Nicht weiterprompten: Gib dem Agenten ein Ziel

Wer mit KI-Coding-Agenten arbeitet, kennt das Muster: Du promptest – der Agent liefert – du promptest nach – der Agent korrigiert – du promptest wieder. Nach zehn Runden hast du ein passables Ergebnis, aber der Kosten- und Zeitaufwand hat sich vervielfacht. Der Fehler liegt nicht im Modell, sondern in der Herangehensweise.

Der entscheidende Shift: Gib dem Agenten ein Ziel, keine Schritt-für-Schritt-Anleitung.

Das Problem: Prompt-Schleifen

Stell dir vor, du sagst einem Menschen: “Öffne die Datei, suche Zeile 42, ändere den Wert auftrue, speichere, und dann mach das Gleiche in der Konfigurationsdatei.” Das ist mühsam. Jetzt stell dir vor, du sagst stattdessen: “Sorge dafür, dass die Authentifizierung korrekt ist. Hier sind die Akzeptanzkriterien.”

Der Unterschied ist immens:

Ansatz	Beschreibung	Ergebnis
Instruktions-Prompting	“Mach Schritt A, dann B, dann C”	Mikromanagement, viele Iterationen
Zielorientiert	“Das Ziel ist X. Hier ist der Test, der bestanden werden muss.”	Der Agent plant selbst, iteriert eigenständig

Coding Agents wie Claude Code oder Codex CLI sind für den zielorientierten Ansatz gebaut. Sie können selbstständig planen, Dateien lesen, Änderungen vornehmen und das Ergebnis verifizieren – wenn man sie lässt.

Akzeptanzkriterien definieren (Before You Prompt)

Bevor du den Agenten losschickst, schreibe auf, woran du erkennst, dass die Aufgabe erledigt ist. Das ist der wichtigste Schritt.

Gute Akzeptanzkriterien sind:

Messbar: “Die Testsuite läuft fehlerfrei durch” statt “Der Code funktioniert”
Eindeutig: “Der Endpunkt gibt Status 200 zurück” statt “Die API läuft”
Verifizierbar: Automatisch prüfbar (Tests, Linter, TypeScript-Compiler)

Beispiel für eine Aufgabe:

Ziel: Füge einen /health-Endpunkt zur API hinzu.
Akzeptanzkriterien:
- GET /health gibt { "status": "ok" } zurück
- Der Server startet ohne Fehler
- Alle bestehenden Tests laufen weiterhin grün
- TypeScript-Code gibt keine Compile-Fehler

Den Kontext mitgeben – nicht die Lösung

Ein häufiger Fehler ist, dem Agenten die Lösung vorzugeben statt das Problem zu beschreiben. Statt “Schreibe eine Funktion, die zuerst prüft, ob der User eingeloggt ist, dann die Datenbank abfragt und das Ergebnis formatiert” – sag besser:

“Der Endpunkt /api/user/{id} soll die öffentlichen Profildaten eines Users zurückgeben. Ungültige IDs sollen mit 404 antworten; nicht-öffentliche Felder (E-Mail, Hash) werden weggelassen. Die bestehende Auth-Middleware ist bereits in src/middleware/auth.ts.”

Der Agent hat dann:

Ein klares Ziel (öffentliche Profildaten liefern)
Klare Constraints (404 bei ungültigen IDs, Felder filtern)
Einen Kontext-Hinweis (existierende Auth-Middleware)

Der elegante Prompt: Goal + Acceptance Criteria + Context

Ein guter Prompt für einen Coding Agent besteht aus maximal drei Teilen:

## Goal
[Ein Satz: Was soll erreicht werden?]

## Acceptance Criteria
- [Messbar, verifizierbar, automatisch prüfbar]
- [Weitere Kriterien …]

## Context
[Verweis auf existierende Infrastruktur, relevante Dateien, Architekturentscheidungen]

Konkretes Beispiel:

## Goal
Ermögliche das Veröffentlichen von Blog-Kommentaren nach einer manuellen Freigabe.

## Acceptance Criteria
- Ein Admin kann Kommentare in der Admin-Oberfläche freischalten
- Nur freigegebene Kommentare werden auf der Blog-Seite angezeigt
- Der Autor erhält eine E-Mail-Benachrichtigung bei Freigabe
- SQL-Migration vorhanden (ein Feld `approved_at` in der comments-Tabelle)

## Context
- Admin-Backend: `src/admin/`
- Blog-Frontend: `src/blog/`
- Mail-Service: `src/lib/mail.ts` (nutzen, nicht neu bauen)
- Bestehende comments-API: `src/api/comments.ts`

Das ist alles. Keine Schritt-für-Schritt-Anleitung, kein Mikromanagement. Der Agent hat alles, was er braucht.

