Technischer Kontext
Ich liebe solche Ideen nicht wegen des „Wow“-Effekts, sondern weil sie sofort ein echtes Problem lösen. Das Prinzip ist einfach: Ich füge einen Done-Skill hinzu, der am Ende einer Aufgabe automatisch einen kurzen Entscheidungsverlauf in die devlog.md schreibt. Das ist kein Spielzeug mehr, sondern ein solides Fundament für die AI automation in der Entwicklung.
Das Setup besteht aus zwei Teilen. Erstens, dem Skill selbst: Er sammelt, was ich in dieser Sitzung entschieden habe, warum ich diesen Weg gewählt habe, welche Alternativen verworfen wurden und was offen blieb. Zweitens, der Datei AGENTS.md oder agent.md im Root-Verzeichnis des Repositorys, in der ich dem Agenten explizit anweise: Wenn die Aufgabe erledigt ist, rufe den Done-Skill auf.
Mir gefällt, dass fast keine Magie im Spiel ist. Ich kann den Skill als separate Markdown-Datei speichern, ein festes Vorlagenformat definieren und erzwingen, dass die devlog.md erstellt wird, falls sie noch nicht existiert. Je weniger Formatfreiheit, desto weniger Rauschen im Log.
Ich würde den Eintrag etwa so strukturieren: Aufgabe, getroffene Entscheidung, Begründung, abgelhnte Optionen, geänderte Dateien, Follow-up. Das reicht völlig aus, damit ein anderer Agent oder Entwickler am nächsten Tag nicht rätseln muss, warum der Code diese Richtung eingeschlagen hat. Herkömmliche Commit-Nachrichten leisten das nicht.
Wenn Sie mehr Zuverlässigkeit wünschen, würde ich das Schreiben in ein Skript wie log_done.sh auslagern. So generiert der Agent das Markdown nicht manuell, sondern ruft einen berechenbaren Mechanismus auf. Für die AI integration in den Team-Workflow ist das weitaus robuster, als auf die Disziplin des Modells zu vertrauen.
Einfluss auf Business und Automatisierung
Den praktischen Effekt sehe ich sofort an drei Stellen. Erstens, kostengünstigere Übergaben (Handoffs): Ein neuer Agent oder Entwickler arbeitet sich viel schneller ein. Zweitens, weniger doppelte Entscheidungen und sinnlose Refactorings. Drittens, eine einfachere Nachverfolgung umstrittener Architekturentscheidungen.
Teams mit mehreren Agenten, häufigen Kontextwechseln und langen Aufgabenbweigen gewinnen. Es verlieren diejenigen, die weiterhin darauf hoffen, dass „alles im Code sichtbar ist“. Nein, ist es nicht.
Ich teste solche Ansätze direkt an realen Aufgabenströmen, denn auf dem Papier wirken Muster schön, in einem Live-Repository tauchen jedoch schnell Duplikate, leere Einträge und Rauschen auf. Genau solche Workflows optimieren wir für unsere Kunden bei Nahornyi AI Lab, wenn es darum geht, eine funktionierende AI architecture um das Team herum aufzubauen, anstatt nur ein Modell anzubinden.
Wenn Ihr Agent bereits Code schreibt, aber die Erinnerung an Entscheidungen jedes Mal im Chatverlauf verpufft, lassen Sie uns Ihren Prozess analysieren. Bei Nahornyi AI Lab kann ich Ihnen helfen, diese AI automation so aufzubauen, dass der Kontext nicht verloren geht und Ihr Team ohne unnötige manuelle Routine schneller vorankommt.