Programmieragenten arbeiten zunehmend nicht mehr allein, sondern tauschen Ergebnisse aus, teilen Wissen und verteilen Aufgaben untereinander. Das betrifft vor allem Menschen, die grössere Softwareprojekte betreuen oder mit Künstlicher Intelligenz (KI) kleine interne Anwendungen erstellen. Neue Funktionen bei Anthropic, Meta, Tencent und Cloudflare zeigen, dass aus dem einzelnen Chatfenster eine koordinierte Arbeitsumgebung wird.
Was Coding-Agententeams ausmacht
Ein Coding-Agent ist eine KI, die nicht nur Programmierfragen beantwortet, sondern Arbeitsschritte planen, Code verändern, Werkzeuge aufrufen und Ergebnisse prüfen kann. Bislang liefen mehrere solcher Agenten oft getrennt: Ein Agent untersuchte einen Fehler, ein anderer schrieb Tests, doch Menschen mussten Informationen zwischen den Sitzungen kopieren. Anthropic will genau diese Lücke mit einer neuen Funktion für Claude Code schliessen.
Ab Version 2.1.224 können Claude-Code-Sitzungen auf macOS und Linux miteinander kommunizieren. Eine Sitzung kann einer anderen eine Textzusammenfassung senden, eine Frage stellen oder selbstständig melden, dass eine Änderung deren Arbeit betrifft. Laut Anthropic eignet sich das etwa für Statusabfragen bei langen Aufgaben und für parallele Worktrees, also getrennte Arbeitsbereiche desselben Git-Projekts.
Auf demselben Rechner läuft dieser Austausch lokal. Zwischen unterschiedlichen Rechnern führt die Kommunikation über Anthropic-Server und ist laut Bericht auf Antworten beschränkt. Administrierende können die Funktion über Einstellungen begrenzen; auf Amazon Bedrock, Google Cloud Agent Platform und Microsoft Foundry ist sie nicht verfügbar.
Meta verfolgt mit Muse Code ein ähnliches Grundprinzip, organisiert die Zusammenarbeit aber innerhalb eines Systems. Ein Hauptagent verteilt Aufgaben an spezialisierte Unteragenten, die während der gesamten Sitzung aktiv bleiben. Nach Angaben von Meta behalten sie dadurch Wissen über das Repository, also die zentrale Ablage eines Softwareprojekts, und können im Hintergrund weiterarbeiten.
Warum gemeinsames Gedächtnis relevant ist
Kommunikation allein macht aus mehreren Agenten noch kein verlässliches Team. Sie müssen auch wissen, welche Informationen gültig sind, wer sie verwenden darf und welche Version einer Regel oder Datei aktuell ist. Andernfalls vervielfacht sich nicht nur die Arbeitskraft, sondern auch die Verwirrung.
Tencent Cloud hat dafür TencentDB Agent Memory 2.0 als quelloffenen Gedächtnisspeicher vorgestellt. Das System soll Gespräche, Dokumente und Code in vier wiederverwendbare Bestände umwandeln: Chat Memory für Gesprächswissen, Skill für gelernte Abläufe, LLM-Wiki für aufbereitete Wissenssammlungen und Code-Graph für Beziehungen innerhalb des Codes. LLM steht für Large Language Model, also ein grosses Sprachmodell.
Der entscheidende Punkt ist laut Anbieter nicht das blosse Wiederfinden von Informationen, sondern deren Verwaltung. Zugriffslisten bestimmen, welcher Agent welchen Bestand sehen darf und welche Version gültig ist. Die Software steht unter der MIT-Lizenz, kann über Docker selbst betrieben werden und soll sich unter anderem mit Claude Code, OpenClaw, Hermes und CodeBuddy verbinden lassen.
Für Unternehmen ist dieses Modell besonders relevant, wenn mehrere Teams mit denselben Agenten arbeiten. Ein Support-Agent könnte beispielsweise eine dokumentierte interne Vorgehensweise wiederverwenden, ohne automatisch Zugriff auf sämtliche Projektunterlagen zu erhalten. Ein Coding-Agent könnte seinerseits auf eine freigegebene Architekturentscheidung zugreifen, statt sich auf eine ältere Chatantwort zu verlassen.
Für die Schweiz nennen die Quellen keine eigene Verfügbarkeit oder besondere Sprachunterstützung. Der Unterschied zwischen lokaler Kommunikation, Anbieter-Servern und selbst betriebenem Speicher ist dennoch für Schweizer Organisationen relevant, wenn sie festlegen, wo Quellcode und interne Dokumente verarbeitet werden. Welche Variante datenschutzrechtlich passt, muss im jeweiligen Einsatzkontext geprüft werden; die Meldungen liefern dazu keine abschliessende Bewertung.
