YOLO lizenzieren
Zurück zum Ultralytics-Glossar

Agentic Coding

Agentengestützte Programmierung ist Softwareentwicklung, bei der ein KI-Agent eine Codebasis liest, Dateien bearbeitet, Tests ausführt, Fehler behebt und eine Änderung zur Überprüfung bereitstellt.

Agentengestützte Programmierung ist eine Form der Softwareentwicklung, bei der ein KI-Programmieragent eine Programmieraufgabe von Anfang bis Ende erledigt: Er liest den relevanten Code, plant eine Änderung, bearbeitet Dateien, führt Befehle und Tests aus, behebt auftretende Fehler und übergibt einen Commit oder Pull Request zur Prüfung. Die Entwicklerin oder der Entwickler beschreibt die Aufgabe und beurteilt das Ergebnis, statt jede Zeile selbst zu schreiben. Zu den weitverbreiteten Programmieragenten zählen Anthropics Claude Code, Codex von OpenAI, der Programmieragent von GitHub Copilot, der Agentenmodus von Cursor und quelloffene Agenten wie OpenHands; die meisten basieren auf Modellen zum Schlussfolgern, die darauf trainiert sind, lange Abfolgen von Werkzeugaufrufen abzuarbeiten.

So funktionieren Programmieragenten#

Ein Programmieragent ist ein KI-Agent, dessen Werkzeuge denen einer entwickelnden Person entsprechen: Dateisuche und Dateizugriff, Dateibearbeitung, eine Shell für Builds und Tests, Versionsverwaltung und manchmal ein Browser. Seine Agentenlaufzeitumgebung führt eine Schleife aus: Ein großes Sprachmodell (LLM) liest die Aufgabe, untersucht Dateien, schlägt eine Bearbeitung oder einen Befehl vor, liest die Ausgabe und entscheidet über den nächsten Schritt. Auch die Gestaltung der Werkzeuge ist entscheidend: Princetons SWE-agent löste 2024 12,5 % der SWE-bench-Probleme – deutlich mehr als frühere nicht interaktive Methoden. Das lag vor allem daran, dass das Modell kompakte Befehle erhielt, die speziell für das Anzeigen, Durchsuchen und Bearbeiten von Code entwickelt wurden. Die Autoren nannten diesen Ansatz die Agenten-Computer-Schnittstelle.

Repositories leiten Agenten mithilfe von Anweisungsdateien wie AGENTS.md, einem offenen Format für Build- und Testbefehle sowie Programmierkonventionen, das jetzt von der Agentic AI Foundation betreut wird. Hinzu kommen Agentenfähigkeiten, die auf Abruf aufgabenspezifische Verfahren laden, und Server des Model Context Protocol (MCP), die Issue-Tracker, Datenbanken und Dokumentation anbinden. Agenten laufen interaktiv in einem Terminal oder einer IDE oder in Cloud-Sandboxen, in denen mehrere Aufgaben parallel bearbeitet werden und jeweils mit einem Pull Request enden. Ein leitender Agent kann auch Suchvorgänge, Testläufe oder Prüfungen an Unteragenten mit eigenen Kontextfenstern übergeben – eine Form der Orchestrierung von KI-Agenten. Da ein Repository, eine Abhängigkeit oder eine Webseite eine Prompt-Injection enthalten kann, führen Programmieragenten Befehle in einer Agenten-Sandbox aus und fragen nach, bevor sie Code hochladen, Dateien löschen oder neue Hosts kontaktieren.

  • Codevervollständigung: Schlägt die nächsten Zeilen vor, während eine entwickelnde Person tippt, wie es GitHub Copilot bei seiner Einführung 2021 tat. Die Person schreibt und führt das Programm weiterhin selbst aus und nimmt jeden Vorschlag an oder lehnt ihn ab.
  • Chat-Assistenten: Ein Chatbot beantwortet Programmierfragen mit Codebeispielen, die eine entwickelnde Person von Hand kopiert, ausführt und debuggt.
  • Vibe Coding: Andrej Karpathys Bezeichnung aus dem Februar 2025 für das Erstellen von Software, indem man Eingabeaufforderungen formuliert und von KI geschriebenen Code übernimmt, ohne ihn zu lesen. Der Begriff beschreibt den Umgang einer Person mit der Ausgabe. Bei der agentischen Programmierung in professionellen Teams gehören Codeprüfungen, Tests und kontinuierliche Integration üblicherweise weiterhin dazu.

Agentische Programmierung in der Computer Vision#

Arbeiten im Bereich Machine-Learning-Betrieb (MLOps) eignen sich für Programmieragenten, weil jeder Schritt mit einem überprüfbaren Ergebnis endet: Ein Datensatz wird konvertiert und validiert, ein Trainingslauf startet und protokolliert Messwerte, ein exportiertes Modell wird geladen und liefert dieselben Vorhersagen. Ein Agent, der einen Detektor feinabstimmen soll, kann die YAML-Datei des Datensatzes schreiben, das Training starten, die Validierungswerte auslesen und das nächste Experiment vorschlagen. Ultralytics Agent Skills stellen Claude Code, Codex, Cursor, Gemini CLI und anderen kompatiblen Agenten diesen Workflow als Router-Fähigkeit yolo sowie als Fähigkeiten für Modellauswahl, Datensätze, Training, Abstimmung, Inferenz und Export bereit. Hinzu kommt die Fähigkeit platform-cli, die Cloud-Training und Bereitstellungen über Ultralytics Platform und die Befehlszeile ul cloud steuert. Eine Anfrage wie „Exportiere mein trainiertes YOLO-Modell mit INT8-Quantisierung nach TensorRT und führe einen Benchmark aus“ folgt dann den dokumentierten Verfahren für Export und Benchmark. Wenn die Ausgaben voneinander abweichen, weisen die Fähigkeiten den Agenten an, den Ausgaben yolo checks und yolo cfg des installierten Pakets zu vertrauen.

