Bild vom Herausgeber

# Einführung

Die Welt der künstlichen Intelligenz (KI) für Entwickler verändert sich rasant. Möglicherweise haben Sie bereits Instruments verwendet, die beeindruckende Codevorschläge bieten und ein oder zwei Zeilen automatisch vervollständigen. Aber was wäre, wenn Ihre KI mehr könnte? Stellen Sie sich einen Assistenten vor, der nicht nur eine Funktion vorschlägt, sondern das gesamte Skript schreibt, es ausführt, die Fehler erkennt, sie behebt und sogar das endgültige Projekt bereitstellt – und das alles, während Sie an Ihrem Kaffee nippen.

Das ist das Versprechen der Agentenkodierung, und es ist kein futuristisches Konzept mehr. Es ist heute hier mit Instruments wie Gans. Dieser Artikel ist Ihr einsteigerfreundliches Tutorial zum Verständnis und zur Verwendung von Goose, einem kostenlosen Open-Supply-KI-Agenten, der über einfache Vorschläge hinausgeht, um sinnvolle technische Aufgaben zu automatisieren.

Wir erläutern, was Goose so besonders macht, wie es funktioniert und wie Sie als Datenwissenschaftler damit beginnen können, Ihren Workflow zu optimieren.

# Was ist Gans?

Im Kern ist Goose ein wiederverwendbarer Open-Supply-KI-Agent, der für die Ausführung auf Ihrem lokalen Laptop konzipiert ist. Betrachten Sie es als einen autonomen Teamkollegen, der komplexe Anweisungen entgegennehmen und von Anfang bis Ende durchziehen kann.

Im Gegensatz zu herkömmlichen KI-Codierungsassistenten, die in Ihrem Texteditor laufen und Snippets anbieten, arbeitet Goose in Ihrer tatsächlichen Entwicklungsumgebung. Es kann mit Ihrem Dateisystem interagieren, Terminalbefehle ausführen und sogar externe Anwendungsprogrammierschnittstellen (APIs) aufrufen. Das bedeutet, dass ganze Workflows verarbeitet werden können, nicht nur einzelne Codezeilen.

Goose wurde mit Blick auf Transparenz und Neighborhood-Beitrag entwickelt Block Inc. und steht jedem unter einer Open-Supply-Lizenz zur Verfügung. Sie können die vollständige Codebasis finden und dazu beitragen GitHub-Repository.

# Hauptmerkmale, die Goose auszeichnen

Goose ist nicht nur ein weiterer KI-Wrapper. Seine Architektur basiert auf mehreren leistungsstarken Prinzipien, die ihm einzigartige Fähigkeiten verleihen:

1. Goose ist wirklich autonom und kann ein übergeordnetes Ziel in eine Reihe von Schritten unterteilen und diese ausführen. Sie können es bitten, „einen einfachen Net-Scraper für diese Web site zu erstellen und die Daten als CSV auszugeben“, und es übernimmt die Planung, Codierung, Checks und Fehlerbehebung.
2. Das ist ein Sport-Changer. Goose kann sich mit jedem Server verbinden, der dem folgt Modellkontextprotokoll (MCP). Dieser Normal ermöglicht die Einbindung in ein großes Ökosystem von Instruments wie Datenbanken und Versionskontrollsystemen Gitoder externe Dienste, die ihre Möglichkeiten erheblich erweitern.
3. Ihr Code und Ihre Daten bleiben auf Ihrem Laptop. Goose führt Aufgaben in Ihrer lokalen Umgebung aus, was für die Arbeit mit sensiblen Daten oder proprietären Codebasen wichtig ist. Sie behalten die volle Kontrolle.
4. Sie sind nicht an ein KI-Modell gebunden. Goose funktioniert mit jedem großen Sprachmodell (LLM), von leistungsstarken cloudbasierten Optionen wie GPT-4 und Claude bis hin zu lokalen Modellen, die Sie auf Ihrer eigenen {Hardware} ausführen können. Dies gibt Ihnen die Flexibilität, Leistung, Kosten und Datenschutz in Einklang zu bringen.
5. Goose ist in zwei Geschmacksrichtungen erhältlich, passend zu Ihrem Arbeitsablauf:
   • Die Desktop-App: Eine benutzerfreundliche grafische Oberfläche, perfekt für visuelle Denker und diejenigen, die ein Chat-ähnliches Erlebnis bevorzugen.
   • Die Befehlszeilenschnittstelle (CLI): Für Entwickler, die im Terminal arbeiten, bietet die CLI Geschwindigkeit, Skriptfunktionen und tiefe Integration.

