AIF Handoff: autonomer Agent für Code-Entwicklung

# Autonomer Entwicklungsagent: Wie AIF Handoff manuelle Abläufe ersetzt

Erstelle eine Aufgabe in der Oberfläche, klappe deinen Laptop zu – ein paar Minuten später kommt eine Telegram-Benachrichtigung über den fertigen PR. Das ist keine Science-Fiction, sondern Realität dank AIF Handoff: ein System autonomer Agenten auf Basis von AI Factory, kompatibel mit allen LLM-Tools wie Claude Code oder Cursor. Im Kern: Kontextmanagement, iterative Planung und selbstlernend basierend auf Patches.

Warum klassisches „Vibe-Coding“ nicht skalierbar ist

Die meisten Entwickler durchlaufen drei Phasen beim Umgang mit LLMs:

• Lotterie – ein Prompt, in der Hoffnung auf Glück. Das Modell erzeugt plausiblen, aber nicht funktionierenden Code, weil der Projektkontext fehlt. Jede Abfrage startet von null, ohne Geschichte früherer Entscheidungen.
• „Prompts der Großmutter“ – Anweisungen wie „du bist ein Senior-Dev mit 15 Jahren Erfahrung“. Sie ändern den Ton der Antwort, aber nicht ihre Qualität. Das Modell täuscht Selbstbewusstsein vor, nicht Kompetenz.
• Manueller Workflow – du baust den Kontext selbst zusammen: kopiere Dateien, gib Einschränkungen vor, führe Befehle nacheinander aus. Die Ergebnisse verbessern sich, aber der Prozess bleibt arbeitsintensiv und fehleranfällig durch vergessenen Kontext.

Schlüsseleinsicht: LLMs können keine Gedanken lesen. Sie arbeiten nur mit dem, was du lieferst. Je präziser und vollständiger der Kontext, desto vorhersehbarer das Ergebnis. Beispiel:

Schlecht:

Implement JWT auth using best practices

Gut:

Here's AuthService (code), here's how sessions are stored (code), here's middleware (code).
Need to add refresh token. Use Laravel Sanctum, no changes allowed.
Here's the test that must pass.

Im zweiten Fall ist der Spielraum für Fantasie des Modells minimiert. Erfolg wird an konkreten Kriterien gemessen, nicht an vagen „best practices“.

Wie AI Factory den Kontext systematisiert

AI Factory ist ein CLI-Tool und Ökosystem für Skills, das den Kontext für jeden Coding-Agenten automatisch verwaltet. Nach der Installation (npm install -g ai-factory && ai-factory init) scannt es das Projekt, erkennt den Stack und erstellt die Struktur:

your-project/
├── .claude/
│   └── skills/           ← markdown files with agent instructions
├── .ai-factory/
│   ├── DESCRIPTION.md    ← project description, stack, architecture
│   ├── PLAN.md           ← current plan
│   ├── patches/          ← self-learning patches
│   └── evolutions/       ← skill evolution logs
└── .ai-factory.json

Skills sind keine generischen Ratschläge – sie sind spezifische Anweisungen: „wie genau einen Plan in diesem Projekt erstellen“, „welche Dateien für Auth-Änderungen berühren“. Wichtige Befehle:

• /aif – initialisiere Sitzungskontext
• /aif-plan – erstelle Plan und git branch
• /aif-implement – führe Aufgaben mit Checkpoint-Commits aus
• /aif-fix – behebe Bug + erstelle selbstlernenden Patch
• /aif-evolve – analysiere Patches und aktualisiere Skills
• /aif-verify – prüfe Ergebnis gegen Plan

Selbstlernen läuft kontinuierlich: Jeder /aif-fix speichert einen Patch, und /aif-evolve findet Muster darin, um Skills anzupassen. Vor jedem /aif-implement liest der Agent alle angesammelten Patches – das System lernt sogar ohne explizite evolve-Aufrufe.

