Claude Code Agents: Ein Praxisleitfaden für autonome Coding-Workflows

Wenn mich jemand fragt, was Claude Code von ChatGPT oder GitHub Copilot unterscheidet, würde ich nicht mit dem Sprachmodell anfangen. Ich würde mit dem Workflow anfangen.

Stell dir vor, du öffnest ein Terminal in einem Git-Repository und tippst eine einzige Anweisung:

Add request validation to every FastAPI endpoint,
write tests for the new validation logic, update the documentation, 
and commit everything using a descriptive Git commit message.

Statt Dutzende Rückfragen zu stellen, legt Claude Code los. 

Es durchsucht dein Projekt, um die API-Struktur zu verstehen, identifiziert alle Endpunkte, bearbeitet die passenden Dateien, generiert Tests, behebt Fehler, aktualisiert die Dokumentation und erstellt einen Git-Commit mit einer aussagekräftigen Zusammenfassung der Änderungen.

Aus deiner Perspektive fühlt es sich weniger wie ein Chat mit einer KI an und mehr wie das Delegieren an eine fähige Teamkollegin oder einen fähigen Teamkollegen. 

Genau dieser Wechsel macht Claude Code Agents so spannend.

Ermöglicht wird das durch Claude Code Sub-Agents. Statt eine einzige KI-Sitzung mit dem gesamten Repository zu überfrachten, kann Claude Code spezialisierte Worker starten, die verschiedene Teile des Projekts untersuchen, Implementierungspläne erstellen oder Code eigenständig ändern und anschließend an die Hauptsitzung berichten. 

Anstatt jedes Problem in einem einzigen Gespräch zu lösen, kann Claude Code Arbeit an spezialisierte Agents delegieren. 

Die drei wichtigsten Agent-Typen sind: 

• Explore: fokussiert auf die Erkundung von Projekten
• Plan: fokussiert auf die Erstellung von Implementierungsplänen, und
• General-purpose: für Codebearbeitung und das Ausführen von Befehlen.

Das verändert meine Herangehensweise an Entwicklung. Statt zu fragen: „Kann die KI diese Funktion schreiben?“, frage ich mich: „Welches größte Arbeitspaket kann ich guten Gewissens abgeben?“ 

Am Ende dieses Guides weißt du, wie du Claude Code Agents effektiv einsetzt, wann welcher Sub-Agent sinnvoll ist, wie du mit CLAUDE.md eine persistente Projektgedächtnis konfigurierst und wie du autonome Workflows baust, die Zeit sparen, ohne die Kontrolle abzugeben. 

Voraussetzungen

Dieser Guide setzt voraus, dass du dich im Terminal wohlfühlst und Verzeichnisse mit grundlegenden Kommandozeilenbefehlen wie cd, ls oder dir navigieren kannst. 

Du musst kein Bash-Profi sein, aber die Arbeit in der Kommandozeile sollte dir leichtfallen.

Außerdem brauchst du:

• Node.js auf deinem Rechner
• Einen Anthropic API-Schlüssel
• Ein Git-Repository zum Experimentieren
• Grundkenntnisse in Python, JavaScript oder einer anderen Programmiersprache

Wenn du ganz neu bei Claude Code bist, lies am besten zuerst Claude Code: A Guide With Practical Examples, bevor du in Sub-Agents einsteigst.

Was sind Claude Code Agents?

Claude Code Agents sind autonome Worker, die mehrstufige Softwareentwicklungsaufgaben mit deinem lokalen Repository, Terminal und deinen Entwicklungstools erledigen. 

Anders als ChatGPT oder Claude Chat kann Claude Code Dateien inspizieren, Bash-Befehle ausführen, Quellcode bearbeiten und seine Arbeit selbst überprüfen, bevor es ein Ergebnis liefert.

Die meisten KI-Coding-Assistenten folgen noch einem Gesprächs-Workflow. 

Du stellst eine Frage, erhältst eine Antwort und entscheidest dann, wie es weitergeht. 

Das funktioniert gut für eine SQL-Query oder die Erklärung einer scikit-learn-Pipeline, gerät aber ins Stocken, wenn eine Aufgabe 20 Dateien umfasst, mehrere Terminalbefehle benötigt oder ein unbekanntes Repository verstanden werden muss.