Was grössere Aufgaben möglich macht
Meta beschreibt Muse Code als Agenten für umfangreiche Änderungen in grossen Codebeständen. Das System soll Änderungen planen, Code schreiben und das Resultat überprüfen können. Spezialisierte Unteragenten können parallel in isolierten Git-Umgebungen arbeiten, ohne die eigentliche Arbeitskopie direkt zu verändern.
Das ist beispielsweise nützlich, wenn ein Team gleichzeitig eine fehlerhafte Funktion untersucht, passende Tests ergänzt und die Dokumentation aktualisiert. Statt drei voneinander getrennte Chats zu koordinieren, kann ein Hauptagent die Teilaufgaben verteilen und die Ergebnisse zusammenführen. Ob Muse Code diese Abläufe in der Praxis zuverlässig beherrscht, ist noch nicht unabhängig geprüft.
Meta gibt zudem an, alle Modellaufrufe, verwendeten Werkzeuge und Codeänderungen zu protokollieren. Dadurch soll eine Aufgabe nach einem Absturz oder einer Unterbrechung fortgesetzt werden können. Das zugrunde liegende Modell Muse Spark 1.2 sei in Sitzungen mit mehr als 1’000 Werkzeugaufrufen und Laufzeiten von bis zu 24 Stunden eingesetzt worden, wobei diese Angaben vom Anbieter stammen.
Agententeams beschränken sich ausserdem nicht auf den Quellcode. Cloudflares Kitesurf ist ein cloudbasierter Browser für KI-Agenten, der Webseiten aufrufen, Formulare ausfüllen und andere browsergestützte Aufgaben erledigen soll. Anders als ein Browser für Menschen muss er weniger Wert auf Tabs oder optische Themen legen, dafür aber Kontextfenster, Rechenleistung, Token-Kosten und Skalierung verwalten; Token sind kleine Texteinheiten, die ein Sprachmodell verarbeitet.
Kitesurf ist während der Betaphase kostenlos verfügbar und läuft auf Cloudflare Workers. Cloudflare behauptet, das System benötige bei typischen Agentenaufgaben wie Bildschirmaufnahmen und dem Auslesen von HTML weniger Prozessorleistung und Arbeitsspeicher als Chromium. Diese Effizienzangabe stammt vom Anbieter und ist in den vorliegenden Quellen nicht unabhängig bestätigt.
Ein praktisches Beispiel wäre ein Agent, der Informationen aus einer Webanwendung abruft und anschliessend ein Formular ausfüllt, während ein zweiter Agent die dazugehörige Programmlogik anpasst. Damit wächst allerdings auch die Angriffsfläche: Cloudflare nennt insbesondere Prompt Injection, bei der manipulierte Inhalte auf einer Webseite dem Agenten schädliche Anweisungen unterschieben.
Pro und Kontra vernetzter Coding-Agenten
Pro:
- Parallele Arbeit – Mehrere Agenten können Fehleranalyse, Codeänderungen und Tests gleichzeitig bearbeiten, statt Aufgaben nacheinander abzuarbeiten.
- Weniger Kopierarbeit – Sitzungen können Zusammenfassungen, Rückfragen und Statusmeldungen direkt austauschen.
- Beständiger Kontext – Dauerhaft aktive Unteragenten und gemeinsame Speicher reduzieren den Verlust von Projektwissen zwischen einzelnen Arbeitsschritten.
- Nachvollziehbarkeit – Protokolle zu Modellaufrufen, Werkzeugen und Änderungen können zeigen, wie ein Ergebnis entstanden ist und wo eine Aufgabe abgebrochen wurde.
Kontra:
- Fehlerketten – Eine falsche Annahme kann von einem Agenten an weitere Agenten weitergegeben und dadurch schwerer erkennbar werden.
- Mehr Berechtigungen – Agenten, die Code, Dokumente und Webseiten verwenden, benötigen klar begrenzte Zugriffe und getrennte Arbeitsumgebungen.
- Anbieterabhängigkeit – Funktionen unterscheiden sich je nach Betriebssystem, Plattform und Cloudangebot; Claude Codes Sitzungsaustausch fehlt etwa auf mehreren verwalteten Plattformen.
- Hoher Ressourcenbedarf – Lange Aufgaben und viele Unteragenten erzeugen deutlich mehr Modellaufrufe als eine einfache Chatantwort.
Wie wichtig Begrenzungen sind, zeigt Cloudflare OS, eine quelloffene Plattform für sogenanntes Vibe Coding. Damit sind Anwendungen gemeint, die Menschen über natürlichsprachliche Beschreibungen erstellen lassen, ohne den gesamten Code selbst zu schreiben. Cloudflare berichtet, dass Tausende eigene Beschäftigte das System täglich verwenden, etwa um Dokumente und Präsentationen zu erstellen, wiederkehrende Aufgaben zu automatisieren oder kleine Anwendungen zur Darstellung von Daten zu bauen.
