Shelpuk & Company
    Open Source
    MCP Server

    Lad Code Review

    Projektbewusstes KI-Code-Review für KI-Coding-Agenten. Das einzige KI-Code-Review-MCP, das Ihren Projektkontext versteht. Dual-Reviewer-Architektur erkennt, was Einzelmodell-Reviews übersehen.

    Auf GitHub ansehen

    "Fantastisches Setup. Hat die Generierungsqualität meines Claude Code um 15–20 % für die kommerziellen Projekte unseres Unternehmens verbessert."

    Ostap Dribniuk
    Ostap DribniukSenior Software Engineer bei Relevant Software

    Teil unserer KI-Coding-Suite

    TDD für KI-Agenten orchestriert unser komplettes Open-Source-Toolkit. Es ruft Kindly auf, um Annahmen zu verifizieren, und Lad, um Designs und Code zu prüfen — damit alle drei Tools nahtlos zusammenarbeiten.

    Kindly Web SearchLad Code ReviewTDD Skill

    Warum Lad anders ist

    OpenRouter ohne Konfigurationsaufwand

    Ruft Modell-Metadaten direkt über die OpenRouter-API ab. Neue Modelle funktionieren sofort – ohne manuelle Konfiguration.

    Dual-Reviewer-Modus

    Zwei Reviewer laufen parallel (standardmäßig Kimi K2 + GLM-4.7). Reduziert Bias und erkennt mehr Probleme.

    Projektkontextbasiertes Review

    Die optionale Serena-Integration bietet Langzeit-Projektgedächtnis, Codebasis-Indexierung und historischen Kontext.

    Workflow-Integration

    Separate Tools für Systemdesign-Review und Code-Review. Beide unterstützen Texteingabe und Dateireferenzen.

    MCP-Tools

    Jedes Tool führt zwei OpenRouter-gestützte Reviewer parallel aus und liefert beide Outputs plus eine synthetisierte Zusammenfassung.

    system_design_review

    Überprüft Architekturvorschläge, Designdokumente und Planungsentscheidungen.

    code_review

    Überprüft Implementierungscode, Diffs und Dateiänderungen.

    Standard-Reviewer-Modelle

    Primary: moonshotai/kimi-k2-thinking
    Secondary: z-ai/glm-5-turbo

    Beide sind aktuelle Open-Source-SOTA-Modelle. Konfigurierbar über Umgebungsvariablen.

    Was Lad ersetzt

    Manuelle OpenRouter-Modellkonfiguration
    Kontextblinde KI-Code-Reviewer
    Separate Tools für Design- vs. Code-Review
    Ständiges Neu-Erklären von Anforderungen

    Eine Suite, drei Tools

    TDD für KI-Agenten ist der Orchestrator, der unsere Open-Source-KI-Coding-Tools zu einem vollständigen Entwicklungsworkflow verbindet. Jedes Tool hat eine spezifische Rolle.

    Kindly Web Search

    Verifiziert API-Dokumentation, findet Lösungen, ruft vollständigen technischen Kontext in einem einzigen Aufruf ab.

    Lad Code Review

    Bietet ein frisches Paar KI-Augen — erkennt kohärenzgetriebene Fehler, die der Coding-Agent übersieht.

    TDD Skill (Orchestrator)

    Setzt den Workflow durch, schreibt Anforderungen, koordiniert Recherche- und Review-Schritte.

    Unterstützte Clients

    Lad funktioniert mit jedem MCP-Client, der stdio-Server unterstützt:

    Codex (OpenAI)
    Claude Code
    Gemini CLI
    Cursor
    Windsurf
    Antigravity (Google IDE)

    Bereit zu erkennen, was Ihr KI-Coding-Agent übersieht?

    Stellen Sie Lad in Ihrer Private Cloud bereit oder stellen Sie die Entwickler ein, die es gebaut haben.

    Auf GitHub markieren

    Häufig gestellte Fragen

    Antworten auf häufige Fragen zu diesem Thema.

    Wie können wir die Qualität von AI-gestützten Code Reviews verbessern?

    KI-gestütztes Code-Review-Tool, das Best Practices durchsetzt, Fehler früh erkennt und die Codequalität im Team verbessert. Shelpuk AI Technology Consulting hat Lad aus praktischer Erfahrung mit Reviews von AI-generiertem Code und Designvorschlägen entwickelt.

    Wie verbessert der Dual-Reviewer-Ansatz von Lad die Qualität von Code- und Architekturentscheidungen?

    Lad kombiniert mehrere Reviewer-Perspektiven, um Risiken, Widersprüche und fehlende Annahmen sichtbar zu machen, die Single-Pass-Reviews oft übersehen. Shelpuk AI Technology Consulting setzt dieses Framework ein, um Review-Signalqualität zu steigern und vermeidbare Regressionsrisiken zu senken.

    Wie sollte Lad sinnvoll in Engineering-Pipelines integriert werden?

    Die wirksamste Umsetzung verankert Lad in Pull-Request- und Architektur-Reviews mit klaren Kriterien für Schweregrad, Vertrauen und Nachverfolgung. Shelpuk AI Technology Consulting unterstützt Implementierungen in MCP-kompatiblen Client-Umgebungen mit pragmatischen Rollout-Mustern.

    Wie sollten Teams die Kosten bei produktiver Nutzung von Open-Source-Lad einordnen?

    Das Tool selbst ist Open Source, während Kosten in der Praxis vor allem durch Workflow-Integration, Policy-Tuning und Review-Governance entstehen. Shelpuk AI Technology Consulting liefert Advisory- und Delivery-Leistungen für Organisationen, die belastbare Qualitätsgates für AI-Coding-Agents brauchen.