Claude Code geht diese Probleme anders an. 

Weil es direkt in deinem Git-Repository arbeitet, kann es den Code untersuchen, bevor es Entscheidungen trifft. Statt dich zu bitten, Dateien ins Chatfenster zu kopieren, liest es das Projekt selbst und sammelt den benötigten Kontext.

Angenommen, du bittest:

Replace every custom customer ID validator with Pydantic models, 
update the FastAPI endpoints, rewrite the affected pytest tests, 
and summarize the migration.

Ein klassischer Chatbot generiert wahrscheinlich Beispielcode und fragt nach mehr Informationen. 

Claude Code durchsucht das Repository, identifiziert die bestehende Validierungslogik, bearbeitet die relevanten Dateien, führt die Test-Suite aus, behebt eingeführte Regressionen und berichtet über die erledigte Arbeit.

Dieser Wechsel vom Beantworten von Fragen zum Erreichen von Zielen ist der Grund, warum Agentic Coding mit Claude Code sich im Entwickleralltag anders anfühlt.

Wie funktioniert die Agent-Schleife? 

Jeder Claude Code Agent folgt demselben Entscheidungszyklus: Informationen lesen, den nächsten Schritt festlegen, handeln, dann das Ergebnis bewerten und den Prozess wiederholen. 

Die Schleife ist simpel, aber ihre mehrfache Wiederholung ermöglicht es dem Agenten, sich von Fehlern zu erholen, statt nach einem einzigen Fehlschlag aufzuhören.

Stell dir vor, du bittest Claude Code, eine fehlschlagende Test-Suite zu reparieren. Der Workflow sieht in etwa so aus:

Diagramm, das zeigt, wie Claude Code vorgeht, wenn fehlschlagende Tests behoben werden

Das ist meiner Meinung nach das einfachste mentale Modell, um Claude Code zu verstehen. 

Der Agent versucht nicht, das ganze Problem in einem Schritt zu lösen. Er trifft eine Serie kleiner Entscheidungen basierend auf dem Ergebnis der vorherigen Aktion.

Ein Sub-Agent folgt exakt derselben Schleife, tut dies aber in einem eigenen isolierten Kontext. 

Das ist wichtig, weil ein einzelner Tool-Aufruf nur eine Aktion ausführt, während ein Sub-Agent Dutzende von Denkschritten in Richtung eines Ziels gehen kann, bevor er zurückmeldet.

Warum nutzt Claude Code Sub-Agents? 

Claude Code nutzt Sub-Agents, weil große Repositories selten in einen einzigen Arbeitskontext passen. Ein Monorepo mit Python-Services, React-Apps, SQL-Migrationen und Terraform-Konfiguration enthält weit mehr Informationen, als ein Agent auf einmal durchdenken sollte. 

Statt das Repository als eine riesige Aufgabe zu behandeln, delegiert Claude Code fokussierte Nachforschungen an spezialisierte Worker. 

Ein Explore-Agent könnte die Authentifizierung analysieren, ein anderer die Datenbankmodelle prüfen und ein dritter die API-Routen. Der Orchestrator kombiniert diese Erkenntnisse, bevor er den nächsten Schritt festlegt.

Diese Architektur hat noch einen praktischen Vorteil: Viele Ermittlungen laufen parallel. 

Statt selbst jedes Verzeichnis zu lesen oder darauf zu warten, dass ein Agent das gesamte Repository inspiziert, können mehrere Sub-Agents gleichzeitig verschiedene Bereiche erkunden.

Du wirst dieses Muster im weiteren Tutorial immer wieder sehen. Explore-Agents sammeln Informationen, Plan-Agents organisieren die Umsetzung und General-Purpose-Agents erledigen die eigentliche Entwicklungsarbeit.

Wenn du dich generell dafür interessierst, wie autonome KI-Systeme über Claude Code hinaus funktionieren, liefert der DataCamp-Artikel LLM Agents Explained: Architecture, Frameworks, and Use Cases einen hervorragenden Überblick.

Wie installierst und richtest du Claude Code ein? 

Bevor wir Claude Code Agents nutzen können, brauchen wir eine funktionierende Installation. 

Zum Glück dauert der Einstieg nur wenige Minuten.

