KI-Agenten & Automatisierung: RAG, Workflows, Guides

In einer Zeit, in der die KI den Code schreibt, verschiebt sich die wertvollere Fähigkeit vom „Code schreiben“ zum „die Spezifikation schreiben“ — und die Praxis, die das auf den Punkt bringt, ist Spec-Driven Development (SDD). SDD stellt die Spezifikation als maßgebliche Quelle in den Mittelpunkt des Projekts, und ein KI-Agent leitet daraus Design, Aufteilung und Implementierung ab, statt sofort zu programmieren. Entscheidend ist, dass jeder Schritt ein Dokument (oft Markdown) hinterlässt, das der nächste Schritt liest. Dieser einsteigerfreundliche Leitfaden erklärt, was SDD ist (die Spezifikation ist maßgeblich, der Code ein Derivat), warum es jetzt zählt (es verhindert die „Drei-Monats-Mauer“ aus technischen Schulden und Anforderungsdrift des Vibe Coding schon in der Entwurfsphase — GitHub berichtet von rund einer Größenordnung weniger „von Grund auf neu generieren“-Zyklen), die grundlegenden vier Schritte (Specify → Plan → Tasks → Implement), die wichtigsten Tools (GitHub Spec Kit mit über 90.000 Sternen und mehr als 30 unterstützten Agenten, AWS Kiro mit seinem Requirements → Design → Tasks-Ablauf und Auto-Router sowie BMAD, OpenSpec, Tessl, Google Antigravity und Cursor), wann man es im Vergleich zum Vibe Coding einsetzt (ein Hybrid: Vibe zum Erkunden, spezifikationsgetrieben zum Ausliefern, mit verpflichtendem menschlichem Review) und wie Sie es noch heute ausprobieren. Im KI-Zeitalter steigen jene auf, die präzise definieren können, was gebaut werden soll — nicht jene, die am schnellsten Code schreiben.

Der Schwerpunkt der Arbeit mit KI verschiebt sich vom Prompt Engineering zum Context Engineering. In Anthropics Worten ist Context Engineering „die Gesamtheit der Strategien, um den optimalen Satz an Tokens (Informationen) zu kuratieren und zu pflegen, den man dem Modell während der Inferenz übergibt“ — und umfasst nicht nur den Prompt, sondern alles im Kontextfenster: den System-Prompt, Tools, den Gesprächsverlauf und externe Daten. Es zählt wegen „Context Rot“: Je mehr Tokens Sie hinzufügen, desto stärker sinkt tatsächlich die Genauigkeit. Chromas Studie von 2025 testete 18 führende Modelle (GPT, Claude, Gemini und weitere), und jedes verschlechterte sich, je länger die Eingabe wurde, wobei Informationen in der Mitte langer Kontexte besonders leicht übersehen werden („lost in the middle“). Dieser einsteigerfreundliche Leitfaden erklärt, was Context Engineering ist und wie es zum Prompt Engineering steht, warum Context Rot entsteht (Aufmerksamkeit ist ein begrenztes Budget), was tatsächlich im Kontext steckt, sechs zentrale Techniken (Anweisungen auf der richtigen Flughöhe, Tool-Kuratierung, Just-in-time-Abruf, Compaction/Verdichtung durch Zusammenfassung, Notizen als externes Gedächtnis und Isolation per Subagent), das Verhältnis zu RAG und Claude Skills sowie Gewohnheiten für heute, etwa eine neue Sitzung zu starten, wenn das Thema wechselt, und nur die Kernpunkte einzufügen. Der Kerngedanke: nur die kleinste, signalstärkste Menge an Tokens behalten.

