Claude Code, der Programmieragent von Anthropic, kann seit Kurzem Session-übergreifend kommunizieren: Eine Sitzung schickt der anderen direkt eine Nachricht, statt dass du Zusammenfassungen manuell zwischen Terminals kopierst. Das betrifft alle, die mit Künstlicher Intelligenz (KI) entwickeln – vom Einzelprojekt bis zum verteilten Team. Gleichzeitig zeigen neue Werkzeuge von Meta, Microsoft, Tencent und Prime Intellect, wohin sich die Entwicklung bewegt: Agenten werden vernetzt, bekommen ein geteiltes Gedächtnis und prüfen ihre eigene Arbeit.
Was ist Claude Code?
Claude Code ist ein KI-Agent von Anthropic, der direkt im Terminal arbeitet. Anders als ein Chatbot beantwortet er nicht nur Fragen, sondern arbeitet in Sessions, also getrennten Sitzungen im Terminal. In diesen Sessions übernimmt er Aufgaben, die früher Handarbeit waren: Änderungen planen, Code schreiben, Ergebnisse in grossen Codebasen prüfen. Claude Code tritt damit in Konkurrenz zu Angeboten wie Codex von OpenAI und dem neuen Muse Code von Meta.
Was ist neu am Team-Modus?
Seit Version 2.1.224 können Claude-Code-Sessions auf macOS und Linux Nachrichten austauschen. Laut Anthropic funktioniert das in beide Richtungen: Du kannst eine andere Session etwas fragen und die Antwort direkt erhalten. Claude kann aber auch selbstständig eine Nachricht senden, etwa wenn eine Änderung die Arbeit einer anderen Session betrifft.
Die typischen Anwendungsfälle sind laut Dokumentation das Weitergeben von Erkenntnissen, das Koordinieren paralleler Worktrees und Statusabfragen bei langen Aufgaben. Worktrees sind parallele Arbeitskopien desselben Projekts; früher musstest du Informationen zwischen solchen Umgebungen von Hand übertragen. Die Nachricht, die eine Session verschickt, ist eine Text-Zusammenfassung, die Claude auf Wunsch erstellt.
Auf demselben Rechner bleibt die Kommunikation lokal. Zwischen verschiedenen Rechnern läuft sie über Anthropic-Server – dort sind nur Antworten möglich. Das Feature ist nicht auf Amazon Bedrock, Google Cloud Agent Platform oder Microsoft Foundry verfügbar, und Administratoren können es über die Einstellungen einschränken.
Pro und Kontra: vernetzte Sessions
Pro:
- Weniger Kopierarbeit – Erkenntnisse wandern direkt von einer Session in die andere, ohne manuelles Übertragen.
- Bessere Parallelarbeit – Sessions koordinieren sich über Worktrees hinweg und behalten den Überblick.
- Statusabfragen – Bei langen Aufgaben fragt eine Session den Stand einer anderen ab.
- Lokale Option – Auf demselben Rechner verlassen die Nachrichten dein System nicht.
Kontra:
- Eingeschränkter Fernzugriff – Zwischen verschiedenen Rechnern sind über Anthropic-Server nur Antworten möglich, keine selbstständigen Nachrichten.
- Fehlende Plattform-Anbindung – Nicht verfügbar auf Amazon Bedrock, Google Cloud Agent Platform oder Microsoft Foundry.
- Kontrollaufwand – Weil Sessions selbstständig Nachrichten senden können, müssen Administratoren die Funktion über die Einstellungen begrenzen.
Wer profitiert davon?