Claude Code installieren

Claude Code wird als npm-Paket bereitgestellt, daher brauchst du Node.js auf deinem Rechner. Befolge für die Installation am besten die npm-Dokumentation zur Installation von Node.js und npm.

Installiere Claude Code global mit:

npm install -g @anthropic-ai/claude-code

Erstelle als Nächstes einen Anthropic API-Schlüssel in der Anthropic Console und füge ihn deiner Umgebung hinzu.

Unter macOS oder Linux:

export ANTHROPIC_API_KEY="your_api_key_here"

Unter Windows PowerShell:

$env:ANTHROPIC_API_KEY="your_api_key_here"

Um zu prüfen, ob alles korrekt installiert ist, führe aus:

claude --version

Wenn Claude Code die installierte Version ausgibt, bist du startklar.

An dieser Stelle lohnt es sich auch zu prüfen, ob Git verfügbar ist, da viele Claude-Code-Workflows das Lesen der Repository-Historie, das Erstellen von Commits oder den Vergleich von Änderungen beinhalten. 

Wenn du Git noch nicht hast, folge den Installationsanweisungen für Git, um loszulegen.

Beide Kommandos sollten fehlerfrei laufen, bevor du weitermachst.

Deine erste Claude-Code-Sitzung

Mit installierten Claude Code wechselst du in ein Git-Projekt mit cd my-project.

Starte dann Claude Code: claude.

Bevor du Code schreiben lässt, nimm dir ein paar Minuten Zeit, um zu sehen, wie es ein Repository erkundet. Ich beginne meist mit solchen Prompts:

• „What does this repository do?“
• „Explain the architecture.“
• „Find every TODO comment.“
• „Which modules contain the core business logic?“
• „How is authentication implemented?“

Diese Fragen erzeugen keine neuen Features, geben Claude Code aber denselben Kontext, den sich ein neues Teammitglied holen würde, bevor es Code schreibt. 

Ich habe festgestellt, dass 2–3 Minuten Erkundung meist bessere Implementierungen liefern, als direkt mit einer Feature-Anfrage zu starten.

Der nächste Schritt ist das Einrichten eines persistenten Projektgedächtnisses mit CLAUDE.md. Aus meiner Erfahrung hat keine einzelne Datei langfristig einen größeren Einfluss auf die Qualität der Arbeit von Claude Code.

Warum ist CLAUDE.md die wichtigste Datei für Claude Code?

CLAUDE.md ist eine persistente Anleitungsdatei, die Claude vorab über deine Präferenzen und die Funktionsweise deines Projekts informiert, bevor es über eine Aufgabe nachdenkt. 

Statt bei jeder neuen Sitzung Tech-Stack, Konventionen und Entwicklungsworkflow neu zu erklären, dokumentierst du sie einmal – und alle zukünftigen Agents bauen auf diesem gemeinsamen Kontext auf.

Wenn Menschen zum ersten Mal von Claude Code Agents hören, konzentrieren sie sich meist auf Prompts. Ich halte das für verkehrt. 

Eine gut geschriebene CLAUDE.md bringt mehr für die Ergebnisqualität als endloses Feilen an Formulierungen, weil jeder Agent mit demselben Projektverständnis startet.

Denk daran, wie du eine neue Entwicklerin oder einen neuen Entwickler onboarden würdest. 

Du würdest wahrscheinlich nicht mit einem Jira-Ticket beginnen. Du würdest das Repository erklären, zeigen, wie man die Test-Suite ausführt, ein paar Konventionen nennen und vor Bereichen warnen, die man besser nicht anfasst. 

CLAUDE.md erfüllt genau diesen Zweck.

Der Nutzen wird noch deutlicher, sobald du autonome Workflows mit Claude Code verwendest.

Ein Agent, der eigenständig arbeiten soll, braucht verlässlichen Projektkontext. 

Ohne das verbringt Claude Code Zeit damit, Informationen neu zu entdecken oder Annahmen zu treffen, die nicht zu euren Standards passen.

Was gehört in dein CLAUDE.md?

Eine gute CLAUDE.md ersetzt nicht deine Projektdokumentation oder dein README.md. Es ist eine Sammlung der Anweisungen, die Claude Code beim Lesen von Code, Umsetzen von Features und Ausführen von Tools immer wieder braucht.