# Warum sollten sich Datenwissenschaftler für die Agentencodierung interessieren?

Wenn Sie ein Datenwissenschaftler sind, passt Ihre tägliche Arbeit perfekt zu dem, was Goose am besten kann. Sie jonglieren ständig mit sich wiederholenden, mehrstufigen Aufgaben, die die Interaktion mit verschiedenen Instruments und Bibliotheken erfordern. So kann Goose zu Ihrer Geheimwaffe werden:

1. Schnelles Prototyping: Haben Sie eine Hypothese? Sagen Sie Goose, er solle „den Titanic-Datensatz von Seaborn laden, einen zufälligen Waldklassifikator trainieren und den Genauigkeitswert ausdrucken“. Es kann den Boilerplate-Code schreiben, ausführen und Ihnen in Sekundenschnelle Ergebnisse liefern, sodass Sie schneller vorankommen.
2. Automatisierte Datenpipeline-Aufgaben: Bitten Sie Goose, „ein Python-Skript zu schreiben, das alle CSV-Dateien in der Datei bereinigt.“ ./knowledge/uncooked Ordner, behandelt fehlende Werte durch Imputation mit dem Median und speichert die bereinigten Dateien in ./knowledge/processed.“ Das Skript wird für Sie erstellt, ausgeführt und sogar debuggt.
3. MLOps vereinfachen: Möchten Sie ein Modell mit DVC versionieren oder ein Experiment in MLflow protokollieren? Sie können Goose bitten, die Git-Befehle, das DVC-Setup oder die MLflow-Protokollierungsaufrufe zu übernehmen und so die betrieblichen Schwierigkeiten zu beseitigen.
4. Umgebungs- und Abhängigkeitsmanagement: Neues Projekt? Bitten Sie Goose, „eine neue virtuelle Python-Umgebung zu erstellen, Pandas, Scikit-Be taught und Matplotlib zu installieren und dann eine Datei „necessities.txt“ zu generieren.“ Es ist, als ob Sie einen DevOps-Ingenieur in Ihrem Group hätten.

# Erste Schritte mit Goose: Eine Schritt-für-Schritt-Anleitung

Beginnen wir mit der Set up von Goose und der Ausführung Ihrer ersten Agentenaufgabe. Dank der hervorragenden Dokumentation ist der Prozess unkompliziert.

// Schritt 1: Set up

Abhängig von Ihrem Betriebssystem (macOS, Linux oder Home windows) gibt es unterschiedliche Möglichkeiten zur Set up. Sie können das Desktop-App-Installationsprogramm direkt von herunterladen Goose-Web site oder die Launch-Seite auf GitHub.

Abbildung 1: Goose-Set up

// Schritt 2: Ersteinrichtung und Konfiguration

Extrahieren Sie die Dateien aus der heruntergeladenen ZIP-Datei. Öffnen Sie den extrahierten Ordner und klicken Sie auf die Goose-Anwendung.

Wenn Sie es zum ersten Mal ausführen, führt Sie Goose durch einen Einrichtungsprozess. Der wichtigste Schritt ist die Konfiguration Ihres LLM-Anbieters. Sie benötigen einen API-Schlüssel von einem Anbieter wie OpenAI, Anthropic oder anderen. Goose fragt Sie, welchen Anbieter Sie verwenden möchten, und fordert Sie sicher zur Eingabe des Schlüssels auf. Sie können dies auch später konfigurieren oder den Anbieter wechseln, indem Sie die Konfigurationsdatei bearbeiten, was Ihnen die Flexibilität gibt, verschiedene Modelle für verschiedene Aufgaben zu verwenden.

Abbildung 2: Erste Einrichtung und Konfiguration von Goose

// Schritt 3: Ihre erste Agentensitzung

Nun zum spaßigen Teil. Geben wir Goose eine Aufgabe, die seine Agentenfähigkeiten unter Beweis stellt. Wir werden es bitten, eine einfache Datenanalyse durchzuführen. Starten Sie einen neuen Chat:

Sie werden mit einer Eingabeaufforderung begrüßt. Geben Sie nun Ihre Anweisung ein. Seien Sie so klar und konkret, wie Sie es gegenüber einem jüngeren Kollegen tun würden.

Abbildung 3: Erste Agentensitzung

Geben Sie die folgende Eingabeaufforderung ein:

Ich befinde mich in einem neuen, leeren Verzeichnis. Erstellen Sie zunächst ein neues Python-Skript mit dem Namen „analysate_stocks.py“. Schreiben Sie in diesem Skript Code an:

1. Verwenden Sie die yfinance-Bibliothek, um die täglichen Bestandsdaten der letzten 3 Monate für Apple (AAPL) und Microsoft (MSFT) herunterzuladen.
2. Berechnen Sie den einfachen gleitenden 20-Tage-Durchschnitt für den Schlusskurs jeder Aktie.
3. Erstellen Sie ein einzelnes Diagramm mit den Schlusskursen und den gleitenden Durchschnitten für beide Aktien sowie einer Legende.
4. Speichern Sie die Darstellung als stock_analysis.png.

