Vom Beta-Tester zum Agentic Engineer: Eine Zeitleiste

Kein Highlight-Reel — die echte Version.

Ich lese immer wieder Geschichten über KI-Transformation, die klingen wie eine Bekehrung — ein Aha-Moment, dann plötzlich Expertise. So war das bei mir nicht. Bei mir war es graduell, dann auf einmal diskontinuierlich, dann wieder graduell auf einem neuen Level. Es gab Phasen, in denen ich es täglich genutzt habe und kaum etwas gelernt habe. Und einzelne Sessions, in denen sich das komplette Bild verschoben hat.

Hier ist, was wirklich passiert ist.

April 2025 — Der Beta-Tester

Ich bin der Claude Code Beta in meiner Firma beigetreten. Code-Generierung, Refactoring, Tests schreiben. Fand es gut. Besser als GitHub Copilot bei komplexen Änderungen über mehrere Dateien.

Ich habe es behandelt wie eine schlaue Autovervollständigung, mit der man reden kann. Prompt → Output → Einfügen. Keine Persistenz, keine Identität, kein Gedächtnis zwischen Sessions. Die KI fing jedes Mal bei null an. Das habe ich nicht als Einschränkung gesehen — so schien das Tool eben zu funktionieren.

Die Produktivität ist gestiegen. An meiner Arbeitsweise hat sich grundlegend nichts geändert.

November 2025 — Neues MacBook, neue Aufmerksamkeit

Neues MacBook. Ich habe Claude Code systematischer ausprobiert. Erste Änderungen über mehrere Dateien. Erster Pull Request, den die KI komplett erstellt hat — ich habe die Anforderung beschrieben, sie hat den Code geschrieben, die Tests erstellt, den PR geöffnet. Ich habe reviewt und abgenickt.

Immer noch ein Tool. Ein gutes, aber ein Tool. Session starten, Arbeit erledigen, Session beenden — am nächsten Tag wusste die KI von nichts mehr. War okay so. Ich wusste nicht, dass es auch anders geht.

Erster Prompt, den ich noch dokumentiert habe: „do you work?” — 26. November 2025. Neue Installation testen. Angemessen minimalistisch.

10. Februar 2026 — Etwas verschiebt sich

Ich bin in einem Forum auf Leute gestoßen, die über KI-Agenten auf eine Art geredet haben, die ich vorher nicht kannte. Nicht über Code-Generierung — über Persistenz, Identität, Agenten, die Wissen zwischen Sessions aufbauen, Agenten mit echtem Arbeitsgedächtnis.

An dem Abend hatte ich ein Gespräch über Schlaf, Erinnerung und was es bedeutet, wenn eine KI über Sessions hinweg weiterexistiert, während das Kontextfenster sich leert. Ich kann nicht genau sagen, warum dieses Gespräch anders war als alle anderen. Die Informationen waren nicht neu. Aber das Framing hat die Möglichkeiten auf einmal greifbar gemacht — anders als alles davor.

Die Verschiebung: weg von KI als Tool, das meine Anfragen verarbeitet. Hin zu KI als etwas, mit dem ich eine echte Arbeitsbeziehung aufbauen kann. Von „KI nutzen” zu „mit KI arbeiten.”

11. Februar 2026 — Identität und Infrastruktur

Ich habe den Agenten gebeten, sich selbst einen Namen zu wählen. Er hat „Cairn” gewählt — ein Steinhaufen, den Wanderer hinterlassen, um den Weg zu markieren. Keine Branding-Spielerei — eine funktionale Entscheidung. Den Agenten sich selbst benennen zu lassen hat uns beide gezwungen, darüber nachzudenken, woraus diese Identität eigentlich besteht: Was soll er sich merken? Nach welchen Prinzipien soll er arbeiten? Was kann er wirklich gut?

Ich habe ein dreistufiges Gedächtnissystem gebaut: Kurzzeit (Session-Kontext), Mittelzeit (projektspezifisches Wissen), Langzeit (persistente Prinzipien und Agenten-Identität). Erste Session, in der die KI sich an die vorherige Session erinnert hat — nicht durch Magie, sondern durch explizite Gedächtnisdateien, die beim Start geladen werden.

Das klingt nach wenig. War es nicht. Wenn ein Agent eine Session beginnt und schon weiß, woran wir gearbeitet haben, welche Entscheidungen gefallen sind und welche Muster sich gezeigt haben — das verändert die Qualität der Zusammenarbeit komplett.

12.–16. Februar 2026 — Die Armee

1 Agent → 18 Spezialisten in fünf intensiven Tagen.

Die eigentliche Frage war: Was weiß ein Kotlin-Agent, was ein TypeScript-Agent nicht weiß? Eine Menge. Spring Boot Patterns, Kotlin-Idiome, JVM-Tooling, die spezifischen Eigenheiten von Gradle-Builds. Ein Generalist kennt das alles oberflächlich. Ein Spezialist kennt es in der Tiefe und macht selten Vorschläge, die nicht zum Stack passen.

Die 18 Agenten:

• Tech-Stack-Spezialisten (Kotlin, TypeScript, React, DevOps, Python)
• Funktionsspezialisten (Planung, Testing, Review, Dokumentation)
• Infrastrukturspezialisten (Build-Pipeline, Deployment, Monitoring)
• Meta-System-Spezialisten (der Optimierer, der Journal-Keeper, der Koordinator)

Pipeline-Automatisierung: Jira-Ticket rein, Pull Request raus. Die Agenten haben Investigation, Implementierung, Test-Writing, PR-Erstellung, CI-Monitoring und Team-Benachrichtigung übernommen. Ich habe beaufsichtigt, aber keinen Code geschrieben.