Ich gliedere meine meist in fünf Abschnitte: Projektüberblick, Tech-Stack, Coding-Konventionen, gängige Kommandos und zu meidende Verzeichnisse. Kurz zu jedem Punkt.

Projektüberblick

Starte mit einer kurzen Beschreibung dessen, was das Projekt tatsächlich tut.

Customer analytics platform built with FastAPI.
The application serves machine learning predictions through REST APIs.
Production deployments run through GitHub Actions.

Diese drei Zeilen signalisieren Claude Code sofort, dass es mit FastAPI, GitHub Actions und einer Machine-Learning-Anwendung zu tun hat – nicht mit einem generischen Python-Repository.

Technologie-Stack

Als Nächstes listest du einfach die wichtigsten Bibliotheken und Frameworks des Projekts auf.

Python 3.12
FastAPI
Pydantic v2
SQLAlchemy
PostgreSQL
Pytest
Ruff

Versionsnummern nehme ich immer auf, wenn sie relevant sind. 

Die empfohlene Vorgehensweise unterscheidet sich zwischen Pydantic v1 und v2 – Claude Code sollte nicht raten müssen, welche API du verwendest. 

Das ist besonders wichtig, wenn du ältere Pakete nutzt, damit nicht mit falschen Annahmen gearbeitet wird.

Coding-Konventionen

Dieser Abschnitt hält Regeln fest, die du sonst immer wiederholst.

Always use type hints.
Prefer dependency injection.
Write tests for every new feature.
Keep business logic separate from API routes.
Reuse existing utility functions before creating new ones.

Beachte: Das sind praktische Engineering-Regeln, keine Stilvorlieben. 

Formatierung kann Claude Code meist aus bestehenden Dateien ableiten. Es weiß aber nicht automatisch, dass euer Team überall Dependency Injection erwartet oder jedes Feature einen pytest-Test braucht.

Gängige Kommandos

Claude Code validiert seine Arbeit oft durch Entwicklungsbefehle. Wenn du die exakten Kommandos angibst, vermeidest du unnötiges Ausprobieren. 

Das können z. B. spezielle task-Aktionen oder CI-Skripte sein.

pytest
Run one test file:
pytest tests/test_api.py
Lint:
ruff check .
Format:
ruff format .
Start the development server:
uvicorn app.main:app --reload

Dieser Abschnitt ist besonders nützlich bei Repositories mit Custom-Skripten, Docker-Workflows oder Tools wie poetry, uv oder tox.

Dateien und Verzeichnisse, die zu meiden sind

Jedes Repository hat Dateien, die nicht automatisch geändert werden sollten.

Beispiele:

Never edit generated files.
Do not modify Alembic migrations.
Avoid changing Terraform configuration unless requested.
Do not update dependency versions automatically.

Dieser Abschnitt verhindert meiner Erfahrung nach besonders viele Fehler. Ein einziger Satz, der Claude Code sagt, generierten Code in Ruhe zu lassen, ist günstiger als die Durchsicht Dutzender unnötiger Änderungen.

Ein Beispiel für CLAUDE.md

Hier ein vereinfachtes Beispiel für ein Python-API-Projekt. 

Achte darauf, wie ich Markdown-Formatierung nutze, um es lesbarer zu machen und Claude mehr Kontext zu geben.

# Project Overview

Customer analytics platform built with FastAPI.

## Technology

- Python 3.12
- FastAPI
- PostgreSQL
- SQLAlchemy
- Pydantic v2
- Pytest
- Ruff

## Coding Standards

- Use type hints everywhere.
- Write tests for new features.
- Prefer dependency injection.
- Keep business logic separate from API routes.

## Common Commands

pytest
ruff check .
ruff format .

## Avoid Editing

generated/
alembic/versions/
terraform/

Mach dir keine Sorgen, wenn die erste Version nicht perfekt ist. 

Meine eigene CLAUDE.md hat sich mehrfach geändert, sobald ich wiederkehrende Anweisungen entdeckt habe, die sich zu dokumentieren lohnen. Behandle sie wie Quellcode, nicht wie unveränderliche Doku. 