Führen Sie dann das Skript aus. Wenn es Fehler gibt (z. B. fehlende Bibliotheken), finden Sie heraus, wie Sie diese beheben können, und führen Sie es erneut aus, bis es erfolgreich ist. Lassen Sie mich abschließend wissen, ob das Bild erfolgreich erstellt wurde.

Lehnen Sie sich jetzt zurück und schauen Sie zu.

Abbildung 4: Goose Chat-Oberfläche

Folgendes ist passiert:

• Wir laden die täglichen Bestandsdaten der letzten 3 Monate für Apple (AAPL) und Microsoft (MSFT) herunter yfinance Bibliothek.
• Wir berechnen den einfachen gleitenden 20-Tage-Durchschnitt für den Schlusskurs jeder Aktie.
• Wir erstellen ein einzelnes Diagramm, das die Schlusskurse und die gleitenden Durchschnitte zeigt.

Dieses einfache Beispiel veranschaulicht den Kern der Agentencodierung, bei der eine einzelne Anweisung zu einem mehrstufigen, sich selbst korrigierenden Arbeitsablauf führt. Komplexere Tutorials finden Sie auf der offiziellen Web site.

Abbildung 5: Goose Chat-Oberfläche

# Erweiterung der Fähigkeiten von Goose mit MCP

Das wahre Potenzial von Goose wird durch seine Erweiterbarkeit erschlossen. Der MCP ist ein offener Normal, der es Goose ermöglicht, eine Verbindung zu jedem Server herzustellen, der ihn implementiert. Stellen Sie sich MCP-Server als „Fähigkeiten“ oder „Werkzeuge“ vor, die Sie Goose geben können.

Sie könnten Goose beispielsweise mit Folgendem verbinden:

1. Ein MCP-Server für PostgreSQL: Dann könnten Sie fragen: „Stellen Sie eine Verbindung zu meiner lokalen Datenbank her, führen Sie eine Abfrage aus, um die High-10-Kunden nach Lifetime-Wert zu finden, und speichern Sie die Ergebnisse in einer CSV.“
2. Ein MCP-Server für GitHub: Ihre Anweisung könnte lauten: „Sehen Sie sich die offenen Probleme in meinem Repository „Datenprojekt“ an, suchen Sie das Drawback mit der Bezeichnung „Fehler“ und erstellen Sie einen neuen Zweig, um mit der Arbeit an einem Repair zu beginnen.“
3. Ein MCP-Server für Slack: Sie könnten Goose einen Kanal überwachen lassen und Diskussionen automatisch zusammenfassen oder Updates veröffentlichen.

Dieses Ökosystem macht Goose von einem leistungsstarken lokalen Agenten zu einem zentralen Orchestrator für Ihren gesamten Entwicklungs- und Datenworkflow.

Abbildung 6: Goose-Einstellungen

# Abschluss

Agentische Codierung stellt einen bedeutenden Fortschritt in der Artwork und Weise dar, wie wir mit KI interagieren. Es ist ein Wandel vom Bitten um Hilfe bei einem kleinen Codeabschnitt hin zum Delegieren ganzer Aufgaben und dem Vertrauen in die KI, die Schritte herauszufinden.

Goose macht dieses leistungsstarke Paradigma zugänglich, kostenlos und unter Ihrer Kontrolle. Für Datenwissenschaftler ist es ein unschätzbares Werkzeug, um mühsame Aufgaben zu automatisieren, schnell Prototypen zu erstellen und die zunehmende Komplexität moderner Projekte zu bewältigen. Da es lokal läuft, LLM-agnostisch ist und über MCP erweiterbar ist, liegt die Leistungsfähigkeit autonomer KI-Agenten direkt in Ihren Händen, direkt auf Ihrem eigenen Laptop.

Der beste Weg, sein Potenzial zu verstehen, besteht darin, es auszuprobieren. Installieren Sie Goose, geben Sie ihm eine Aufgabe, vor der Sie sich gefürchtet haben, und erleben Sie die Zukunft des Codierens selbst.

// Referenzen

Shittu Olumide ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich dafür einsetzt, modernste Technologien zu nutzen, um fesselnde Erzählungen zu erschaffen, mit einem scharfen Blick fürs Element und einem Gespür für die Vereinfachung komplexer Konzepte. Sie können Shittu auch auf finden Twitter.

ist für mich der effektivste Ansatz zur Lösung von Problemen geworden. Die meisten Probleme, auf die ich bei der Arbeit stoße, können durch den Einsatz von Agenten effektiv gelöst werden. Dies steht im Gegensatz dazu, Aufgaben manuell zu lösen oder selbst eine Lösung zu programmieren.

