Auf dieser Seite
Vom Prompt zum Pull Request: eine Fertigungsstraße für KI-Agenten
Ein KI-Assistent, dem man einzelne Aufgaben zuruft, spart in erster Linie Tipparbeit und trifft nebenbei Entscheidungen, die man selbst hätte treffen sollen. Den eigentlichen Hebel hat man erst, wenn man den ganzen Weg vom Issue bis zum Pull Request als Fertigungsstraße begreift und jede Station so baut, dass ein Agent sie zuverlässig bedienen kann.
So arbeite ich in meinen eigenen Projekten, etwa an dieser Website und an meinen Kommandozeilenwerkzeugen. In Kundenprojekten kläre ich vorab mit den Auftraggeber:innen, welcher KI-Agent eingesetzt werden darf und auf welche Systeme er zugreifen darf. Dieser Artikel beschreibt die Bausteine.
Stationen statt Prompts
Meine Fertigungsstraße hat sechs Stationen:
- Issue lesen: Anforderung, Kommentare und Entwürfe einsammeln.
- Spezifikation schreiben: Der Agent entwirft, ich prüfe und gebe frei. Was wird gebaut, was ausdrücklich nicht, und woran erkenne ich, dass es fertig ist?
- Umsetzen: Der Agent implementiert gegen die Spezifikation.
- Prüfen: Kompilieren, Linting und Tests laufen automatisch.
- Pull Request öffnen: mit einer Beschreibung, die im Review ohne Rückfrage verständlich ist.
- Zurückmelden: Ergebnis und offene Punkte landen wieder im Issue.
Jede Station hat eine definierte Eingabe und eine definierte Ausgabe. Das klingt bürokratisch, ist aber der Grund, warum ich mehrere Issues parallel laufen lassen kann, ohne den Überblick zu verlieren. Der Engpass verschiebt sich dadurch zum Review: Mehr parallele Issues, als ich sorgfältig prüfen kann, bringen nichts.
Leitfäden im Repository
Ein Agent kennt weder die Architektur noch die Konventionen eines Projekts. Beides steht deshalb in kurzen Leitfäden, die versioniert im Repository liegen, in schlichtem Markdown und damit nicht an ein bestimmtes Werkzeug gebunden. Was hineingehört und was nicht, beschreibt der Artikel Leitfäden für KI-Agenten schreiben.
Eigene Skills
Für die Stationen selbst gibt es Skills: kurze, wiederverwendbare Anleitungen für genau eine Aufgabe. Bei mir sind das zum Beispiel das Schreiben einer Spezifikation, das Anlegen eines neuen Artikels mit gültigem Frontmatter oder ein Prüfschritt, der nur die Fehler zurückmeldet. Wie ich sie aufbaue, steht in Skills für KI-Agenten.
zsh-Funktionen als Fließband
Die Stationen verbinde ich mit einfachen zsh-Funktionen. Jedes Issue bekommt einen eigenen Git-Worktree, damit sich parallele Arbeiten nicht in die Quere kommen. Vereinfacht sieht der Einstieg so aus:
# vereinfacht: ein Issue, ein Worktree, ein Agent
issue() {
local id=$1
local dir="$(git rev-parse --show-toplevel)/../$id"
git fetch origin &&
git worktree add --no-track -b "feature/$id" "$dir" origin/main &&
cd "$dir" &&
agent "/spec $id" # agent = Aufruf des eigenen Agenten-CLI
}
--no-track verhindert, dass der neue Branch origin/main als Upstream bekommt. Sonst vergleicht git status den Branch mit main, und ein git pull holt main in den Feature-Branch. Den richtigen Upstream setzt erst der erste Push mit git push -u origin feature/$id.
Ein Worktree trennt nur Arbeitsstände. Ein Agent darin hat ohne Sandbox dieselben Rechte wie die Shell, aus der er startet. Abhängigkeiten, Ports und lokale Datenbanken muss jeder Worktree selbst mitbringen.
Weitere Funktionen starten den Prüfschritt, öffnen den Pull Request oder räumen fertige Worktrees wieder ab. Die Shell ist dafür das richtige Werkzeug: Sie ist ohnehin da, und jede Funktion bleibt eine Handvoll Zeilen.
Eigene CLI-Werkzeuge und API-Anbindungen
Agenten sind gut im Aufrufen von Werkzeugen und schlecht im Erraten von Zuständen. Alles, was deterministisch sein muss, baue ich deshalb als eigenes Kommandozeilenwerkzeug mit klarer Ausgabe: wiederkehrende Release-Schritte, das Prüfen interner Links vor dem Veröffentlichen, Abfragen an die Schnittstellen der Dienste, die ich nutze.