Wenn du tiefer in effektive Anleitungsdateien einsteigen willst, zeigt DataCamps Writing the Best CLAUDE.md: A Complete Guide for Claude Code größere Beispiele und fortgeschrittene Muster.

Solltest du ein Projekt- oder User-Level-CLAUDE.md nutzen?

Claude Code unterstützt zwei Geltungsbereiche für persistente Anweisungen. Das Verständnis der Unterschiede hält Projektrichtlinien getrennt von deinen persönlichen Vorlieben.

Projektbasiertes CLAUDE.md

Eine projektbasierte Datei liegt im Repository.

	my-project/
	│
	├── CLAUDE.md
	├── app/
	├── tests/
	└── pyproject.toml

Alles in dieser Datei gilt nur für dieses Repository. Ich nutze sie für Technologieauswahl, Testbefehle, Coding-Konventionen, Verzeichnisstruktur und repositoryspezifische Regeln. 

Weil die Datei neben dem Quellcode lebt, erhalten alle Beitragenden nach dem Klonen dieselben Anweisungen. Denk daran wie ein Handbuch, das jeder Agent vor dem Start bekommt.

User-basiertes CLAUDE.md

Claude Code unterstützt auch eine globale Konfigurationsdatei.

Diese Datei begleitet dich von Projekt zu Projekt. Ich sehe sie als mein persönliches „Betriebshandbuch“, nicht als Projektdoku.

Zum Beispiel könnte meine User-Level-Datei Anweisungen enthalten wie:

Explain architectural trade-offs.
Suggest performance improvements when appropriate.
Default to Python examples unless another language is requested.
Keep explanations concise.

Diese Präferenzen sind sinnvoll, egal ob ich mit FastAPI, React oder PyTorch arbeite.

So greifen die beiden Dateien ineinander

Etwas, das mich anfangs verwirrt hat: Diese Dateien schließen sich nicht gegenseitig aus. 

Die User-Level-CLAUDE.md wird zuerst geladen, dann ergänzt die projektbasierte CLAUDE.md die repositoryspezifischen Anweisungen.

Ich denke daran als Hierarchie. 

Die globale Datei definiert, wie ich gerne arbeite. Die Projektdatei erklärt, wie dieses Repository funktioniert. 

Zusammen geben sie jedem Agent sowohl persönliche Präferenzen als auch Projektkontext, bevor er mit dem Denken beginnt.

Claude Code kombiniert User-Präferenzen mit projektspezifischen Anweisungen, bevor eine Aufgabe startet.

Was sind die drei Typen von Claude Code Sub-Agents?

Claude Code nutzt drei spezialisierte Sub-Agent-Typen, weil unterschiedliche Entwicklungsaufgaben unterschiedliche Werkzeuge brauchen. 

Ein Agent, der ein Repository untersucht, braucht keine Schreibrechte, während ein Agent, der ein Feature implementiert, wahrscheinlich Zugriff auf Bash, Git und deine Test-Suite benötigt.

Als ich mit Claude Code anfing, griff ich immer zum General-Purpose-Agent, weil er am leistungsfähigsten schien. 

Mit der Zeit merkte ich, dass ich dafür mehr Zeit und Tokens zahlte als nötig. Die meisten Workflows werden schneller, wenn du erst explorierst, dann planst und zum Schluss implementierst.

Vergleich der drei Claude Code Sub-Agents

Die Namen sind selbsterklärend, aber jeder Agent hat eine klar definierte Rolle im größeren Workflow.

Was ist ein Claude Code Explore-Agent?

Ein Claude Code Explore-Agent ist ein Read-only-Ermittler, der ein Repository durchsucht und seine Erkenntnisse zusammenfasst, ohne Dateien zu ändern.

Diesen Agenten nutze ich am häufigsten, wenn ich ein unbekanntes Projekt öffne. Statt mich durch Dutzende Python-Module oder JavaScript-Komponenten zu scrollen, lasse ich mir das Subsystem erklären und mir die wichtigen Dateien zeigen.

Gute Anwendungsfälle sind:

• Herausfinden, wo Authentifizierung implementiert ist
• Requests über mehrere Services nachverfolgen
• Logging oder Error Handling prüfen
• Veraltete APIs finden
• Ein Paket oder Verzeichnis zusammenfassen
• Doppelte Business-Logik identifizieren

Da Explore-Agents keine Dateien ändern oder Shell-Befehle ausführen können, sind sie auch am sichersten parallel einsetzbar.