In diesem Artikel gebe ich einen allgemeinen Überblick darüber, wie ich mit Claude Code an Probleme herangehe und sie löse. Als Ingenieur sind Sie im Wesentlichen ein Problemlöser. Ihr Job sollte etwa so aussehen:

1. Entdecken und identifizieren Sie die wichtigsten zu lösenden Probleme
2. Finden Sie eine Lösung für das Downside
3. Ausführen

Und das gilt nicht nur für Programmieraufgaben. Dies gilt auch für Aufgaben im Advertising, Vertrieb und Kundenmanagement. Ich weiß das, weil ich das jeden Tag bei der Arbeit als Knowledge Science Lead eines Sequence-A-finanzierten Startups mache.

Warum Sie Probleme mit Claude Code lösen sollten

Ich denke immer, dass es wichtig ist zu wissen, warum man etwas tut. Wenn Sie an der Universität ein Ingenieurstudium absolvieren, wird Ihnen diese Einstellung vermittelt.

Verstehe immer das Warum von dem, was du tust

Sie sollten Probleme einfach mit Claude Code lösen, weil dies normalerweise der effektivste Weg ist, ein Downside zu lösen. Jetzt können Sie natürlich auch Claude Code-Alternativen wie Cursor verwenden, obwohl ich mich in diesem Artikel durchgehend auf Claude Code beziehen werde, da es das Device ist, das ich verwende.

Claude Code ist jedoch nicht nur in Schritt 3 des Problemlösungsprozesses (Ausführen der Lösung) wirksam. Es ist auch effektiv bei der Entdeckung und Identifizierung von Problemen sowie deren Bedeutung. Es ist auch äußerst effektiv, Lösungen für die von Ihnen entdeckten Probleme zu finden.

Sie können beispielsweise wichtige Probleme entdecken, indem Sie:

• Lassen Sie Claude Produktionsprotokolle analysieren und Sie über etwaige Probleme informieren
• Geben Sie Claude Zugriff auf Ihr CRM-System, um es zu bereinigen und Sie über die wichtigsten Bereiche zu informieren, auf die Sie sich konzentrieren sollten
• Geben Sie Claude Zugriff auf alle Ihre Social-Media-Beiträge und deren Leistung, um zu analysieren, was funktioniert und was nicht

Nachdem Sie Probleme wie die unten aufgeführten entdeckt haben, ist es wichtig, sie zu priorisieren. Eines der einfachsten Instruments hierfür ist der Worth-Effort-Graph.

Sie pay attention einfach alle zu lösenden Probleme in einem 2D-Diagramm auf, wobei die Achsen den Wert darstellen, den Sie durch die Lösung des Issues erhalten, und den zur Lösung des Issues erforderlichen Aufwand. Anschließend wählen Sie einfach die Probleme aus, die im Verhältnis zum zu ihrer Lösung erforderlichen Aufwand den höchsten Wert haben.

So wenden Sie Claude Code an, um Probleme zu entdecken und zu lösen

In diesem Abschnitt gehe ich die drei Schritte des Problemlösungsprozesses durch, die ich zuvor hervorgehoben habe: Probleme identifizieren und priorisieren, eine Lösung für das Downside finden und die Lösung umsetzen.

Um den Artikel übersichtlich zu halten, gliedere ich jeden Schritt des Problemlösungsprozesses in einen Unterabschnitt.

Schritt 1: Probleme entdecken und priorisieren

Zu Beginn des Artikels habe ich einige spezifische Möglichkeiten hervorgehoben, um wichtige Probleme mit Claude Code zu entdecken.
Ich denke, der wichtigste Faktor bei der Suche nach wichtigen Problemen, die es zu lösen gilt, ist:

Geben Sie Claude Code Zugriff auf alle Informationen, auf die Sie Zugriff haben

Wenn Sie Ihren Codierungsagenten diesen Zugriff nicht gewähren, können Sie einfach keine gute Leistung von ihnen erwarten. Sie können sich vorstellen, dass Sie einen Produktionsfehler beheben müssten, ohne die Protokolle einsehen zu dürfen. Natürlich könnten Sie es nicht lösen, da Sie das Downside nicht verstehen können, ohne einen Blick auf die Protokolle zu werfen.

Stellen Sie daher sicher, dass Ihr Coding-Agent Zugriff auf alle relevanten Ressourcen hat:

• Projektmanagement-Instruments wie Linear
• Notizen von Notion
• Protokollgruppen in AWS
• GitHub, um sich Commits anzusehen
• Browserzugriff zum Reproduzieren von Problemen
  Und wahrscheinlich noch viele weitere Plattformen. Der Punkt ist: Wenn Sie die Plattform zur Lösung eines Issues nutzen, sollten Sie Ihren Programmieragenten ebenfalls Zugriff gewähren.