Claude Code ist nicht der einzige Agent, der im Team arbeitet. Wie die Schweizer Fachzeitschrift Netzwoche berichtet, hat Meta mit Muse Code einen eigenen Programmieragenten vorgestellt, der auf einem Hauptagenten mit spezialisierten Unteragenten aufbaut. Die Unteragenten bleiben während der gesamten Sitzung aktiv, behalten ihr Wissen über das Repository, also die zentrale Codeablage, und führen bestimmte Vorgänge im Hintergrund weiter. Bei grösseren Projekten arbeiten sie parallel in isolierten Git-Umgebungen, also getrennten Arbeitskopien mit Versionskontrolle, ohne die Arbeitskopie der Entwicklerin oder des Entwicklers direkt zu verändern.
Das Tool protokolliert alle Modellaufrufe, ausgeführten Tools und Änderungen am Code und kann eine Aufgabe nach einer Unterbrechung oder einem Absturz wieder aufnehmen. Metas Modell Muse Spark 1.2 wurde zusammen mit Muse Code trainiert, unter anderem mit Sitzungen von mehr als 1’000 Tool-Aufrufen und bis zu 24 Stunden Dauer. Laut VentureBeat ist die Lancierung Metas bisher bedeutendste Initiative im Markt für Programmieragenten. Die veröffentlichten Benchmarks, also Vergleichstests, ordnen Muse Spark 1.2 jedoch nicht an der Spitze ein: Claude führt die drei von Meta präsentierten Evaluationen an. Auch diese Benchmarks stammen vom Anbieter und sind nicht unabhängig geprüft.
Von solchen Architekturen profitieren vor allem Teams, die parallel an grossen Codebasen arbeiten. Für einzelne Entwicklerinnen und Entwickler ist der Vorteil kleiner, weil sie den Kontext selbst im Kopf behalten.
Einen anderen Ansatz verfolgt Prime Agent von Prime Intellect, ein offener Rahmen für Codierung und Forschung. Dort sind Unteragenten Funktionsaufrufe innerhalb eines persistenten IPython-Kernels, also einer durchgehend laufenden Python-Umgebung – sie laufen nicht als eigene Prozesse, sondern als Aufrufe in einer laufenden Umgebung. Der Continual Harness erlaubt dem Agenten, seine eigenen Prompts, also Arbeitsanweisungen, Fähigkeiten, Erinnerungen und Spezifikationen seiner Unteragenten während des Laufs zu bearbeiten. Mit Opus 5 berichtet das Unternehmen eine Trefferquote von 95,5 Prozent beim Benchmark ARC-AGI-3, knapp über dem angegebenen menschlichen Expertenwert von 95,4 Prozent. Diese Zahlen stammen vom Anbieter und sind nicht unabhängig geprüft.
Was bringt ein geteiltes Gedächtnis?
Wenn mehrere Agenten zusammenarbeiten, stellt sich die Frage, wo ihr gemeinsames Wissen liegt. Tencent Cloud hat mit TencentDB Agent Memory v2.0 einen Speicher für Agenten-Teams als Open Source veröffentlicht. Das System verwandelt Gespräche, Dokumente und Code in vier verwaltete Bausteine: Chat Memory, Skill, LLM-Wiki und Code-Graph. Es ist unter MIT-Lizenz veröffentlicht, lässt sich per Docker selbst hosten, also ohne Cloud betreiben, und arbeitet unter anderem mit Claude Code, OpenClaw, Hermes und CodeBuddy zusammen.
Der Unterschied zu einfachen Wissensspeichern ist die Verwaltung: Eine Zugriffskontrollliste (ACL, Access Control List) legt fest, welcher Agent welchen Baustein sehen darf und welche Version gültig ist. Die MIT-Lizenz und das Selbsthosting per Docker erlauben es, die Speicher in der eigenen Infrastruktur zu betreiben, ohne an eine Cloud gebunden zu sein. Das wird wichtig, sobald mehrere Agenten und Menschen an derselben Codebasis arbeiten, denn dann muss klar sein, auf welchen Wissensstand sich ein Agent verlassen kann.
Wie testet man KI-generierten Code?
