Ein wenig Licht in die dunklen „Agentic Software Factories“ bringen

Da sich die Welt der KI rasant weiterentwickelt, tauchen wöchentlich neue Begriffe auf, und einer davon, den wir in Gesprächen mit unseren Kunden immer häufiger hören, ist die „Agentic Software Factory“.

In diesem Blogbeitrag möchte ich die Begriffe klar definieren, meine Erfahrungen beim Aufbau einer dieser Fabriken (Sandcastle) schildern, erläutern, wie Sie die Fertigungslinien in Ihrer Fabrik gestalten können, und Ihnen mitteilen, was ich daraus gelernt habe.

Wir werden in Kürze eine Reihe von Blogbeiträgen veröffentlichen, die sich eingehender mit dem mentalen Modell zum Aufbau einer Fabrik befassen. Wir werden erläutern, wie Sie eine solche Fabrik erstellen und wie Sie Ihr Budget überwachen können, um die Kosten unter Kontrolle zu halten. Schließlich möchten Sie nicht, dass Ihre Fabrik Ihr KI-Budget bereits in einem einzigen Quartal aufbraucht.

Was ist eine „Agentic Software Factory“?

Eine „Agentic Software Factory“ ist eine sich kontinuierlich verbessernde, zunehmend autonome Automatisierung des Software-Lebenszyklus.

Um dieses Konzept besser verständlich zu machen, vergleichen wir es gerne mit einer Autofabrik. In dieser Analogie entspricht ein Arbeitsauftrag einem Autoteil, das in die Fabrik gelangt. Es wird dann in einer Fertigungsstraße bearbeitet und weiterentwickelt und wandert von einem Arbeitsplatz zum nächsten, bis es fertiggestellt ist. Bei diesen Arbeitsplätzen kann es sich um KI-Agenten handeln (lesen Sie diesen Blogbeitrag, um mehr über den Unterschied zwischen LLMs und Agenten zu erfahren), aber auch um deterministischen Code.

Die Kombination aus beidem und die Kontrolle, die Sie über die Fertigungslinie haben, macht das System so leistungsstark. Eine Station kann auch eine Person sein, wenn eine Überprüfung oder Entscheidungen durch Menschen erforderlich sind. Wenn Ihre Fabrik ausgereifter wird, werden Sie den personellen Aufwand reduzieren und sich stärker auf die Überwachung der Dashboards Ihrer Fabrik konzentrieren wollen. Sie können Kennzahlen zur Leistung, Qualität und zu den Kosten Ihrer Fabrik erfassen und damit beginnen, Komponenten an einer Arbeitsstation anzupassen oder den Prozess am Fließband zu ändern, falls einer dieser Parameter seine Grenzwerte überschreitet.

In der Werkskonfiguration übernehmen verschiedene Akteure bestimmte Rollen. Je nach Reifegrad und Umfang des Betriebs werden Sie in der Regel auf einige oder alle dieser Akteure stoßen:

Der Vorteil, wenn mehrere Agenten diese Aufgaben unabhängig voneinander verwalten, besteht darin, dass Sie für jeden einzelnen ein anderes Sprachmodell (LLM) auswählen können. Der Planungsagent ist für das eigentliche Denken zuständig und sollte daher auf Ihrem leistungsstärksten Modell ausgeführt werden. Anfangs habe ich zu diesem Zweck Fable verwendet, als es noch verfügbar war, da es sich durch hervorragendes UI/UX-Design auszeichnet. Als Fable nicht mehr verfügbar war, bin ich auf Opus umgestiegen. Da der Planer die Spezifikationen erstellt, kann die Umsetzung von einem kostengünstigeren und schnelleren Modell wie Sonnet übernommen werden. Schließlich überprüft ein leistungsstarkes Schlussfolgerungsmodell wie Opus 4.8 die Implementierungen, gibt Feedback zum Pull-Request und leitet einen weiteren Zyklus aus Implementierung und Überprüfung ein.