Schritt 2: Lösungen für Probleme finden

Okay, an diesem Punkt haben Sie den schwierigsten Teil geschafft: Sie haben ein wichtiges Downside identifiziert, das Sie lösen müssen. In der Softwareentwicklung sagen wir oft:

Den Fehler zu finden, warum er auftritt und ihn zu reproduzieren, ist der schwierigste Teil. Von dort aus ist es einfach, das Downside zu lösen

Wenn Sie additionally hier angekommen sind, sollten Sie sich darüber freuen, dass Sie bisher nur den einfachen Teil haben. Wie Sie eine Lösung finden, hängt natürlich stark von dem Downside ab, das Sie lösen möchten.

Wenn es sich um einen Produktionsfehler handelt, können Sie Claude Code oft einfach dazu auffordern:

Downside

Das reicht für über 50 % der Probleme, mit denen ich arbeite, und es funktioniert intestine, um Produktionsfehler zu beheben und einfache Funktionen zu implementieren. Wenn das Downside etwas komplizierter ist, müssen Sie den Plan, den Claude Code für Sie erstellt, oft mehrmals wiederholen, ihn gründlich durchlesen und sicherstellen, dass alles richtig aussieht. Dies alles hängt mit allgemeinen Techniken und Ansätzen zusammen Ich habe bereits darüber gesprochen, wie man das Beste aus Claude Code herausholt.

Bei anderen Problemen müssen Sie Claude Code möglicherweise anders auffordern oder sicherstellen, dass es Zugriff auf die richtigen Instruments hat. Wenn Sie beispielsweise Ihr CRM-Device analysieren, müssen Sie API-Zugriff auf das Device bereitstellen und Claude Code alle erforderlichen Zugriffsrechte gewähren.

Im Allgemeinen charge ich Ihnen dringend, großzügig mit dem Zugriff umzugehen, den Sie Ihrem Codierungsagenten gewähren, denn ohne ordnungsgemäßen Zugriff kann er einfach keine Probleme für Sie lösen. Das ist genau das Gleiche, als ob man Menschen bitten würde, ein Downside zu lösen. Wenn sie keinen Zugriff auf die richtigen Plattformen und Instruments haben, können Sie nicht erwarten, dass sie gute Problemlöser sind.

Dennoch sollten Sie natürlich darauf achten, dass der Agent keine destruktiven Aktionen ausführen kann. Wenn Sie ihm beispielsweise AWS-Zugriff gewähren, sollten Sie sich wahrscheinlich nur mit Viewer-Zugriff und nicht mit einem Admin-Benutzer anmelden. Im Allgemeinen können Sie einfach gute Sicherheitspraktiken befolgen.

Schritt 3: Lösungen ausführen

Der letzte Teil des Problemlösungsprozesses besteht darin, die Lösung auszuführen. Wenn Sie mit Claude Code einen guten Plan ausgearbeitet haben, können Sie ihn einfach anweisen, seinen Plan auszuführen.

Auch dies funktioniert bei den meisten Problemen, auf die ich Claude Code anwende. Es ist so intestine geworden, dass es die Lösung auf einen Schlag bietet.

Allerdings stoße ich immer noch auf komplexere Probleme, bei denen dies nicht funktioniert. Manchmal müssen Sie mit Claude Code mehrere Iterationen durchführen. Wenn ich zum Beispiel Marketingmaterial erstelle wie:

• Skripte für Webinare
• PDF-Karussells für LinkedIn
• Poster

Oft lasse ich den Agenten einen ersten Entwurf erstellen und mit der Überprüfung und Iteration beginnen. Im Allgemeinen ist dies eine großartige Technik, wenn man an komplexen Problemen arbeitet. Überlegen Sie sich eine gute Anfangslösung, testen Sie sie, überprüfen Sie, was funktioniert und was nicht, und wiederholen Sie den Vorgang. Wenn Sie dies einfach ein paar Mal wiederholen, erhalten Sie normalerweise eine großartige Lösung.

Abschluss

In diesem Artikel habe ich besprochen, wie ich Claude Code zur Lösung von Problemen anwende. Im Allgemeinen denke ich immer, wenn ich auf ein neues Downside stoße: „Wie kann ich Claude Code anwenden, um dieses Downside für mich zu lösen?“ Oft wird Ihnen klar, dass Sie ein Downside mit einer einfachen Eingabeaufforderung lösen können. In anderen Fällen sind mehrere Iterationen erforderlich, entweder um die richtigen Probleme zu entdecken, die Probleme zu priorisieren, einen Plan zur Lösung des Issues zu erstellen oder das Downside auszuführen. Generell empfehle ich Ihnen dringend, die Denkweise der Iteration an den Tag zu legen, bei der Sie mit einer anständigen Lösung beginnen Lösung und iterieren Sie daran, bis Sie damit zufrieden sind. Die meisten Probleme erfordern keine perfekte Lösung.

Mein kostenloses E-Ebook und Webinar:

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-Ebook „Imaginative and prescient Language Fashions“.

