Claude Code: 20 % mehr Code-Qualität

Wir befinden uns offiziell tief in der agentischen Ära der Softwareentwicklung. Wie wir in unserem kürzlich veröffentlichten Bericht über KI-Tools für die Softwareentwicklung 2026 hervorgehoben haben, haben sich KI-Programmierassistenten von einfachen Autovervollständigungs-Plugins zu autonomen Agenten entwickelt, die in der Lage sind, dateiübergreifende Aufgaben zu planen, zu bearbeiten und zu verifizieren. Tools wie Claude Code, Cursor, Windsurf und Codex verändern die Art und Weise, wie wir Software entwickeln, grundlegend.

Aber wenn Sie genug Zeit mit diesen Agenten verbracht haben, sind Sie wahrscheinlich auf dieselbe unsichtbare Wand gestoßen wie wir.

Unser Bericht von 2026 deckte ein kritisches Paradoxon auf: Während KI-Programmiertools bei öffentlichen Datensätzen (mit hohen Punktzahlen in SWE-Bench) glänzen, sinkt ihre Leistung bei privaten, unkontaminierten kommerziellen Codebasen drastisch auf 20-30 %. Warum? Weil KI-Programmieragenten trotz ihrer Brillanz unter inhärenten Einschränkungen und Verzerrungen (Biases) leiden. Sie halluzinieren APIs, weichen stillschweigend von Kernanforderungen ab und schreiben selbstbewusst Code, der bestehende Architekturen zerstört. Es ist ein frustrierender Kreislauf, der Ingenieure von der High-Level-Architektur abzieht und sie zurück in das Gestrüpp der Fehlersuche in KI-generierten Implementierungsdetails zerrt.

Bei Shelpuk AI Technology Consulting entwickeln wir maßgeschneiderte KI-Produkte im Festpreismodell. Für uns ist Entwicklungseffizienz nicht nur ein „Nice-to-have", sondern die Grundlage unserer Rentabilität. Um diese inhärenten KI-Fehler zu beheben, haben wir eine Open-Source-Agenten-Suite (Agentic Suite) entwickelt – ein Set von Model Context Protocol (MCP)-Servern und -Skills, das darauf ausgelegt ist, Modellverzerrungen zu beseitigen und strenge Ingenieursdisziplin durchzusetzen.

Die Ergebnisse waren transformativ. Durch den Einsatz dieser tool-agnostischen Suite – die nahtlos mit Claude Code, Cursor, Codex, Gemini CLI, Antigravity, OpenClaw und anderen zusammenarbeitet – konnten wir die Durchsatz- und Genauigkeitsraten drastisch verbessern. Einer unserer Kunden, Relevant Software, berichtete kürzlich von einer 15- bis 20-prozentigen Steigerung der Qualität der KI-Codegenerierung mit genau diesem Setup.

Hier ist ein tiefer Einblick in die zugrunde liegenden Probleme, die KI-Agenten zurückhalten, und wie unsere Open-Source-Suite diese behebt.

Problem 1: Datensatzbeschränkungen und die „Wissensgrenze" (Knowledge Cutoff)

Large Language Models (LLMs) werden mit riesigen Mengen an Internetdaten vortrainiert. Folglich sind sie außergewöhnlich gut darin, Code für sehr beliebte Sprachen und weit verbreitete Frameworks zu schreiben.

Wenn Sie jedoch mit weniger populären Programmiersprachen, proprietären internen APIs oder modernsten Technologien arbeiten, die nach dem Trainings-Cutoff des Modells veröffentlicht wurden, wird das LLM stark unterdurchschnittlich abschneiden.

Dies könnte behoben werden, indem der Agent gezwungen wird, sich auf die Websuche anstatt auf seine interne Intelligenz zu verlassen. Allerdings leiden sowohl die interne Websuche als auch Drittanbieter-MCP-Server wie Tavily unter einigen kritischen Einschränkungen.