Wenn Sie eine Agentic-Software-Factory einrichten, werden diese Agenten in der Regel standardmäßig mit vordefinierten Aufforderungen und Prozessen bereitgestellt. Je nach dem von Ihnen gewählten Produkt können Sie die Aufforderungen, mit denen diese Agenten arbeiten, ändern oder sogar den Prozess festlegen, nach dem und wann sie Aufgaben von einem Agenten an den nächsten weitergeben.

Bevor Sie sich zu sehr begeistern, sollten Sie eines unbedingt beachten: Dies ist nicht kostenlos. Der parallele Betrieb mehrerer Agenten verbraucht schnell Tokens; legen Sie daher von Anfang an Budgets fest und behalten Sie die Ausgaben im Auge.

Es stehen zahlreiche Tools zum Aufbau einer „Agentic Software Factory“ zur Verfügung, die jeweils unterschiedliche Grade an Kontrolle und Autonomie bieten. Leichte Lösungen wie Sandcastle auf GitHub konzentrieren sich auf die Isolierung von Agenten in einer Sandbox, gewähren den Teams jedoch direkte Kontrolle über die Fertigungslinie. Dabei werden die Mitarbeiter bewusst eng in den Prozess eingebunden, und Transparenz, Kontrolle sowie Langlebigkeit werden gegenüber maximaler Geschwindigkeit priorisiert. Eindeutiger ausgerichtete Tools wie GasCity auf GitHub erfordern weniger manuelles Eingreifen, wodurch Agenten mit größerer Unabhängigkeit arbeiten können und sich auf die Isolierung verlassen, um auftretende Fehler einzudämmen. Dies kann den Durchsatz der Fertigungslinie erhöhen, erfordert jedoch auch mehr Vertrauen in die Steuerungs-, Überwachungs- und Wiederherstellungsmechanismen der Factory.

Nachdem Sie das für Ihre Bedürfnisse passende Modell ausgewählt haben, können Sie nun die entscheidende Frage stellen:

Bin ich bereit, in meiner Agentic-Fabrik das Licht auszuschalten?

Meiner Meinung nach ist dies der anspruchsvollste Schritt des gesamten Prozesses. Zwar lassen sich beide genannten Lösungen leicht einrichten – geben Sie einfach „gc“ oder „npm“ ein und folgen Sie den Anweisungen des benutzerfreundlichen Assistenten, um Ihre Einstellungen anzupassen –, doch die eigentliche Herausforderung besteht darin, zu lernen, dem System zu vertrauen.

Wenn Sie gerade erst anfangen, sich damit zu beschäftigen, würde ich Ihnen „Sandcastle“ empfehlen, um ein Gefühl dafür zu bekommen, wie eines dieser Systeme funktioniert. Es ist ressourcenschonend und befindet sich in einem einzigen Ordner namens „ .sandcastle “ in Ihrem Projekt. Das Herzstück bildet die Datei „ main.ts “, die alles steuert und Ihnen viel Einfluss auf den Ablauf, die Agenten und die Aufforderungen gewährt, die deren Aktionen auslösen.

Jeder Implementierungsagent erstellt zudem Protokolle über seine aktuellen Aktivitäten. Nachdem ich meinen Agenten eingerichtet hatte, habe ich mithilfe von Claude Code die Datei „ main.ts “ schrittweise verfeinert und dabei eine globale Protokolldatei hinzugefügt, die ich während des Betriebs der Factory geöffnet lasse. Dieses Protokoll dient mir als Orientierungshilfe und ermöglicht es mir, die Factory von Zeit zu Zeit zu überprüfen, um festzustellen, ob die Agenten weiterhin reibungslos laufen oder ob etwas schiefläuft.

Dann kommt der spannende Teil: das Selbstvertrauen zu stärken. Verbinden Sie die Factory mit Ihren GitHub-Issues, kennzeichnen Sie diejenigen, die sie erfassen soll (wählen Sie zunächst einfache Issues und Fehler aus), führen Sie den Vorgang aus und überprüfen Sie den resultierenden Pull-Request sowie die Kommentare der Agenten dazu.

