Token-Verschwendung und Leerläufe von Claude-Agenten mit Fallow-Konfigurationen reduzieren
makedreamMay 1, 2026
0
Computing/Software
Comments (0)
Log in to leave a comment
No posts yet
makedreammakedreamLog in to leave a comment
No posts yet
Wer KI-Agenten in großen Monorepos einsetzt, merkt es schnell: Sie lesen wahllos zehntausende Dateien, leeren dabei Ihr Portemonnaie und liefern oft Code-Müll ab, dem der Kontext fehlt. Bevor wir die Intelligenz der Agenten verurteilen, müssen wir uns ansehen, womit wir sie füttern. Hier ist ein konkreter Weg, wie Sie Fallow – ein Rust-basiertes Code-Analyse-Tool – nutzen können, damit Agenten nur den „wirklich kritischen Code“ lesen.
Es ist unverantwortlich, einem Agenten die gesamte Codebase vorzuwerfen. Bei zu vielen Informationen leiden Modelle unter dem „Lost in the Middle“-Phänomen und vergessen mittlere Inhalte. Nutzen Sie die Indexierung von Fallow, um den Suchbereich des Agenten physisch zu begrenzen.
.fallow.json im Projekt-Root. Packen Sie **/dist/**, **/tests/** und Legacy-Packages in das exclude-Array. Lärmreduzierung hat Priorität.rules den Schwellenwert für high-complexity auf etwa 15. Dies zwingt den Agenten dazu, Module mit hoher kognitiver Komplexität zuerst zu scannen.strictBoundaries. Das verhindert die Katastrophe, dass der Agent Package-Grenzen ignoriert und Abhängigkeiten verwirrt.Allein durch diese Einstellungen sinkt die Anzahl der vom Agenten gelesenen Dateien drastisch. Das Blockieren unnötiger Dateizugriffe kann die API-Kosten um über 40% senken.
Lassen Sie den Agenten nicht jede Zeile Code einzeln lesen, um Probleme zu finden. Das ist Geldverschwendung. Es ist viel schneller und präziser, ihm von Fallow vorab berechnete strukturelle Daten als Zusammenfassung zu übergeben.
Führen Sie im Terminal fallow audit --format json > audit_report.json aus, um Architekturverletzungen und Komplexitätsberichte zu exportieren. Fügen Sie diese JSON-Daten direkt in das Kontextfenster von Claude ein oder referenzieren Sie sie in einer CLAUDE.md-Datei. Schreiben Sie in den System-Prompt: „Prüfen Sie vor jeder Änderung die Werte für verdict und complexity im Bericht und bearbeiten Sie zuerst Module mit niedrigen Scores“.
Entwickler müssen nicht mehr alles langatmig erklären. Der Agent beginnt die „Operation“ am marodesten Code basierend auf den durch Daten priorisierten Prioritäten.
Statische Analyse allein verrät nicht, ob Code tatsächlich ausgeführt wird. „Zombie-Code“ – Referenzen sind vorhanden, aber niemand ruft sie auf – ist das Hauptproblem in Monorepos. Wie Metas SCARF-Framework bewiesen hat, ist ein sicheres Löschen nur durch die Kombination von statischer Analyse und dynamischer Coverage möglich.
Sammeln Sie V8-Coverage-Daten (NODE_V8_COVERAGE) und nutzen Sie die runtime-sync-Funktion von Fallow. Sie erhalten eine Liste von „Funktionen, die statisch existieren, aber im letzten Monat nie ausgeführt wurden“. Geben Sie diese Liste dem Agenten und lassen Sie ihn um die Freigabe zum Löschen bitten. Sie werden vom Agenten Begründungen hören wie: „Diese Funktion wurde seit 6 Monaten nicht aufgerufen, sie kann sicher entfernt werden“.
Nur weil der vom Agenten geschriebene Code sofort läuft, darf er nicht blind gemerget werden. Es muss geprüft werden, ob er langfristig die Lesbarkeit beeinträchtigt. Fallow berechnet den Maintenance Index (MI) durch die Kombination von Halstead-Komplexität und logischen Pfaden.
Fügen Sie einen Schritt fallow audit --base main --format json zu Ihren GitHub Actions hinzu. Lassen Sie den Build fehlschlagen, wenn der health_score unter 70 fällt.
Dieses Gate spart Senior-Entwicklern jede Woche mehr als 2 Stunden Review-Zeit. Anstatt den „Mist“ des Agenten aufzuräumen, müssen Sie nur noch das Design von bereits maschinell validiertem, hochwertigem Code prüfen. Der Produktivitätsunterschied in der Zusammenarbeit mit Agenten hängt davon ab, wie konsequent man solche deterministischen Werkzeuge einsetzt.