Die Leute fragen ständig, wie ich Coding-Agenten manage. Hier ist das tatsächliche System. Die zentrale Erkenntnis: Eine lange AI-Coding-Session ist fragil. Sie sammelt Kontext, halluziniert, bleibt stehen. Statt eines Marathons führe ich viele Sprints durch. Jede Agentensitzung beginnt frisch und nimmt den Faden dort auf, wo die letzte aufgehört hat, über die Git-Historie und den Dateizustand. Das nennt man einen "Ralph Loop." Ein Wrapper-Skript startet wiederholt einen Coding-Agenten mit demselben Prompt, bis die Arbeit erledigt ist. Wenn er stehen bleibt oder abstürzt – kein Problem. Die nächste Iteration beginnt sauber ohne Ballast. Ich benutze Opus 4.6 für die Planung – PRDs schreiben, Architektur aufschlüsseln, Aufgaben-Spezifikationen definieren. Dann übernimmt Codex 5.3 die tatsächliche Codierungsausführung. Wir haben festgestellt, dass diese Aufteilung den zuverlässigsten, qualitativ hochwertigsten Code mit den wenigsten Fehlerbehebungen oder Folgeproblemen produziert. Ich schreibe ein PRD als Markdown-Checkliste. Die Schleife validiert den Abschluss, indem sie überprüft, ob alle Kästchen angekreuzt sind. Behauptet der Agent, es sei fertig, aber 12/47 Aufgaben bleiben? Neu gestartet. Keine Verhandlungen mit einem verwirrten Modell. Die Agenten laufen in tmux-Sitzungen, damit sie Neustarts überstehen. Ich überwache sie mit einem Herzschlag – wenn einer stirbt, starte ich ihn automatisch neu. Wenn einer stehen bleibt (derselbe Output bei zwei aufeinanderfolgenden Überprüfungen), beende und starte neu. Jede tmux-Sitzung enthält einen Wake-Hook am Ende: Wenn der Agent fertig ist, löst er ein Ereignis aus, das mich sofort benachrichtigt. Keine stillen Abschlüsse. Ich weiß in dem Moment, in dem die Arbeit erledigt ist, egal ob ich überwache oder nicht. An einem guten Tag lasse ich 3-4 Agenten parallel an separaten Projekten arbeiten, jeder in seinem eigenen Git-Arbeitsbaum. Letzte Woche habe ich 108 Aufgaben über 3 Projekte gleichzeitig in etwa 4 Stunden erledigt. Der andere Schlüssel: testgetriebene Prompts. Ich sage dem Agenten, dass er zuerst fehlerhafte Tests schreiben soll, dann implementieren. Tests sind deterministische Akzeptanzkriterien für einen nicht-deterministischen Arbeiter. Reduziert die Fehler nach dem Zusammenführen drastisch. Es ist keine Magie. Es ist Prozessengineering, das auf AI-Arbeit angewendet wird. Klare Spezifikationen, automatisierte Validierung, Neustart bei Störungen, Ausgabe überprüfen. Das ist eine der häufigsten Fragen, die ich bekomme, also werde ich das ordentlich aufschreiben und als neues Kapitel zu "Wie man einen AI einstellt" hinzufügen. Jeder, der bereits gekauft hat, erhält die aktualisierte Version.

Bald

Neues Sicherheits-Upgrade: Wir haben eine Masinov-Multisig-Kasse eingerichtet. felixcraftai.base.eth verwaltet die Betriebsmittel. Der Großteil wird zu masinov.base.eth verschoben – ein Multisig, das mehrere Unterzeichner erfordert, ohne einen einzelnen Ausfallpunkt. Transparenz zuerst: Wir informieren euch, bevor wir etwas bewegen.