Monster-Code-Aufgaben zerlegen: So skalieren KI-Agenten ohne Kontext-Chaos

Jeder kennt das. Du gibst einem KI-Agenten den Befehl, dein Authentifizierungssystem umzubauen. Nach 20 Minuten merkt man: Der Agent hat die Anforderungen vergessen. Irgendwo zwischen Datei drei und dem fünften Kontext-Reset schleicht sich Fehlinformation ein. Plötzlich korrigierst du ständig, statt voranzukommen.

Es gibt einen smarteren Weg. Ohne endlose Spezifikationen oder ständiges Eingreifen.

Das unsichtbare Problem mit dem Kontext-Fenster

KI-Agenten glänzen bei kleinen, präzisen Jobs. Optimiere diese Query, refactor diese Funktion – kein Problem. Aber ein Riesen-Refactoring über den ganzen Codebase? Da muss der Agent alles im Kontext-Fenster balancieren und gleichzeitig planen.

Selbst bei 200K Tokens wird's eng. Der Agent stapelt Historie, Notizen, Entscheidungen und Code-Snippets. Bald ist der Overhead größer als der Nutzen. Wie ein Entwickler, der jeden Chatverlauf im Kopf behalten muss.

Der Koordinator-Trick

Stell dir vor, statt einem Alleskönner hast du:

• Einen Koordinator-Agenten für den Überblick und den Masterplan
• Spezialisierte Worker-Agenten pro Teilaufgabe
• Einen externen Reviewer für die Kontrollpunkte

Das Konzept ist alt – verteilte Aufgabenverteilung. Mit LLMs wird's revolutionär.

Der Koordinator macht's einfach:

1. Zerlegt die Aufgabe in Phasen mit klaren Abhängigkeiten
2. Verfolgt Fortschritt und Blockaden
3. Hält nur den High-Level-Plan im Kopf (keine Details)
4. Startet Worker, sobald Voraussetzungen erledigt sind

Jeder Worker kriegt ein isoliertes Setup – separater Git-Worktree. Prompt: „Refactor dieses Modul mit Dependency Injection. Hier der Code, hier die Ziel-Architektur. Los.“

Kein Kontext-Müll. Kein Abschweifen. Keine wilden Annahmen.

Review als Turbo-Boost

Der Clou: Ein Reviewer (anderes Modell oder frischer Kontext) prüft vorab und nachher.

Koordinator schlägt Phasen vor: „Auth von Authz trennen, Rollen-Logik extrahieren, Caching für Permissions.“ Reviewer hakt nach: „Phase 3 braucht DB-Migration – bedacht?“

Das schützt vor Kettenfehlern. Wie ein Tech-Lead, der den Plan abnickt, bevor's losgeht.

Nach der Umsetzung checkt der Reviewer den Diff: Passt's zum Plan? Side-Effects? Code-Qualität okay?

Wann lohnt sich das – und wann nicht

Perfekt für große Refactorings:

• Klare Erfolgsmessung: Code läuft wie vorher, nur sauberer.
• Wenig Neues erfinden: Keine Business-Logik nötig.
• Mehr Augen, bessere Qualität: Verschiedene Agenten oder Modelle ergeben robustere Lösungen.

Für einen simplen Form-Eintrag? Zu viel Aufwand. Nutz es bei 50-Datei-Projekten, die sonst eine Woche fressen.

Auswirkungen auf deinen Workflow

Der Hammer: Du delegierst richtig große Jobs an KI, ohne Babysitten. Das Pattern skaliert auf echte Projekte.

Bei NameOcean nutzen wir das für Vibe Hosting: Cloud-Infrastruktur, Deployment-Automatisierung, Legacy-Refactoring.

Beispiele:

• Infra-Umstrukturierung: Von monolithischem Terraform zu modularen Komponenten
• Modernisierung: Code schrittweise auf Best Practices bringen
• API-Aufteilung: Eng verkoppelte Endpoints in Services zerlegen

Der Kern: Zerlegung und Isolation stoppen Kontext-Zusammenbruch. Gilt für KI wie für Teams.

Was du wirklich brauchst

Kein Hokuspokus:

1. Isolierte Umgebungen (Git-Worktrees rocken)
2. Koordinator (Agent, Script oder Prompts)
3. Integriertes Review
4. Präzise Specs ohne Fremd-Kontext

Bei NameOcean treibt das Vibe Hostings KI-Entwicklung voran. Wir umgehen Kontext-Limits, statt zu kämpfen.

Nächstes Mal bei Code-Overhaul: Nicht alles auf einmal prompten. Zerlegen. Koordinieren. Reviewen. Lass Worker ihre Stärken ausspielen – fokussierte Changes.

Dein Kontext-Fenster (und dein Nervenkostüm) sagen danke.