Der agentische Workflow

In modernen Softwareprojekten entscheidet nicht die schiere Modellgröße über den Erfolg von KI-gestützter Entwicklung, sondern die Präzision des Kontexts und die Zuverlässigkeit der Qualitätskontrolle.

Wer autonome Coding-Agenten (wie Claude Code, Cursor, Cline oder Antigravity) blind auf große, gewachsene Codebasen loslässt, riskiert Token-Explosionen, schleichende Architektur-Drifts und Phantom-Abhängigkeiten.

Der hier vorgestellte Workflow verbindet vier spezialisierte Open-Source-Bausteine zu einem geschlossenen, sicheren Entwicklungs-Loop:

Die drei Phasen im Detail

1. Phase: Fundierter Kontext ohne Token-Verschwendung

Sprachmodelle halluzinieren, wenn ihnen präzises Domänen- und Strukturwissen fehlt — oder sie verlieren den Überblick, wenn man sie mit ungefiltertem Quellcode überflutet (Lost in the Middle). Drei Werkzeuge bereiten den Kontext offline und per MCP strukturiert vor:

• SqlToAi (MCP-Server für MS SQL Server):
  Ermöglicht dem Agenten eine gefahrlose Schema-Erkundung und Query-Validierung. Mit einem 5-stufigen Rechtemodell, automatischer PII-Anonymisierung und reversibler Tokenisierung bleiben sensible Unternehmensdaten geschützt, während die KI präzise auf Tabellenstrukturen und Ausführungspläne zugreifen kann.

• KnowHowToAI (MCP-Wissensdatenbank):
  Trennt Autorenumgebung (Markdown-Dokumentation) von der Leseumgebung (lokaler Cache). Statt ganze Wiki-Seiten ins Prompt-Fenster zu laden, ruft der Agent über semantische MCP-Tools gezielt nur die exakten Business-Regeln und Architekturvorgaben ab, die für die aktuelle Aufgabe nötig sind.

• SourceToAI (CLI-Transformer):
  Konvertiert gewachsene C#-Solutions und kompilierte .NET-Assemblies offline in strukturierte, KI-optimierte Markdown-Feeds. Der Agent begreift bestehende Codebasen und Typ-Hierarchien wie ein internes Inhaltsverzeichnis, ohne den Compiler bemühen zu müssen.

2. Phase: Orchestrierung & Agenten-Steuerung

Im Zentrum steht die koordinierte Zusammenarbeit zwischen dem Product Engineer und den autonomen Coding-Agenten:

• Menschliche Leitplanken & Prompt-Design:
  Der Entwickler definiert klare Zielvorgaben, Scope-Grenzen und Akzeptanzkriterien.
• Protokoll-Standardisierung (MCP):
  Über das offene Model Context Protocol interagieren die Agenten direkt mit den lokalen Werkzeugen, ohne dass manuelle Copy-Paste-Schritte nötig sind.
• Token-Disziplin:
  Die Agenten fordern nur diejenigen Detail-Fragmente an, die für die Lösung des aktuellen Tickets erforderlich sind.

3. Phase: Deterministisches Qualitäts-Gate & Feedback-Loop

Generierter Code, der lediglich fehlerfrei kompiliert (dotnet build ✓), ist noch lange kein wartbarer Enterprise-Code. Sprachmodelle neigen zu verstreuten Konstanten, unbemerkten Code-Duplikaten und tiefer Verschachtelung.

• AiNetLinter (Roslyn AST & MCP-Server):
  Wacht als statischer Compiler-Linter über die Änderungen. Er misst den AIContextFootprint, unterbindet tiefe if/switch-Verzweigungen, verbietet Phantom-Dependencies und deckt DRY-Verstöße auf.
• Self-Healing Loop:
  Findet der Linter Mängel, erhält der Agent über die MCP-Schnittstelle präzises strukturiertes Feedback zur sofortigen Selbstkorrektur.
• Safeguard-Score:
  Ein deterministischer 0–10-Score dient als automatisiertes Freigabekriterium vor dem Git-Commit.

Fazit: Kontrollierte Autonomie

Durch die Entkopplung von Kontext-Bereitstellung, agentischer Ausführung und automatischer Compiler-Prüfung entsteht ein robuster Entwicklungs-Loop:

1. Keine Datenlecks & Halluzinationen: Relevante Schemata und Doku liegen granular per MCP vor.
2. Maximale Entwickler-Geschwindigkeit: Wiederkehrende Implementierungs- und Refactoring-Schritte laufen automatisiert ab.
3. Konstante Code-Qualität: Gewachsene Architekturen bleiben sauber, wartbar und langfristig zukunftssicher.