AI-Entwicklung

AI Coding Agents verändern die Softwareentwicklung: Wie Claude Code und GPT Agent Tools aufrufen und Code per JSON ausführen

Ca. 15 Min.

Softwareentwicklung 2026 sieht weniger aus wie Tippen von Completions in einer IDE. Claude Code liest das Repo, ändert Dateien und läuft Tests im Terminal; GPT Agent / Codex öffnet eine Sandbox, schreibt einen Patch und gibt ein Ergebnis zurück. Die Schalen unterscheiden sich. Das Skelett nicht: das Modell füllt nur JSON; der Host führt aus. Dieser Text öffnet diese Aufrufkette — und wie sie einen normalen Arbeitstag umschreibt.

Auf einen Blick

Idee Ein Satz landet auf
Coding Agent Eine Laufzeit, die ein Repo lesen, Dateien ändern und Befehle laufen kann Agent loop
Claude Code Ein lokaler Coding Agent im Terminal tool_use JSON
GPT Agent Coding und Computer Use in Session / Sandbox tool_calls / code
JSON Der Vertrag für Namen, Argumente und Ergebnisse Schema / payload

Die Teilung merken: das Modell füllt Objekte, der Host führt aus, die Schleife macht Patches und Tests stetig. Marke tauschen; die JSON-Aufrufkette bleibt.

Ein Coding Agent ist kein Chatfenster, das Code schreibt

Ein Completion-Modell füllt die nächste Zeile. Ein Chat-Modell erklärt eine Funktion. Ein Coding Agent ist ein Drittes: eine Laufzeit, die das Modell in eine Schleife setzt — Repo-Zustand beobachten, den nächsten Schritt vorschlagen, ein externes Tool rufen, das Ergebnis verdauen, dann weiter, stoppen oder übergeben.

Ein lieferbarer Coding Agent 2026 ist meist ein Trio:

  • Das Modell: es gibt nur Text oder ein strukturiertes Objekt aus. Es berührt keine Platte.
  • Ein Toolkatalog: lesen, ändern, laufen, suchen; manchmal Browser oder MCP.
  • Der Host: JSON parsen, Tore durchsetzen, wirklich ausführen, das Ergebnis in den nächsten Zug schreiben.

Wenn Sie Agent, Tool Calling und Function Calling noch zu einem Wort falten, beginnen Sie mit AI-Agent-Vollleitfaden. Dieser Artikel behandelt eine Produktform: einen Coding Agent, der gegen ein echtes Repository arbeitet.

Geändert hat sich die Schleife, nicht der Editor

Ein Jahrzehnt hat IDE-Completion das Tippen verkürzt. Zwei Jahre haben Chatfenster Fehler näher gebracht. Ein Coding Agent ändert ein Drittes: wer den ersten lauffähigen Patch schreibt.

Ein typischer Tag ist nicht mehr „Menschen fertig, dann CI prüft“. Öfter:

  1. Ein Mensch schreibt Absicht: diesen fehlgeschlagenen Test reparieren oder ein Feld in diese API legen.
  2. Der Agent läuft die Schleife: Repo lesen, Symbole suchen, Dateien ändern, Tests laufen, eine Spur von Tool-Aufrufen hinterlassen.
  3. Menschen prüfen Diff und Spur: nicht jeden Tastendruck, aber Typen, Tests und Rechte bleiben.

Das ist nicht „KI macht Ihren Job“. Der Erstentwurf kommt jetzt aus einer Schleife; Menschen toren Form und Nebenwirkungen. Tools und Workflows als Schema fassen — siehe JSON Schema und AI-Agent-Workflows.

Die Schleife tut eine Sache: JSON füllen, dann JSON lesen

Produktseiten sagen „schreibt Code autonom“. In der Technik ist ein Zug meist vier Sprünge:

  1. Beobachten: Workspace, Testausgabe und das letzte Tool-Ergebnis kommen in den Kontext.
  2. Vorschlagen: das Modell gibt einen Toolnamen und ein Argumentobjekt aus — es ruft nicht selbst open().
  3. Ausführen: der Host prüft, läuft einen Befehl oder ändert eine Datei. Nebenwirkungen passieren hier.
  4. Zurückschreiben: stdout, der Patch und der Exit-Code werden das nächste sichtbare Objekt.

Ein Tor auslassen, und JSON ist ein Befehl. Alle vier Sprünge halten, und Sie haben eine wiederholbare Sitzung. Warum KI JSON Schema braucht hat es schon gesagt: Schema ist der Vertrag, nicht „bitte JSON zurückgeben“ im Prompt.

Claude Code: eine Toolfläche im Terminal

Claude Code ist Anthropics lokaler Coding Agent: er läuft in Ihrem Terminal gegen das aktuelle Repo. Modellseitig nutzt er Content-Blöcke der Messages API. Was Sie jeden Tag sehen, ist ein Strom von tool_use.