Mein Webinar zum Thema Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Unterstapel

LinkedIn

X / Twitter

5 Tipps und Tips zur Agentencodierung
Bild vom Herausgeber

Einführung

Die Agentencodierung fühlt sich nur dann „clever“ an, wenn sie korrekte Unterschiede liefert, Checks besteht und eine Papierspur hinterlässt, der Sie vertrauen können. Der schnellste Weg dorthin besteht darin, einen Agenten nicht mehr zu bitten, „eine Funktion zu erstellen“, sondern ihm einen Workflow zu geben, dem er nicht entkommen kann.

Dieser Arbeitsablauf sollte Klarheit (was sich ändert), Beweise (was passiert ist) und Eindämmung (was berührt werden kann) erzwingen. Die folgenden Tipps sind konkrete Muster, die Sie in die tägliche Arbeit mit Code-Agenten integrieren können, unabhängig davon, ob Sie einen CLI-Agenten, einen IDE-Assistenten oder ein benutzerdefiniertes Software-Verwendungsmodell verwenden.

1. Verwenden Sie eine Repo-Map, um blinde Refaktoren zu verhindern

Agenten Werden Sie generisch, wenn sie die Topologie Ihrer Codebasis nicht verstehen. Sie verwenden standardmäßig umfassende Refaktoren, da sie die richtigen Nähte nicht zuverlässig lokalisieren können. Geben Sie dem Agenten eine Repo-Map, die kurz, eigensinnig und in den wichtigen Teilen verankert ist.

Erstellen Sie eine maschinenlesbare Momentaufnahme Ihrer Projektstruktur und der wichtigsten Einstiegspunkte. Halten Sie es unter ein paar hundert Zeilen. Aktualisieren Sie es, wenn sich wichtige Ordner ändern. Geben Sie die Karte dann vor der Codierung in den Agenten ein.

Hier ist ein einfacher Generator, den Sie behalten können instruments/repo_map.py:

Fügen Sie einen zweiten Abschnitt hinzu, der die wirklich „heißen“ Dateien benennt, nicht alle. Beispiel:

Einstiegspunkte:

• api/server.ts (HTTP-Routing)
• core/agent.ts (Planung + Werkzeugabrufe)
• core/executor.ts (Befehlsläufer)
• packages/ui/App.tsx (Frontend-Shell)

Wichtige Konventionen:

• Bearbeiten Sie niemals generierte Dateien in dist/
• Alle DB-Schreibvorgänge werden durchlaufen db/index.ts
• Characteristic-Flags leben in config/flags.ts

Dies reduziert den Suchraum des Agenten und verhindert, dass er die Hälfte des Repositorys „hilfreich“ neu schreibt, weil es verloren gegangen ist.

2. Erzwingen Sie Patch-First-Änderungen mit einem Diff-Funds

Agenten entgleisen wenn sie wie ein Mensch mit unbegrenzter Zeit bearbeiten. Zwingen Sie sie, sich wie ein disziplinierter Mitwirkender zu verhalten: Schlagen Sie einen Patch vor, halten Sie ihn klein und erklären Sie die Absicht. Ein praktischer Trick ist ein Diff-Funds, eine explizite Begrenzung der professional Iteration geänderten Zeilen.

Verwenden Sie einen Workflow wie diesen:

1. Der Agent erstellt einen Plan und eine Dateiliste
2. Der Agent erzeugt nur ein einheitliches Diff
3. Sie wenden den Patch an
4. Checks laufen
5. Nächster Patch nur bei Bedarf

Wenn Sie Ihre eigene Agentenschleife erstellen, Stellen Sie sicher, dass dies mechanisch durchgesetzt wird. Beispiel einer Pseudologik:

Für manuelle Arbeitsabläufe integrieren Sie die Einschränkung in Ihre Eingabeaufforderung:

• Geben Sie nur ein einheitliches Diff aus
• Hartes Restrict: insgesamt 120 geänderte Zeilen
• Keine unabhängigen Formatierungen oder Umgestaltungen
• Wenn Sie mehr benötigen, halten Sie an und fordern Sie ein zweites Pflaster an

Agenten reagieren intestine auf messbare Einschränkungen. „Halten Sie es minimal“ ist vage. „120 geänderte Zeilen“ sind durchsetzbar.

3. Wandeln Sie Anforderungen in ausführbare Abnahmetests um

Vage Anfragen können einen Agenten daran hindern, Ihre Tabelle ordnungsgemäß zu bearbeiten, geschweige denn, den richtigen Code zu erstellen. Der schnellste Weg, einen Agenten konkret zu machen, unabhängig von seinem Designmusterbesteht darin, Anforderungen vor der Implementierung in Checks zu übersetzen. Behandeln Sie Checks als einen Vertrag, den der Agent erfüllen muss, und nicht als einen Greatest-Effort-Zusatz.