AIF Handoff: Mensch am Loop, nicht im Loop

AI Factory löst Kontextprobleme, erfordert aber noch manuelle Befehlsstarts. AIF Handoff beseitigt diese letzte Hürde – es ist eine Web-App mit Kanban-Board, die den Agenten-Pipeline vollständig automatisiert:

Backlog → Planning → Plan Ready → Implementing → Review → Done

Du erstellst eine Aufgabe in der UI – das System bewegt sie per WebSocket durch die Status. Dahinter kümmern sich spezialisierte Koordinatoren um die Arbeit:

• plan-coordinator – erzeugt nicht nur einen Plan, sondern verfeinert ihn iterativ via plan-polisher, bis Qualitätskriterien erfüllt sind.
• implement-coordinator – analysiert Aufgabenabhängigkeiten und startet parallele Worker in separaten git worktrees, wo sicher.
• review-sidecar + security-sidecar – prüfen parallel Code gegen Plan und auf Schwachstellen (XSS, SQL-Injections, Datenlecks). Mit MCP Playwright führen sie Browser-Tests aus.

Bei Problemen im Review startet die Aufgabe automatisch neu – aber mit strengem Iterationslimit, um nicht über Nacht dein gesamtes Token-Budget zu verbrauchen.

Mensch-am-Loop ≠ Mensch-im-Loop

• Mensch-im-Loop: du greifst bei jedem Schritt ein. Maximale Kontrolle, minimale Geschwindigkeit.
• Mensch-am-Loop: du legst Aufgabe und Kriterien fest – das System läuft autonom. Du genehmigst oder lehnt das Endergebnis ab. So funktioniert Handoff.

Zwei Ausführungsmodi:

• Subagents (Standard) – volle Pipeline mit iterativer Verfeinerung, parallelen Workern und Qualitäts-Sidecars. Höhere Qualität, höhere Kosten.
• Skills – Single-Pass-Ausführung via Kern-AI-Factory-Befehle. Schneller und günstiger, ideal für einfache Aufgaben.

Einrichtung und bidirektionale Synchronisation

Starte Handoff:

git clone https://github.com/lee-to/aif-handoff
cd aif-handoff
npm install
npm run init
npm run dev

Oder via Docker (empfohlen):

docker compose up

Es startet drei Services: API (Hono + WebSocket), Web (React UI) und Agent (Koordinator). Beim ersten Start ist Claude Code OAuth erforderlich. Konfig in .env:

AI_LANGUAGE=ru                  # agent language
MAX_REVIEW_ITERATIONS=3         # review iteration limit
AGENT_USE_SUBAGENTS=true        # execution mode
TELEGRAM_BOT_TOKEN=...          # for notifications
TELEGRAM_CHAT_ID=...

Handoff und AI Factory synchronisieren bidirektional via MCP. Starte eine Aufgabe in Handoff, wechsle zu direktem Claude Code-Arbeiten – Änderungen spiegeln sich automatisch im Kanban-Board wider. Jeder MCP-kompatible Agent kann mitmachen.

Unterschiede zu Paperclip und andere Features

Paperclip orchestriert Agenten für Marketing, Content, SEO. Es handhabt Text- und Infoflüsse. AIF Handoff ist für Entwicklung gebaut: Es kennt deinen Stack, verifiziert Code (nicht Text), nutzt git worktrees für Worker-Isolation und lernt aus projektspezifischen Patches.

Wichtige Punkte:

• Kontext > Prompts. Spezifischere Eingaben = stabilere Ausgaben.
• Selbstlernen via Patches (/aif-fix → /aif-evolve) – Schlüssel zur Projektanpassung.
• Mensch-am-Loop delegiert Routinearbeit, behält finale Kontrolle.
• Parallele Worker und iteratives Review steigern Qualität, brauchen Token-Limits.
• Bidirektionale Sync erlaubt freien Wechsel zwischen Handoff und direktem Agenten-Arbeiten.

Tech-Stack: Node.js + TypeScript (Turborepo), SQLite (drizzle-orm), Hono API, React + TailwindCSS, node-cron. >70% Testabdeckung, ESLint-Schutz für Layer. Roadmap: JetBrains-Plugin und CI/CD-Integration.

— Editorial Team