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.
Die Aperture-Strategie: Den Blickwinkel des Agenten einschränken
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.
- Erstellen Sie eine
.fallow.jsonim Projekt-Root. Packen Sie**/dist/**,**/tests/**und Legacy-Packages in dasexclude-Array. Lärmreduzierung hat Priorität. - Setzen Sie im Bereich
rulesden Schwellenwert fürhigh-complexityauf etwa15. Dies zwingt den Agenten dazu, Module mit hoher kognitiver Komplexität zuerst zu scannen. - Aktivieren Sie bei Monorepos die Option
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.
Datengesteuerter Briefing-Workflow zur Token-Ersparnis
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.
Sicheres Löschen von Code durch Kombination mit Laufzeitdaten
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“.
Sicherung der CI/CD-Pipeline durch den Wartbarkeitsindex
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.