Ein anfängerfreundlicher Leitfaden zu Claude Skills (Agent Skills) – dem Mechanismus, der Schluss macht mit dem mühsamen Wiedererklären desselben Ablaufs an Claude. Ein Skill verpackt Anweisungen, Skripte und Referenzen in einen einzigen Ordner, rund um eine SKILL.md-Datei mit name, description und den Schritten. Meist liest Claude nur die kurze Beschreibung jedes Skills und entfaltet den Inhalt erst, wenn deine Anfrage passt – ein Design namens progressive Offenlegung, das deinen Kontext selbst bei Dutzenden installierter Skills leicht hält. Der Artikel erklärt, was Skills sind, warum sie wichtig sind (Schluss mit dem ewigen Prompt-Einfügen), wie man SKILL.md und eine minimale Ordnerstruktur schreibt, wie man einen baut (offizieller skill-creator oder von Hand, abgelegt in .claude/skills, mit Sofort-Reload ab Januar 2026), wie sich Skills von MCP (Konnektivität) und Subagenten (Kontextisolation) unterscheiden, den offenen Standard, den neben den Claude-Apps, Claude Code, der API und dem Agent SDK auch Codex CLI, Cursor, Gemini CLI und GitHub Copilot übernommen haben, plus konkrete Anwendungen wie Dokumentenerstellung und das Durchsetzen interner Regeln. Von Anthropic am 16. Oktober 2025 vorgestellt und von Simon Willison als „vielleicht eine größere Sache als MCP“ bezeichnet.

"Ich habe eine KI gefragt, und sie hat den Browser geöffnet, Dinge nachgeschlagen und sogar ein Formular ausgefüllt." 2026 ist das keine inszenierte Demo mehr: Agentische Browser (ChatGPT Atlas, Claude for Chrome, Gemini/Chrome, Perplexity Comet) kamen auf einen Schlag. Doch wie weit reicht die Automatisierung wirklich? Die Realität teilt sich sauber in drei Stufen. (1) Recherche = praxisreif: Auf WebVoyager (echte Sites) erreichen Spitzen-Agenten 89-98%, nahe der Sättigung, und da ein Fehler kaum etwas kostet, sollten Sie hier mit dem Delegieren beginnen. (2) Formulare = machbar, aber prüfen: Die Eingabe selbst wird unterstützt, doch Agenten können Felder falsch zuordnen oder den falschen Absenden-Button treffen, daher ist "die KI entwirft, ein Mensch sendet ab" sicher, und viele Produkte wie Atlas bitten vor wichtigen Aktionen um Bestätigung. (3) Buchen/Bezahlen = selbst erledigen: Agenten stolpern über CAPTCHAs, komplexe JavaScript-Checkouts, Zwei-Faktor-Auth und Sitzungsverwaltung, und auf WebArena (komplexe mehrstufige Aufgaben) erreichen selbst die Besten nur ~47-68% gegenüber einer menschlichen Basislinie von ~78%; der eigentliche Grund, warum OpenAI das eigenständige Operator einstellte (2025/8/31), war die Unzuverlässigkeit des Checkouts. Der Artikel rahmt zunächst die zwei Ansätze (Verbraucher-Browser/Erweiterung vs. Entwickler-API/OSS), kartiert dann die Anbieter 2026 (Atlas als eigenständiger Browser, der per Design keinen Code ausführt und keine Passwörter liest; Claude for Chrome als Erweiterungs-Seitenleiste; Googles Project Mariner endete 2026/5/4 und ging in Gemini/Chrome auf; Operator wanderte in ChatGPT Agent und das Agents SDK; OSS browser-use mit über 78k Sternen). Er erklärt die vier Hürden, an denen Buchungen scheitern (Bot-Abwehr, komplexer Checkout, 2FA, die Kosten des Rückgängigmachens), und vertieft dann die größte Falle: die indirekte Prompt Injection (Perplexity Comet erwies sich als anfällig für Zero-Click-Diebstahl von Zugangsdaten und behob dies im Februar 2026; ein Angriffserfolg von 23.6% vor Abwehr sinkt auf ~11% mit grundlegender und ~1% mit der stärksten, bleibt aber nicht null). Er schließt mit fünf Sicherheitsgrundsätzen (mit Nur-Lesen beginnen, ein Mensch gibt Sendungen/Zahlungen frei, niemals Passwörter übergeben, nicht auf nicht vertrauenswürdigen Sites laufen lassen, geringste Rechte in einem dedizierten Profil). Ein hervorragender Recherchepartner; die geldbewegenden Aktionen erledigen Sie selbst. Die Zahlen stammen als Richtwerte aus öffentlichen Materialien und Ankündigungen.

