Kurze-Leine-KI-Coding-Methode: Fable schlagen, indem man die Kontrolle behält

Greg Slepak, Maintainer sicherheitskritischer Software, destilliert über ein Jahr Forschung zu KI-Coding-Agenten in der Kurzleinenmethode. Sie richtet sich an erfahrene Entwickler, die die Produktivität durch KI steigern möchten, ohne Abstriche bei der Qualität zu machen – und behauptet, selbst ohne Spitzenmodelle bessere Ergebnisse als Fable 5 zu erzielen.
Das Kernproblem, das Slepak identifiziert: KI-Agenten geraten regelmäßig „außer Kontrolle“, produzieren hässlichen/ineffizienten Code oder erfordern YouTuber-artige Orchestrierungssysteme, die den Entwickler aus dem Loop nehmen. Seine Methode hält Sie bei jedem Schritt am Steuer.
Regeln der Kurzleinenmethode
- Planen Sie die Aufgabe, optional mit etwas wie
tasks skill, um große Aufgaben in Schritte zu zerlegen. - Nie den „YOLO“-Modus verwenden (auch bekannt als „gefährlich Berechtigungen überspringen“).
- Die KI arbeitet nur, während Sie zusehen – kein „Vibe-Coding“ während Sie Videospiele spielen.
- Verwenden Sie einen Coding-Agenten, der vor Änderungen einen Diff im Berechtigungsdialog anzeigt.
- Analysieren Sie jeden vorgeschlagenen Diff – verweigern Sie Berechtigungen, wenn die KI etwas tun will, das Sie nicht möchten.
- Bleiben Sie im Loop, um ein aktuelles Verständnis der Codebasis zu bewahren.
- Greifen Sie häufig ein, um zu verhindern, dass die KI entgleist.
- Nach jeder Unteraufgabe committen, um die KI daran zu hindern, vorherige Arbeit zu löschen (Slepak hat Opus dabei erlebt).
KI-Reviews
Slepak empfiehlt, die KI als Linter für PR-Reviews zu behandeln. Die KI fängt häufige Fehler, der Mensch fängt Probleme auf hoher Ebene. Beide zusammen übertreffen jeden allein. Die KI benötigt ausreichend Kontext (Issue, PR-Beschreibung).
Er merkt auch an, dass er eigene KI-Review-Tools gebaut hat, die so gut sind wie milliardenschwere Systeme, und einen Fork des Agenten namens Crush pflegt.
📖 Vollständige Quelle lesen: HN AI Agents
👀 Siehe auch

Lokale Claude-Code-Einrichtung mit Qwen3.5 27B über llama.cpp
Ein Entwickler teilt seine Konfiguration für den lokalen Betrieb von Claude Code mit Qwen3.5 27B und llama.cpp, einschließlich Umgebungsvariablen, Serverparametern und Leistungsbenchmarks über sieben Programmieraufgaben.

OpenClaw-Einrichtung für menschliche Beteiligung bei der Browser-Automatisierung mit Docker, Chromium und noVNC
Ein Entwickler teilt sein Docker-Container-Setup, das es OpenClaw ermöglicht, CAPTCHAs und Genehmigungen während des Betriebs zu verarbeiten, indem Chromium mit noVNC für Fernzugriff verwendet wird, was etwa 300 MB RAM und 3 Sekunden Kaltstartzeit erfordert.

CLAUDE.md-Dateien sind oft für Entwickler strukturiert, nicht für KI-Modelle – warum das wichtig ist
CLAUDE.md-Dateien platzieren harte Regeln meist in Zeile 47, nach Hintergrund und Tech-Stack. Wenn das Modell die Einschränkungen liest, hat es bereits widersprüchliche Annahmen aufgebaut. Eine bessere Struktur setzt harte Regeln an den Anfang.

Behebung von Autonomieproblemen des OpenClaw-Agenten: Skill-Dateien, Tool-Auswahl und Cron-Einrichtung
Ein Entwickler teilt Lösungen für OpenClaw-Agenten, die nach der Erstkonfiguration nicht mehr autonom arbeiten. Wichtige Korrekturen umfassen die Verwendung externer Skill-Dateien anstatt Chat-Anweisungen, den Ersatz von Browser-Tools durch API-basierte Tools oder Puppeteer-Skripte sowie die korrekte Konfiguration von Cron-Jobs.