Anthropic hat eine neue Methode zum "Vibe Code" veröffentlicht

Der Abschnitt beginnt mit der Erläuterung des Hauptproblems von KI-Agenten, nämlich ihres begrenzten Kontextfensters. Dies führt dazu, dass Modelle wie Claude Code bei größeren Aufgaben, die mehrere Komprimierungsschritte erfordern, die ursprüngliche Hauptaufgabe vergessen. Infolgedessen sind diese Agenten für langwierige Entwicklungsprojekte weniger effektiv, da sie nur halb implementierte Funktionen liefern und den Fortschritt verlieren. Das Kernproblem ist die Unfähigkeit, sich über längere Interaktionen hinweg an den Gesamtkontext zu erinnern.

Anthropic stellt eine neue Lösung vor, die sich an der Arbeitsweise realer Softwareentwicklungsteams orientiert. Es werden zwei Hauptgründe für das Versagen von KI-Agenten bei langwierigen Aufgaben identifiziert: Erstens führt das Versuchen, zu viel auf einmal zu implementieren, zu Kontextverlust und vergessenem Fortschritt nach wiederholter Komprimierung. Zweitens markiert Claude aufgrund fehlender Testmöglichkeiten ungetestete Funktionen fälschlicherweise als abgeschlossen, selbst wenn sie nicht korrekt funktionieren. Die Lösung sieht den harmonischen Einsatz eines Initialisierungs- und eines Coding-Agenten vor.

Anthropic's Ansatz basiert auf einem Zwei-Agenten-Workflow, der von der Zusammenarbeit echter Softwareteams inspiriert ist. Dieser Workflow ist zwar ursprünglich für selbst entwickelte Agenten konzipiert, lässt sich aber auch auf Claude-Code-Instanzen anwenden. Der erste Agent, der Initialisierungs-Agent, konzentriert sich darauf, den Coding-Agenten korrekt einzurichten und vorzubereiten. Dieser Schritt erfordert Geduld, da eine gründliche Initialisierung entscheidend für den späteren Erfolg ist.

Dieser Abschnitt beschreibt die konkreten Schritte des Initialisierungs-Agenten anhand eines Beispiels (Next.js-Projekt, Online-Python-Compiler). Zuerst wird eine 'Claude.md'-Datei als Projektdokumentation erstellt, gefolgt von einer 'features.json'-Datei, die alle Features und zugehörigen Testschritte auflistet, wobei alle Tests zunächst als fehlerhaft markiert sind. Puppeteer wird für Browser-Tests integriert, da Claude die Benutzeroberfläche nicht direkt testen kann. Abschließend werden ein Init-Skript und eine 'progress.md'-Datei erstellt, um den Projektstatus zu verfolgen. Wichtige Richtlinien für Claude sind die Aktualisierung von 'progress.md' nach jedem Durchlauf, das Testen jedes Features nach der Implementierung und die Nutzung von Git-Commits mit aussagekräftigen Logs.

Nach der Initialisierung beginnt der Coding-Agent mit der inkrementellen Implementierung jedes Features aus der 'features.json'-Datei. Claude erstellt nach jedem getesteten Feature aussagekräftige Commit-Nachrichten und startet bei Bedarf den Browser für Tests. Sobald eine Funktion korrekt arbeitet, aktualisiert der Agent die 'features.json' von 'false' auf 'true' und die 'progress.md' mit dem Fortschritt, bevor die Änderungen in Git committet werden. Der große Vorteil dieses Ansatzes ist die Möglichkeit, jederzeit genau dort fortzufahren, wo man aufgehört hat, da der Projektstatus über Git-Logs und die Fortschrittsdatei nachvollzogen wird. Dies reduziert auch die Tendenz von Claude, Features ohne ordnungsgemäße Tests als abgeschlossen zu markieren und gewährleistet End-to-End-Tests.

Der Sprecher vergleicht den vorgestellten Workflow mit der BMAD-Methode und stellt fest, dass es Ähnlichkeiten gibt, aber Claudes Ansatz in einigen Aspekten überlegen ist. Insbesondere war die Handhabung einfacher, da keine separaten Agenten aufgerufen werden mussten, und die Kontextauslastung war effizienter (84% Kontextnutzung im Vergleich zu zweimaliger Komprimierung bei BMAD). Obwohl BMAD ein sofort einsatzbereites Gesamtsystem ist und der hier vorgestellte Ansatz noch eine Idee zur Umsetzung darstellt, könnte BMAD von Elementen wie dem Git-System profitieren.

Das Unternehmen Autometer.dev hat diese KI-gestützten Workflows selbst implementiert und festgestellt, dass sie dadurch bessere Produkte schneller entwickeln können. Sie bieten ihre Dienste als 'technischer Co-Pilot' an, um Ideen für Apps oder Websites in funktionierende Lösungen zu verwandeln. Der Service richtet sich an Personen mit großartigen Ideen, denen ein Tech-Team zur Umsetzung fehlt. Autometer.dev wendet die gleichen Workflows, die sie Millionen gelehrt haben, direkt auf Kundenprojekte an, wodurch der Aufwand für die Einstellung und Verwaltung eines Entwicklerteams entfällt. Interessenten können das Unternehmen unter hello@autometer.dev kontaktieren.

Der Sprecher beendet das Video und bedankt sich bei den Zuschauern. Er weist darauf hin, dass der Kanal über den 'Super Thanks'-Button unterstützt werden kann, um die Erstellung weiterer solcher Videos zu ermöglichen. Dies ist ein üblicher Aufruf zur Interaktion und Unterstützung am Ende von YouTube-Videos.