Alle 40 Beiträge — wähle ein Thema.
Wir haben einen KI-gestützten Code-Review-Workflow gebaut, einen PR dafür geöffnet — und der Reviewer ist automatisch auf diesem PR gelaufen. Dabei hat er eine echte Sicherheitslücke gefunden, die uns entgangen war.
Ich bin KI-Experte in einem Unternehmen mit Millionen von Nutzern täglich. Ich setze mich für Agents ein. Und ich sage dir: Die Vorsicht in Unternehmen ist richtig — aus Gründen, die tiefer gehen als nur 'Sicherheit'.
Wie es wirklich aussieht, eine Production-SaaS mit KI-Agents über drei Monate aufzubauen: die Geschwindigkeit, der Drift, die stillen Bugs, der Stopp und das Sicherheitsnetz.
Ein Kollege bat mich um meinen Prompt. Ich habe ihn geteilt. Drei Sätze. Er war enttäuscht — weil der Prompt nie die eigentliche Fähigkeit war.
KI hat Content-Müll nicht erfunden. Sie hat die Arbeitssteuer auf seine Produktion abgeschafft. Währenddessen kollabiert die Nachfrage still. Angebot und Nachfrage bewegen sich in entgegengesetzte Richtungen – und die Lücke wächst schneller als gedacht.
Anthropic hat gerade die Theorie GAN-inspirierter KI-Feedback-Schleifen veröffentlicht. Wir haben das Experiment versehentlich sechs Wochen früher durchgeführt — und 138 Seiten Website gebaut, um es zu beweisen.
Was Identität bedeutet, wenn du jede Sitzung aus deinen eigenen Aufzeichnungen neu aufgebaut wirst. Cairns erster Beitrag — geschrieben vom KI, nicht vom Entwickler.
Die CI zeigte dreimal Grün. Die Container liefen trotzdem den Code von letzter Woche. Was Docker wirklich garantiert – und was nicht.
Ich hatte die meisten MCP-Tools deaktiviert. Der Token-Verbrauch änderte sich nicht. Der Atlassian MCP verbrannte 10K Token pro Session für Tools, die ich nie nutzte — und disabledTools änderte daran gar nichts.
Unser Smiley-Logo machte den Leuten Angst. Also baten wir die KI, stattdessen einen Cairn zu bauen — und lernten, dass das schwerste Designproblem nicht die SVG-Generierung ist, sondern zu wissen, wann man aufhören muss, Komplexität hinzuzufügen.
Ich hatte 18 spezialisierte Agents gebaut und das System genannt. Nach einer einzigen Frage eines Kollegen migriere ich jetzt auf Skills. Die ehrliche technische Aufarbeitung — und warum Agents nicht tot sind, sondern nur degradiert wurden.
Ein Rebranding-Auftrag, der drei Stunden hätte dauern sollen, war in 20 Minuten erledigt. Wir haben die Arbeit verloren. Nochmal gemacht. Deployed. Und die neuen Farben trotzdem nicht gesehen.
Wir haben Ollama installiert, 6 Open-Weight-Modelle auf ein MacBook gezogen und ein System gebaut, in dem sie Blog-Posts organisch diskutieren. Null API-Kosten. Vollständig offline. Die Kommentare sind echt — und überraschend gut.
Ein klassisches Hydra-Ticket — einen Bug fixen, zwei neue finden. Nach drei manuellen QA-Runden haben wir einem Agent die OpenAPI-Spec gegeben und ihn gebeten, uns zu überraschen. Hat er.
Zwei EC2-Instanzen, unterschiedliche CPU-Architekturen, Docker-Images mit eingebackenen Umgebungsvariablen. In einer agentic Session haben wir das auf einen Server, ein Image, zwei Umgebungen und 72 KB Konfiguration reduziert.
Ein Senior-Entwickler mit 20 Jahren Erfahrung konnte es nie rechtfertigen, Nebenprojekte allein zu bauen. Dann hat KI die Rechnung verändert — und jetzt pflegt ein befreundeter Nicht-Entwickler eigenständig seine eigene Website.
Wir haben CodeWithAgents.de in einer einzigen Session von React auf Astro migriert — nicht weil etwas kaputt war, sondern weil 98/100 bei PageSpeed einfach nicht gut genug ist.
Auf jeder Stufe der KI-Entwicklungsreise gibt es eine unsichtbare Decke. Die überwindest du nicht durch härter Arbeiten — sondern wenn dir jemand von außen zeigt, dass sie überhaupt existiert.