Den Detailgrad wählen

Explore-Agents unterstützen verschiedene Untersuchungstiefen.

Wenn ich nur eine Funktion lokalisieren muss, wähle ich die schnellste Einstellung. Bereite ich einen Refactor über mehrere Pakete vor, lohnt sich meist eine Minute mehr für eine tiefere Untersuchung.

Was ist ein Claude Code Plan-Agent?

Ein Claude Code Plan-Agent analysiert die angeforderte Änderung und erstellt eine Umsetzungsstrategie, ohne das Repository zu verändern.

Diesen Schritt überspringe ich fast nie. Eine Minute Plan-Review ist deutlich günstiger, als in der Umsetzung festzustellen, dass ein anderes Subsystem von deinem Code abhängt.

Ein typischer Plan enthält:

• Zu ändernde Dateien
• Empfohlene Reihenfolge der Umsetzung
• Abhängigkeiten und Integrationspunkte
• Teststrategie
• Risiken oder Annahmen

Nach der Durchsicht kannst du den Plan verfeinern oder direkt an einen General-Purpose-Agent übergeben.

DataCamps Claude Code Plan Mode: Design Review-First Refactoring Loops beleuchtet diesen Review-first-Workflow ausführlich.

Was ist ein General-Purpose Claude Code Agent?

Ein General-Purpose-Agent kann Dateien lesen, Quellcode bearbeiten, Bash-Befehle ausführen, Tests laufen lassen und so lange arbeiten, bis das Ziel erreicht ist.

Das ist der Agent, der tatsächlich Software baut. Er hat denselben Repository-Kontext wie die anderen Agents, aber zusätzlich die Berechtigung, Änderungen vorzunehmen und sie zu verifizieren.

Typische Aufgaben sind:

• Neue Features implementieren
• Mehrere Module refactoren
• Abhängigkeiten migrieren
• Dokumentation aktualisieren
• Änderungen über mehrere Pakete koordinieren

General-Purpose-Agents verbrauchen mehr Tokens, weil sie deutlich mehr Arbeit leisten. 

Das ist ein weiterer Grund, warum ich das Muster Explore → Plan → Implementiere mag. 

Die günstigeren Agents beantworten die frühen Fragen, die teurere Umsetzung folgt erst, wenn der Weg klar ist.

Bis hierhin haben wir die Bausteine für erfolgreiche Claude Code Agents besprochen: persistentes Projektgedächtnis via CLAUDE.md und spezialisierte Sub-Agents für Erkundung, Planung und Umsetzung. 

Als Nächstes fügen wir alles zu vollständigen agentischen Workflows zusammen, die du direkt in deinen Projekten einsetzen kannst.

Deine ersten Claude Code Agent Workflows ausführen

Am meisten holst du aus Claude Code heraus, wenn du ein klares Ziel setzt – statt nur einzelne Bausteine anzufragen.

Ich habe mich auf einen einfachen Workflow eingependelt, der in Python-Projekten, Data-Science-Repositories und Webanwendungen gut funktioniert:

1. Repository erkunden.
2. Plan erstellen.
3. Plan prüfen.
4. Änderungen umsetzen.
5. Ergebnisse verifizieren.

Das ist nicht zwingend, spiegelt aber wider, wie erfahrene Engineers größere Änderungen angehen. 

Eine Minute fürs Verständnis des Repos spart oft mehrere Minuten Korrektur unnötiger Edits. 

Ein sorgfältig ausgearbeiteter Prompt – notfalls eine Stunde Feinschliff – kann dir später Stunden sparen.

Workflow 1: Eine unbekannte Codebasis erkunden

Ein Explore-Agent ist der beste Start, wenn du ein neues Repository übernimmst oder zu einem Projekt zurückkehrst, das du seit Monaten nicht angefasst hast. 

Statt Verzeichnisse manuell zu lesen, bitte Claude Code, die Architektur zu untersuchen und das Wesentliche zusammenzufassen.

Zum Beispiel:

Use an Explore agent to explain how authentication works. 
Identify the main modules involved, summarize the request flow, 
and highlight any technical debt or TODO comments.

