KI-Forschungsworkflows in Claude Code und Codex

Dies ist unsere eigene Forschung und Entwicklung — eine Arbeitsmethode, die wir selbst aufgebaut haben und in eigenen Projekten weiterentwickeln. Es ist kein Kundenauftrag. Der nächstliegende Beleg, den wir zeigen können: Mit diesem Prozess entstand die Website, die du gerade liest — vom Sammeln der alten Website über Briefing und technischen Plan bis zum Code.

Was es ist

Ein Satz von Multi-Agenten-Workflows, die in Claude Code und Codex laufen und in denen viele Agenten mit Rollenteilung und Kontrollpunkten an einer Aufgabe arbeiten.

• Analyse mit parallelen Agenten. Wir teilen Material in Themencluster; jeder Cluster erhält einen eigenen Agenten mit derselben Notizvorlage. Kein Agent muss alles im Kopf behalten, und die Ergebnisse sind vergleichbar, weil sie im identischen Format entstehen.
• Entwurfspanel und Jury. Die strategische Richtung entsteht nicht in einem Durchlauf. Drei unabhängige Entwürfe werden getrennt und ohne Einsicht ineinander erstellt. Danach wählt eine eigene Instanz als Jury die Richtung und begründet ihr Urteil schriftlich.
• Adversariales Audit. Am Ende kommt ein Agent hinzu, dessen Aufgabe es ist, das Ergebnis zu widerlegen: Widersprüche zwischen Dokumenten, nicht übereinstimmende Zahlen und Entscheidungen ohne Begründung zu finden. Die prüfende Person ist nicht Autorin oder Autor des untersuchten Umfangs.
• Harte Grenzen zwischen Etappen. Die nächste Etappe beginnt erst, wenn die vorherige ihre Liste von Abschlussbedingungen erfüllt hat.

Welches Problem es löst

• Ein Agent verliert bei einer langen Aufgabe die Konsistenz. Je länger die Arbeit, desto wahrscheinlicher widerspricht ihr Ende ihrem Anfang. Die Aufteilung in Rollen und Cluster begrenzt das, weil kein Agent allein das Ganze führt.
• Das Ergebnis hängt von der Stimmung einer Sitzung ab. Ohne Grenzen und Vorlagen liefert dieselbe Arbeit zweimal unterschiedliche Qualitätsniveaus. Mit Grenzen liegt der Unterschied im Inhalt, nicht in der Vollständigkeit.
• Das Modell bestätigt die erste Hypothese. Entwurfspanel und Jury erzwingen den Vergleich von Alternativen, statt die erste aufgetauchte Idee weiterzuentwickeln.
• „Die KI hat etwas geschrieben, aber niemand weiß, ob es stimmt.“ Das adversariale Audit ist die prozessuale Antwort: Jemand hat die Pflicht, Fehler zu suchen, bevor das Ergebnis weitergeht.

Wie wir es gebaut haben

Hier gibt es nicht ein einzelnes Programm, sondern einen Ablauf, festgehaltene Rollen und in Dateien gespeicherten Zustand. Ein koordinierender Agent verteilt Aufgaben, wahrt Verträge und führt geprüfte Ergebnisse zusammen. Umsetzende Agenten arbeiten parallel an getrennten Bereichen, und eine separate Prüfung versucht das Ergebnis zu widerlegen. Claude Code und Codex sind Werkzeuge in dieser Anordnung; die konkrete Rolle hängt von der Aufgabe ab, nicht von der Marke eines Modells.

Die entscheidende Wahl: Wahr ist, was in Dateien festgehalten ist, nicht was eine Sitzung erinnert. Analyse, Briefing, technischer Plan und Entscheidungsprotokoll liegen im Repository und durchlaufen Git. Jede Sitzung beginnt mit dem Lesen des Stands, nicht mit seiner Rekonstruktion aus der Erinnerung.

Diese Website ist ein vollständiges Beispiel des Ablaufs: 81 Adressen der alten Seite wurden archiviert und mit einem Urteil zu jeder Unterseite analysiert; ein Panel aus drei Entwürfen wurde von einer Jury entschieden, darauf folgten Briefing, technischer Plan und Zieladressenarchitektur und zuletzt die Umsetzung mit unabhängiger Prüfung. Auch der Inhalt, den du liest, entstand in diesem Ablauf — in Dateien, nicht im Admin-Panel.

Was es belegt

Dass wir ein funktionierendes System vieler Agenten entwerfen und betreiben können, statt nur darüber zu sprechen. Das ist ein Beleg für die Leistung Multi-Agenten-Systeme: Wir zeigen einen durchgeführten Ablauf und die hinterlassenen Artefakte.

Die Methode und Rollenteilung beschreiben wir detailliert in wie wir mit KI bauen, die Kundenversion im Prozess.