"Okay, KI-Agenten sind beeindruckend — aber wofür kann ich sie eigentlich einsetzen?" Das ist die Frage, vor der jeder nach den Grundlagen steht, und 2026 ist die Antwort keine Zukunftsmusik mehr: quer durch Support, Vertrieb, Buchhaltung, Entwicklung und HR haben Agenten begonnen, Routinearbeit zu übernehmen, eine Umfrage berichtet von 65% der Unternehmen, die bereits einen Workflow automatisiert haben. Dieser Artikel lässt Abstraktionen beiseite und liefert 10 konkrete Anwendungsfälle nach Funktion mit echten Beispielen und Zahlen. Er behandelt, warum Anwendungsfälle jetzt zählen (Agenten antworten nicht nur, sondern handeln, vom Experiment zur Produktion; Gartner prognostiziert, dass bis 2028 ein Drittel der Unternehmenssoftware agentische Funktionen enthält und bis 2029 80% der Support-Anfragen mit minimaler menschlicher Hilfe gelöst werden), wie man automatisierbare Arbeit erkennt (stark wiederkehrend x hohes Volumen x erfordert Urteilsvermögen — der Urteilsteil ist der Unterschied zur alten RPA; große Entscheidungen bleiben beim Menschen über Agent-bereitet-vor-Mensch-genehmigt), die 10 Fälle (1 Kundensupport an erster Linie und kontextreiche Eskalation, 2 Vertriebs-Lead-Gewinnung und personalisierte E-Mails mit 200/Stunde und 2-4x Antwortraten, 3 Marketing-SEO-Content von 2 auf 10 Artikel pro Woche und E-Mail zur optimalen Zeit, 4 Softwareentwicklung mit über 35% KI-generiertem Code, 5 IT-Störfall-Erkennung-Diagnose-Auto-Wiederherstellung, 6 Finanzen ERP-weite KPIs und kommentierte PDF-Berichte, 7 Echtzeit-Betrugserkennung im Finanzwesen, 8 HR-Screening und -Onboarding mit AMD-Bericht über 80% schnellere Bearbeitung, 9 Recherche und Datenanalyse zu Berichten, 10 Lieferketten-Control-Tower), die ROI-Realität (3.5x über drei Jahre, 3-14 Monate Amortisation, 30-60% Kostensenkung laut McKinsey, aber nur 23% skalieren, das Beständigmachen ist schwer) und wie man sicher startet (eine Aufgabe wählen, klein ausprobieren, Mensch genehmigt, messen und ausweiten) mit geringstmöglichen Rechten und Genehmigung bei jedem Mal. Die Zahlen sind aus Umfragen und Unternehmensmitteilungen zitiert, als Referenz für Tendenzen. Betrachten Sie Ihre Arbeit erneut durch Wiederholung, Volumen und Urteilsvermögen und machen Sie einen kleinen Schritt von Ihrer schmerzhaftesten Aufgabe aus.

Die 6 Phasen der Systementwicklung — Anforderungen, Design, Implementierung, Tests, Deployment, Betrieb — haben sich über 20 Jahre lang kaum verändert. 2025-2026 wurde der Ablauf von Grund auf neu geschrieben. Gartner prognostiziert, dass bis 2028 90 % der Entwickler in Unternehmen KI-Coding-Assistenten nutzen werden; Cursor spart 18 Stunden pro Monat (ROI 36x); Claude Code schließt komplexe Multi-File-Refactorings in 10 bis 180 Minuten mit 89 % Erfolg ab. Dieser Artikel behandelt die Umkehrung der Zeitverteilung im SDLC (Implementierung 40 → 10 %, Anforderungen 10 → 25 %, Design 15 → 30 %), den aktuellen Stand jeder Phase und die wichtigsten Werkzeuge (Claude Code, Cursor, Copilot, v0, Bolt), das Qualitätsproblem aus Lightrun 2026 (43 % der von KI erzeugten Änderungen brauchen Debugging in Produktion), den Generationenwechsel Waterfall → Agile → AI-Native, 7 Rollenwandel (PM, Designer, Junior-PG, Senior-PG, QA, SRE, Tech Lead) und die 3 Fallen des KI-geführten SDLC (Qualitätsfragilität, Zusammenbruch der Junior-Ausbildung, Verlust impliziten Wissens) samt Gegenmitteln — alles verankert auf Faktenstand Mai 2026. "Ein Ingenieur mit nur Coding-Fähigkeit" ist ab 2027 die größte Karrierefalle.

