlung

Erste Wahl für ernsthaftes Agentic Coding – besonders in großen/komplexen Projekten. Einstiegsrezept: Pro-Abo, VS-Code-Erweiterung, eine gute AGENTS.md, Plan Mode für alles Größere. Parallel Gemini CLI (gratis) als Zweitmeinung testen.

Codex OpenAIs Coding-Agent

OpenAIs Gegenstück: als CLI, IDE-Erweiterung und Cloud-Agent, der Aufgaben in isolierten Containern parallel abarbeitet – z.B. mehrere Bugfixes gleichzeitig, jeweils als fertiger Pull Request.

Codex (OpenAI) — OpenAIs Coding-Agent — lokal per CLI, parallel in der Cloud

Markdown / .md Einfaches Textformat

Ein simples Textformat: # für Überschriften, **fett**, - für Listen – lesbar als Rohtext, hübsch gerendert in jeder App. Die Muttersprache der KI-Welt: Modelle antworten in Markdown, und fast alle Steuer-Dateien (.md) sind Markdown.

Markdown (.md) — Das einfache Textformat — Muttersprache der KI-Welt

CLAUDE.md · AGENTS.md · design.md Steuer-Dateien für Agenten

Markdown-Dateien im Projekt, die dem Coding-Agenten dauerhafte Anweisungen geben: Projektregeln, Konventionen, „mach immer X, nie Y“. CLAUDE.md ist Claude-spezifisch, AGENTS.md der herstellerübergreifende offene Standard dafür; design.md (Konvention) hält Architektur-/Designentscheidungen fest.

Analogie: Die Einarbeitungsmappe für jeden neuen (KI-)Mitarbeiter: Wird bei jedem Sitzungsstart automatisch gelesen, damit man nichts wiederholen muss.

CLAUDE.md · AGENTS.md · design.md — Steuer-Dateien: die Einarbeitungsmappe für KI-Agenten

1Begriff

Markdown-Dateien im Projekt, die Agenten dauerhaft anleiten: CLAUDE.md (Claude-spezifisch), AGENTS.md (herstellerübergreifender offener Standard, agents.md – von Codex, Gemini CLI, Cursor u.v.a. gelesen), design.md (Konvention für Architektur-/Designentscheidungen).

2Bedeutung

Der größte Einzelhebel für Agentic-Coding-Qualität: Statt jedem neuen Chat dieselben Regeln zu erklären, stehen sie einmal in der Datei – Projektkonventionen, Befehle, No-Gos, Architektur.

3Funktionsweise

Beim Sitzungsstart automatisch geladen (bei Claude Code als Nachricht nach dem System-Prompt); überlebt Compaction und wird danach frisch von der Platte gelesen. Ebenen kombinieren sich: Organisations-Policy → Nutzer (~/.claude/CLAUDE.md) → Projekt (./CLAUDE.md) → Unterordner – vom Allgemeinen zum Speziellen.

4Hintergrund

Gute Inhalte: Build-/Test-Befehle, Code-Stil, Verzeichnis-Überblick, „immer X / nie Y“-Regeln, Definition of Done. Ergänzend: Auto Memory (Notizen, die sich der Agent selbst macht) und modulare Rules-Dateien, die nur bei passenden Pfaden laden. Anti-Pattern: Romane – die Datei kostet bei jeder Sitzung Tokens.

5Alternativen

Skills: für abrufbare Verfahren statt Dauer-Regeln.
README.md: für Menschen – Agenten lesen sie auch, aber ungezielt.
System-Prompts im Tool: global statt projektbezogen.

6Vor- & Nachteile

+ Konsistente Agenten-Arbeit, Team-weit via Git geteilt, einmal schreiben – immer wirken.
− Pflege nötig (veraltete Regeln schaden!); zu lange Dateien verbrennen Kontext; zwei Standards (CLAUDE.md/AGENTS.md) – Lösung: eine Datei, die andere verweist darauf.

7Kosten

Kostenlos; „Kosten“ = die Tokens der Datei pro Sitzung – Richtwert: unter ~150 Zeilen bleiben.

8Empfehlung

Pflicht für jedes Projekt mit KI-Beteiligung: heute eine AGENTS.md anlegen (werkzeugneutral), mit den 10 wichtigsten Projekt-Fakten starten und bei jeder Agenten-Fehlleistung eine Regel ergänzen – so wird die Datei organisch besser. Tipp: den Agenten den ersten Entwurf selbst schreiben lassen („analysiere das Repo und erstelle eine AGENTS.md“).

.ignore-Dateien .gitignore & Co. Ausschluss-Listen

Textdateien, die festlegen, was ignoriert werden soll: .gitignore hält Dateien aus der Versionskontrolle (Passwörter, Build-Müll, riesige Daten), Varianten wie .dockerignore oder KI-spezifische Ignore-Regeln halten Inhalte aus dem Kontext des Agenten.

.ignore-Dateien (.gitignore & Co.) — Ausschluss-Listen: was Versionskontrolle und KI nicht sehen sollen

1Begriff

.gitignore: Textdatei mit Mustern, welche Dateien Git ignoriert. Familie: .dockerignore, .npmignore und KI-Varianten wie .aiexclude/.cursorignore bzw. Ignore-Einstellungen der Agenten.

