KI-Coding-Agenten: 24 Plugins, 49 Agenten, 44 Skills – Wie Sie (fast) alles automatisieren

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. In meinem DennisCraft AI Studio implementiere und betreibe ich autonome KI-Systeme für B2B-Kunden im DACH-Raum: Logistik, Fintech, industrielle Automation. Tech-Stack: Claude, Supabase, n8n, Doppler, self-hosted Postgres. Die eigentliche Herausforderung besteht darin, Coding-Agenten produktiv und DSGVO-konform zu betreiben – nicht nur im Demo, sondern im Betrieb mit echten Daten und Integrationen.

Das Produktionsproblem: Manuelle Review- und Prüfungs-Deadlocks

Sobald Compliance relevant wird, stocken Prozesse oft bei manuellen Code-Reviews, Security-Checks und Dokumentationspflege. Bei einem Fintech-Kunden konnte ich 80% der Pull-Request-Reviews mit 24 Plugins, 49 Agenten und 44 Skills automatisieren – inklusive Tests, statischer Analyse und Sicherheitsprüfung. Der Mensch bleibt für Architektur und Grenzfälle zuständig, die Routine übernimmt der Agent.

Architektur: So bauen Sie produktionsreife Agentenketten

Grundprinzipien

• Jeder Agent übernimmt genau eine Aufgabe (Tests generieren, statische Analyse, Secrets prüfen, Dokumentation aktualisieren).
• Orchestrierung in n8n, Status- und Logspeicherung über Supabase/Postgres.
• Claude Code als Codegenerator; Validierung durch semgrep, bandit, gitleaks und OWASP-Pattern.

Plugins und Integrationen im Überblick

Beispiel: Agenten-Pipeline für Pull Requests

def agent_pipeline(pr_id):
    # 1. Diff von GitHub holen
    diff = get_github_diff(pr_id)
    # 2. Unit-Tests mit Claude Code generieren
    tests = claude_generate_tests(diff)
    # 3. bandit und semgrep ausführen
    sec_report = run_bandit(diff)
    static_report = run_semgrep(diff)
    # 4. gitleaks für Secrets-Prüfung
    secrets = run_gitleaks(diff)
    # 5. Status in Supabase speichern
    save_pipeline_status(pr_id, tests, sec_report, static_report, secrets)
    return aggregate_reports(tests, sec_report, static_report, secrets)

Was Agenten wirklich automatisieren – und was nicht

Wo Agenten Menschen überholen

• Unit-Tests: Claude Code ist laut meinen Messungen 7x schneller als manuell, mit >85% Genauigkeit.
• Automatisierte Sicherheits- und Secrets-Prüfungen: bandit und gitleaks finden Schwachstellen, die Menschen übersehen.
• Style-Checks und Linting: fehlerfrei, 100% automatisiert.

Wo Agenten an Grenzen stoßen

• Architekturentscheidungen: LLMs generieren „sauberen“ Code, erfassen aber keine Businesslogik.
• Refactoring von Legacy-Code: Aufgaben müssen kleinteilig vorbereitet und per Hand validiert werden.
• Integration mit proprietären APIs: Hier bleibt die menschliche Prüfung Pflicht.

Agentenrollen: Wer erledigt was?

n8n-Pipeline-Konfiguration: Beispiel

- name: pr_pipeline
  steps:
    - github_webhook
    - claude_code_generate_tests
    - bandit_check
    - semgrep_scan
    - gitleaks_scan
    - update_supabase_status
    - notify_slack

Validierung: Was Agenten in der Praxis entdecken

In meinen letzten drei Projekten haben Agenten folgende Fehler am häufigsten identifiziert:

• SQL-Injection (CWE-89): Laut Stanford CodeML 2024 enthalten 38% LLM-generierter Python-Code CWE-89-Muster.
• Fest eingebaute Tokens und Secrets: gitleaks findet Leaks auch in privaten Repos.
• Fehlerhafte Input-Validierung: semgrep deckt OWASP-Pattern ab.

FAQ

Welches Stack funktioniert DSGVO-konform und stabil mit Claude Code?

Claude Code + n8n für Orchestrierung, Supabase/Postgres für Status und Logs, bandit/semgrep/gitleaks für Validierung – das ist bei mir im DACH-Kontext praxiserprobt.

Wie verhindern Sie, dass Agenten Secrets leaken?

Mit Doppler für das Secrets Management. Lässt sich direkt in n8n und Python/TypeScript-Pipelines einbinden.

Kann man LLM-Agenten Code-Review komplett anvertrauen?

Nein. In der Praxis finden Agenten 70–80% der Fehler. Architektur und Businesslogik bleiben menschlich.

Wie behalten Sie Status und Fehler der Pipeline im Blick?

Status und Logs laufen in Supabase/Postgres; Monitoring erfolgt über ein eigenes Dashboard, live einsehbar auf live.gerdennisai.com.

Wie viel Zeitersparnis bringen die Agenten realistisch?

In den letzten 6 Monaten: 30–50% weniger Zeitaufwand bei Code-Review und Validierung.

In welchem Abschnitt Ihrer LLM-Pipeline entdecken Sie im Produktivbetrieb die meisten Fehler – statische Analyse, Laufzeit-Sandbox oder menschliches Review? Mich interessieren echte Zahlen. Ich biete für DACH-Unternehmen einen kostenlosen 30-min Stack-Audit für KI-Projekte im regulierten Umfeld. Kontaktieren Sie mich via LinkedIn oder @ger_dennis_ai.