Sollten Sie Mängel in der Umsetzung oder bei der Überprüfung feststellen, versuchen Sie bitte nicht, diese selbst zu beheben. Nehmen Sie stattdessen etwas Abstand und optimieren Sie Ihre Fertigungslinien und Ihren Arbeitsplatz innerhalb Ihrer Softwarefabrik. Führen Sie den Vorgang erneut durch und messen Sie die Qualität bei jeder Iteration. Die Überwachung der Qualität und der Kosten Ihrer Fabrik ist für den Aufbau von Vertrauen von entscheidender Bedeutung.

Letztendlich ermöglicht Ihnen dies, sich auf die Leistung der Fabrik zu verlassen, ohne ständige Überwachung – Sie betrachten nicht das Ergebnis, sondern überwachen die Kennzahlen der Fabrik und greifen nur ein, wenn einer dieser Parameter seinen Grenzwert überschreitet. Sie müssen die für verschiedene Tickets verwendeten Modelle aufeinander abstimmen; ein Ticket zur Fehlerbehebung erfordert höchstwahrscheinlich kein so ausgefeiltes Schlussfolgerungsmodell wie die Implementierung einer neuen Funktion.

Wenn autonome Softwarefabriken programmieren, wo bleiben dann wir Menschen?

Einstiegsaufgaben für Softwareentwickler, die größtenteils darin bestanden, „hier ist die Vorgabe, setzen Sie sie um“, können mittlerweile wahrscheinlich durch eine Form von KI oder automatisierte Abläufe ersetzt werden. Diese alltäglichen Aufgaben waren ohnehin nie der anspruchsvolle und spannende Teil der Softwareentwicklung.

Das Positive daran war, über die Probleme der Nutzer und deren Lösungen nachzudenken, die Architektur und die Arbeitsabläufe zu entwerfen sowie die Qualität des Quellcodes zu gewährleisten. Die wahre Stärke und der eigentliche Nutzen von Nachwuchsentwicklern lag noch nie in dem Code, den sie erstellen, sondern vielmehr in den Fragen, die sie stellen, um das System zu verstehen, bestehende Entscheidungen zu hinterfragen und neue Perspektiven einzubringen.

Diese Aufgaben werden auch weiterhin erforderlich sein, und sie werden sich in Richtung einer stärker auf KI ausgerichteten Arbeitsweise verlagern. Anstatt Abhängigkeiten manuell zu aktualisieren, werden Sie Agenten und Arbeitsabläufe entwerfen, die dies für Sie übernehmen – sicher und wesentlich schneller. Anstatt selbst nach einem Fehler zu suchen, konzentrieren Sie sich darauf, den Test zu schreiben, der ihn aufdeckt, und überlassen die Suche sowie die Refaktorisierung den Agenten, wobei Sie sicherstellen, dass der Test erfolgreich verläuft, ohne andere Teile des Systems zu beeinträchtigen.

Darüber hinaus werden neue Aufgaben entstehen: die Planung dieser Fabriken, die schnelle technische Umsetzung sowie die Unterstützung anderer Geschäftsteams bei der effektiven Nutzung von KI durch die Einrichtung von Arbeitsabläufen und die Vermittlung von Kompetenzen, die ihnen die Arbeit erleichtern.

Konkurrieren Sie nicht mit Agenten, sondern entwickeln Sie sie

Wenn Sie dies lesen und der Meinung sind, dass es an der Zeit ist, Ihre Kenntnisse in diesen Bereichen zu vertiefen und zu lernen, wie Sie KI effizient, effektiv und sicher einsetzen können, sehen Sie sich hier unsere KI-Schulungen an. Wir behandeln Themen wie agentische Entwicklung, die Konzeption von LLM-Anwendungen und vieles mehr.

Ich hoffe, wir sehen uns dort!