Mein KOMPLETTER Agentic Coding Workflow für jedes Projekt (Ohne Schnickschnack)

하이라이트

• Fokus auf Greenfield-Entwicklung mit einem minimalistischen Framework statt überladener Multi-Agenten-Systeme.

• Der "AI-Layer" als zentrales Fundament, bestehend aus PRD, globalen Regeln und wiederverwendbaren Befehlen.

• Minimierung von Fehlannahmen durch einen interaktiven Fragen-Prozess und den Einsatz von Recherche-Sub-Agenten.

• Einführung des PIV-Loops (Plan, Implement, Validate) für eine granulare und zuverlässige Feature-Umsetzung.

• Kontext-Management als kritische Ressource durch Strategien wie "Progressive Disclosure" und Kontext-Resets.

• System-Evolution als Mindset: Jedes Problem führt zur Verbesserung des AI-Layers, nicht nur zur Fehlerbehebung im Code.

• Nutzung der Git-Historie als Langzeitgedächtnis für den Coding-Agenten zur Wahrung der Konsistenz.

타임라인

1. 00:00 - 02:22

   Einführung in das minimalistische Framework

   Der Sprecher kritisiert überladene Frameworks auf GitHub und stellt sein eigenes, simples System für die Greenfield-Entwicklung vor. Er betont, dass Entwickler ihre Zeit mit Codieren statt mit dem Bauen komplexer Workflows verbringen sollten. Die vorgestellten Prinzipien sind universell auf jeden Coding-Agenten anwendbar und konzentrieren sich auf Effizienz. Ein zentrales Thema ist das Kontext-Management, da Kontext als die wertvollste Ressource bei der Arbeit mit KI gilt. Das Video verspricht eine Kombination aus Theorie und einem praktischen Live-Build eines Linktree-Klons.

2. 02:23 - 07:03

   Der AI-Layer: PRD und Anforderungsanalyse

   In diesem Abschnitt wird der sogenannte AI-Layer definiert, der den gesamten Kontext für den Agenten bereitstellt. Dieser Layer umfasst das Product Requirements Document (PRD), globale Regeln und spezifische Befehle. Der Sprecher nutzt Speech-to-Text für einen ersten unstrukturierten Brain-Dump seiner Projektidee für einen selbstgehosteten Linktree-Klon. Wichtige Tech-Stack-Entscheidungen wie Next.js, Neon DB und Authentication werden hier bereits getroffen. Das Ziel ist es, durch Recherche-Sub-Agenten eine solide Informationsbasis zu schaffen, bevor die erste Zeile Code geschrieben wird.

3. 07:04 - 11:23

   Annahmen minimieren durch interaktives Fragen

   Der Sprecher erklärt, dass die meisten Fehler von Coding-Agents auf falschen Annahmen basieren, nicht auf schlechten Programmierfähigkeiten. Er weist den Agenten an, ihn mit Fragen zu löchern, um Unklarheiten über Features wie URL-Strukturen oder Editor-Ansichten zu beseitigen. Claude Code nutzt hierbei ein spezielles Tool für Multiple-Choice-Fragen, was den Prozess beschleunigt. Sub-Agenten übernehmen währenddessen die Web-Recherche, um Best Practices zu finden, ohne den Hauptkontext unnötig aufzublähen. Eine einzige falsche Zeile im PRD kann laut Sprecher tausende Zeilen schlechten Code zur Folge haben.

4. 11:24 - 16:43

   Erstellung von PRD und globalen Regeln

   Nachdem alle Fragen geklärt sind, wird ein strukturiertes PRD mit dem Befehl "/createPRD" generiert. Der Sprecher betont die Regel "Commandify everything", um Prozesse wiederholbar und systematisch zu gestalten. Neben dem PRD werden globale Regeln in einer "agents.md" Datei festgelegt, die Standards für Tests, Logging und Architektur definieren. Das Prinzip der "Progressive Disclosure" wird eingeführt: Der Agent lädt tiefere Informationen nur bei Bedarf aus Referenz-Ordnern. Dies hält das primäre Kontextfenster sauber und reduziert das Risiko von Halluzinationen während der Entwicklung.

5. 16:44 - 23:19

   Der Prime-Befehl und On-Demand-Kontext

   Bevor eine neue Sitzung beginnt, nutzt der Sprecher den "/prime" Befehl, um den Agenten mit der Codebasis vertraut zu machen. Der Agent liest dabei die Dokumentation, erkundet die Struktur und nutzt das Git-Log als Langzeitgedächtnis. In diesem Schritt identifiziert der Agent die nächste anstehende Phase aus dem PRD, in diesem Fall das technische Fundament. Der On-Demand-Kontext wird durch spezifische Dateien wie "api.md" oder "components.md" gesteuert, die nur bei relevanten Aufgaben herangezogen werden. So bleibt der Fokus des Agenten stets auf die aktuell notwendigen Informationen beschränkt.

6. 23:20 - 30:33

   Der PIV-Loop: Planen, Implementieren, Validieren

   Der PIV-Loop (Plan, Implement, Validate) wird als Kernprozess für die Feature-Umsetzung vorgestellt. Die Planung beginnt mit einem "Vibe Planning" für die Architektur, das dann in einen detaillierten, strukturierten Schlachtplan überführt wird. Ein wesentlicher Bestandteil dieses Plans ist die Validierungsstrategie, die festlegt, wie das Feature nach der Umsetzung geprüft wird. Der Sprecher betont, dass man das gesamte Coding delegieren kann, solange man in der Planung und Validierung voll involviert bleibt. Vor der Implementierung findet ein strikter Kontext-Reset statt, damit der Agent nur mit dem frischen Plan arbeitet.

7. 30:34 - 34:45

   Implementierung und automatisierte Validierung

   Während der Implementierungsphase führt der Agent den Plan eigenständig aus, erstellt Dateien und führt Migrationen durch. Der Einsatz des Vercel Agent Browser CLI ermöglicht es der KI, echte End-to-End-Tests in einer Browser-Umgebung durchzuführen. Der Sprecher führt dennoch eine manuelle Validierung durch und zeigt die funktionierende Anwendung im Browser inklusive Drag-and-Drop-Features. Nach erfolgreichem Test wird der Befehl "/commit" genutzt, um standardisierte Nachrichten für die Historie zu generieren. Dieser Schritt schließt den Kreis der Implementierung und sichert den Fortschritt für künftige Aufgaben ab.

8. 34:46 - 42:24

   System-Evolution und Regressionstests

   Im letzten Abschnitt wird das Konzept der System-Evolution erläutert, bei dem der AI-Layer kontinuierlich verbessert wird. Fehler im Code werden zum Anlass genommen, Regeln oder Styleguides präziser zu formulieren, um ähnliche Probleme in der Zukunft zu vermeiden. Der Sprecher stellt QA-Tech als Tool für KI-basierte Regressionstests vor, um sicherzustellen, dass neue Features bestehende Funktionen nicht beeinträchtigen. Das Ziel ist ein sich selbst verstärkender Prozess, bei dem Code, Tests und KI-Anweisungen parallel wachsen. Das Video endet mit einem Ausblick auf die Brownfield-Entwicklung und einem Hinweis auf weiterführende Kurse.