Das Ergebnis ist keine Wand aus kopiertem Quellcode. Stattdessen bekommst du in der Regel eine prägnante Erklärung des Authentifizierungsflusses, der beteiligten Dateien und Bereiche, die Aufmerksamkeit brauchen. 

Diese Zusammenfassung nutze ich oft als Ausgangspunkt für die nächste Aufgabe – statt einen Prompt neu zu schreiben.

Workflow 2: Planen, bevor du implementierst

Sobald du das Repository verstehst, bitte einen Plan-Agenten, die Umsetzung zu entwerfen, bevor Code geschrieben wird. 

Diese Gewohnheit ist leicht zu übernehmen und hat mich vor einigen Fehlläufen bewahrt.

Ein Prompt könnte so aussehen:

Create an implementation plan for adding role-based access control.
Identify the files that should change, potential risks,
dependencies, and a recommended implementation order.
Do not modify any code.

Prüfe den Plan, bevor du weitergehst. Wenn alles sinnvoll wirkt, kannst du ihn direkt an einen General-Purpose-Agent übergeben. 

Wenn nicht, lässt sich ein Designdokument viel leichter anpassen als Änderungen in einem Dutzend Dateien rückgängig zu machen.

Ein hervorragender Ansatz ist, eine weitere Claude-Code-Sitzung zur Review der ersten zu nutzen. Ein einfacher Prompt:

This is my current goal: to add role-based access control to this repository. 
Take a look at this existing implementation plan and do an adversarial review.
Once done, create a report that summarizes the strong and weak points of the plan.

Workflow 3: Repository-Erkundung parallelisieren

Eines meiner Lieblingsfeatures von Claude Code: Erkundung muss nicht sequenziell ablaufen. Wenn dein Projekt mehrere unabhängige Subsysteme hat, kannst du sie gleichzeitig untersuchen.

Du könntest z. B. einen Explore-Agenten für die API-Schicht starten, einen weiteren für die Datenbankmodelle und einen dritten für die Machine-Learning-Pipeline. 

Während diese Agents unabhängig arbeiten, fasst der Orchestrator ihre Ergebnisse in einer Antwort zusammen.

Ich nutze parallele Agents nicht für jede Aufgabe, aber sie passen hervorragend zu großen Monorepos oder gewachsenen Anwendungen mit vielen Services. Statt auf eine lange Ermittlung zu warten, verstehst du das Repository schneller, weil mehrere Teile gleichzeitig analysiert werden.

Am besten orchestrierst du mehrere Agents über einen übergeordneten Agenten. 

Diese agentische Orchestrierung ermöglicht parallele Arbeit, ohne mehrere Sitzungen manuell zu koordinieren – alle Erkenntnisse landen in einem konsistenten Kontext. 

Ein guter Prompt könnte so aussehen:

I want you to look at the following components: 
Inspect the API layer, review the DB models, and examine the ML pipeline. 
Look for weaknesses. 
I want this done in parallel, so spawn subagents using Opus/Sonnet models 
in order to do this work and have each generate a concise report and share out 
one master document that outlines the work needed to be done.

Best Practices für Claude Code Agents

Die meisten Probleme mit Claude Code liegen nicht am Modell, sondern an vagen Prompts, fehlendem Projektkontext oder daran, dass eine Aufgabe gestellt wird, die nicht vollständig verstanden ist.

Nach regelmäßiger Nutzung sind das die Gewohnheiten, die meinen Ergebnissen am meisten geholfen haben.

Schreibe Prompts, die Agents ausführen können

Claude Code liefert am besten, wenn Ziel, Umfang und Erfolgskriterien explizit sind. 

Statt das Endziel vage zu beschreiben, sag dem Agent genau, welches Repository er untersuchen soll, welche Dateien er ändern darf und woran du erkennst, dass die Aufgabe erledigt ist.

Zum Beispiel:

❌ Vage: Improve the API.

✅ Konkret: Aktualisiere die FastAPI-Authentifizierungsendpunkte auf Pydantic-v2-Validierung, generiere oder aktualisiere die zugehörigen pytest-Tests, führe die Test-Suite aus und fasse jede geänderte Datei zusammen.