Programmieragenten bewerten#

SWE-bench, eingeführt im Oktober 2023, ist der Standard-Benchmark für agentisches Programmieren: 2.294 echte GitHub-Issues aus zwölf beliebten Python-Repositories. Bewertet wird, ob der Patch des Agenten die eigenen Tests des Projekts besteht. Das beste Modell zum Zeitpunkt der Veröffentlichung, Claude 2, löste 1,96 % davon. OpenAIs SWE-bench Verified, eine Teilmenge mit 500 Aufgaben, deren Lösbarkeit von menschlichen Ingenieuren bestätigt wurde, wurde zur am häufigsten berichteten Version. Ende 2025 lösten die besten Agenten etwa 80 % davon. Anspruchsvollere Testsammlungen wie Terminal-Bench prüfen Arbeit über die Befehlszeile, und Teams ergänzen eine eigene Agentenbewertung auf internen Repositories. Die Produktivität in der Praxis wird getrennt gemessen: In METRs randomisierter Studie mit erfahrenen Open-Source-Entwicklern brauchten 16 Entwickler Anfang 2025 für 246 Aufgaben in ausgereiften Projekten, mit denen sie gut vertraut waren, 19 % länger, wenn sie KI-Werkzeuge verwenden durften. Meist nutzten sie Cursor mit Claude 3.5 und 3.7 Sonnet, schätzten anschließend aber, die Werkzeuge hätten sie um 20 % schneller gemacht.

Lösungen entdecken

Computer Vision im Sport

Computer Vision im Sport

Entdecke, wie Ultralytics YOLO die Sportbildanalyse voranbringt – mit Spieler- und Ballverfolgung, Leistungsanalysen, Erkenntnissen für das Coaching und der Rehabilitation von Athleten.
Mehr erfahren
Computer Vision für Luftbilder

Computer Vision für Luftbilder

Verwandle Drohnen- und Luftbilder mit Ultralytics YOLO in Echtzeit-Erkenntnisse für Landwirtschaft, Aquakultur, Naturschutz und Geodatenanalyse.
Mehr erfahren
Computer Vision in der Luft- und Raumfahrt

Computer Vision in der Luft- und Raumfahrt

Setze Computer Vision in der Luft- und Raumfahrt mit Ultralytics YOLO ein – für Flugzeuginspektionen, die Erkennung von Fremdkörpern auf Start- und Landebahnen, den Bodenbetrieb am Flughafen und die Erkennung von Verbundwerkstofffehlern.
Mehr erfahren
Computer Vision im Sicherheitsbereich

Computer Vision im Sicherheitsbereich

Schütze jeden Standort mit Ultralytics YOLO-Modellen. Vision-KI ermöglicht die Überwachung von Grundstücksgrenzen, die Erkennung von Bedrohungen, die Kennzeichenerkennung und die Sicherheit am Arbeitsplatz.
Mehr erfahren
Computer Vision in der Robotik

Computer Vision in der Robotik

Mach Maschinen mit Ultralytics YOLO-Modellen leistungsfähiger. Vision-KI in der Robotik ermöglicht autonome Navigation, Wahrnehmung, Objektverfolgung und Steuerung in Echtzeit.
Mehr erfahren
Bildverarbeitung in der Logistik

Bildverarbeitung in der Logistik

Optimiere die Logistik mit Ultralytics YOLO-Modellen. Vision AI ermöglicht die Paketprüfung, Sortierung und Fahrzeugverfolgung sowie die Sicherheitsüberwachung von Lagerhäusern in Echtzeit.
Mehr erfahren
Bildverarbeitung im Einzelhandel

Bildverarbeitung im Einzelhandel

Gestalte den Einzelhandel mit Ultralytics YOLO-Modellen neu. Vision AI ermöglicht Bestandsverfolgung, Regalüberwachung und Warteschlangenmanagement und liefert bessere Einblicke in das Kundenverhalten.
Mehr erfahren
Bildverarbeitung im Gesundheitswesen

Bildverarbeitung im Gesundheitswesen

Entwickle Lösungen für das Gesundheitswesen mit Ultralytics YOLO-Modellen. Vision AI ermöglicht im Gesundheitswesen schnellere medizinische Bildgebung, bessere Diagnostik und die Überwachung von Patienten.
Mehr erfahren
Computer Vision in der Fertigung

Computer Vision in der Fertigung

Optimiere die Fertigung mit Ultralytics-YOLO-Modellen. Vision AI ermöglicht Qualitätskontrolle, Fehlererkennung, die Überprüfung der Einhaltung von Vorgaben zu persönlicher Schutzausrüstung und die Automatisierung von Montagelinien.
Mehr erfahren
Computer Vision in der Automobilbranche

Computer Vision in der Automobilbranche

Setze Computer Vision in der Automobilbranche mit Ultralytics-YOLO-Modellen ein. Vision AI verbessert die Verkehrssicherheit, Fahrerassistenz und Fahrzeugautomatisierung – für intelligentere Straßen.
Mehr erfahren
Computer Vision in der Landwirtschaft

Computer Vision in der Landwirtschaft

Setze mit Ultralytics YOLO-Modellen KI für Bildverarbeitung in der intelligenten Landwirtschaft ein. Ermögliche die Überwachung von Nutzpflanzen, die Verfolgung von Nutztieren und Präzisionslandwirtschaft für höhere und nachhaltigere Erträge.
Mehr erfahren

Lass uns gemeinsam die Zukunft der KI gestalten!

Starte deine Reise in die Zukunft des maschinellen Lernens