Die Plattform trennt einzelne Anwendungen und sogar einzelne Dokumente in eigene Sandboxen, also abgeschottete Ausführungsbereiche. Agenten starten ohne Zugriffsrechte und müssen Berechtigungen für Ressourcen anfordern; ausgehende Netzwerkverbindungen des Servercodes sind standardmässig deaktiviert. Cloudflares weitergehende Aussage, dadurch könnten keine bedeutenden Sicherheitslücken entstehen, ist jedoch ein Anbieteranspruch und keine Garantie.
Was das für deine Praxis heisst
Wenn du einsteigst, ist ein einzelner, klar abgegrenzter Agent weiterhin der sinnvollste erste Schritt. Gib ihm beispielsweise die Aufgabe, einen begrenzten Fehler zu untersuchen und passende Tests vorzuschlagen, statt gleich ein vollständiges Projekt autonom bearbeiten zu lassen. Prüfe anschliessend Codeänderungen, Werkzeugaufrufe und verwendete Dateien, bevor du weitere Agenten hinzunimmst.
Für Fortgeschrittene liegt der zusätzliche Nutzen in sauber getrennten Rollen. Ein Agent kann die Aufgabe planen, ein zweiter einen bestimmten Programmteil ändern und ein dritter Tests oder Dokumentation kontrollieren. Gemeinsames Gedächtnis sollte dabei versioniert und nach Berechtigungen getrennt sein; direkte Änderungen an produktiven Systemen sind weniger kontrollierbar als isolierte Arbeitskopien.
Auch kleine Anwendungen für Nichtprogrammierende profitieren von dieser Aufteilung. Eine Mitarbeiterin könnte in natürlicher Sprache eine Anwendung zur Visualisierung von Arbeitsdaten beschreiben, während der Agent nur auf ausdrücklich freigegebene Datensätze zugreifen darf. Das Beispiel von Cloudflare OS zeigt einen möglichen Rahmen, belegt aber nicht, dass jede damit erzeugte Anwendung automatisch sicher oder fachlich korrekt ist.
Der Energieverbrauch gehört ebenfalls in die Einsatzentscheidung. Eine Auswertung der Claude-Code-Nutzung des Klimawissenschaftlers Zeke Hausfather erfasste über acht Wochen rund 1’100 Eingaben, mehr als 14’000 Modellaufrufe und 3,2 Milliarden Token. Der geschätzte Stromverbrauch lag bei etwa 170 Kilowattstunden beziehungsweise rund 150 Wattstunden pro Eingabe.
Damit lag die intensive Agentennutzung ungefähr 600-mal über den veröffentlichten Werten für einen einfachen Text-Prompt: Google nennt für einen medianen Gemini-Prompt 0,24 Wattstunden, OpenAI für eine durchschnittliche ChatGPT-Anfrage 0,34 Wattstunden. Der Vergleich ist nur eine Annäherung, weil ausserhalb der KI-Labore keine verlässlichen Werte zum Energieverbrauch pro Token eines führenden Modells vorliegen. Auf ein Jahr hochgerechnet entsprachen die geschätzten Emissionen in diesem Einzelfall ungefähr jenen eines elektrischen Wäschetrockners.
Agententeams können grössere Softwareaufgaben übersichtlicher verteilen und Wissen besser erhalten als voneinander isolierte Chatfenster. Ihr Nutzen hängt jedoch weniger von der Zahl der Agenten als von Rollen, Zugriffsregeln, Protokollen und isolierten Arbeitsbereichen ab. Offen bleiben vor allem die Zuverlässigkeit langer autonomer Abläufe, die Sicherheit beim Zugriff auf externe Inhalte und der Energiebedarf, wenn aus einigen Eingaben Tausende Modellaufrufe werden.
Quellen
- Claude-Code-Sessions können ab sofort miteinander kommunizieren und Informationen austauschen – THE DECODER, 2026-08-08
- Tencent Cloud Open-Sources TencentDB Agent Memory v2.0: A Team-Level Memory Hub for AI Coding Agents – MarkTechPost, 2026-08-07
- Meta lanciert Programmier-KI Muse Code – Netzwoche, 2026-08-07
- Cloudflare launches Kitesurf, a browser built for AI agents – TechCrunch, 2026-08-07
- Cloudflare open-sources vibe-coding platform for people who aren’t coders – Ars Technica, 2026-08-06
- KI-Agenten verbrauchen etwa 600-mal mehr Energie als ein einfacher Chat-Prompt – THE DECODER, 2026-08-08
Bild: Bhavishya 🙂 via Pexels