Der zweite Prompt liefert ein klares Ziel, Grenzen und eine Möglichkeit zur Erfolgskontrolle. Das führt meist zu weniger Rückfragen und weniger manuellem Aufräumen.

Kontext managen, bevor er zum Problem wird

Lange Gespräche sammeln irgendwann so viel Kontext an, dass Claude Code Tokens darauf verwendet, sich an Vergangenes zu erinnern statt das aktuelle Problem zu lösen.

Nutze in dem Fall /compact, um das Gespräch zusammenzufassen und den wichtigen Kontext zu behalten. Lieber früh komprimieren als warten, bis die Performance merklich sinkt.

Eine gute CLAUDE.md hilft ebenfalls, weil Projektkonventionen nicht jede Sitzung wiederholt werden müssen. Claude Code lädt diesen Kontext automatisch, sodass mehr Zeit für die eigentliche Aufgabe bleibt.

Weitere Tipps zu Kontextmanagement, Testgetriebener Entwicklung und Prompt-Design findest du in Claude Code Best Practices: Planning, Context Transfer, TDD.

An Tokenkosten denken

Nicht jede Aufgabe braucht einen General-Purpose-Agenten.

Wenn du nur die Definition einer Funktion finden willst, ist ein Explore-Agent meist schneller und günstiger. 

Bei großen Architekturänderungen liefert ein Plan-Agent oft genug Informationen – ganz ohne Repository zu ändern.

Heb dir General-Purpose-Agents für Aufgaben auf, die wirklich Ausführung brauchen: Dateien bearbeiten, Bash-Befehle ausführen oder Tests laufen lassen. Passender Agent zur passenden Aufgabe hält Laufzeit und Tokenverbrauch im Zaum.

Wissen, wann du keine Agents brauchst

Claude Code Agents bringen etwas Overhead mit sich, da Kontext und Tokens ausgetauscht werden. 

Sie untersuchen das Repository, denken die Aufgabe durch und verifizieren ihre Arbeit. Für sehr kleine Änderungen lohnt sich das nicht immer.

Dafür brauchst du wahrscheinlich keinen Agenten:

• Eine einzelne Variable umbenennen.
• Einen Tippfehler in einer Markdown-Datei korrigieren.
• Eine Python-Fehlermeldung erklären.
• Eine kurze SQL-Frage beantworten.

In solchen Fällen ist ein normales Claude-Code-Gespräch oder sogar ein manueller Edit oft schneller. Ich stelle mir vor dem Start eines Agenten eine Frage: Würde ich mehr Zeit brauchen, die Aufgabe zu erklären, als sie selbst zu erledigen? Wenn ja, halte ich es einfach.

Abschließende Gedanken

Claude Code Agents verändern die Rolle von KI in der Softwareentwicklung. Statt isolierte Snippets zu erzeugen, können sie komplexere Aufgaben übernehmen: Repositories untersuchen, Implementierungen entwerfen, Code ändern, Tests ausführen und mehrstufige Ziele mit relativ wenig Aufsicht erreichen.

Die wichtigste Lektion für mich: Bessere Workflows sind wichtiger als bessere Prompts. 

Eine klare CLAUDE.md, ein paar Minuten Repository-Erkundung und ein durchdachter Umsetzungsplan liefern konsistent bessere Ergebnisse, als direkt in die Codegenerierung zu springen.

Mit der Zeit wirst du deinen eigenen Workflow entwickeln. Meiner beginnt fast immer gleich: erst erkunden, dann planen, zuletzt implementieren.

Diese einfache Gewohnheit hat mir unzählige Review-Schleifen erspart und mein Vertrauen in autonome Workflows deutlich erhöht.

Wenn du mehr über die Konzepte hinter autonomen Systemen lernen willst, empfehle ich dir diese Ressourcen:

• Introduction to AI Agents 
• Introduction to Claude Models 
• Claude Code Hooks: A Practical Guide to Workflow Automation 
• Claude Agent SDK Tutorial: Create Agents Using Claude Sonnet 4.5 
• How to Build Claude Code Plugins 
• Claude Code 2.1: A Guide With Practical Examples 
• Model Context Protocol (MCP): A Guide With Demo Project 
• AI Agents with Hugging Face smolagent