Agentische Softwareentwicklung im Team: Claude Code, Codex und Cursor
Coding-Agenten wie Claude Code, Codex und Cursor lesen ein Repository, ändern mehrere Dateien, führen Tests aus und schlagen Commits vor. Für einzelne Entwickler ist das schnell eingerichtet. Im Team entstehen andere Fragen: Wer legt fest, was der Agent darf? Wie bleiben Regeln für alle gleich? Und wie verhindert man, dass mehr Code in kürzerer Zeit die Qualität untergräbt?
Was ist agentische Softwareentwicklung und was ändert sich im Team?
Agentische Softwareentwicklung heißt: Ein Sprachmodell arbeitet nicht nur als Autovervollständigung, sondern führt Aufgaben in mehreren Schritten selbst aus – Dateien lesen, Code ändern, Befehle starten, Ergebnis prüfen. Im Team verschiebt sich die Arbeit dadurch von „Code schreiben“ zu „Aufgaben präzise beschreiben, Rahmen setzen und Ergebnisse prüfen“.
Für eine einzelne Person reichen persönliche Einstellungen. Ein Team braucht dagegen drei gemeinsame Dinge, die es vorher nicht gab:
- Gemeinsamen Kontext: Projektwissen, das jeder Agent bei jedem Start liest – Build-Befehle, Architekturentscheidungen, Namenskonventionen.
- Gemeinsame Grenzen: Welche Befehle der Agent ohne Rückfrage ausführen darf, welche Dateien tabu sind, ob er ins Netz darf.
- Gemeinsame Prüfung: Wie Agentenänderungen reviewt, getestet und zusammengeführt werden.
Die DORA-Studie 2025 zu KI-gestützter Softwareentwicklung fasst den Kern so: Die Hauptrolle von KI sei die eines Verstärkers, der vorhandene Stärken und Schwächen einer Organisation vergrößert. Für Teams bedeutet das: Ein Agent macht einen guten Prozess schneller und einen schwachen Prozess sichtbarer.
Wie funktioniert ein Coding-Agent im Team?
Ein Coding-Agent besteht im Team aus vier Bausteinen: dem Werkzeug selbst, versionierten Projektanweisungen, technisch erzwungenen Berechtigungen und dem bestehenden Prüfprozess aus Pull Request, Tests und Review. Nur die ersten beiden sind neu; die anderen beiden müssen Sie an den höheren Durchsatz anpassen.
Projektanweisungen im Repository
Alle drei Werkzeuge lesen Markdown-Dateien mit Anweisungen, die im Repository liegen und mit dem Code versioniert werden:
- Claude Code liest
CLAUDE.mdbzw..claude/CLAUDE.mdim Projekt; Anthropic beschreibt diese Datei als Anweisungen, die über die Versionsverwaltung mit dem Team geteilt werden. Persönliche Ergänzungen gehören inCLAUDE.local.md, die nicht eingecheckt wird. Ab Version 2.1.277 liest Claude Code auchAGENTS.md, sofern keineCLAUDE.mdvorhanden ist. - Codex liest
AGENTS.md, beginnend an der Git-Wurzel bis zum aktuellen Verzeichnis, je Verzeichnis höchstens eine Datei, und hört laut OpenAI-Dokumentation standardmäßig bei 32 KiB Gesamtumfang auf. - Cursor nutzt Projektregeln als
.mdc-Dateien unter.cursor/rulesund unterstützt ebenfallsAGENTS.md; Team- und Enterprise-Pläne erlauben zusätzlich zentral verwaltete Team-Regeln (Cursor Docs).
Praktisch heißt das: Mit einer gut gepflegten AGENTS.md im Repository erreichen Sie alle drei Werkzeuge. Werkzeugspezifische Dateien ergänzen nur, was ein Werkzeug zusätzlich kann.
Was gehört in eine gemeinsame Projektanweisung?
Eine gute Projektanweisung enthält nur, was ein neuer Kollege am ersten Tag wissen müsste und was sich überprüfen lässt: Befehle, Konventionen, Tabuzonen. Allgemeine Ermahnungen wie „schreibe sauberen Code“ helfen dem Agenten nicht, konkrete Regeln mit Begründung schon.
# AGENTS.md
## Befehle
- Build: `npm run build`
- Tests: `npm test` (müssen vor jedem Commit grün sein)
- Lint: `npm run lint`
## Regeln
- Neue API-Endpunkte nur unter `src/api/v2/`, v1 ist eingefroren.
- Datenbankzugriffe ausschließlich über das Repository-Modul `src/db/`.
- Keine neuen Abhängigkeiten ohne Hinweis im Pull Request.
## Tabu
- `infra/` und `.github/workflows/` nicht ändern.