Mehr Agenten bedeuten mehr Code, der geprüft werden muss. Microsoft hat dazu den code-testing-generator als Open Source veröffentlicht, einen Generator für Unit-Tests im MIT-lizenzierten dotnet/skills-Repository. Bevor er etwas schreibt, liest er das Repository: Er erkennt die Programmiersprache, das Test-Framework, bestehende Konventionen und die tatsächlichen Build- und Testbefehle. Dann plant, schreibt, führt und validiert er die Tests, die er erzeugt.
In einem internen Benchmark mit 152 Aufgaben erledigte der Generator 140 Aufgaben; der Standard-GitHub-Copilot mit demselben Modell schaffte 120. Das entspricht einer Erfolgsquote von 92,1 Prozent gegenüber 78,9 Prozent. Den grössten Vorsprung hatte das Tool bei vagen Prompts, also ungenauen Arbeitsanweisungen, und bei Anfragen, die sich auf konkrete Änderungen, sogenannte Diffs, bezogen. Unit-Tests prüfen einzelne Funktionen oder Module – ein Generator, der sie automatisch schreibt, spart genau die Routinearbeit, die bei vielen KI-Agenten anfällt.
Was heisst das für dich?
Wenn du neu mit KI-Entwicklung beginnst, ist der einfachste Einstieg, mit zwei Claude-Code-Sessions auf demselben Rechner zu arbeiten. Öffne zwei Terminals, lass die eine Session eine Zusammenfassung an die andere schicken und prüfe, ob die zweite den Kontext übernimmt. Die Funktion läuft unter macOS und Linux; auf demselben Rechner verlassen die Daten dabei deinen Computer nicht. So bekommst du ein Gefühl dafür, wie Agenten kommunizieren – ohne dass du dich zuerst um Server oder Berechtigungen kümmern musst.
Fortgeschrittene können mehr herausholen: Kombiniere die Session-Kommunikation mit einem Team-Gedächtnis wie TencentDB Agent Memory v2.0, damit mehrere Agenten über Projekte hinweg auf denselben Wissensstand zugreifen. Ergänzend lässt sich Microsofts Testgenerator einsetzen, um die Arbeit der Agenten automatisch zu prüfen, und die Architektur von Muse Code zeigt, wie parallele Unteragenten in isolierten Umgebungen arbeiten, ohne die Haupt-Arbeitskopie zu stören. Sobald mehr als ein Agent beteiligt ist, solltest du die Zugriffsrechte im Gedächtnis-System pflegen – das ist der Punkt, an dem Team-Modi gelingen oder scheitern.
Die neuen Team-Modi verringern Reibung: Erkenntnisse wandern direkt zwischen Sessions, Unteragenten arbeiten parallel, und gemeinsame Speicher verhindern, dass jede Sitzung bei null anfängt. Die gemeldeten Benchmark-Zahlen stammen jedoch von den Anbietern selbst und sind nicht unabhängig geprüft. Die offene Frage ist, wie sich Vertrauen und Kontrolle in Netzwerken von Agenten organisieren lassen, die zunehmend selbstständig entscheiden, wem sie was mitteilen.
Quellen
- Claude-Code-Sessions können ab sofort miteinander kommunizieren und Informationen austauschen – The Decoder, 2026-08-08
- Meta lanciert Programmier-KI Muse Code – Netzwoche, 2026-08-07
- Microsoft Open Sources code-testing-generator: A Polyglot Unit-Test Agent That Hits 92.1% Task Completion Versus 78.9% for Stock Copilot – MarkTechPost, 2026-08-06
- Tencent Cloud Open-Sources TencentDB Agent Memory v2.0: A Team-Level Memory Hub for AI Coding Agents – MarkTechPost, 2026-08-07
- Prime Intellect Releases Prime Agent: An Open-Source RLM Harness Where Sub-Agents Are Function Calls Inside Persistent IPython Kernel – MarkTechPost, 2026-08-06
Bild: Al Nahian via Pexels