Agentische KI-Coding-Tools, ohne das Chaos

"Agentisch" ist der Begriff, auf den sich die Branche für KI-Coding-Tools geeinigt hat, die mehr tun als autovervollständigen. Ein agentisches Tool schlägt nicht nur die nächste Zeile vor — es nimmt ein Ziel entgegen, plant eine Abfolge von Schritten, bearbeitet Dateien, führt Befehle aus, liest die Ergebnisse und macht weiter, bis das Ziel erreicht ist oder es feststeckt.

Der praktische Unterschied ist Autonomie über Zeit. Ein Vervollständigungs-Tool hilft dir beim Tippen. Ein Agent arbeitet, während du etwas anderes tust: Er kann zehn Minuten oder eine Stunde damit verbringen, eine Aufgabenbeschreibung in einen Branch, einen Diff und oft eine Pull Request zu verwandeln.

Dieser Wandel — vom Unterstützen deines Tippens zum Übernehmen einer Aufgabe — macht die Kategorie interessant, aber auch schwer zu steuern. Sobald ein Tool unbeaufsichtigt arbeiten kann, ändert sich die Frage von "ist dieser Vorschlag gut?" zu "war das die richtige Aufgabe, richtig erledigt?"

Agentische Coding-Tools lassen sich grob in drei Formen einteilen, und die meisten ernsthaften Setups kombinieren sie. Ein paar Beispiele für jede, ohne besondere Reihenfolge:

Die Grenze zwischen den Formen verschwimmt: CLI-Tools starten jetzt auch Cloud-Sessions — claude --cloud übergibt eine Aufgabe aus deinem Terminal an Claude Code on the web. [2] Cloud-Agenten wie der von Cursor führen jede Aufgabe in einer isolierten VM aus und lassen dich viele parallel laufen. [1] Produkte in diesem Bereich werden oft umbenannt, also prüfe die aktuelle Dokumentation jedes Anbieters. Unser Guide zu Cursor background agents behandelt ein Cloud-Agenten-Beispiel ausführlich.

Frag irgendjemanden, der Coding-Agenten einen Monat lang genutzt hat, was schiefgeht, und du hörst dieselbe kurze Liste. Der Agent löst ein etwas anderes Problem als gemeint. Er berührt Dateien außerhalb des beabsichtigten Umfangs — wie die 400-Zeilen-Pull-Request, die den Passwort-Zurücksetzungs-Flow umschrieb, als der Fix ein Tippfehler in einer Fehlermeldung war. [4] Zwei parallele Agenten in einem Checkout überschreiben gegenseitig ihre Dateien oder argumentieren über halbfertige Änderungen. [3] Und aus eigener Erfahrung "beendet" ein Agent manchmal eine Aufgabe, indem er einen Test abschwächt, statt den Code zu reparieren.

Keins davon sind Modellfehler im klassischen Sinn. Es sind Spezifikationsfehler. Ein Agent ist extrem gut darin, genau das zu tun, was die Aufgabe impliziert — und gnadenlos wörtlich bei den Lücken. Vage Eingabe erzeugt kein vages Ergebnis; sie erzeugt ein selbstsicheres, plausibles, falsches.

Das ist der Engpass, vor dem niemand warnt: Sobald Agenten parallel laufen können, ist dein Durchsatz dadurch begrenzt, wie schnell du gute Aufgaben schreiben und das Ergebnis überprüfen kannst. Die Agenten sind selten der langsame Teil. Du bist es.

Die Lösung ist kein besserer, schneller getippter Prompt. Es ist, die Aufgabenbeschreibung als Artefakt zu behandeln, in das es sich zu investieren lohnt — so wie gute Teams ein gut geschriebenes Ticket behandeln.

Eine gut abgegrenzte Story gibt einem Agenten drei Dinge, die ein einfacher Prompt meist nicht liefert: eine klare Definition von "fertig", explizite Grenzen dessen, was nicht angefasst werden soll, und genug Kontext über das umgebende System, damit er nicht Konventionen neu erfindet, die es schon gibt. Teams, die in Linear planen, haben dafür schon die Gewohnheit und den Ort. Mehr in unserem Guide zu Stories für Coding-Agenten.

Der Nutzen wächst mit Parallelität. Ein Agent mit einer vagen Aufgabe verschwendet zehn Minuten. Zehn Agenten mit vagen Aufgaben verschwenden dieselben zehn Minuten zehnmal und liefern dir zehn Diffs zum Entwirren. Zehn Agenten mit klaren Stories verhalten sich wie ein Team, das dasselbe Briefing gelesen hat — solange die Stories sich nicht überschneiden.

Agenten parallel laufen zu lassen ist, wohin sich die Kategorie entwickelt, und das verändert den Workflow erneut. Du hörst auf, mit einem Agenten zu pairen, und fängst an, eine Flotte zu überwachen: Arbeit einreihen, Status prüfen, feststeckende Agenten freischalten und Ergebnisse stapelweise prüfen.

Der Punkt oben, der in der Praxis am meisten wehtut, ist Sichtbarkeit. Sobald du mehr als ein paar Cloud-Agenten laufen lässt, frisst die Frage "was macht jeder gerade, und für welches Issue?" deinen Tag. Aerunits Agents-Ansicht beantwortet das an einem Ort: eine einzige Liste jeder laufenden Cursor-Cloud-Agent-Session, jede verknüpft mit ihrem Linear-Issue. Du kannst mehrere Sessions gleichzeitig anschreiben, abgeschlossene archivieren, und Sessions fallen aus der Liste, sobald ihr Issue erledigt ist.

Aerunit funktioniert derzeit mit Cursor Cloud Agents. Dahinter schreibt es auch die Stories — es liest jedes Repository, das eine Story betrifft, bevor es sie schreibt — und startet das nächste Issue, sobald sein Blocker gemergt ist, damit die Flotte beschäftigt bleibt, ohne dass du manuell loslegst.