Tools - AiNetLinter

Warum klassische Linter bei KI-Code nicht ausreichen

Wenn moderne KI-Agenten (wie Claude Code, Cursor oder Antigravity) C#-Code generieren, ist das Ergebnis meist in Sekundenschnelle syntaktisch korrekt: Der Compiler meldet keine Fehler und die Unit-Tests laufen grün (dotnet build ✓ → dotnet test ✓).

Das eigentliche Risiko entsteht erst danach. Ohne zielgerichtete Leitplanken neigen Sprachmodelle bei autonomen Code-Änderungen zu schleichenden Architekturmängeln:

• Kontext-Explosion: Klassen wachsen unbemerkt an, bis sie das Kontextfenster des Modells sprengen und die KI bei nachfolgenden Bearbeitungen den Überblick verliert.
• Phantom-Abhängigkeiten: Agenten nutzen unbemerkt halluzinierte Namespaces oder greifen auf unsichere Reflection-Tricks zurück.
• Versteckte Komplexität & Duplikate: Anstatt bestehende Hilfsfunktionen wiederzuverwenden, baut die KI ähnliche Logik mehrfach neu (DRY-Verstöße) oder verschachtelt Kontrollflüsse so tief, dass spätere Refactorings fehlschlagen.

AiNetLinter schließt diese Lücke. Es ist kein Ersatz für Compiler oder Tests, sondern eine spezialisierte Qualitätsstufe für die agentische Entwicklung – aufgeteilt in zwei zentrale Kernkomponenten.

1. Das Regelwerk: Schutz vor KI-typischen Fehlmustern

Die Linting-Engine basiert auf der offiziellen .NET-Compiler-Plattform Roslyn und erzwingt konfigurierbare Qualitätsregeln, die gezielt auf die Eigenheiten autoregressiver Sprachmodelle kalibriert sind:

• Kontextbudget schützen (AIContextFootprint & Dateigröße): Misst den transitiven Zeilenumfang, den ein Modell laden müsste, um eine Klasse vollständig zu verstehen. Begrenzte Dateigrößen schützen vor dem Lost in the Middle-Effekt, bei dem Sprachmodelle Informationen in der Mitte langer Dateien übersehen.
• Flache Logik & saubere Zustände: Durch strikte Obergrenzen für kognitive Komplexität werden tiefe if/switch-Verschachtelungen unterbunden. Gleichzeitig erzwingt der Linter funktionale Unveränderlichkeit (record, readonly), da veränderlicher Zustand eine der häufigsten Ursachen für Fehlschläge bei KI-Edits ist.
• Transparenter Kontrollfluss: Fehler werden über explizite Ergebnisstrukturen (Result-Pattern) kommuniziert. Das verhindert stumme catch-Blöcke, mit denen KIs Fehler oft unbemerkt “wegschlucken”.
• Bann für Phantom-Dependencies: Verhindert das Einschleusen nicht auflösbarer Typen oder unkontrollierter dynamischer Aufrufe.
• Baseline-Ratchet für gewachsene Systeme: Bestehende Altlasten in großen Legacy-Projekten werden per SHA-256 eingefroren. Der Linter schlägt nur bei neuem oder geändertem Code an – sofort einsatzbereit ohne monatelange Vorab-Bereinigung.

2. Der MCP-Server: Strukturierter Röntgenblick für Coding-Agenten

Klassische Agenten lesen oft ganze Dateien oder Ordnerstrukturen blind ein. Das verstopft wertvolles Kontextbudget und führt zu Informationsverlust.

Als integrierter Model Context Protocol (MCP) Server läuft AiNetLinter direkt im Hintergrund der Entwicklungsumgebung und stellt dem Agenten über 15 spezialisierte Werkzeuge zur Verfügung:

• Präzise Exploration statt Token-Verschwendung: Statt ganzer Quelltexte ruft der Agent nur die benötigten Fragmente ab – etwa schlanke Datei-Skelette (get_file_skeleton), gezielte Symbol-Kerne (get_symbol_body) oder transitiv aufgelöste Caller-Bäume (get_call_tree).
• Probleme automatisiert aufspüren:
  • DRY & Duplikate (find_duplicates): Findet Code-Klone und erkennt Refactoring Drift, wenn ein Agent einen vorhandenen Helper nachgebaut statt aufgerufen hat.
  • Magic Values (find_magic_values): Deckt unbenannte Konstanten und verstreute Grenzwerte im Code auf.
  • Architektur-Hotspots (pattern_detect, get_hotspots): Erkennt auffällige Muster wie God Classes, async-void-Methoden oder übermäßig lange Funktionen direkt als strukturierte Diagnose.
• Auswirkungs- & Qualitätsprüfung vor dem Commit: Mit get_impact erkennt der Agent sofort, welche Aufrufer von einer Änderung betroffen sind. Das Tool safeguard liefert einen deterministischen 0–10-Qualitätsscore als automatisches Freigabekriterium.

Fazit

AiNetLinter macht aus schnellem KI-Code nachhaltig wartbare Software. Es schützt die Architektur vor den typischen Schwächen autonomer Agenten und gibt ihnen gleichzeitig die Werkzeuge an die Hand, um Codebasen tiefer und token-effizienter zu durchdringen.

Vollständig Open Source unter MIT-Lizenz auf GitHub.