Persönliche Vorlieben wie Editor-Einstellungen oder eigene Test-URLs gehören nicht hinein, sondern in die lokalen, nicht eingecheckten Dateien des jeweiligen Werkzeugs. Bei Claude Code ist das für Einstellungen .claude/settings.local.json, das die geteilte .claude/settings.json nur für die eigene Person überschreibt. Mit dem Befehl /context lässt sich in einer Sitzung prüfen, welche Anweisungsdateien tatsächlich geladen wurden – hilfreich, wenn der Agent eine Regel scheinbar ignoriert.
Ein Detail, das Teams oft überrascht: Bei Claude Code greifen eingecheckte allow-Regeln erst, nachdem jede Person dem Projektordner vertraut hat, während deny- und ask-Regeln sofort wirken. Sperren kommen also zuverlässig an, Freigaben nicht unbedingt.
Berechtigungen und Sandbox
Anweisungen sind Bitten, keine Sperren. Anthropic schreibt selbst, dass Claude Code CLAUDE.md als Kontext und nicht als erzwungene Konfiguration behandelt; was unabhängig vom Modell blockiert werden soll, gehört in einen PreToolUse-Hook oder in Berechtigungsregeln. Claude Code kennt dafür allow-, ask- und deny-Regeln in .claude/settings.json, die das Team einchecken kann.
Codex trennt zwei Achsen: den Sandbox-Modus (read-only, workspace-write, danger-full-access) und die Freigaberegel (on-request, never). Im Modus workspace-write darf der Agent laut OpenAI Dateien im Arbeitsbereich ändern und gewöhnliche lokale Befehle ausführen; für Ausnahmen empfiehlt OpenAI Regeln für einzelne Befehlspräfixe statt pauschal erweiterter Rechte.
Prüfprozess
Der Agent ersetzt keinen Pull Request. Er erzeugt Änderungen, die denselben Weg gehen wie menschlicher Code: Branch, automatisierte Tests, Review, Zusammenführung. Neu ist vor allem die Menge – darauf geht der Abschnitt zu Grenzen und Risiken ein.
Welche Werkzeuge und Arbeitsweisen gibt es?
Die drei verbreiteten Werkzeuge unterscheiden sich weniger in der Modellqualität als in der Arbeitsumgebung: Claude Code und Codex sind vor allem Agenten für Terminal und Repository (Claude Code gibt es zusätzlich als Erweiterung für VS Code und JetBrains), Cursor ist ein Editor mit integriertem Agenten. Entscheidend ist, wo das Team arbeitet und wie zentral sich Regeln vorgeben lassen.
Terminal-Agent im Repository (Claude Code, Codex). Der Agent arbeitet direkt im Projektverzeichnis, führt Build und Tests aus; Claude Code lässt sich zusätzlich nicht-interaktiv für geskriptete Aufgaben starten. Das passt zu Teams mit starker Kommandozeilen-Kultur und vielen wiederkehrenden Aufgaben wie Abhängigkeits-Updates, Migrationen oder Testergänzungen.
Agent im Editor (Cursor). Der Agent sitzt dort, wo Entwickler Code ohnehin lesen und ändern. Das senkt die Einstiegshürde für Teams, die wenig im Terminal arbeiten, bindet aber an einen bestimmten Editor.
Gemischte Nutzung. In der Praxis nutzen Teams oft mehr als ein Werkzeug. Das funktioniert, wenn die Projektanweisungen werkzeugneutral in AGENTS.md liegen und alle Änderungen denselben Prüfweg nehmen. Ein ausführlicher Vergleich der drei Werkzeuge nach Kriterien wie Rechteverwaltung, Integration und Betrieb folgt in einem eigenen Artikel dieses Themenbereichs.
Spezifikation zuerst. Unabhängig vom Werkzeug arbeiten viele Teams so, dass der Agent erst einen Plan oder eine Spezifikation schreibt, die ein Mensch freigibt, bevor Code entsteht. Das verlagert die wichtigste Prüfung nach vorn, solange Änderungen noch billig sind.
Welche Voraussetzungen braucht ein Team?
Die wichtigste Voraussetzung ist kein Werkzeug, sondern ein Repository, in dem ein Agent seine eigene Arbeit prüfen kann: reproduzierbarer Build, automatisierte Tests mit brauchbarer Abdeckung, ein Linter und ein Pull-Request-Prozess mit Branch-Schutz. Fehlt das, prüft am Ende nur der Mensch – und der wird zum Engpass.
Technisch:
- Build und Tests mit einem Befehl startbar, lokal und in der CI.
- Branch-Schutz auf dem Hauptzweig im Git-Server, damit kein Agent direkt dorthin schreibt.
