Claude Code kann mehrere Sitzungen miteinander kommunizieren lassen und macht damit aus einzelnen Coding-Agenten ein kleines Arbeitsteam. Das betrifft vor allem Menschen, die Künstliche Intelligenz (KI) für Softwareentwicklung, Tests oder technische Automatisierung einsetzen. Die Funktion zeigt zugleich, warum agentische Systeme nicht nur leistungsfähiger, sondern auch schwieriger zu kontrollieren und deutlich ressourcenintensiver werden.
Was ändert sich durch kommunizierende Coding-Agenten?
Ein Coding-Agent ist eine KI-Anwendung, die nicht nur Programmierfragen beantwortet, sondern Aufgaben plant, Dateien bearbeitet, Werkzeuge aufruft und Ergebnisse prüft. Seit Version 2.1.224 können Claude-Code-Sitzungen auf macOS und Linux Nachrichten austauschen. Du musst Erkenntnisse damit nicht mehr manuell von einem Terminalfenster in ein anderes kopieren.
Eine Sitzung kann einer anderen eine Zusammenfassung schicken, eine Frage stellen und die Antwort direkt erhalten. Sie kann auch selbstständig melden, wenn ihre Änderungen die Arbeit einer anderen Sitzung betreffen. Anthropic nennt als Beispiele die Koordination paralleler Worktrees – voneinander getrennte Arbeitsbereiche desselben Softwareprojekts –, den Austausch von Erkenntnissen und Statusabfragen bei längeren Aufgaben.
Auf demselben Rechner erfolgt diese Kommunikation laut Anthropic lokal. Zwischen verschiedenen Rechnern laufen die Nachrichten über Anthropic-Server; in diesem Fall sind nur Antworten möglich. Administrierende können die Funktion einschränken, und sie steht laut Bericht nicht über Amazon Bedrock, Google Cloud Agent Platform oder Microsoft Foundry zur Verfügung.
Der entscheidende Schritt ist weniger das Versenden einer Textnachricht als die Verteilung von Verantwortung. Eine Sitzung kann beispielsweise einen Fehler untersuchen, während eine zweite passende Tests vorbereitet und eine dritte prüft, ob ihre Änderungen mit einem anderen Arbeitszweig kollidieren. Das ähnelt einer Arbeitsteilung im menschlichen Team, allerdings ohne Garantie, dass die Beteiligten dieselben Annahmen oder tatsächlich korrekte Ergebnisse haben.
Wie organisieren andere Anbieter solche Agententeams?
Anthropic ist mit diesem Ansatz nicht allein. Metas Muse Code kombiniert einen Hauptagenten mit spezialisierten Unteragenten, die während einer Sitzung aktiv bleiben. Sie behalten Wissen über das Repository – den zentralen Bestand aus Code und Versionshistorie –, erledigen Vorgänge im Hintergrund und entscheiden selbst, wann sie Ergebnisse an den Hauptagenten weitergeben.
Bei grösseren Projekten können diese Unteragenten laut Meta parallel in isolierten Git-Umgebungen arbeiten, ohne die Arbeitskopie direkt zu verändern. Muse Code protokolliert zudem Modellaufrufe, verwendete Werkzeuge und Codeänderungen, damit eine Aufgabe nach einer Unterbrechung oder einem Absturz fortgesetzt werden kann. Die Leistungsangaben stammen vom Anbieter und sind in den vorliegenden Quellen nicht unabhängig geprüft.
Ein Team braucht neben Kommunikation auch ein geregeltes Gedächtnis. TencentDB Agent Memory v2.0 verwandelt Gespräche, Dokumente und Code laut der Kurzbeschreibung des quelloffenen Speicher-Hubs in vier wiederverwendbare Arten von Wissensbeständen: Gesprächserinnerungen, Fähigkeiten, eine Wissenssammlung für grosse Sprachmodelle und eine grafische Darstellung der Codebeziehungen. Zugriffslisten bestimmen, welcher Agent welche Inhalte und gültigen Versionen sehen darf.
Das ist für den Alltag wichtiger, als der Begriff «Gedächtnis» vermuten lässt. Ohne Zugriffsregeln könnte ein Agent veraltete Projekthinweise übernehmen oder Informationen erhalten, die nicht für seine Aufgabe bestimmt sind. Tencent stellt das Werkzeug unter der freizügigen MIT-Lizenz bereit; es kann über Docker, eine Technik zum gekapselten Ausführen von Software, selbst betrieben und unter anderem mit Claude Code verbunden werden.
