Ein aktueller Entwicklerbeitrag fängt eine vertraute Frustration ein: Ein KI-Codierungsagent generierte 200 Zeilen Code, die sofort abstürzten – nicht weil das Modell fehlerhaft war, sondern weil der Mensch nicht klar definiert hatte, was 'Berechtigungen' in diesem Kontext bedeuten. Diese Anekdote unterstreicht eine wachsende Erkenntnis in der Entwicklergemeinschaft: Der Engpass bei KI-gestützter Codierung ist oft die Anforderungsspezifikation, nicht die Modellfähigkeit. Der Beitrag vergleicht zwei aufkommende Lösungen: Matt Pococks Agent Skills, die strukturierte, wiederverwendbare Anweisungen für KI-Agenten bieten, und Spec-Superflow, ein chinesisches Framework mit einem ähnlichen, aber aggressiveren Ansatz. Beide zielen darauf ab, sich von Ad-hoc-Prompts hin zu formalisierten Skill-Definitionen zu bewegen, die Domänenwissen und Projektkonventionen kodieren. Für Engineering-Leiter und Tool-Entwickler signalisiert dies eine Verschiebung hin zur Behandlung von KI-Agenten als erstklassige Teammitglieder, die Onboarding benötigen, nicht nur bessere Prompts.
Ein praktischer Blick darauf, warum KI-Codierungsagenten scheitern und wie strukturierte Skill-Frameworks wie Matt Pococks Agent Skills und Chinas Spec-Superflow die Ursache angehen.