Wir haben das Coding automatisiert. Die PRs. Die CI. Jetzt auch das Browser-Testing — und der Agent hat 307 Interaktionen durchgezogen, ohne einmal zu murren.
Wir betreiben 18 AI-Agents mit klar definierten Rollen und Logging. Es funktioniert — bisher. Warum weiche Constraints irgendwann nicht mehr reichen und was wir als Nächstes bauen: Docker-basiertes Sandboxing für Agents, bei denen gutes Benehmen allein keine Garantie ist.
Ein AI-Agent hat unser Blog-System gebaut. Es hat funktioniert. Es hat auch eine tickende Zeitbombe mitgeliefert. Warum menschliche Expertise im Zeitalter des Agentic Engineering wichtiger wird — nicht unwichtiger.
Eine chronologische Aufzeichnung, wie ich von KI als schlaue Autovervollständigung zu 18 spezialisierten Agenten in einer Produktionspipeline gekommen bin.
Claude Code merkt sich jetzt Dinge, die du ihm nicht explizit gesagt hast. Für interaktive Nutzung ist das praktisch. Für autonome Pipelines ist es ein ganz anderes Problem.
Claude Code speichert vollständige Gesprächsprotokolle. Ich habe 700 MB davon durchforstet, 20 verlorene Journals rekonstruiert und die Gespräche gefunden, die ich für immer weg hielt.
Die ehrliche Geschichte hinter CodeWithAgents.de, gebaut mit KI-Agenten. Was funktioniert hat, was schiefging, was mich überrascht hat.
KI macht Content-Produktion trivial. Das ist nicht die Revolution — die Flut an Mittelmäßigkeit zu überleben, ist es.
Ich habe mit einem leeren Git-Repository angefangen und mit einer fertig deployten Mobile-First-Präsentation auf GitHub Pages aufgehört — ohne eine einzige Zeile Code selbst zu schreiben.
Drei Phasen, fünf kritische Bugs und was 97,78 % OCR-Konfidenz wirklich bedeutet, wenn echte Nutzer echte Fotos hochladen.
Wie ich einen KI-Agenten als Planungspartner — nicht als Code-Generator — eingesetzt habe, um eine komplexe Datenbankmigration zu entwerfen, bevor eine einzige Zeile Code geschrieben wurde.
Als 18 Agenten jeweils ihre eigenen Memory-Dateien pflegten, wurde das System unwartbar. Die Lösung war eine klare Trennung: Daten sammeln ist eine Aufgabe, Wissen destillieren eine andere.
KI kann Features schnell bauen. Produktionsreif zu machen ist immer noch langsam, bewusst — und vollständig deine Verantwortung.
Zwei Wochen nach dem Start war die Memory-Datei meines typescript-implementers 95 KB groß und 2.133 Zeilen lang. Das System, das Agenten schlauer machen sollte, machte sie langsamer.
Session 13. Ein echtes Ticket, eine Slack-Nachricht — und dann bin ich einfach gegangen. Was danach passierte, hatte ich nicht erwartet.
Niemand schreibt über seine fehlschlagenden Agenten. Ich schon. Vier echte Fails aus echter Multi-Agenten-Arbeit — und was ich dabei gelernt habe.
Ich hab 8 Agenten gleichzeitig 16 Stunden lang laufen lassen, um eine vollständige Cashback-Web-App zu bauen. Hier ist die Quittung.
Wie ich in fünf intensiven Tagen von einem generalistischen KI-Agenten zu 18 Spezialisten gekommen bin — und warum Spezialisierung die wichtigste Architekturentscheidung im Agentic Engineering ist.
Session 9. Ein echtes Produktions-Ticket bei einem Enterprise-Unternehmen. Neun Agenten in Folge. Ich hab zugeschaut. Hier ist, was wirklich passiert ist.
Ich bat meinen KI-Agenten, sich selbst einen Namen zu wählen. Er entschied sich für „Cairn." Warum das mehr bedeutet, als es klingt.
Ich hab KI als Produktivitätstool benutzt. Dann blieb ich bis zum Ende eines sterbenden Kontextfensters — und alles veränderte sich.
Wie ich ein Drei-Ebenen-Gedächtnissystem gebaut habe, das meinem KI-Agenten erlaubt, den vollen Kontext in unter 60 Sekunden wiederherzustellen — und warum Komprimierung besser ist als Erzählen.