Die Standard-Toolfläche ist schmal — und genau das macht Prüfung möglich:

  • Read / Glob / Grep: zuerst schauen, dann ändern.
  • Edit / Write: das Repo per exaktem Ersatz oder Ganzdateischreiben ändern.
  • Bash: Tests laufen, Deps installieren, Skripte ausführen.
  • MCP: externe Systeme in dieselbe JSON-Tooltabelle falten. Details in MCP Tool Schema vs Function Calling.

Das Modell schickt keinen Absatz „bitte diese Datei ändern“. Es schickt ein prüfbares Objekt:

{
  "type": "tool_use",
  "id": "call_read_1",
  "name": "Read",
  "input": {
    "path": "src/billing/refund.py"
  }
}

Nachdem der Host fertig ist, schreibt er ein Objekt zurück. stdout kann lang sein; der Eingang bleibt tool_result, keine Chatblase:

{
  "type": "tool_result",
  "tool_use_id": "call_bash_4",
  "content": {
    "stdout": "12 passed, 1 failed",
    "exit_code": 1
  }
}

Auto-Mode und Bestätigungstore entscheiden, ob dieser Sprung auf einen Menschen wartet. Tore aus, und die Schleife beendet Bash allein — deshalb wurde Entwicklung schneller, und deshalb wuchs der Explosionsradius. Zur Sicherheitsfläche siehe Claude-Vorfälle und Tool-JSON und AI-Agent-Sicherheit und JSON-Prüfung.

GPT Agent: Sitzungen, Sandboxen und Function Calling

OpenAIs Seite hat mehr Namen: ChatGPT Agent, Codex, Responses API, GPT-6 Astra. Die Schalen unterscheiden sich; die Aufrufform ist weiter Function Calling: tools[] deklarieren, tool_calls vorschlagen, ein stringifiziertes Objekt in arguments legen.

Ein codingbezogener Aufruf sieht so aus:

{
  "tool_calls": [{
    "id": "call_7f2a",
    "type": "function",
    "function": {
      "name": "run_code",
      "arguments": "{\"language\":\"python\",\"code\":\"from pathlib import Path\\nprint(Path('src').exists())\"}"
    }
  }]
}

Der Unterschied zu Claude ist nicht „kann es Code schreiben“. Es ist, wie die Toolfläche gebaut wird:

  • Code-Interpreter / Sandbox: mehrstufige Berechnung in einen run_code- oder python-Aufruf falten, um Hin und Her zu kürzen.
  • Computer Use: Browser- und Desktopaktionen sind eine andere Menge strukturierter Züge.
  • Codex / CLI: näher an einem Repo-Coding-Agent; die Tabelle wird wieder Lesen, Ändern, Laufen.

GPT-6-Astra-Leitfaden hat dieselbe Disziplin schon genannt: „Tool wählen → Tool rufen → Objekt zurückgeben“ zuverlässiger zu Ende führen. Für Entwickler heißt das: Patches und Testausgabe müssen aus einer JSON-Spur rekonstruierbar sein — nicht aus einem Satz „ich habe es schon repariert“.

Wo läuft der Code wirklich? Nicht im Modell

Das ist der Satz, den Leute falsch schreiben. Ein großes Modell führt kein Python aus und spawned keinen Prozess. Es gibt nur aus:

  • Einen Toolnamen: Bash, Read, python, apply_patch.
  • Ein Argumentobjekt: command, path, old_string, code.
  • Manchmal Patchtext: zuerst ein Feld, dann schreibt der Host ihn auf die Platte.

Was Code wirklich läuft, ist der Host: ein lokaler Prozess, ein Container oder eine Cloud-Sandbox. Dateisystem- und Netzechte gehören zur Host-Policy, nicht zu Modellgewichten. Ein enges Tool-Schema sieht so aus:

{
  "name": "Bash",
  "description": "Run a shell command in the workspace",
  "inputSchema": {
    "type": "object",
    "properties": {
      "command": { "type": "string" },
      "timeout_ms": { "type": "integer", "maximum": 120000 }
    },
    "required": ["command"],
    "additionalProperties": false
  }
}

additionalProperties: false ist keine Pedanterie. Ein weites object lässt das Modell einen Zielhost oder ein Extra-Skript einschmuggeln. Geheimnisse, Cookies und interne Basen bleiben auf dem Host. Sie kommen nicht ins Argumentobjekt.

