Alles, was ich über KI-Programmierung wusste, war falsch

Das Video behandelt KI-Coding-Frameworks wie Beemad und Speckit und erklärt, warum viele experimentelle Workflows nicht die erwarteten Ergebnisse liefern. Das Problem liegt nicht in schlechten Methoden, sondern darin, dass die Workflows nicht zum spezifischen Anwendungsfall passen. Bei der App-Entwicklung werden meist eigene Workflows erstellt statt vorgefertigte zu nutzen. Der Sprecher kündigt an, die fundamentalen Prinzipien zu erklären, die jedes Framework verwendet und die nötig sind, um eigene Workflows zu bauen.

Das Kontextfenster wird als die Menge an Informationen definiert, die sich das Modell gleichzeitig merken kann - alles außerhalb ist nicht mehr abrufbar. Anthropic-Modelle haben 200.000 Token, Gemini-Modelle 1 Million Token Kontextfenster. Diese Zahlen erscheinen zwar groß, sind aber begrenzt, da das Kontextfenster nicht nur System-Prompts und Benutzernachrichten enthält, sondern auch vergangene Nachrichten, Speicherdateien, Tools und MCP-Aufrufe. Das Verwalten des Kontexts ist die Kernfunktion dieser Frameworks. Der Sprecher verwendet Claude Code als primäres Tool im Video, betont aber dass die Prinzipien für alle Plattformen gelten.

Progressive Offenlegung wird als wichtigstes Prinzip vorgestellt: dem LLM nur das Wichtige zeigen und die Aufmerksamkeit auf aktuell Benötigtes fokussieren, statt das Kontextfenster mit zukünftig möglicherweise nötigen Informationen zu füllen. Obwohl fortgeschrittene Modelle wie Sonnet 4.5 eingebaute Kontextbearbeitung und grep-Befehle nutzen, reicht das allein nicht aus. Bei vagen Anweisungen laden selbst neuere Modelle unnötige Dinge und verschmutzen das Fenster. Konkret sollte man Claude bitten, Backend-Endpunkte einzeln zu überprüfen, statt alles auf einmal zu beheben. Die Skills-Funktion in Claude verkörpert dieses Prinzip perfekt: ihre Beschreibungen liefern gerade genug Information, damit die Plattform weiß, wann Skills verwendet werden sollen, ohne alles in den Kontext zu laden.

Ein häufiger Fehler ist die übermäßige Nutzung von MCPs - sie sollten nur für externe Daten verwendet werden, Skills für alles andere. Das zweite wichtige Prinzip: Informationen, die aktuell nicht benötigt werden, gehören nicht ins Kontextfenster. Tools verwenden strukturierte Notizen, die man nutzen kann, indem man dem KI-Tool externe Dateien zur Verfügung stellt für Entscheidungen, Probleme oder technische Schulden. Dieser Ansatz ermöglicht es dem Agenten, kritischen Kontext beizubehalten, der bei komplexen Projekten sonst verloren ginge. Die Kompaktierungsfunktion verwaltet das Kontextfenster, und nach einem Kontext-Reset kann der Agent diese Notizen nutzen statt sich nur auf die Zusammenfassung zu verlassen. Dieser Ansatz ist besonders hilfreich für langfristige, komplexe Aufgaben.

Die agent.md wird als Standard-Kontextdatei vorgestellt, die alle Agenten vor Sitzungsstart lesen (manche Agenten nutzen claud.md). Der Sprecher verwendet sie, um Agenten anzuleiten, wie externe Dateien strukturiert sind und was in jede geschrieben werden soll. Agenten pausieren oft mitten in lang laufenden Aufgaben, wenn der Kontext über 70% seiner Grenze geht - hier greift das Konzept des Aufmerksamkeitsbudgets. Das Kontextfenster ist das, worauf das Modell bei der Ausgabe-Generierung achtet. Über 70% muss sich das Modell mehr konzentrieren, die Halluzinationsgefahr steigt, und bei KI-Agenten können sie ihre Tools nicht mehr effektiv nutzen oder ignorieren sie komplett. Lösungen umfassen manuelle Kompaktierung statt Auto-Kompaktierung bei 90%, Claudes Rückspulfunktion zum Löschen unnötiger Teile, und das Starten neuer Kontextfenster für neue Aufgaben.

