gast@schmalzl.tirol — Arbeiten mit Claude Code – was andere anders machen
Stil
?
PS gast@schmalzl ~C:\Users\gast/blog/2026-10-26-arbeiten-mit-claude-code

Arbeiten mit Claude Code – was andere anders machen

Von

#KI #Claude #Werkstatt #Agenten

26.10.2026

Diese Website entsteht fast ganz mit KI. Ich beschreibe, was ich will, prüfe das Ergebnis und entscheide. Den Code schreiben Claude Code und Codex. In meinem Sammel-Postfach landen immer wieder Beiträge, wie andere mit solchen Werkzeugen arbeiten. Ein paar Ideen davon fand ich so gut, dass ich sie hier sammle.

Ein System statt einzelner Befehle

Ein Beitrag beschreibt die Arbeitsweise des Entwicklers, der Claude Code gebaut hat. Seine Regel klingt einfach: Nicht nur Code schreiben lassen, sondern ein System darum bauen. Komplexe Aufgaben werden zuerst geplant, dann umgesetzt. Mehrere Sitzungen laufen parallel. Wiederkehrende Fehler kommen als Regel in die Datei CLAUDE.md, damit sie nicht noch einmal passieren. Und am Ende müssen Tests und Prüfungen zeigen, dass es wirklich funktioniert.

Das deckt sich mit meiner Erfahrung. Auch hier gibt es eine Regeldatei, die jede neue Sitzung zuerst liest. Darin steht, was gilt und was nie passieren darf. Und die beiden Werkzeuge hinterlassen sich gegenseitig Notizen, damit keines die Arbeit des anderen überschreibt.

Die fünf Ebenen

Ein anderer Beitrag ordnet die Bausteine von Claude Code in fünf Ebenen:

  1. CLAUDE.md: die Regeln für das Projekt.
  2. Skills: gespeicherte Anleitungen für wiederkehrende Aufgaben.
  3. Hooks: feste Abläufe ohne KI. Sie blockieren zum Beispiel gefährliche Löschbefehle oder prüfen Code automatisch nach jedem Speichern. Laut Beitrag wird diese Ebene am häufigsten missverstanden: Gerade weil Hooks keine KI sind, sind sie verlässlich.
  4. Subagents: Helfer mit eigenem Kontext, etwa zum Prüfen oder Testen. Sie liefern nur ihr Ergebnis zurück und halten so die Hauptsitzung schlank.
  5. Plugins: Pakete aus allem davor, damit ein ganzes Team gleich arbeitet.

Skills und MCP: Wissen und Werkzeug

Zwei Beiträge erklären den Unterschied zwischen Skills und MCP (Model Context Protocol). Ein Skill bringt dem Agenten bei, wie etwas geht. Er ist ein Ordner mit einer Anleitung und bei Bedarf ein paar Skripten. Der Agent liest zuerst nur Name und Kurzbeschreibung und öffnet die ganze Anleitung erst, wenn er sie braucht. MCP dagegen verbindet den Agenten mit Werkzeugen, etwa einer Datenbank oder GitHub. Das Beispiel aus dem Beitrag: Ein Skill sagt, wie man Code prüft. MCP öffnet das Repository dazu. Man braucht beides.

Der praktische Nutzen von Skills: Man schreibt eine gute Anleitung einmal und muss sie nicht ständig neu in den Chat tippen. Auf dieser Website gibt es inzwischen eine eigene Sammlung von Skills.

Der Agent braucht eine kleine Landkarte

Ein LinkedIn-Beitrag zeigt, wie jemand die Wissensbasis für Claude aufgebaut hat. Über hundert Textdateien liegen in Git. Beim Start liest Claude aber nur zwei kleine Dateien: eine Karte der Ordner und eine Kurzfassung der wichtigsten Fakten. Erst danach geht es gezielt zur passenden Datei. So bleibt der Kontext klein, und die KI verliert sich nicht in der Menge.

Das Gedächtnis gehört ins Repository

Ein weiterer LinkedIn-Beitrag beschreibt etwas, das ich gut kenne. Niemand plant ein Gedächtnis für seinen Agenten. Nach ein paar Wochen merkt man aber, dass er jeden Morgen das Projekt neu lernt. Also legt man Notizen an: eine CLAUDE.md hier, eine AGENTS.md dort, einen Ordner mit Entscheidungen. Wechselt man dann das Werkzeug, passen die Notizen oft nicht mehr. Jedes Werkzeug hat sein eigenes Format. Der Vorschlag im Beitrag: das Gedächtnis in Git ablegen. Dort hat jede Änderung einen Autor, ein Datum und einen nachvollziehbaren Unterschied zur Fassung davor. Ein Wiki zeigt nur, was jetzt gilt. Git zeigt auch, was vorher galt und warum es sich geändert hat.

Testen, auch wenn sich der Prompt ändert

Jeder kann einen Agenten bauen. Schwieriger ist es zu beweisen, dass er nach einer Änderung am Prompt noch funktioniert. Ein Beitrag zeigt dafür einen Aufbau mit festen Testfällen, sogenannten Golden Tests. Einfache Dinge prüft normaler Code. Wo das nicht reicht, bewertet ein zweites Sprachmodell das Ergebnis. Und auch dieser Prüfer wird getestet, damit ein grünes Ergebnis wirklich etwas bedeutet.

Nicht alles neu bauen

Der letzte Tipp ist der einfachste. Viele lassen die KI alles von Grund auf neu bauen. Oft gibt es aber längst ein gutes quelloffenes Projekt, das genau das kann. Ein klügeres Modell rettet keinen schlechten Arbeitsablauf. Ein passendes Werkzeug spart dagegen Stunden. Für solche Funde gibt es hier die Repo-Sammlung.

Mein Fazit

Die Werkzeuge werden besser. Den größten Unterschied machen aber die Regeln drumherum: planen, festhalten, prüfen. Das gilt für Menschen genauso wie für KI.