Lisp-Entwicklung mit KI-Agenten: Hohe Kosten und technische Herausforderungen

KI-Agenten-Leistung mit Lisp im Vergleich zu anderen Sprachen
Ein DevOps-Ingenieur, der OpenRouter mit Goose CLI für agentische KI-Entwicklung nutzt, entdeckte erhebliche Unterschiede in der KI-Leistung zwischen Programmiersprachen. Bei der Arbeit an einem RSS-Reader-Formatkonvertierungstool in Lisp stieß er auf mehrere Herausforderungen, die die Entwicklung im Vergleich zu Python oder Go teuer und ineffizient machten.
Technische Implementierungsdetails
Der Ingenieur versuchte zunächst, KI-Agenten über tmux-Befehle mit dem Lisp-REPL interagieren zu lassen: tmux capture-pane -t 0.0 -p | tail -n 1. Dieser Ansatz verbrauchte übermäßig viele Tokens, erforderte Sleep-Befehle und beinhaltete das Parsen von tmux-Ausgaben. Claude zeigte etwas Fortschritt, kämpfte aber weiterhin, während günstigere Modelle wie DeepSeek und Qwen trotz angemessener Leistung bei anderen Aufgaben schlecht abschnitten.
Um die Situation zu verbessern, entwickelte er tmux-repl-mcp, ein Python-Tool, das eine einfachere REPL-Schnittstelle bietet. Anstatt komplexer tmux-Interaktionen konnten Agenten einfach execute_command im REPL ausführen und direkt Ausgaben erhalten. Er wählte Python, weil seine bestehende Goose-Konfiguration uvx für die Tool-Installation und -Verwaltung nutzte.
Kosten- und Leistungsvergleich
Der Unterschied zwischen Lisp- und Python-Entwicklung mit KI war dramatisch. Mit Python konnte er mit günstigen Modellen in ein bis zwei Tagen gesamten Code und Tests schreiben und benötigte nur halbmanuelle Fehlerbehebung. Mit Lisp gab er selbst nach der Implementierung von tmux-repl-mcp in 30 Minuten 10 $ mit Claude aus, und das Signal-Rausch-Verhältnis blieb im Vergleich zu Python schlecht.
Wichtige Beobachtungen aus der Erfahrung:
- KI generiert Code auf dem Weg des geringsten Widerstands und greift standardmäßig auf gängige Muster wie QuickLisp zurück, selbst wenn sie angewiesen wird, Alternativen wie OCICL zu nutzen
- Die hochlatenzbehaftete Anfrage-Antwort-Natur von KI-APIs kollidiert mit REPL-Entwicklungsworkflows
- Sprachen mit hohem Internetvolumen (Go, Python) sind um Größenordnungen einfacher und günstiger für KI-gestützte Entwicklung
- KI hat Sprachpopularität in echte Kosteneinsparungen pro Million Tokens umgewandelt
Der Ingenieur merkte an, dass seine Rolle unabhängig von der Sprache ähnlich blieb: Er fungierte als meinungsstarker Produktverantwortlicher, der die KI steuerte. Allerdings fehlte der Erfahrung die übliche Freude am direkten Schreiben von Lisp, was ihn dazu veranlasste, eine Neuschreibung des Projekts in Go für bessere KI-Kompatibilität in Betracht zu ziehen.
📖 Read the full source: HN AI Agents
👀 Siehe auch

Ausführen von OpenClaw in einer isolierten Mikro-VM mit Void-Box
OpenClaw kann als Dienst innerhalb einer isolierten Mikro-VM mit Void-Box ausgeführt werden, einer fähigkeitsbeschränkten Laufzeitumgebung, die Workflows in KVM-Mikro-VMs ausführt und eine saubere Ausführungsgrenze ohne Container-Laufzeitumgebung bietet.

Bibliothek mit 59 Open-Source-Claude-Fähigkeiten deckt den gesamten Website-Lebenszyklus ab
Ein Entwickler hat 59 wiederverwendbare Claude-Fähigkeiten veröffentlicht, die Markenfindung, Design, Content, SEO, Entwicklung, Betrieb und Wachstum abdecken – stack-agnostisch, mit einheitlicher Struktur und CI-Lint-Validierung.

Qwen 3.5 35B läuft mit 8 GB VRAM und llama.cpp-Konfiguration
Ein Entwickler teilt seine llama.cpp-Konfiguration für den Betrieb von Qwen 3.5 35B (Q4_K_M GGUF) auf einer RTX 4060m mit 8 GB VRAM, erreicht 700 t/s bei der Prompt-Verarbeitung und 42 t/s bei der Generierung und diskutiert die Verwendung von Cline in VSCode mit kat-coder-pro- und qwen3.5-Modi.

Conduid.com indiziert über 23.000 MCP-Server in einem durchsuchbaren Verzeichnis.
Conduid.com aggregiert MCP-Server aus 11 Quellen, entfernt Duplikate und bietet Suchfunktionen, Kategorien sowie Vertrauensbewertungen basierend auf GitHub-Aktivität, Dokumentationsqualität und Wartungssignalen.