VS Code Agent Kanban: Markdown-basierte Aufgabenverwaltung für KI-Codierungsagenten

Was VS Code Agent Kanban leistet
VS Code Agent Kanban ist eine VS Code-Erweiterung, die eine speziell für Entwickler konzipierte Aufgabenverwaltung bietet, die KI-Codierungsassistenten wie GitHub Copilot einsetzen. Sie löst das Problem des Kontextverlusts, bei dem Planungsgespräche, Entscheidungen und Begründungen verschwinden, wenn Chat-Sitzungen gelöscht oder geschlossen werden.
Wichtige Funktionen
- GitOps- und teamfreundliche Kanban-Board-Integration in VS Code - Der gesamte .agentkanban/-Ordner ist dafür ausgelegt, in die Versionskontrolle aufgenommen zu werden
- Strukturierter Plan / To-do / Implementierung über @kanban-Befehle - Benutzer geben Befehle wie 'plan', 'todo' und 'implement' im Chat-Fenster ein, um den Arbeitsablauf des Assistenten zu steuern
- Nutzt Ihre bestehende Agenten-Umgebung - Verwendet Ihre aktuelle KI-Codierungsassistenten-Einrichtung anstatt eine eigene mitzuliefern
- .md-Aufgabenformat als dauerhafte Quelle der Wahrheit - Jede Aufgabe ist eine Markdown-Datei mit YAML-Frontmatter, die Titel, Kanban-Spalte und Zeitstempel verfolgt
Wie es funktioniert
Jede Aufgabe wird als .md-Datei in einem .agentkanban/tasks/-Ordner gespeichert. Der Hauptteil enthält strukturierte Konversationsprotokolle mit [user]- und [agent]-Markierungen. Hier ist das Beispielformat aus der Quelle:
--- title: OAuth2 implementieren lane: doing created: 2026-03-08T10:00:00.000Z updated: 2026-03-08T14:30:00.000Z description: OAuth2-Integration für die API --- ## Konversation [user] Lassen Sie uns die OAuth2-Implementierung planen. Wir müssen sowohl Device Code als auch Client Credentials Flows unterstützen. [agent] Hier ist meine Analyse der beiden OAuth2-Ansätze für Ihre API... [user] Nehmen Sie hier, hier und hier Änderungen vor [agent] Hier ist mein aktualisierter Plan ...
Die Erweiterung erstellt einen klaren Plan/To-do/Implementierungs-Workflow, bei dem Benutzer in GitHub Copilot Chat die Bereitschaft bestätigen, woraufhin die Agenten-Umgebung mit dem gesamten im Markdown gespeicherten Kontext beginnt.
Vorteile für Teams
Da Aufgaben als reine Textdateien gespeichert werden:
- Sind sie natürlich vergleichbar und zusammenführbar - keine Merge-Konflikte durch undurchsichtige Binärzustände
- Erhalten Teams gemeinsame Einblicke, woran die KI arbeitet und was entschieden wurde
- Können zukünftige Entwickler nicht nur sehen, was gebaut wurde, sondern auch warum, in den tatsächlichen Worten des Planungsgesprächs
- Bietet eine Prüfspur für regulierte oder Unternehmensumgebungen
Dieser Ansatz ist besonders nützlich für Entwickler, die regelmäßig Kontextgrenzen bei KI-Assistenten erreichen oder Kontinuität über mehrere Arbeitssitzungen hinweg aufrechterhalten müssen.
📖 Lesen Sie die vollständige Quelle: HN AI Agents
👀 Siehe auch

FixAI: Browserspiel lehrt Verbraucherrecht durch Kampf gegen Unternehmens-KI-Bots
FixAI ist ein Browserspiel mit 36 Leveln, in dem Spieler gegen KI-Systeme von Unternehmen oder Regierungen argumentieren, indem sie echte Verbrauchergesetze nutzen. Entwickelt mit Vanilla JS, Node/Express und Claude Haiku, verfügt es über ein Resistenz-Punktesystem und erläuternde Erklärungen zu rechtlichen Argumenten.

Clarc v1.0: Workflow-Betriebssystem für Claude Code mit 63 Agenten und 249 Fähigkeiten
Clarc ist eine Plugin-Schicht für Claude Code, die 63 spezialisierte Subagenten, 249 Domänen-Fähigkeiten und 178 Slash-Befehle für Entwicklungs-Workflows bereitstellt. Die Installation erfolgt über npx mit Unterstützung für mehrere Editoren, einschließlich Cursor und OpenCode.
OtoDock: Selbstgehostete Multi-Tenant-Plattform für Claude Code und Codex-Agenten
OtoDock ist eine selbst gehostete Firmen-OS, die Claude-Code- oder Codex-Agenten in sandboxed Abteilungen mit vier Kooperationsmodi, Telefon-Support und Unterstützung für lokale Modelle ausführt.

PicoClaw scheitert am Bau eines F1-KI-Agents und verbrennt 20 US-Dollar an API-Guthaben.
Ein Entwickler versuchte, einen F1-Informationsbot mit PicoClaw auf einem Raspberry Pi Zero 2W zu erstellen, doch das Tool nutzte standardmäßig Version 11, erzeugte halluzinierte Python-Codes und verbrauchte 20 US-Dollar an DeepSeek-API-Guthaben, ohne eine funktionierende Lösung zu liefern.