Ein Workflow für KI-gestütztes Coding, der tatsächlich funktioniert

Dieser Beitrag fasst den Workshop “Full Walkthrough: Workflow for AI Coding” von Matt Pocock zusammen. Das vollständige Video findest du hier:

Matt Pocock ist vielen TypeScript-Entwicklern durch seine Tutorials und Open-Source-Projekte bekannt. In diesem Workshop zeigt er seinen kompletten Arbeitsprozess für KI-gestütztes Coding. Nicht als theoretisches Konzept, sondern als konkreten, praxiserprobten Workflow.

Ich empfehle jedem Entwickler, der ernsthaft mit KI-Agenten arbeitet, dieses Video vollständig anzuschauen. Es ist einer der besten praxisnahen Beiträge zu diesem Thema.

Das Grundproblem: Die Smart Zone

KI-Modelle haben einen optimalen Leistungsbereich. Matt Pocock nennt ihn die “Smart Zone”. Sie umfasst ungefähr die ersten 100.000 Token einer Konversation.

Danach wird es problematisch. Je länger eine Sitzung läuft, desto mehr “Sediment” sammelt sich an. Alte Kontexte, verworfene Ansätze, überholte Anweisungen. Das Modell verliert den Fokus und produziert zunehmend fehlerhafte Ergebnisse. Es rutscht in die “Dumb Zone”.

Die Konsequenz ist einfach. Halte Sitzungen kurz und fokussiert. Gib dem Agenten nur den relevanten Kontext für die aktuelle Aufgabe. Lass ihn implementieren, testen und committen. Dann beende die Sitzung.

Der Zwei-Phasen-Prozess

Pococks Workflow teilt die Arbeit in zwei klar getrennte Phasen: Die “Day Shift” für den Menschen und die “Night Shift” für den Agenten.

Day Shift: Der Mensch plant

In der ersten Phase wird aus einer vagen Idee eine präzise Spezifikation. Das passiert in drei Schritten.

Die Idee grillen. Bevor eine Zeile Code entsteht, wird die Anforderung aggressiv hinterfragt. Was genau soll gebaut werden? Für wen? Was sind die Erfolgskriterien? Welche Randfälle gibt es? Matt nutzt dafür einen eigenen Skill namens /grill-me, der die KI dazu bringt, kritische Fragen zu stellen. Das zwingt zum präzisen Denken, bevor die Implementierung beginnt.

Vertikale Slices bilden. Das Projekt wird nicht horizontal in Schichten zerlegt (erst Datenbank, dann API, dann Frontend). Stattdessen entstehen vertikale Schnitte. Jeder Schnitt geht durch alle Schichten für ein einzelnes Feature. Ein vertikaler Slice liefert sofort ein testbares Ergebnis. Das gibt schnelles Feedback und reduziert Risiken.

Aufgaben organisieren. Die vertikalen Slices werden als unabhängige Issues in einem Kanban-Board organisiert. Jedes Issue enthält alle Informationen, die der Agent für die Umsetzung braucht. Klare Abhängigkeiten, Akzeptanzkriterien und den relevanten Kontext.

Night Shift: Der Agent implementiert

In der zweiten Phase übernimmt der KI-Agent die Arbeit. Das kann buchstäblich über Nacht passieren, während der Entwickler nicht am Rechner sitzt.

Der Agent nimmt sich eine Aufgabe vom Board, liest den Kontext und implementiert das Feature. Das Entscheidende ist die Methode: strikte testgetriebene Entwicklung (TDD) nach dem Red-Green-Refactor-Zyklus.

Red: Der Agent schreibt zuerst einen fehlschlagenden Test. Der Test beschreibt exakt das gewünschte Verhalten.

Green: Der Agent schreibt den minimalen Code, der nötig ist, damit der Test besteht. Nicht mehr.

Refactor: Der Agent bereinigt die Implementierung, ohne das Verhalten zu verändern.

Dieser Zyklus verhindert, dass der Agent improvisiert oder unnötigen Code produziert. Der Test ist die Leitplanke. Wenn der Test besteht, wird der Code committet und das Issue geschlossen.

Agent-Skills als wiederverwendbare Werkzeuge

Matt Pocock hat seine Arbeitsweise in ein Open-Source-Repository überführt: mattpocock/skills auf GitHub. Das sind keine vagen Prompt-Vorlagen, sondern strukturierte, wiederverwendbare Workflows für KI-Agenten.

Die wichtigsten Skills im Überblick:

Für die Planungsphase gibt es /to-prd (erstellt ein Product Requirements Document), /to-issues (erzeugt Issues aus dem PRD), /grill-me (hinterfragt die Anforderungen kritisch) und /design-an-interface (entwirft Schnittstellen).

Für die Entwicklungsphase gibt es /tdd (erzwingt den Red-Green-Refactor-Zyklus), /triage-issue (priorisiert und analysiert Issues) und /improve-codebase-architecture (verbessert die Architektur basierend auf Dokumentation).

Für die Absicherung gibt es /git-guardrails-claude-code (verhindert destruktive Git-Operationen wie Force-Pushes) und /setup-pre-commit (richtet Pre-Commit-Hooks ein).

Warum dieser Ansatz funktioniert

Der Workflow löst die drei größten Probleme beim Einsatz von KI-Agenten gleichzeitig.

Er verhindert Kontextverlust, weil jede Aufgabe in einer frischen Sitzung bearbeitet wird. Der Agent bekommt nur die relevanten Informationen für genau diese eine Aufgabe.

Er verhindert unkontrollierten Code, weil der TDD-Zyklus als Qualitätssicherung dient. Kein Code landet im Repository, der nicht durch einen Test abgesichert ist.

Er erhält die menschliche Kontrolle, weil die Architektur und Planung komplett beim Entwickler liegen. Der Agent implementiert. Der Mensch entscheidet, was implementiert wird und wie die Struktur aussieht.

Was wir daraus mitnehmen können

Matt Pococks Grundsatz ist klar: Wenn ein KI-Agent einen Fehler macht, sollte daraus eine Regel entstehen. Kein einmaliger Fix, sondern ein dauerhafter Skill, der diesen Fehler in Zukunft verhindert.

Das gilt für alle, die mit KI-Agenten arbeiten. Wir brauchen keine besseren Modelle. Wir brauchen bessere Prozesse für den Umgang mit den vorhandenen Modellen. Klare Aufgaben, kurze Sitzungen, automatisierte Qualitätsprüfungen.

Der Workshop zeigt, dass professionelles KI-gestütztes Coding kein Widerspruch ist. Es erfordert mehr Engineering-Disziplin, nicht weniger. Genau das macht es nachhaltig.