Ein leichtes Muster:

• Schreiben Sie einen fehlgeschlagenen Check, der das Funktionsverhalten erfasst
• Führen Sie den Check aus, um zu bestätigen, dass er aus dem richtigen Grund fehlschlägt
• Lassen Sie den Agenten implementieren, bis der Check bestanden ist

Beispiel in Python (pytest) für einen Ratenbegrenzer:

Jetzt hat der Agent ein objektives Ziel. Wenn es „denkt“, dass es erledigt ist, entscheidet der Check.

Kombinieren Sie dies mit dem Software-Suggestions: Der Agent muss die Testsuite ausführen und die Befehlsausgabe einfügen. Diese eine Anforderung tötet eine ganze Klasse sicherer, aber falscher Abschlüsse.

Immediate-Snippet, das intestine funktioniert:

• Schritt 1: Checks schreiben oder verfeinern
• Schritt 2: Checks durchführen
• Schritt 3: Implementieren, bis die Checks bestanden sind

Geben Sie immer die genauen Befehle an, die Sie ausgeführt haben, und die abschließende Testzusammenfassung.

Wenn Checks fehlschlagen, erklären Sie den Fehler in einem Absatz und führen Sie dann den Patch durch.

4. Fügen Sie einen „Rubber Duck“-Schritt hinzu, um versteckte Annahmen zu erkennen

Agenten treffen stillschweigende Annahmen über Datenformen, Zeitzonen, Fehlerbehandlung und Parallelität. Sie können diese Annahmen aufdecken mit einem erzwungenen „Rubber Duck“-Second direkt vor dem Codieren.

Bitten Sie um drei Dinge in der Reihenfolge:

• Annahmen, die der Agent trifft
• Was könnte diese Annahmen zerstören?
• Wie werden wir sie validieren?

Halten Sie es kurz und verbindlich. Beispiel:

• Vor dem Codieren: Hear Sie 5 Annahmen auf
• Für jeden: ein Validierungsschritt unter Verwendung von vorhandenem Code oder Protokollen
• Wenn eine Annahme nicht bestätigt werden kann, stellen Sie eine klärende Frage und hören Sie auf

Dadurch entsteht eine Pause, die häufig schlechte Architektur-Commits verhindert. Es bietet Ihnen auch einen einfachen Überprüfungskontrollpunkt. Wenn Sie mit einer Annahme nicht einverstanden sind, können Sie sie korrigieren, bevor der Agent Code schreibt, der sie einbettet.

Ein häufiger Erfolg besteht darin, Unstimmigkeiten bei Datenverträgen frühzeitig zu erkennen. Beispiel: Der Agent geht von einem Zeitstempel aus ISO-8601aber die API gibt Epochen-Millisekunden zurück. Das Eine Nichtübereinstimmung kann zu einer „Bugfix“-Abwanderung führen. Die Trittstufe der Quietscheente spült es heraus.

5. Machen Sie die Ausgabe des Agenten mit Laufrezepten reproduzierbar

Agentencodierung schlägt in Groups fehl wenn niemand reproduzieren kann, was der Agent getan hat. Beheben Sie das, indem Sie ein Laufrezept verlangen: die genauen Befehle und Umgebungshinweise, die zum Wiederholen des Ergebnisses erforderlich sind.

Nehmen Sie eine einfache Konvention an: Jeder Agentenlauf endet mit einem RUN.md Snippet, das Sie in eine PR-Beschreibung einfügen können. Es sollte Setup, Befehle und erwartete Ausgaben enthalten.

Vorlage:

Dies macht die Arbeit des Agenten portabel. Es sorgt auch dafür, dass die Autonomie ehrlich bleibt. Wenn der Agent kein sauberes Laufrezept erstellen kann, hat er die Änderung wahrscheinlich nicht validiert.

Zusammenfassung

Die Agentencodierung verbessert sich schnell, wenn Sie sie wie Technik und nicht wie Vibe behandeln. Repo-Karten stoppen blindes Wandern. Durch Patch-First-Unterschiede bleiben Änderungen überprüfbar. Ausführbare Checks verwandeln handgeschwungene Anforderungen in objektive Ziele. Ein Gummienten-Kontrollpunkt deckt verborgene Annahmen auf, bevor sie sich zu Fehlern verfestigen. Laufrezepte machen den gesamten Prozess für Teamkollegen reproduzierbar.

Diese Tips verringern nicht die Leistungsfähigkeit des Agenten. Sie schärfen es. Autonomie wird nützlich, sobald sie begrenzt, messbar und an echtes Werkzeug-Suggestions gebunden ist. Dann hört ein Agent auf, beeindruckend zu klingen, und beginnt mit der Lieferung von Arbeiten, die Sie zusammenführen können.

