Agentic Product & Software Development
Ich setze Agenten im Produkt und in der Arbeit am Produkt ein. Das Ziel sind autonome Signal-to-Outcome-Loops, die triagieren, klären, bauen, prüfen, releasen, beobachten und weiterlernen, ohne für jeden Schritt auf einen Menschen zu warten. Heute belege ich die Bausteine; das adaptive Produktsystem ist das Zielbild, nicht bereits ein fertiges Produkt.
Mein Blick darauf
Der eigentliche Sprung entsteht nicht durch mehr generierten Code, sondern wenn Agenten Signale autonom bis zum überprüfbaren Outcome weiterführen und Menschen nicht mehr jeden nächsten Schritt auslösen müssen.
Zwei Veränderungen, ein System
Mein Zugang zu AI baut auf dem Studium der Kognitiven Informatik auf: Machine Learning, Robotik, AI, Agenten- und Multi-Agent-Systeme, neuronale Netze und die Frage, wie Systeme wahrnehmen, entscheiden und scheitern. Daraus entsteht belastbares Urteil für Architekturgrenzen, Modellgrenzen und realistische Einsatzfelder.
Seit Februar 2023 nutze ich LLMs täglich produktiv. Seit Ende 2025 entsteht der Großteil meiner Implementierung in Agenten-Workflows: Ich kläre Ziel, Kontext und Grenzen, orchestriere Agenten, prüfe Code und Evidenz und behalte Produkt- und Technikverantwortung. Dieselbe Arbeitsweise nutze ich für Produktklärung, Research, Architektur, Tests, Review, Dokumentation und Betrieb sowie für Produkte, in denen agentische Fähigkeiten selbst Teil des Nutzwerts sind.
User Value und Domänensprache führen. DDD mit Bounded Contexts hält Verantwortung verständlich, TDD schützt Verhalten ohne Ausnahmen. Wegwerfbare Spikes, Prototypen und Grilling Sessions verbrennen Risiko früh, bevor aus Annahmen Architektur wird.
Agentische Arbeit wird reproduzierbar, wenn Kontexte sauber geschnitten, Regeln explizit, Rechte geklärt und wiederverwendbare Skills und Tools definiert sind. Korrekturen aus Tests, Reviews und Betrieb fließen als prüfbare Änderungen in Regeln, Tests, Dokumentation oder Runbooks zurück.
Jeder Slice soll einen nutzbaren End-to-End-Pfad liefern. Run-State, Checkpoints, Retries, Observability und klare Wake-up-Bedingungen verhindern, dass Tokenlimits, Sessionwechsel oder ein einzelner Fehler den gesamten Loop stilllegen.
Menschen bleiben wertvoll
Menschen geben Ziele, Domänenevidenz und Regeln vor, ermöglichen neue Werkzeuge, verwahren sensible Zugangsdaten und Schlüssel, korrigieren mit Feedback oder Veto und übernehmen Notfälle. Das System soll diese Beiträge gezielt anfordern, nicht Routinearbeit künstlich auf Freigaben warten lassen. Vorgeschriebene Policy- und Ausnahmefreigaben bleiben erhalten.
Der agentische Wertstrom
Menschen und Systeme liefern Kunden-, Support-, Markt- und Betriebssignale. Agenten führen gleiche Signale zusammen, priorisieren nach Nutzwert und starten den nächsten zulässigen Schritt.
DDD und Bounded Contexts halten Sprache und Verantwortung sauber. Wegwerfbare Spikes, Prototypen und kritische Prüfrunden klären die größte Unsicherheit früh.
TDD ohne Ausnahmen, DevSecOps und Beobachtbarkeit laufen in kleinen nutzbaren End-to-End-Inkrementen mit. Ein bestandener Schritt wird erst mit Rollout-, Rollback- und Policy-Evidenz zum Kandidaten für sichere Integration und Betrieb.
Dauerhafter Laufzustand, Zwischenstände, Wiederholungen und Aufwachbedingungen überleben Sitzungs- und Tokenlimits. Evidenz fließt als prüfbare Tests, Regeln, Skills und Betriebsanleitungen zurück.
Von der Aufgabe zum Outcome
Das öffentliche Reifegradmodell führt von direkt begleiteten Aufgaben über dauerhafte Workflows und einen regelbasierten Wertstrom bis zu Level 7: einem adaptiven Produktsystem. Dort wählen Agenten innerhalb klarer Ziele, Budgets und Abbruchkriterien begrenzte Probleme und Experimente. Menschen behalten Strategie, Verantwortung und Stopprecht.
Öffentliche Methode, private Umsetzung und kommerzielles Zielbild bleiben bewusst getrennt. So ist der heutige Beleg sichtbar, ohne eine Produktreife zu behaupten, die noch entsteht.
01 · Public Harness
Offene Skills, Verträge, Reifegradmodelle und Prüfungen, mit denen andere ihren eigenen Harness aufbauen können.
02 · Private Harness
Meine Gitea-first Implementierung setzt Kontextrouting, Worktree-Leases, unabhängige Prüfungen, Qualitätsgrenzen und Integration über reale Repositories hinweg konkret um.
03 · Value Pipeline
Das Zielbild führt vertrauenswürdige Signale über begrenzte Produktentscheidungen und Experimente zu gemessenen Outcomes und neuen Investitionsentscheidungen. Value Pipeline ist in Entwicklung und wird zuerst am eigenen System bewiesen.
Technisches Zielbild
Git, Issues, Änderungen, Prüfungen und CI bleiben im eigenen privaten System nachvollziehbar. Öffentliche Artefakte können weiterhin auf GitHub leben.
Cursor Headless kann als über ein Abonnement bezahlter Worker-Adapter dienen, ist aber nicht die Plattform. Modelle und Anbieter sollen nach Schwierigkeit, Risiko, Datenzugriff, Werkzeugbedarf, Evidenz und Kosten gewählt werden. Premium-Geschwindigkeitsstufen wie Fast Mode bleiben standardmäßig ausgeschaltet.
Das Zielsystem gibt Läufen Zustand, Arbeitszuordnung, Zwischenstände, Wiederholungsregeln und laufenden Abgleich. Pause ohne Signal ist gesund; ein vergessener menschlicher Auslöser ist kein Betriebsmodell.
Das Zielbild macht Signale, Entscheidungen, Evidenz, Kosten, Risiken, Eskalationen und Outcomes für Menschen sichtbar, damit sie jederzeit Kontext, Feedback oder Veto einbringen können.
Praxis und Richtung
Bei Livable Places verbinde ich Multi-Agent-Research, lokale Agent Skills und pluginartige Workflows mit Produktklärung, Daten- und ML-Evidenz, Code, Tests, Delivery und Plattformbetrieb. Korrekturen bleiben nicht im Chat, sondern werden zu überprüfbaren Artefakten und besserem Projektkontext.
Mein öffentliches Agentic Engineering Harness macht diesen Ansatz als Open-Source-Projekt überprüfbar: portable Skills, Repo- und Multi-Repo-Regeln, unabhängige Reviews, versionierte Lernartefakte und klare Eskalationsgrenzen. Das Ziel ist maximale belegbare Autonomie - nicht eine menschliche Freigabe für jeden Commit.
Wo das Wert schafft
Wir können bei einem konkreten Produktproblem, einem Engpass im Delivery-Flow oder dem nächsten sinnvollen Autonomieschritt beginnen. Wichtig ist, dass wir Nutzwert, Verantwortung, Qualität und Betrieb gemeinsam gestalten.