- Geheimnisse (
.env, Schlüsseldateien) außerhalb des Repositorys oder perdeny-Regel gesperrt. - Eine Entwicklungsumgebung, in der der Agent nichts Produktives erreicht: keine Produktionszugänge auf Entwicklerrechnern, getrennte Testdatenbanken.
Organisatorisch:
- Eine verantwortliche Person für die gemeinsame Konfiguration (Projektanweisungen, Berechtigungen), die Änderungen daran wie Code reviewt.
- Eine klare Regel, wer für Agentencode haftet: in der Regel die Person, die den Pull Request öffnet.
- Bei Betriebsrat oder Mitarbeitervertretung frühzeitig klären, ob und wie Nutzungsdaten ausgewertet werden.
Vertraglich und datenschutzrechtlich:
Klären Sie für jedes Werkzeug, wohin Code und Prompts gehen, wie lange sie gespeichert werden und ob sie zum Training dienen. Anthropic gibt für Claude Code in Team-, Enterprise- und API-Konten an, nicht auf Code oder Prompts zu trainieren, und nennt standardmäßig 30 Tage Aufbewahrung; Zero Data Retention ist für qualifizierte Enterprise-Konten nach Prüfung durch Anthropic möglich. Cursor sagt für den aktivierten Privacy Mode, nicht auf Ihre Daten zu trainieren, und Administratoren können ihn für das ganze Team einschalten. Ob das für Ihre Daten reicht, ist eine Einzelfallprüfung – dieser Abschnitt ist Orientierung, keine Rechtsberatung. Wer Quellcode gar nicht an externe Anbieter geben will, findet unter souveräne KI die Alternativen mit eigenem Betrieb.
Wie führt man Coding-Agenten in Schritten ein?
Bewährt hat sich ein stufenweises Vorgehen: kleine Pilotgruppe, ein Repository, klar abgegrenzte Aufgabentypen, gemeinsame Konfiguration von Anfang an versioniert. Erst wenn Review und Tests mit dem Durchsatz mithalten, folgen weitere Repositories und Personen.
- Ausgangslage erfassen. Welche Repositories haben verlässliche Tests? Wo liegen Geheimnisse? Welche Aufgaben wiederholen sich (Tests ergänzen, Abhängigkeiten aktualisieren, Fehler mit klarer Reproduktion beheben)?
- Werkzeug und Vertrag festlegen. Ein Werkzeug für den Pilot, ein Geschäftskonto mit geklärten Datenbedingungen – keine privaten Konten.
- Gemeinsame Konfiguration anlegen.
AGENTS.mdbzw.CLAUDE.mdmit Build- und Testbefehlen, Architekturregeln und Tabuzonen; Berechtigungsregeln in den werkzeugspezifischen Einstellungsdateien; alles eingecheckt und reviewt. - Aufgabentypen freigeben. Beginnen Sie mit Aufgaben, deren Ergebnis sich gut prüfen lässt, etwa fehlende Tests oder klar beschriebene Fehler. Architekturänderungen kommen später.
- Review-Regeln anpassen. Kleine Pull Requests, Agentenbeitrag im PR kenntlich machen, Tests müssen grün sein, bevor ein Mensch reviewt.
- Lernen festhalten. Wiederkehrende Fehler des Agenten führen zu einer Zeile in den Projektanweisungen oder zu einer technischen Sperre – nicht nur zu einer Korrektur im einzelnen PR.
- Ausweiten. Weitere Repositories und Personen erst, wenn der Pilot stabil läuft und die Konfiguration sich kaum noch ändert.
Ein Hinweis zum Umfang der Projektanweisungen: Anthropic empfiehlt, eine CLAUDE.md unter etwa 200 Zeilen zu halten, weil längere Dateien mehr Kontext verbrauchen und schlechter befolgt werden. Für Codex gilt die genannte Grenze von 32 KiB. Kurze, prüfbare Regeln wirken besser als lange Prosa.
Wo liegen Grenzen und Risiken?
Das größte Risiko im Team ist nicht falscher Code im Einzelfall, sondern ein Prüfprozess, der mit dem Durchsatz nicht mithält. Mehr Pull Requests, größere Diffs und plausibel aussehender Code verleiten dazu, Reviews abzukürzen. Dazu kommen Rechte, die zu weit gefasst sind, und Wissen, das nur noch im Agentenlauf steckt.
Review-Engpass. Wenn ein Agent in kurzer Zeit viel Code erzeugt, verlagert sich die Arbeit ins Review. Gegenmittel: kleine PRs, Pflicht-Tests vor dem Review, klare Zuständigkeit. Ein eigener Artikel dieses Themenbereichs behandelt Code-Review mit KI-Agenten im Detail.
Zu weite Rechte. Ein Agent, der beliebige Befehle ausführen darf und Netzzugriff hat, kann Abhängigkeiten installieren, Daten verschicken oder Dateien löschen. Starten Sie mit eingeschränkten Modi wie workspace-write bei Codex oder expliziten allow-Listen bei Claude Code und erweitern Sie gezielt.