Im Jahr 2025 stieg die Zahl der Stellenausschreibungen für eine Rolle um außergewöhnliche 1.165 % im Jahresvergleich: den FDE — den Forward Deployed Engineer. Warum ist ein stiller Job, den Palantir über rund 20 Jahre systematisiert hat, 2026 plötzlich zum „heißesten Titel“ geworden? Ein FDE ist „ein Ingenieur, der das Produkt seines eigenen Unternehmens an den Standort des Kunden trägt und Beobachtung, Konzeption, Umsetzung, Betrieb und Produkt-Feedback persönlich von Anfang bis Ende verantwortet.“ Generative KI trägt eine letzte Meile von „die Demo funktioniert, aber vor Ort nicht“, und der FDE ist die Rolle, die sie mit Menschenhand schließt. Dieser Artikel behandelt die Definition, warum die Rolle 2026 explodiert ist (der Einstellungsrausch von OpenAI, Anthropic und Google), die 5-stufige Arbeitsschleife, Vergütung und Karriere (Palantir-Durchschnitt 238.000 $, Staff über 630.000 $), den Unterschied zu SE / IT-Berater / Applied AI Engineer, wer passt und wer nicht, und wie man ohne Erfahrung dorthin gelangt — alles mit den aktuellsten Daten von Mai 2026.

Bis 2025 kostete "in Cursor/Claude Code editieren → zum Terminal wechseln, git push → zum Browser wechseln, Vercel prüfen" Dutzende Kontextwechsel am Tag. Im Mai 2026 fassen Vercel Agent Skills (via MCP), das Claude Code Plugin und Claude Code GitHub Actions v1.0 "Code → Build → Deploy → Preview-URL → env-Management → Rollback" in einem Flow im Agent zusammen. Dieser Artikel führt durch drei Implementierungsansätze: ① git push (Setup 5 Min, Deploy 60 bis 90 s), ② MCP-Direct (.cursor/mcp.json + Slash-Befehle wie /deploy, /env, /rollback), ③ GitHub Actions (in einem PR @claude erwähnen für Auto-Fix + Preview-Deploy). Anschließend behandelt er die drei Preview-Umgebungs-Patterns (A/B-Vergleich, permanentes Staging, passwortgeschützter Kunden-Review) und die vier operativen Stolperfallen (env-Leck, Kostenexplosion, PR-Konflikte, vergessener Rollback) — alles mit funktionierendem Code, verankert in Mai 2026.

"Ich habe auf der OpenAI-API ausgeliefert, möchte aber auch Claude und Gemini ausprobieren" — und schon verbringt man zwei Stunden damit, dieselbe Logik gegen drei verschiedene SDKs neu zu schreiben. Das Vercel AI SDK (seit 2026 schlicht "AI SDK") reduziert das auf "ein Import, eine Funktion, jeder Anbieter". Eine TypeScript-Open-Source-Bibliothek mit über 20 Millionen monatlichen Downloads; AI SDK 6 liefert Agents, MCP, Tool-Approval und DevTools und ist Stand 15. Mai 2026 der De-facto-Standard für eine einheitliche LLM-Schnittstelle. Wer 2026 LLMs aus einer Web-App oder einem Node.js-Projekt aufruft, für den ist das AI SDK der richtige Default, Punkt. Die einzigen Gründe, direkt gegen das OpenAI- oder Anthropic-SDK zu schreiben, sind eine bestehende Codebasis oder eine brandneue, anbieter-spezifische Funktion. Andernfalls liefert das AI SDK einfaches Wechseln, ein Drittel des Codes, Typsicherheit und React-Integration mit überwaeltigendem Vorteil. Dieser Artikel behandelt, was das AI SDK ist und warum man es einsetzt, einen 5-Minuten-Quickstart (von generateText zu streamText), strukturierte Ausgabe mit generateObject und Zod, Tool calling und Agents (das Herz von AI SDK 6 mit stopWhen, ToolLoopAgent, MCP), React-Integration mit useChat, Anbieterwechsel Claude/GPT/Gemini in 3 Zeilen sowie drei Stolperfallen in Produktion: Feature-Luecken zwischen Anbietern, Kosten bei Stream-Abbruch und Typ-Inferenz-Überlast.