Sub-Agenten als Erweiterung der progressiven Offenlegung arbeiten in ihrem eigenen isolierten Kontextfenster und melden nur die Ausgabe an den Hauptagenten zurück. Dies ist besonders hilfreich bei voneinander isolierten Aufgaben, da das Hauptkontextfenster vor Tool-Aufrufen und Suchen des Sub-Agenten geschützt bleibt. Informationen bleiben in ihrer dedizierten Arbeitszone. Da Sub-Agenten im Hintergrund laufen, kann man weiterhin mit dem Hauptagenten interagieren und ihn an Aufgaben arbeiten lassen, die tatsächlich Aufmerksamkeit erfordern. Der Sprecher verwendet Sub-Agenten für Recherchen wie Framework-Regeln - ihre Tool-Aufrufe und Suchen sind isoliert und nur die Antwort wird an den Hauptagenten zurückgegeben.

Verschiedene Dateiformate beeinflussen die Token-Anzahl und damit die Workflow-Effizienz unterschiedlich. YAML ist am Token-effizientesten und wird hauptsächlich für Datenbank-Schemas, Sicherheitskonfigurationen und API-Details verwendet - die Einrückung hilft Modellen bei der Strukturierung. Markdown ist besser für Dokumentation wie claud.md, weil Überschriftenebenen dem Modell die Navigation zwischen Abschnitten erleichtern. XML ist speziell für Claude-Modelle optimiert, da Anthropic erklärt, dass ihre Modelle feinabgestimmt sind, diese Tags als Container und Trenner zu erkennen - nützlich für unterschiedliche Abschnitte wie Einschränkungen oder Zusammenfassungen. Andere Modelle bevorzugen generell Markdown und YAML gegenüber XML. JSON ist am wenigsten Token-effizient wegen zusätzlicher Klammern und Anführungszeichen und wird nur für kleine Dinge wie Aufgabenzustände empfohlen.

Git wird als eines der grundlegendsten Dinge beim Programmierstart beschrieben. Ein Trend bei Kontext-Workflows ist die Nutzung des Git-Commit-Verlaufs als Erinnerung für das Modell an den gemachten Fortschritt, sowohl im gesamten Projekt als auch bei einzelnen Aufgaben. Context-Engineering-Workflows sollten generell in einem mit Git initialisierten Repository verwendet werden. Ein solcher Workflow bedeutet, dem Modell nicht zu erlauben, alles auf einmal zu tun, sondern geplante Schritte nacheinander abzuarbeiten. Bei Problemen ermöglicht Git die Kontrolle, auf welche Version zurückgesetzt wird, und hilft ermitteln, welche Änderung Probleme verursacht. Manche haben auch Parallelisierung mit Git-Worktrees implementiert, wobei Sub-Agenten in dedizierten Worktrees für parallele Arbeit arbeiten.

Egal welcher Workflow erstellt wird, es gibt immer Fälle, in denen Anweisungen für gängige Verfahren wiederholt werden, wie Git-Commits oder Dokumentation-Updates. Fast alle KI-Tools bieten Möglichkeiten, häufig wiederholte Prompts wiederzuverwenden. Der Sprecher nutzt custom/commands in eigenen Projekten, weil sie Claude wiederverwendbare Anleitungen geben. Ein Catchup-Befehl enthält Anweisungen, wie Informationen außerhalb des Kontextfensters strukturiert sind, damit Claude sich mit dem Projekt auf den neuesten Stand bringen kann ohne jede Datei lesen zu müssen. Commands eignen sich auch gut, um Strukturen durchzusetzen: ein commit/command folgt einer spezifischen Struktur für Commit-Nachrichten und definiert Pre-Commit-Checks. So halten Commands alles standardisiert ohne Claude wiederholt anweisen zu müssen.

MCPs sollten immer dann verwendet werden, wenn externe Daten benötigt werden. Jira wird als weitverbreitete Team-Management-Software genannt - das Jira-MCP ermöglicht direkten Zugriff auf Tickets und Umsetzung von Änderungen. Ebenso verwendet der Sprecher das Figma-MCP, um Claude Code mit dem Style Guide der App zu versorgen, der dann zum Erstellen des Designs genutzt wird. Für Aufgaben, bei denen die eingebauten Modell-Fähigkeiten nicht ausreichen, sind MCPs unverzichtbar für effiziente Interaktion mit externen Quellen. MCPs können direkt in custom/commands eingebunden werden und werden so Teil des gesamten Workflows. Das Video endet mit einem Hinweis auf den Super-Thanks-Button zur Unterstützung des Kanals.