Modus: Open-Source AI-IDE mit spezifikationsgetriebener Entwicklung und Agent-Hooks

Modo ist eine quelloffene KI-IDE, die als Alternative zu Tools wie Kiro, Cursor und Windsurf entwickelt wurde. Sie basiert auf dem Void-Editor (selbst ein Fork von VS Code) und fügt strukturierte Planungs-Workflows zu bestehenden KI-Funktionen wie Chat, Inline-Editierung (Cmd+K), Autovervollständigung, Multi-Provider-LLM-Unterstützung, Tool-Nutzung und MCP-Integration hinzu.
Spezifikationsgesteuerte Entwicklung
Im Gegensatz zu typischen Prompt-zu-Code-Workflows implementiert Modo einen strukturierten Ansatz: Prompt → Anforderungen → Design → Aufgaben → Code. Spezifikationen werden in .modo/specs/<name>/ als drei Markdown-Dateien gespeichert:
requirements.md- User Stories und Akzeptanzkriteriendesign.md- Architektur, Komponenten und Datenmodelletasks.md- Checkliste der Implementierungsschritte
Erstellen Sie Spezifikationen mit Cmd+Shift+S oder durch Auswahl des Spec-Modus im Session-Picker. Wählen Sie zwischen Feature- oder Bugfix-Workflows, dann Anforderungen-zuerst oder Design-zuerst Ansätzen. Der Agent füllt jedes Dokument aus, Sie überprüfen es, dann führt er die Aufgaben sequenziell aus und markiert sie während des Fortschritts.
Aufgabenmanagement-Funktionen
Öffnen Sie eine beliebige tasks.md-Datei, um klickbare "▶ Aufgabe ausführen"-Buttons inline für jede ausstehende Aufgabe zu sehen. Ein "Alle ausstehenden Aufgaben ausführen"-Button erscheint oben. Laufende Aufgaben zeigen Spinner, abgeschlossene zeigen Häkchen. Der Agent markiert Aufgaben während der Arbeit: - [ ] → - [~] → - [x].
Steuerungsdateien
Markdown-Dokumente in .modo/steering/ injizieren Projektregeln in jede KI-Interaktion. Sie unterstützen drei Einbindungsmodi:
always- jede InteraktionfileMatch- wenn aktive Datei mit Glob-Muster übereinstimmtmanual- über /-Befehle im Chat referenziert
Unterstützt #[[file:path]]-Referenzen, um OpenAPI-Spezifikationen, GraphQL-Schemata oder andere Projektdokumentation zu verlinken.
Agent-Hooks
JSON-Konfigurationen in .modo/hooks/ automatisieren Aktionen rund um den Agent-Lebenszyklus. Beispielkonfiguration:
{
"name": "Lint on Save",
"version": "1.0.0",
"when": {
"type": "fileEdited",
"patterns": ["**/*.ts"]
},
"then": {
"type": "runCommand",
"command": "npx eslint --fix ${filePath}"
}
}Unterstützt 10 Ereignistypen: fileEdited, fileCreated, fileDeleted, promptSubmit, agentStop, preToolUse, postToolUse, preTaskExecution, postTaskExecution, userTriggered. Zwei Aktionstypen: askAgent oder runCommand. Pre-Tool-Hooks können die Ausführung ablehnen, mit eingebauter Erkennung zirkulärer Abhängigkeiten.
Zusätzliche Funktionen
Ein Autopilot/Überwacht-Umschalter erscheint als Statusleisten-Pille und wechselt zwischen autonomen Agent-Aktionen und Pausiert-zur-Genehmigung-Modus. Direkt mit Auto-Genehmigen-Einstellungen für Bearbeitungen, Terminalbefehle und MCP-Tools verbunden. Unterstützt parallele Chat-Sessions als Tabs, jeder mit eigenem Thread, Kontext und Verlauf.
Dieser Ansatz ist nützlich für Entwickler, die strukturiertere KI-unterstützte Programmierung mit persistenter Aufgabenverfolgung und projektspezifischer Regelinjektion wünschen.
📖 Read the full source: HN LLM Tools
👀 Siehe auch

Zwei MCP-Tools für Claude Code: Ideenvalidierung und Trading-Agent-Speicher
Ein Entwickler hat zwei MCP-Tools für Claude Code erstellt: idea-reality-mcp prüft GitHub und Hacker News vor dem Programmieren, um Duplikate zu vermeiden, während tradememory-protocol Speicher für KI-Handelsagenten bereitstellt, um Trades mit Kontext zu speichern und die Strategieleistung zu verfolgen. Beide sind Open Source und auf PyPI verfügbar.

Claudlytics: Selbst gehostetes Dashboard zur Verfolgung von Claude-Code-Token-Nutzung und Kosten
Claudlytics ist ein Node.js-Webserver, der lokale .jsonl-Sitzungsdateien von Claude Code liest, um die Token-Nutzung und Kosten in Echtzeit zu verfolgen. Er läuft lokal auf 127.0.0.1 und kann über einen SSH-Tunnel für Remote-Server zugänglich gemacht werden.

agentcache: Python-Bibliothek für Multi-Agent-LLM-Präfix-Caching
agentcache ist eine Python-Bibliothek, die es Multi-Agenten-LLM-Frameworks ermöglicht, zwischengespeicherte Prompt-Präfixe zu teilen. In Tests mit GPT-4o-mini wurden dadurch Cache-Trefferquoten von bis zu 76 % erreicht und die Inferenzzeit mehr als halbiert.

log-context-mcp: MCP-Tool reduziert den Log-Token-Verbrauch für Claude-Debugging um 96%
log-context-mcp ist ein MCP-Tool, das Logdateien vorverarbeitet, bevor sie in Claudes Kontext gelangen. Es dedupliziert Zeilen, gruppiert Stack-Traces und entfernt Rauschen, um die Token-Nutzung zu reduzieren. Ein Test mit einem 2000-Zeilen-Apache-Log zeigte eine Reduktion von 96,5 %, während die Ursachen korrekt identifiziert wurden.