Lass den Agenten planen

Ein guter Agent macht mehr, als nur Code zu schreiben. Wenn du ihm ein Ziel gibst, wird er:

Die Aufgabe analysieren – Was ist der Ist-Zustand, was der Soll-Zustand?
Einen Plan erstellen – Welche Dateien müssen geändert, welche neuen geschrieben werden?
Den Plan ausführen – Mit Zwischenschritten und Test-Ausführungen
Sich selbst verifizieren – Läuft das? Bestehen die Tests?
Abschließen – Oder bei Problemen nachfragen

Das ist der Schlüssel: Ein zielorientierter Agent kann sich selbstständig aus einer Sackgasse befreien, während ein instruktionsgetriebener Agent in einer Sackgasse wartet, bis du ihm den nächsten Schritt sagst.

Wann ist der Agent fertig?

Das definierst du mit deinen Akzeptanzkriterien – nicht der Agent. Ein guter Prompt enthält die Antwort auf “Wann bin ich fertig?” als Teil der Aufgabe.

Signalwörter für “fertig”:

Tests grün – Alle Tests (bestehende + neue) laufen durch
TypeScript/Compiler sauber – Keine Fehler
Linter bestanden – Code-Formatierung und -Regeln eingehalten
Selbst-Review – Der Agent vergleicht sein Ergebnis mit den Akzeptanzkriterien

Wenn du dem Agenten beibringst, dass die Aufgabe erst abgeschlossen ist, wenn diese Checks grün sind, ersparst du dir die zweite, dritte und vierte Iteration.

Wie das in Claude Code aussieht

Claude Code eignet sich für diesen Ansatz besonders gut, weil es drei entscheidende Fähigkeiten mitbringt:

Plan Mode – Claude Code kann einen Plan erstellen, bevor es loslegt, und dich um Freigabe bitten
Autonome Arbeit – Es liest selbstständig Dateien, führt Tests aus und iteriert
Tool-Nutzung – Es kann bash, Tests, Linter und sogar git-Commands ausführen

Ein zielorientierter Prompt in Claude Code:

/claude-code:plan

## Goal
Extrahiere die hartcodierten API-Endpunkte in eine Konfigurationsdatei.

## Acceptance Criteria
- Alle API-URLs stehen in einer zentralen `config/api.ts`
- Der `fetch`-Aufruf verwendet überall die konfigurierte Base-URL
- Tests laufen grün (npm test)
- TypeScript: keine Compile-Fehler

Claude Code analysiert dann selbstständig, welche Dateien betroffen sind, und erstellt einen Plan zur Freigabe.

Häufige Fehler – und wie man sie vermeidet

Fehler	Problem	Besser
“Mach A, dann B, dann C”	Nimmt dem Agenten die Planungsfähigkeit	“Erreiche X. Hier sind die Kriterien.”
“Es soll so ähnlich wie Y funktionieren”	Vage, nicht verifizierbar	“Die Schnittstelle ist identisch zu `src/api/orders.ts`”
“Mach es schnell”	Keine Qualitätskriterien	“Tests bestanden, Linter sauber, kein Dead Code”
Kein Kontext	Der Agent rät die Umgebung	“Die DB-Session steckt in `ctx.db`, Token liegen im Authorization-Header”
Zu viele Ziele in einem Prompt	Überforderung, Abbruch	Ein Ziel pro Prompt, oder explizit priorisieren

Fazit: Weniger prompten, mehr Ziele setzen

Der Wechsel von “Anleitung geben” zu “Ziele setzen” ist der effektivste Hebel für produktive Arbeit mit KI-Coding-Agenten. Er erfordert etwas Disziplin beim Formulieren der Akzeptanzkriterien – aber der ROI ist enorm: weniger Iterationen, bessere Ergebnisse, planbare Kosten.

Gute Agenten brauchen keine Schritt-für-Schritt-Anleitung. Sie brauchen ein klares Ziel und den Vertrauensvorschuss, den Weg selbst zu finden.