Sechs Schlüsselkomponenten eines Coding-Agenten: Wie moderne KI-Systeme für das Schreiben von Code funktionieren

Der Artikel untersucht die Architektur von Coding-Agenten – Werkzeuge wie Claude Code oder Codex CLI, die im Kern eine Hülle (Harness) um ein großes Sprachmodell (LLM) darstellen. Der Autor argumentiert, dass in modernen Systemen oft diese Hülle und nicht das Modell selbst der entscheidende Faktor für das praktische Ergebnis ist. Er identifiziert sechs Hauptkomponenten dieser Hülle. Erstens: Live-Kontext des Repositoriums (Live Repo Context) – der Agent sammelt vorab Informationen über den Git-Branch, Projektdateien, die README und Regeln (AGENTS.md), um nicht bei Null beginnen zu müssen. Zweitens: Prompt-Formung und Cache-Wiederverwendung (Prompt Shape and Cache Reuse) – der stabile Teil des Prompts (allgemeine Anweisungen, Tool-Beschreibungen, Zusammenfassung des Arbeitsbereichs) wird gecached und wiederverwendet, während nur die letzte Benutzeranfrage, das aktuelle Transkript und das Kurzzeitgedächtnis aktualisiert werden. Drittens: Strukturierte Werkzeuge, Validierung und Berechtigungen (Structured Tools, Validation and Permissions) – der Agent kann nur vordefinierte Werkzeuge aufrufen (z. B. list files, read file, search, run shell command), die vor der Ausführung auf Korrektheit der Argumente, Pfadzulässigkeit und Notwendigkeit der Benutzerzustimmung geprüft werden. Viertens: Minimierung der Kontextaufblähung (Context Reduction and Output Management) – es werden Clipping und Verwaltung der Historie eingesetzt, um ein Anwachsen des Kontexts und eine Verschlechterung der Antwortqualität zu verhindern. Fünftens: Transkripte, Gedächtnis und Wiederaufnahme von Sitzungen (Transcripts, Memory and Resumption) – Interaktionsaufzeichnungen und Notizen werden gespeichert, und es besteht die Möglichkeit, eine Sitzung zu unterbrechen und fortzusetzen. Sechstens: Delegation und begrenzte Sub-Agenten (Delegation and Bounded Subagents) – der Agent kann Teilaufgaben an spezialisierte untergeordnete Agenten delegieren. Der Autor betont, dass eine gute Hülle die Effektivität selbst eines einfachen (nicht auf Reasoning ausgelegten) Modells erheblich steigern kann, sodass es mit leistungsfähigeren Systemen gleichzieht, wenn diese ohne eine solche Hülle eingesetzt werden.