Nvidia verfolgt mit NOOA einen ergänzenden Ansatz. Das quelloffene System bündelt Zustand, Aktionen und Anweisungen eines Agenten in einer einzigen Python-Klasse; Python ist eine verbreitete Programmiersprache. Für Anwender ist weniger die technische Verpackung relevant als der Trend dahinter: Spezialisierte Agenten sollen klar definierte Rollen erhalten, statt aus lose verbundenen Eingaben, Werkzeugbeschreibungen und Abläufen zu bestehen.
Wo bringt die Arbeitsteilung einen praktischen Nutzen?
Ein konkretes Beispiel ist das Erstellen von Softwaretests. Microsoft hat einen quelloffenen Agenten veröffentlicht, der zuerst ein Repository liest, Programmiersprache, Testsystem, bestehende Konventionen sowie die echten Befehle zum Erstellen und Prüfen erkennt. Anschliessend plant, schreibt, startet und validiert er sogenannte Unit-Tests, also Prüfungen einzelner Softwarebausteine.
In Microsofts internem Test mit 152 Aufgaben erledigte der Agent 140 Aufgaben, während die Standardversion von GitHub Copilot mit demselben Modell 120 schaffte. Der Vorteil konzentrierte sich vor allem auf unklare Aufträge und Anfragen zu bestimmten Codeänderungen. Das Ergebnis ist ein Anbieter-Benchmark und nicht unabhängig bestätigt, zeigt aber plausibel, weshalb zusätzlicher Projektkontext bei vagen Anweisungen helfen kann.
Ein zweites Beispiel liegt ausserhalb des eigentlichen Code-Editors. Cloudflares Kitesurf ist ein in der Cloud betriebener Browser für KI-Agenten, der Websites aufrufen, Formulare ausfüllen und andere browserbasierte Aufgaben ausführen soll. Ein Entwicklungsagent könnte damit etwa die Bedienung einer Webanwendung prüfen, statt sich nur auf den Quellcode zu verlassen.
Cloudflare sagt, Kitesurf benötige bei typischen Agentenaufgaben wie Bildschirmaufnahmen und dem Auslesen von HTML weniger Prozessorleistung und Arbeitsspeicher als Chromium. Die Beta ist laut Bericht kostenlos über Browser Run verfügbar; ein späterer Preis wird nicht genannt. Gleichzeitig muss ein Agentenbrowser Kontextfenster – die jeweils verarbeitbare Informationsmenge –, Tokenkosten, Skalierung und Angriffe durch versteckte manipulative Anweisungen berücksichtigen.
Die Beispiele zeigen den möglichen Nutzen der Spezialisierung: Ein Agent koordiniert, einer testet, einer bedient den Browser und ein gemeinsamer Speicher hält gültiges Projektwissen bereit. Mehr Rollen bedeuten jedoch auch mehr Modellaufrufe, Werkzeuge und Übergaben. Eine Aufgabe kann dadurch gründlicher bearbeitet werden, aber sie wird nicht automatisch günstiger oder zuverlässiger.
Pro und Kontra von Coding-Agenten im Team
Pro:
- Parallele Arbeit – Mehrere Agenten können Untersuchung, Umsetzung und Tests gleichzeitig bearbeiten, sofern ihre Arbeitsbereiche sauber getrennt sind.
- Weniger Kopierarbeit – Sitzungen tauschen Zusammenfassungen und Statusmeldungen direkt aus, statt dass du Informationen zwischen Fenstern überträgst.
- Spezialisierter Kontext – Einzelne Agenten können sich auf Tests, Browseraufgaben oder bestimmte Teile eines Repositorys konzentrieren.
- Bessere Wiederaufnahme – Protokolle und geregelte Wissensspeicher können helfen, lange Aufgaben nach Unterbrechungen fortzuführen.
Kontra:
- Höherer Ressourcenbedarf – Jeder Unteragent kann zusätzliche Modellaufrufe, Token, Browserprozesse und Prüfungen auslösen.
- Neue Fehlerketten – Eine falsche Annahme kann über Nachrichten oder einen gemeinsamen Speicher an weitere Agenten gelangen.
- Komplexere Kontrolle – Du musst nachvollziehen, welcher Agent welche Datei, Wissensversion und externe Website verwendet hat.
- Unklare Gesamtkosten – Die Quellen nennen keine vergleichbaren Endpreise für komplette Agententeams, wodurch eine Budgetplanung vor dem Einsatz schwierig bleibt.
Was bedeutet das für deinen Einsatz und für die Schweiz?
Wenn du einsteigst, solltest du nicht sofort ein virtuelles Grossraumbüro eröffnen. Ein sinnvoller erster Versuch ist eine klar begrenzte Aufgabe mit zwei Rollen: Eine Sitzung untersucht eine Änderung, die andere erstellt oder prüft die dazugehörigen Tests. Vergleiche das Ergebnis mit einem einzelnen Agenten und erfasse dabei zumindest Laufzeit, Zahl der Modellaufrufe und notwendige Korrekturen.
