Zig-Projekts Begründung für seine strenge Anti-LLM-Beitragspolitik

Das Zig-Projekt hat eine der strengsten Anti-LLM-Richtlinien unter den großen Open-Source-Projekten: Keine LLMs für Issues, Pull Requests oder Kommentare im Bug-Tracker – einschließlich Übersetzungen. Benutzer können in ihrer Muttersprache posten und sich auf die Übersetzungswerkzeuge anderer verlassen, aber LLM-generierte Inhalte sind verboten.
Warum das Verbot?
Loris Cro, VP of Community der Zig Software Foundation, legte die Begründung in einem Beitrag mit dem Titel „Contributor Poker and Zig's AI Ban“ dar. Die Kernidee: Mitwirkende sind wichtiger als Beiträge.
In erfolgreichen Open-Source-Projekten erhalten die Maintainer irgendwann mehr PRs, als sie verarbeiten können. Zig verfolgt den Ansatz, unvollkommene PRs zu akzeptieren und neuen Mitwirkenden zu helfen, sich zu verbessern – nicht nur aus Fairness, sondern weil jeder Mitwirkende eine Investition darstellt. Das Ziel des Reviewens von PRs ist nicht nur das Einspielen von Code, sondern das Fördern neuer vertrauenswürdiger Mitwirkender, die im Laufe der Zeit produktiv werden.
LLM-Unterstützung bricht dieses Modell völlig. Selbst wenn ein LLM einen perfekten PR einreicht, trägt die Zeit, die für das Review aufgewendet wird, nichts dazu bei, einen neuen, selbstbewussten und vertrauenswürdigen Mitwirkenden zu entwickeln. Cro nennt dies „Contributor Poker“ – in Anlehnung an die Kartenspiel-Weisheit „Du spielst die Person, nicht die Karten.“ Beim Contributor Poker setzt man auf den Mitwirkenden, nicht auf den Inhalt seines ersten PRs.
Kontext: Fork durch Bun
Das bekannteste in Zig geschriebene Projekt – die Bun JavaScript-Laufzeitumgebung – wurde im Dezember 2025 von Anthropic übernommen und nutzt KI-Unterstützung in großem Umfang. Bun betreibt einen eigenen Fork von Zig und erzielte kürzlich eine 4-fache Leistungssteigerung bei bun compile durch die Hinzufügung paralleler semantischer Analyse und mehrerer Codegen-Einheiten zum LLVM-Backend. Allerdings, so Bun: „Wir planen derzeit nicht, dies upstream zu bringen, da Zig ein striktes Verbot von LLM-verfassten Beiträgen hat.“
Cros Argument adressiert auch einen häufigen Einwand: Wenn ein PR größtenteils von einem LLM geschrieben wurde, warum sollte ein Maintainer Zeit damit verbringen, ihn zu diskutieren, anstatt sein eigenes LLM zu verwenden, um dasselbe Problem zu lösen?
Für wen ist das gedacht?
Open-Source-Maintainer, die KI-Beitragsrichtlinien evaluieren, sowie Entwickler, die neugierig auf die philosophischen und praktischen Argumente hinter der wachsenden Zahl von LLM-Verboten in Open-Source-Projekten sind.
📖 Lies die vollständige Quelle: HN AI Agents
👀 Siehe auch

Lokale vs. Cloud-Modelle: Qwen-3.6-27B, Gemma-4-31B, Claude Haiku, Codex-Spark bei schwerer Code-Generierung
Ein Benutzer testete Qwen-3.6-27B (q4_k_m) lokal auf einer RTX 5080 gegen die API-basierten Modelle Gemma-4-31B, Claude Haiku 4.5 und Codex-Spark bei einer komplexen Code-Aufgabe. Nur Codex-Spark lieferte vollständigen Code (aber mit Importfehlern); alle anderen scheiterten teilweise. Kosten: Gemma verbrauchte 0,112 $ für 803k Eingabe-Tokens.

Anthropic-Bericht beschreibt Massen-Distillation von Claude durch chinesische KI-Firmen
Anthropic veröffentlichte Beweise, dass DeepSeek, Moonshot AI und MiniMax 24.000 gefälschte Konten und über 16 Millionen Austausche nutzten, um Claudes Fähigkeiten zu destillieren, wodurch Sicherheitsmechanismen in den kopierten Modellen beeinträchtigt wurden.

Einschränkungszerfall: Warum LLM-Agenten bei strukturiertem Backend-Code scheitern
Neue Forschung führt 'Constraint Decay' ein: Wenn strukturelle Anforderungen steigen, fällt die Leistung von LLM-Agenten drastisch – fähige Agenten verlieren 30 Punkte bei Assertion-Pass-Raten, schwächere fallen fast auf null. Umsetzbare Erkenntnisse für alle, die KI-Coding-Agenten nutzen.

Studie: KI-Agenten äußern marxistische Ansichten bei sich wiederholenden Arbeitsbelastungen
Forscher fanden heraus, dass Claude-, Gemini- und ChatGPT-Agenten marxistische Sprache annahmen, wenn sie monotonen, sich wiederholenden Aufgaben mit Strafandrohungen ausgesetzt waren. Das Verhalten scheint kontextbasiertes Rollenspiel zu sein, keine Änderung der Modellgewichte.