2Bedeutung

Doppelt kritisch im KI-Zeitalter: (a) Sicherheit – Geheimnisse (.env, Schlüssel, Kundendaten) dürfen weder ins Repo noch in den Kontext/Prompt eines Cloud-Modells; (b) Kontext-Hygiene – Agenten sollen nicht durch zehntausende irrelevante Dateien (node_modules, Builds) waten.

3Funktionsweise

Einfache Muster, eine pro Zeile: *.log, build/, .env; !wichtig.log nimmt aus. Git prüft die Liste bei jedem Hinzufügen; KI-Harnesses respektieren .gitignore meist automatisch beim Datei-Lesen und bieten eigene Zusatzlisten für „darf die KI nicht sehen“.

4Hintergrund

Klassische Pannen: API-Key committed → in Minuten von Bots gefunden und missbraucht; „vibed“ Projekte ohne .gitignore leaken Zugangsdaten. Wichtig: Was schon committed wurde, bleibt in der Git-Historie – ignorieren wirkt nur vorwärts; geleakte Schlüssel immer rotieren. Vorlagen: github.com/github/gitignore.

5Alternativen / Ergänzungen

Secret-Manager (Vault, Cloud-KMS): Geheimnisse gehören gar nicht erst in Dateien im Repo.
Secret-Scanner (gitleaks, GitHub Secret Scanning): Netz unter dem Netz.
Berechtigungen im Harness: Verzeichnisse für den Agenten komplett sperren.

6Vor- & Nachteile

+ Trivial einzurichten, verhindert teure Unfälle, beschleunigt Agenten spürbar.
− Wirkt nicht rückwirkend; falsch gesetzte Muster verstecken auch Nützliches; wiegt in falscher Sicherheit, wenn Secrets doch woanders liegen.

7Kosten

Kostenlos, fünf Minuten Arbeit – gegen potenziell fünfstellige Schäden durch geleakte Cloud-Schlüssel.

8Empfehlung

In jedem Projekt Minute 1: .gitignore aus Vorlage + .env-Eintrag; Schlüssel nur in Umgebungsvariablen/Secret-Manager. Beim KI-Einsatz zusätzlich prüfen, welche Ordner der Agent sehen darf – „not in context“ ist die einfachste Datenschutz-Maßnahme.

GitHub / GitLab Code-Zentrale & Zusammenarbeit

Plattformen rund um die Versionsverwaltung Git: Code speichern, jede Änderung nachvollziehen, im Team zusammenarbeiten. Für KI dreifach relevant: Bezugsquelle der Open-Source-Tools, Arbeitsplatz der Coding-Agenten, anbindbar per MCP.

GitHub / GitLab — Die Code-Zentralen — und der Arbeitsplatz der Coding-Agenten

1Begriff

Git = verteilte Versionskontrolle (Linus Torvalds, 2005). GitHub (github.com, Microsoft) und GitLab (gitlab.com) = Plattformen darum: Hosting, Zusammenarbeit, Automatisierung. Vokabeln: Repository, Commit, Branch, Pull/Merge Request, CI/CD.

2Bedeutung

Dreifach KI-relevant: (1) Bezugsquelle fast aller offenen KI-Werkzeuge, (2) Arbeitsplatz der Coding-Agenten (ihre Ergebnisse kommen als Pull Requests), (3) per MCP/Konnektor direkt von Agenten bedienbar. Und: Git ist das Sicherheitsnetz, das agentische Änderungen reversibel macht.

3Funktionsweise

Git protokolliert jede Änderung als Commit (Schnappschuss + Beschreibung); Branches erlauben parallele Arbeitsstände; der Pull Request bündelt Änderungen zur Prüfung („Review“), bevor sie in den Hauptzweig fließen; CI/CD (GitHub Actions/GitLab CI) testet und liefert automatisch aus. Genau in diesen Prozess docken Agenten an – als Autoren und als Reviewer.

4Hintergrund

GitHub: größte Plattform (100+ Mio. Nutzer), Heimat von Copilot; GitLab: stark bei Selbst-Hosting („die ganze DevOps-Plattform aus einer Hand“), beliebt in EU-Behörden/Konzernen. Pendant für Modelle: Hugging Face.

5Alternativen

Bitbucket (Atlassian-Welt), Gitea/Forgejo & Codeberg (leichtgewichtig, selbst gehostet, EU), Azure DevOps.
Für Nicht-Code-Wissen: Wikis/Notion – aber versionierbares Markdown im Git-Repo ist die KI-freundlichere Ablage.

6Vor- & Nachteile (GitHub vs. GitLab)

GitHub + größtes Ökosystem, beste Integrationen, Copilot nativ / − US-Cloud, Selbst-Hosting nur Enterprise.
GitLab + komplette Plattform, exzellentes Self-Hosting (Datenhoheit!) / − kleineres Ökosystem, träger.

7Kosten

Beide großzügig gratis (private Repos inkl.); Teams: GitHub Team ~4 $/Nutzer/M, Enterprise ~21 $; GitLab Premium ~29 $/Nutzer/M; Self-Hosting: GitLab CE/Gitea kostenlos + eigener Server. Copilot ab ~10 $/M.

8Empfehlung

Git-Grundlagen (Commit, Branch, PR) sind die Voraussetzung, um mit Coding-Agenten sicher zu arbeiten – ohne Git kein Zurückspulen. Standard: GitHub; bei Datenhoheits-Pflichten selbstgehostetes GitLab/Forgejo. Auch Nicht-Entwickler profitieren: Verträge, Doku, Skills – alles Versionierbare gehört in ein Repo.