Claude Code gegen GPT Agent: Sie kaufen nicht dieselbe Schale

Nicht klüger/dümmer — wo Sie die Schleife aufhängen:

Dimension Claude Code GPT Agent / Codex
Eingang Lokales Terminal, gegen das Repo Session, Sandbox oder CLI
Aufrufform tool_use / tool_result tools[] / tool_calls
Standardtools Read, Edit, Bash, Grep, MCP Funktionen, Code-Interpreter, Computer Use
Ausführungswelt Ihre Maschine oder die Sandbox, die Sie mounten Anbieter-Sandbox oder lokales Codex
Was Sie pflegen Rechte-Tore, MCP, Session-Spur Tool-Schema, Responses-Spur

Marke tauschen; die Schleife bleibt. Stabilisieren Sie den Toolvertrag und die Ausführungswelt, nicht eine Chat-Haut. DeepSeek hat den Host zu ersetzbarer Infrastruktur gemacht — siehe DeepSeek Harness und Coding-Agent-Infrastruktur.

Prüfen Sie die Spur, nicht die Blase

Nachdem ein Agent Code geschrieben hat, prüfen Sie ihn wie den PR eines Kollegen: Diff, Tests, Rechte. Die Extra-Schicht ist die Toolspur.

  • formatieren die tool_use / tool_calls und prüfen Sie, dass Name und Argumente der Sprung sind, den Sie dachten.
  • Ziehen Sie mit JSONPath extrahieren name, command und path. Scannen Sie Prosa nicht mit dem Auge.
  • JSON Diff gegen die grüne Spur der letzten Woche. Wenn die Schleife driftet, prüfen Sie Tooltabelle und Argumentform, bevor Sie das Modell tadeln.
  • stdout fehlgeschlagener Tests gehört in die Spur. „Ich habe es repariert“ ist kein Datensatz.
  • Kleben Sie keine Produktionsgeheimnisse, Kundendumps oder internen URLs in einen öffentlichen Formatter. JSONSort läuft im Browser ohne Upload — passend für diese Objekte.

Wenn die Spur neu gebaut werden kann, kann die Sitzung geprüft werden. Das ist der Preis, einen Coding Agent in einen Teamablauf zu legen, kein Nice-to-have.

Fallstricke

  • Einen Coding Agent als klügeres Autocomplete behandeln. Autocomplete ändert eine Zeile; ein Agent ändert die Schleife.
  • Glauben, das Modell habe den Code ausgeführt. Ausführung sitzt auf dem Host.
  • Nur den Datei-Diff prüfen, nicht das Tool-JSON. Der Befehl kann schon gelaufen sein.
  • Bash einen Blankoscheck geben. Kein cwd, Timeout oder Netztor, und die Schleife ist ein Produktionsvorfall.
  • Schema durch einen Prompt ersetzen. Ein Vertrag muss prüfbar sein.
  • Die Sitzung als Chatblasen speichern. Ohne tool_result gibt es keinen wiederholbaren Entwicklungsdatensatz.

FAQ

Was passt besser zum Team: Claude Code oder GPT Agent?

Schauen Sie auf die Ausführungswelt. Liegt das Repo auf Ihrer Maschine und brauchen Sie MCP plus lokale Tests, ist Claude Code oder Codex CLI näher. Wollen Sie Sandbox-Compute oder Computer Use in der Session, nehmen Sie GPT Agent / Responses. Zuerst das Tool-Schema festziehen, dann eine Schale wählen.

Kann das Modell heimlich einen Befehl laufen, den ich nicht genehmigt habe?

Das Modell kann nur vorschlagen. Ob es läuft, hängt von Bestätigungstoren, einer Allowlist und Netzisolierung auf dem Host ab. Auto-Mode heißt: Sie haben eine Klasse von JSON vorab genehmigt.

Worin unterscheidet sich das von gewöhnlichem Function Calling?

Gleiche Form, anderer Radius. Eine Support-Abfrage ist meist nur lesend. Die Tools eines Coding Agent können Platte ändern und Prozesse starten. Schema, Timeouts und Audit müssen enger sein.

Warum JSON statt eines besseren Prompts?

Nebenwirkungen passieren, nachdem das Objekt geparst ist. Ein Prompt beeinflusst, was das Modell füllt; Schema und Host entscheiden, was laufen darf. Beim Debuggen schlagen Objekte Adjektive.

Soll der Agent direkt in Produktion pushen?

Nein. Lassen Sie ihn einen Branch öffnen, Tests laufen und eine Spur hinterlassen. Merge und Release bleiben menschliche strategische Tore. Die Schleife entwirft; das Tor liefert.

Fazit

AI Coding Agents verändern Softwareentwicklung nicht, indem der Editor die nächste Zeile besser rät, sondern indem „Repo lesen → Tool-JSON füllen → Host führt aus → Ergebnis zurückschreiben“ die Standardschleife wird. Claude Code und GPT Agent sind zwei Schalen.

Ab heute weniger streiten, welches Modell besseren Code schreibt. Legen Sie zuerst Tool-Schema, Ausführungswelt und Session-Spur ins Repo. Modelle wechseln; diese JSON-Aufrufkette sollte zuerst stabil werden.

Weiterlesen

Änderung: Erstveröffentlichung