Stellen Sie sich Folgendes vor: Ihr KI-Assistent debuggt einen kryptischen Google Cloud Batch-Fehler. Er durchsucht das Web und findet den perfekten StackOverflow-Thread. Aber Standard-Websuche-MCP-Server liefern nur die URL und ein kurzes Snippet zurück. Die KI muss dann einen zweiten Aufruf starten, um die Seite zu scrapen, was oft in einem Durcheinander von HTML-Navigationsleisten, Werbung und Rauschen resultiert, das wertvolle Kontext-Token verschwendet. Und was am wichtigsten ist: Sie verfehlt dabei oft die eigentliche Lösung komplett.

Die Lösung: Kindly Web Search MCP Server

Um dieses Problem zu lösen, haben wir den Kindly Web Search MCP Server entwickelt.

Anstelle von generischem Scraping integriert sich Kindly direkt mit den APIs von entwicklerzentrierten Plattformen wie StackExchange, GitHub Issues, arXiv und Wikipedia. Wenn Ihr Agent nach einem Fehler sucht, liefert Kindly die gesamte Konversation in einem einzigen Aufruf zurück – die ursprüngliche Frage, die Code-Snippets, die akzeptierten Antworten, die „Das hat bei mir funktioniert"-Kommentare und die Reaktionen – alles nativ für ein LLM formatiert.

Indem Sie Ihren Agenten zwingen, Lösungen und API-Verträge durch Kindly zu validieren, umgehen Sie effektiv die Wissensgrenze des LLMs und schließen die Lücke für Nischen- oder hochmoderne Technologien, was massiv Token spart und Halluzinationen verhindert.

Problem 2: Das „Bad Token"-Problem (Selbst-Gaslighting)

LLMs generieren Text autoregressiv – das heißt, sie generieren Code Token für Token. Konstruktionsbedingt wird jedes neue Token so ausgewählt, dass die Sequenz der vorherigen Token plausibel erscheint.

Dies erzeugt ein gefährliches Phänomen, das wir das „Bad Token"-Problem nennen.

Stellen Sie sich das so vor, als würden Sie einen Satz mit einer falschen Annahme beginnen; Ihr Gehirn versucht automatisch, den Rest des Satzes überzeugend klingen zu lassen, selbst wenn die Prämisse falsch ist. Wenn ein KI-Agent früh in einer Datei eine fragwürdige Designentscheidung trifft (ein „schlechtes Token"), wird jede nachfolgende Codezeile, die er schreibt, versuchen, diesen anfänglichen Fehler zu rechtfertigen und zu verstärken, um die Kohärenz aufrechtzuerhalten. Der Agent betreibt effektiv Selbst-Gaslighting (er manipuliert sich selbst) und zieht die gesamte Implementierung auf den falschen Weg.

Die Lösung: Lad MCP Server (Dual-Reviewer KI)

Wie lösen menschliche Entwicklungsteams das Problem des Tunnelblicks? Durch Peer-Reviews. Wir haben die gleiche Logik auf KI angewendet.

Wir haben den Lad MCP Server entwickelt, um es Ihrem primären Programmier-Agenten zu ermöglichen, Systemdesign- und Code-Reviews von zwei anderen unabhängigen LLMs über OpenRouter (z.B. moonshotai/kimi-k2.5 und z-ai/glm-5) anzufordern. Indem Lad zwei hochmoderne Reviewer parallel laufen lässt, reduziert es die Voreingenommenheit (Bias) des einzelnen Modells. Da diese Reviewer-LLMs das fertige Diff bewerten – und nicht durch die Token-Generierungshistorie des ursprünglichen Autors belastet sind –, erkennen sie leicht die durch Kohärenzdrang entstandenen Fehler, für die der erste Agent blind war.

Das fehlende Bindeglied: Projektbewusstsein durch Serena

Ein wesentlicher Fehler bei Standard-KI-Code-Reviews ist, dass die KI das Diff in einem Vakuum überprüft. Ein menschlicher Ingenieur prüft einen Pull Request anhand von Anforderungen, Team-Einschränkungen und früheren Architekturentscheidungen. Eine KI prüft normalerweise nur, ob die Syntax fehlerfrei ausgeführt werden kann.