Umgebungseinrichtung ist die Stelle, an der jeder Programmieranfänger steckenbleibt. 2026 ist generative KI (Claude Code, Codex, Cursor) für Routinearbeiten an der Infrastruktur tatsächlich brauchbar – lokale Umgebungseinrichtung, Dockerfile-Generierung, Terraform-Entwürfe, CI/CD-Pipelines. HashiCorp hat 2026 seinen offiziellen Terraform MCP Server ausgeliefert, und Anthropic hat Agent Skills veröffentlicht, sodass Infrastruktur-Expertise bei Bedarf geladen werden kann. Aber „alles delegieren“ ist eine andere Frage: eine offene 0.0.0.0/0-Security-Group, ein in GitHub committeter SSH-Schlüssel, eine AWS-Monatsrechnung von 3.000 $ – alles reale Vorfälle von 2026. Dieser Artikel teilt fünf sicher delegierbare Bereiche, drei „erst prüfen, dann vertrauen“-Risikozonen, vier nur-Mensch-Bereiche, einen vierschrittigen anfängersicheren Workflow und die neuesten 2026er Werkzeuge (Claude Code, MCP, Agent Skills) – fokussiert auf Fähigkeitsbewertung, nicht auf Karrierewirkung.

Im Februar 2026 überschritt Anysphere — das Unternehmen hinter Cursor — 2 Mrd. USD ARR und zeichnete in nur drei Jahren eine SaaS-Umsatzkurve in der Liga von OpenAI und Anthropic. Dieser Artikel behandelt, wie sich Cursor von VS Code abgrenzt, indem es KI direkt in die Rendering-Ebene einbettet (Tab-Vervollständigung unter 100 ms, 272K-Token-Codebasis-Index, die sechs Kernfunktionen: Tab / Inline Edit / Composer / Agent / Background Agents / Bugbot), die fünf konkreten Unterschiede zu VS Code, den direkten Vergleich mit vier Rivalen (Windsurf / Zed / Claude Code / GitHub Copilot), die Plan-Struktur Hobby gratis / Pro 20 USD / Business 40 USD sowie einen Entscheidungs-Leitfaden für „wer tatsächlich wechseln sollte“ — faktenbasiert mit Stand Mai 2026.

Im Sommer 2025 brachte ein Solo-Entwickler einen MCP-Server namens 21st.dev mit null Marketingbudget auf den Markt und erreichte 10.000 $ MRR in 6 Wochen. Ein anderer Entwickler im Apify Store verdient 2.000 $/Monat. Doch von den über 12.000 MCP-Servern, die bis März 2026 veröffentlicht wurden, haben weniger als 5 % erfolgreich monetarisiert — die übrigen 95 % liegen auf dem Friedhof der „nützlichen, aber kostenlosen“ Tools. Dieser Artikel zeigt anhand von Branchenforschung und realen Zahlen, was Gewinner von Verlierern unterscheidet, die 4 Erlösmodelle (Abonnementstufen / nutzungsbasiert / API-Key / Freemium), einen Vergleich der wichtigsten Marktplätze (MCPize 85 % Rev-Share / Apify / Glama / Smithery), reale Zahlen, die 6 Fehlermuster, in die 95 % fallen, das Solo-Entwickler-Playbook, Enterprise-Strategie und eine Prognose für 1 bis 3 Jahre.