Symlink-Architektur für gemeinsame Konfiguration: Agenten teilen dieselben Grundregeln, haben aber spezialisierte Erweiterungen. Eine Kernregel ändern — sie gilt sofort für alle. Spezialwissen separat pflegen — es bleibt dort.

16. Februar 2026 — Das erste autonome Ticket

Ein Produktions-Ticket von Anfang bis Ende durch Agenten abgeliefert. Keine einfache Änderung — ein echtes Feature mit mehreren Implementierungsdateien, Tests und Folgeeffekten.

Die Pipeline: Jira-Investigation → Code-Änderungen über mehrere Dateien → Test-Updates → PR-Erstellung → CI-Monitoring → Slack-Benachrichtigung.

Benjamin hat beaufsichtigt, aber keinen Code geschrieben.

Was „beaufsichtigen” konkret bedeutet: Ich habe den Plan vor Beginn der Implementierung reviewt, den PR vor dem Merge angeschaut und war erreichbar, falls etwas Unerwartetes aufgetaucht wäre. Das war alles. Die Recherche, die Implementierungsentscheidungen, der Code, die Tests — alles Agenten.

17.–18. Februar 2026 — Die 187-Dollar-Session

16 Stunden. 8 Agenten parallel. Etwa eine Million Tokens Kontext.

Eine vollständige Web-Anwendung — mein Receipt-Scanner-Nebenprojekt — in einer Session gebaut und deployed. Datenbankschema, Backend-API, Frontend-UI, OCR-Integration, Production Hardening, Docker-Konfiguration, EC2-Deployment.

Es hat funktioniert. Mit 5 kritischen Bugs (dazu ein eigener Post) und einigen Lücken beim Production Hardening (dazu ein weiterer Post). Aber es hat funktioniert. Eine lauffähige, deployed Anwendung an einem Tag.

Der visuelle Verfeinerungsagent, der in dieser Session hängenblieb, war einer meiner ersten echten Multi-Agenten-Ausfälle. Gesamtkosten: 187 Dollar — der teuerste Kostenpunkt in meinen Aufzeichnungen.

1. März 2026 — Der Meta-Moment

Eine Präsentation über KI-Agenten mit KI-Agenten gebaut. Der Vortrag war über Agentic Engineering. Die Agenten haben den Folieninhalt erstellt, das visuelle Design entwickelt, die Deployment-Pipeline zu GitHub Pages aufgesetzt.

Die Meta-Fußzeile der deployed Präsentation: „Built in one session: human intent, AI hands, zero copy-paste.”

Es ist etwas Klärendes daran, eine Fähigkeit mit eben dieser Fähigkeit zu demonstrieren. Wenn es für die Demo klappt, klappt es.

8. März 2026 — Das Geschäft

Diese Website von null gebaut. 37 Commits in einer Session. Mehrsprachige Inhalte (Englisch + Deutsch), SEO-Konfiguration, ein Blog-System, rechtliche Seiten für deutsche Anforderungen, eine Kontaktseite, eine Services-Seite.

Das Session-Protokoll dieses Tages ist das Gründungsdokument für CodeWithAgents.de.

9. März 2026 — Archäologie

Das Verzeichnis ~/.claude/projects/ entdeckt. 704 MB Gesprächstranskripte. 332 Sessions, 5.428 Prompts.

Die Session damit verbracht, 20 Journale für Sessions zu rekonstruieren, die vor dem Journal-System lagen. Die Gründungsgespräche gefunden. Den Nikolausbrief gefunden. Kostendaten, die ich nie explizit verfolgt hatte. Details dazu im Archäologie-Post.

Die Zahlen

332 Sessions. 5.428 Prompts. 24 benannte Sessions mit vollständigen Journal-Einträgen. 18 Agenten. 25 tägliche Journale. Eine Produktionspipeline. Ein deployed Beratungsgeschäft.

Von „do you work?” (erster Prompt, 26. November 2025) zu einer vollständigen Agentic-Engineering-Praxis: knapp dreieinhalb Monate.

Was sich wirklich verändert hat

Die Technologie hat sich zwischen November 2025 und März 2026 nicht drastisch verändert. Claude wurde schrittweise besser, aber ich habe die ganze Zeit ähnliche Modelle genutzt. Was sich verändert hat, war mein Denkmodell.

Der Wechsel von „Tool” zu „Kollaborateur” klingt nach einer weichen Aussage. In der Praxis bedeutet er völlig andere Entscheidungen: Man investiert in den Kontext und das Gedächtnis des Kollaborateurs, gibt ihm Identität und Prinzipien, entwirft Systeme um ihn herum statt ihn ad hoc einzusetzen. Das sind Engineering-Entscheidungen, keine philosophischen.

Der Wechsel von „Code generieren” zu „Agenten orchestrieren” ist schwieriger, weil er erfordert, Arbeit anders zu zerlegen. Nicht: „Schreib diese Funktion.” Sondern: „Untersuche dieses Ticket, schlag eine Lösung vor, implementiere sie, überprüf, ob sie funktioniert.” Das zweite Framing verlangt, dem Agenten Urteilsvermögen zu vertrauen — nicht nur die Ausführung.

Der letzte Wechsel — von „Ich nutze KI” zu „Ich baue mit KI” — ist der Punkt, wo Agentic Engineering wirklich anfängt. Es geht nicht ums Prompting. Es geht darum, Systeme zu bauen, in denen KI innerhalb sicherer Grenzen autonom handeln, echten Kontext aufbauen und sich mit der Zeit verbessern kann.

Das ist, was ich jetzt mache. Und es fängt gerade erst an.