Um dies zu beheben, verbindet sich Lad direkt mit Serena, einem Open-Source-MCP für semantische Codenavigation, das als „Headless-IDE" für KI fungiert. Serena stattet die Lad-Reviewer mit einem dauerhaften Projektgedächtnis und einem vollständigen Index der Codebasis aus. Wenn Lad einen Pull Request überprüft, prüft es, ob der neue Code Integrationen mit anderen Microservices bricht, etablierten Anforderungen widerspricht oder gegen historische Designrichtlinien verstößt.

Problem 3: Der „Nur-Antworten"-Trainings-Bias und fehlende Prozesse

Um Konversationsfähigkeiten zu unterstützen, wurden LLMs überwiegend mit Frage-Antwort-Paaren trainiert. Sie wurden selten mit Frage-Frage-Paaren oder Frage-„Ich weiß es nicht"-Paaren trainiert. Aufgrund dieser grundlegenden Trainingsverzerrung (Training Bias) sind LLMs stark darauf konditioniert, sofort eine Antwort zu liefern, selbst wenn ein Prompt vage, mehrdeutig oder widersprüchlich ist. Sie halten fast nie inne, um eine klärende Frage zu stellen; stattdessen halluzinieren sie einen Weg nach vorn.

In der Welt der KI-Programmieragenten ist dies katastrophal. Es führt dazu, dass Agenten direkt in die Implementierung springen, ohne die Anforderungen zu klären, und in mehrdeutigen Situationen stillschweigend kritische Designentscheidungen treffen, ohne diese jemals mit dem Benutzer abzustimmen. Sie erhalten vielleicht sauber aussehenden Code, aber einen Monat später stellen Sie fest, dass er das Geschäftsziel komplett verfehlt hat, weil der Agent die Anforderung geraten hat, anstatt Sie zu fragen.

Die Lösung: Der TDD-Skill

Um dieses Verhalten zu korrigieren und unsere MCP-Server miteinander zu verknüpfen, haben wir den TDD-Skill entwickelt. Wenn er an einen Prompt angehängt wird (z. B. Build the new user authentication flow. Follow $tdd.), setzt er den Impuls des Agenten zum Raten außer Kraft und erzwingt einen strengen, disziplinierten Entwicklungs-Workflow:

1. Anforderungen und Designspezifikationen zuerst schreiben: Der Agent muss eine dauerhafte REQUIREMENTS.md-Datei entwerfen. Er wird ausdrücklich angewiesen, klärende Fragen zu stellen und kritische Designentscheidungen mit dem menschlichen Nutzer zu bestätigen, bevor er fortfährt. Der Architekturplan wird dann bei Lad für ein system_design_review durch andere LLMs eingereicht.
2. Test-Driven Development (TDD) befolgen: Der Agent muss zuerst Tests implementieren, bevor er eine einzige Zeile Feature-Code schreibt.
3. Peer-Review: Der Agent reicht sowohl die Tests als auch die Feature-Implementierungen bei Lad für ein strenges Code-Review durch andere LLMs ein.

Das Abstraktionsniveau der Softwareentwicklung anheben

Die Kombination aus Kindly Web Search, Lad Code Review, Serena und dem TDD-Skill tut mehr als nur Fehler zu beheben. Sie stabilisiert Ihre KI-Programmieragenten grundlegend und macht ihren Output zuverlässig, vorhersehbar und vollständig dokumentiert.

Für Ingenieure, Engineering-Manager und Tech-Führungskräfte ist der geschäftliche Wert klar. Diese Suite ermöglicht es Ihrem Team, nicht länger als Syntax-Prüfer für die KI zu agieren. Sie verschiebt die Rolle des menschlichen Entwicklers vom „Schreiber" zum „Architekten/Reviewer", was es Ihnen ermöglicht, auf einem durchweg höheren Abstraktionsniveau zu arbeiten. Sie können sich endlich ganz auf Geschäftslogik, Feature-Anforderungen und Benutzererfahrung konzentrieren – im Vertrauen darauf, dass Ihre KI-Suite über den Kontext, das aktuelle Wissen und die strengen Peer-Review-Prozesse verfügt, die erforderlich sind, um die Implementierung fehlerfrei auszuführen.