Der Agent ruft das Werkzeug auf und liest das Ergebnis. So muss er weder rechnen noch raten.
MCP und Browser-Automatisierung
Über das Model Context Protocol (MCP) oder ein vorhandenes Kommandozeilenwerkzeug bekommt der Agent Zugriff auf die Systeme rund um den Code. Wo es eine Schnittstelle gibt, nutze ich sie. Wo es keine gibt, steuert der Agent den Browser.
So liest er Beschreibung und Kommentare aus dem Issue-Tracker, bevor die Spezifikation entsteht, und schreibt am Ende eine Zusammenfassung zurück. Auf der Code-Plattform (etwa GitHub) legt er den Pull Request an, füllt die Beschreibung aus der Spezifikation und reagiert auf Review-Kommentare. In der laufenden Anwendung klickt er den neuen Ablauf durch, bevor ich ihn mir ansehe.
Jeder Zugang ist auch ein Risiko, und zwar in zwei Richtungen. Alles, was der Agent liest, geht als Kontext an den Modellanbieter. Daten, die ich nicht weitergeben darf, gehören deshalb nicht in seine Reichweite. Umgekehrt können Issues, Review-Kommentare und Webseiten Text enthalten, den der Agent als Anweisung befolgt. Die Grenze sollte deshalb außerhalb des Agenten liegen: ein geschützter Hauptzweig, ein Zugang, der nur Branches pushen und Pull Requests anlegen darf, ein eigenes Browserprofil und keine Geheimnisse in seiner Umgebung. Was der Agent nicht darf, muss die Plattform verweigern, nicht der Prompt.
Tests aus der Spezifikation
Tests sind die Station, an der sich entscheidet, ob man einem Agenten trauen kann. Bei mir entstehen sie aus den Akzeptanzkriterien in der Spezifikation, nicht aus dem fertigen Code. Sonst prüft der Agent nur, was er gerade selbst gebaut hat. Das trägt nur, wenn die Tests vor der Umsetzung feststehen und zunächst fehlschlagen. Ändert der Agent später einen Test, damit er grün wird, muss das im Review auffallen.
In Frontend-Projekten gehören dazu Unit-Tests, Tests der Barrierefreiheit und Durchläufe im Browser. Automatische Prüfungen finden nur einen Teil der Barrieren. Tastaturbedienung und Screenreader brauchen weiterhin eine Prüfung von Hand. Eine feste Schwelle für die Abdeckung der geänderten Zeilen sorgt dafür, dass neuer Code überhaupt von Tests ausgeführt wird. Eine Schwelle für das ganze Projekt leistet das nicht: Ist der übrige Code gut abgedeckt, bleibt der Gesamtwert auch mit einer ungetesteten Änderung über der Schwelle. Einen neuen Test erzwingt aber auch die Schwelle für geänderte Zeilen nicht. Führt ein bestehender Test die Zeile aus, gilt sie als abgedeckt.
Abdeckung zeigt allerdings nur, dass Zeilen ausgeführt wurden, nicht, dass etwas geprüft wird. Agenten schreiben gern Tests, die viel ausführen und wenig behaupten. Im Review lohnt es sich deshalb, zuerst die Tests zu lesen.
Wann sich der Aufbau lohnt
Leitfäden, Skills, Funktionen und Werkzeuge kosten Zeit in Aufbau und Pflege, und jeder Durchlauf kostet Rechenzeit des Modells. Für eine Aufgabe, die einmal vorkommt, ist das zu viel. Die Fertigungsstraße lohnt sich, wo dieselbe Art von Aufgabe immer wiederkommt. Ich baue sie deshalb Station für Station auf, und zwar dort, wo ich mich zuerst wiederhole.
Was beim Menschen bleibt
Die Fertigungsstraße nimmt mir das Umsetzen ab, nicht das Entscheiden. Drei Dinge gebe ich deshalb nicht aus der Hand:
- Die Spezifikation. Ich lese sie, bevor eine Zeile Code entsteht. Ein Fehler hier zieht sich durch alle weiteren Stationen.
- Die Architektur. Leitfäden beschreiben Regeln, aber ob eine Regel für diesen Fall noch passt, entscheide ich.
- Die Freigabe. Jeder Pull Request geht durch mein Review, bevor er gemergt wird.
Verantwortung lässt sich nicht automatisieren. Automatisieren lohnt sich dort, wo sich Arbeit wiederholt und ein Test zeigt, ob das Ergebnis stimmt.
Thema für Ihr Projekt?
Passende Leistung: Agentische Entwicklung einführen. Schildern Sie mir kurz, worum es geht. Ich melde mich mit einer ersten Einschätzung.
Projekt anfragen