Fortgeschrittene holen mehr heraus, wenn sie Rollen, Zugriffsrechte und Übergaben ausdrücklich festlegen. Ein gemeinsamer Wissensspeicher sollte gültige Versionen kennzeichnen, während isolierte Arbeitsbereiche verhindern, dass parallele Agenten dieselben Dateien unkontrolliert verändern. Protokolle sind besonders nützlich, wenn du später nachvollziehen musst, weshalb eine Änderung vorgenommen wurde.
Schritt 1: Aufgabe und Grenzen festlegen
- Wähle eine überschaubare Änderung mit überprüfbarem Ergebnis.
- Teile Untersuchung, Umsetzung und Test nur dort auf, wo parallele Arbeit einen erkennbaren Nutzen hat.
- Bestimme, welche Dateien, Dokumente und externen Websites jede Rolle verwenden darf.
Schritt 2: Kosten und Qualität gemeinsam prüfen
- Erfasse Modellaufrufe, Tokenverbrauch, Laufzeit und fehlgeschlagene Versuche.
- Prüfe Code und Tests mit den vorhandenen Projektwerkzeugen, statt nur der Zusammenfassung eines Agenten zu vertrauen.
- Behalte das Teammodell nur bei, wenn die zusätzliche Prüfung oder Zeitersparnis den Mehraufwand rechtfertigt.
Zum Ressourcenbedarf liefert eine dokumentierte Claude-Code-Nutzung eine deutliche Warnung. Der Klimawissenschaftler Zeke Hausfather protokollierte über acht Wochen rund 1’100 Eingaben, die mehr als 14’000 Modellaufrufe und 3,2 Milliarden Token auslösten. Die daraus geschätzten 170 Kilowattstunden entsprechen ungefähr 150 Wattstunden pro Eingabe und liegen damit in einer ganz anderen Grössenordnung als die veröffentlichten Werte von 0,24 Wattstunden für einen medianen Gemini-Text-Prompt und 0,34 Wattstunden für eine durchschnittliche ChatGPT-Anfrage.
Die im Bericht genannte Grössenordnung von etwa 600-mal mehr Energie darf nicht als fester Wert für jeden Agenteneinsatz verstanden werden. Sie stammt aus einer intensiven individuellen Nutzung und einer Schätzung, während der tatsächliche Energieverbrauch der Rechenzentren ausserhalb der KI-Labore nicht vollständig bekannt ist. Dennoch macht der Vergleich klar, dass eine Eingabe an ein Agententeam viele verdeckte Arbeitsschritte auslösen kann.
Für Nutzerinnen und Nutzer in der Schweiz nennen die Quellen weder besondere Preise noch eine eigene regionale Verfügbarkeit, garantierte Sprachunterstützung oder konkrete Datenschutzbedingungen. Relevant ist deshalb die Unterscheidung zwischen lokaler Kommunikation auf demselben Gerät und Übertragung über Anbieter-Server zwischen Rechnern. Organisationen mit vertraulichem Code müssen Datenwege, Administrationsregeln und selbst betriebene Speicheroptionen prüfen, bevor mehrere Agenten Projektwissen teilen.
Teamfähige Coding-Agenten sind ein nachvollziehbarer nächster Schritt: Sie reduzieren manuelle Übergaben und können komplexe Aufgaben sinnvoll zerlegen. Ihr Nutzen hängt aber stärker von klaren Rollen, überprüfbaren Ergebnissen und geregeltem Zugriff ab als von der blossen Zahl beteiligter Agenten. Offen bleibt vor allem, wie sich reale Kosten, Energieverbrauch und Fehlerfortpflanzung bei breitem Einsatz entwickeln.
Quellen
- Claude-Code-Sessions können ab sofort miteinander kommunizieren und Informationen austauschen – Unbekannt, 2026-08-08
- Tencent Cloud Open-Sources TencentDB Agent Memory v2.0 – Unbekannt, 2026-08-07
- NVIDIA AI Releases NOOA – Unbekannt, 2026-08-07
- Cloudflare launches Kitesurf, a browser built for AI agents – Unbekannt, 2026-08-07
- Meta lanciert Programmier-KI Muse Code – Unbekannt, 2026-08-07
- Microsoft Open Sources code-testing-generator – Unbekannt, 2026-08-07
- KI-Agenten verbrauchen etwa 600-mal mehr Energie als ein einfacher Chat-Prompt – Unbekannt, 2026-08-08
Bild: Mikhail Nilov via Pexels