Prompt-Injection über Inhalte. Agenten lesen Issues, Kommentare, Abhängigkeiten und Webseiten. Enthalten diese versteckte Anweisungen, kann der Agent sie befolgen. Technische Sperren sind deshalb wichtiger als Anweisungen im Text.
Gemeinsame Konfiguration veraltet. Projektanweisungen, die niemand pflegt, beschreiben irgendwann Befehle oder Verzeichnisse, die es nicht mehr gibt. Der Agent folgt dann veralteten Regeln. Behandeln Sie die Datei deshalb wie Code: Änderungen an Build oder Struktur ziehen eine Änderung der Anweisungen im selben Pull Request nach sich.
Wissensverlust. Wenn Entwickler Code übernehmen, den sie nicht verstehen, fehlt später das Wissen für Wartung und Fehlersuche. Das Review muss deshalb auch die Frage stellen, ob der Autor des PR die Änderung erklären kann.
Wann der Ansatz nicht passt: in Repositories ohne Tests, bei sicherheitskritischem Code ohne zusätzliche Prüfung, und dort, wo Quellcode aus vertraglichen Gründen das Haus nicht verlassen darf und kein lokaler Betrieb möglich ist.
Wie fangen Sie an?
Starten Sie mit einem Repository, das gute Tests hat, einer kleinen Gruppe und einem Werkzeug. Legen Sie in der ersten Woche die gemeinsame Konfiguration an und checken Sie sie ein; messen Sie nach einigen Wochen, wie sich Review-Zeiten und Fehlerquote entwickeln, bevor Sie ausweiten.
Eine kurze Startliste:
- Ein Pilot-Repository mit grünem Build und brauchbaren Tests auswählen.
AGENTS.mdmit Build-, Test- und Lint-Befehlen sowie drei bis fünf wichtigen Architekturregeln anlegen.- Berechtigungen technisch festlegen: Geheimnisse sperren, Ausführung auf den Arbeitsbereich begrenzen.
- Branch-Schutz prüfen und Agentenbeiträge in Pull Requests kenntlich machen.
- Nach dem Pilot Projektanweisungen anhand der häufigsten Agentenfehler überarbeiten.
Wenn Sie das gemeinsam mit dem Team an Ihrem eigenen Code durchgehen wollen, eignet sich ein Workshop zu agentischer Entwicklung, in dem Konfiguration, Rechte und Review-Regeln direkt im Pilot-Repository entstehen. Für den größeren Rahmen – Rollen, Regeln und Verantwortung für KI im Unternehmen insgesamt – finden Sie unter KI-Aufbau weitere Informationen.
Häufige Fragen
Brauchen wir für Claude Code, Codex und Cursor jeweils eigene Anweisungsdateien?
Nicht zwingend. Codex und Cursor lesen AGENTS.md, Claude Code liest AGENTS.md ab Version 2.1.277 ebenfalls, wenn keine CLAUDE.md existiert. Werkzeugspezifische Dateien lohnen sich erst für Funktionen, die nur ein Werkzeug kennt.
Reicht eine Anweisung wie „nie auf main pushen“ in der CLAUDE.md?
Nein. Anthropic beschreibt CLAUDE.md ausdrücklich als Kontext, nicht als erzwungene Konfiguration. Was nie passieren darf, gehört in Berechtigungsregeln, Hooks, Sandbox-Einstellungen oder Branch-Schutz im Git-Server.
Werden unsere Quelltexte zum Training der Modelle verwendet?
Das hängt vom Vertrag ab. Anthropic trainiert laut eigener Dokumentation nicht auf Code aus Team-, Enterprise- und API-Konten, Cursor sagt dasselbe für den aktivierten Privacy Mode. Prüfen Sie für jedes Werkzeug die Bedingungen Ihres konkreten Plans.
Sollten alle Entwickler dasselbe Werkzeug nutzen?
Für den Start ja, weil gemeinsame Konfiguration, Schulung und Review-Regeln dann nur einmal entstehen. Später können einzelne Werkzeuge nebeneinander laufen, solange die Projektanweisungen und Prüfschritte für alle gleich sind.
Quellen
- Anthropic: Claude Code – Settings files and precedence code.claude.com
- Anthropic: Claude Code – How Claude remembers your project code.claude.com
- Anthropic: Claude Code – Data usage code.claude.com
- OpenAI: Codex – AGENTS.md learn.chatgpt.com
- OpenAI: Codex – Sandboxing learn.chatgpt.com
- Cursor Docs: Rules cursor.com
- Cursor: Security cursor.com
- DORA: State of AI-assisted Software Development 2025 dora.dev