Die neueste Ankündigung von Mistral AI stellt DevStral 2 (123B Parameter), DevStral Small 2 (24B) und die Mistral Vibe CLI vor, einen terminal-nativen Codierungsassistenten, der für Agenten-Codierungsaufgaben entwickelt wurde. Beide Modelle sind vollständig Open Supply und auf Produktionsabläufe abgestimmt, während die neue Vibe CLI projektbezogene Bearbeitung, Codesuche, Versionskontrolle und Ausführung direkt in das Terminal bringt.

Zusammengenommen zielen diese Updates darauf ab, die Arbeitsabläufe der Entwickler zu beschleunigen, indem umfangreiche Code-Refactorings, Fehlerbehebungen und die Funktionsentwicklung stärker automatisiert werden. In diesem Leitfaden werden wir die technischen Fähigkeiten jedes Instruments skizzieren und praktische Beispiele für den Einstieg bereitstellen.

Was ist DevStral 2?

DevStral 2 ist ein dichter Transformator mit 123 Milliarden Parametern, der speziell für Software program-Engineering-Agenten entwickelt wurde. Es verfügt über ein 256K-Token-Kontextfenster, das die Analyse ganzer Code-Repositorys auf einmal ermöglicht. Trotz seiner Größe ist es viel kleiner als Konkurrenzmodelle: Beispielsweise ist DevStral 2 5x kleiner als DeepSeek v3.2 und 8x kleiner als Kimi K2 dennoch ihre Leistung erreichen oder übertreffen. Diese Kompaktheit macht DevStral 2 praktisch für den Einsatz in Unternehmen.

Hauptmerkmale von DevStral 2

Zu den wichtigsten technischen Highlights von DevStral 2 gehören:

• SOTA-Codierungsleistung: 72,2 % im SWE-Bench-Verified-Check, was es zu einem der stärksten Open-Weight-Modelle für die Codierung macht.
• Umgang mit großem Kontext: Mit 256K-Tokens kann es den Kontext auf Architekturebene über viele Dateien hinweg verfolgen.
• Agenten-Workflows: Entwickelt, um „Codebasen zu erkunden und Änderungen über mehrere Dateien hinweg zu orchestrieren“, kann DevStral 2 Fehler erkennen, es mit Korrekturen erneut versuchen und Aufgaben wie Refactoring mehrerer Dateien, Fehlerbehebung und Modernisierung von Legacy-Code bewältigen.

Diese Funktionen bedeuten, dass DevStral 2 nicht nur ein leistungsstarkes Code-Vervollständigungsmodell ist, sondern ein echter Codierungsassistent, der den Standing über ein gesamtes Projekt hinweg aufrechterhält. Für Entwickler bedeutet dies schnellere und zuverlässigere automatisierte Änderungen: DevStral 2 kann beispielsweise die Dateistruktur und Abhängigkeiten eines Projekts verstehen, Codeänderungen über viele Module hinweg vorschlagen und sogar iterativ Korrekturen anwenden, wenn Assessments fehlschlagen.

Weitere Informationen zu den Preisen von DevStral 2 finden Sie hier offiziell Seite.

Setup für DevStral 2

1. Registrieren Sie sich oder melden Sie sich bei der Mistral-Plattform an über https://v2.auth.mistral.ai/login.
2. Erstellen Sie Ihre Organisation, indem Sie einen passenden Namen vergeben.
3. Gehen Sie in der Seitenleiste zum Abschnitt „API-Schlüssel“ und wählen Sie einen geeigneten Plan aus.

4. Sobald der Plan aktiviert ist, generieren Sie einen API-Schlüssel.

Praktisch: DevStral 2

Aufgabe 1: DevStral 2 über die Mistral API (Python SDK) aufrufen

Nutzen Sie das offizielle SDK von Mistral, um Codierungsanfragen einzureichen. Wenn Sie beispielsweise möchten, dass DevStral 2 a Python Um die Geschwindigkeit zu erhöhen, können Sie Folgendes eingeben:

!pip set up mistralai 

from mistralai import Mistral 
import os
from getpass import getpass 

api_key = getpass("Enter your Mistral API Key: ") 

shopper = Mistral(api_key=api_key) 
response = shopper.chat.full( 

mannequin="devstral-2512", # right mannequin identify 
messages=( 

{"function": "system", "content material": "You're a Python code assistant."}, 
{"function": "person", "content material": ( 
"Refactor the next perform to enhance efficiency:n" 
"```pythonndef compute_numbers(n):n" 
" end result = ()n" 
" for i in vary(n):n" 
" if i % 100 == 0:n" 
" end result.append(i**2)n" 
" return resultn```" 
)} 
) 
) 

print(response.selections(0).message.content material)

Die Anfrage wird an DevStral 2 gestellt, um eine Schleifenfunktion schneller zu machen. Der KI wird die Funktion untersuchen und eine reformierte Model bereitstellen (z. B. die Verwendung von Listenverständnissen oder vektorisierten Bibliotheken empfehlen). Obwohl das Python SDK die Interaktion mit dem Modell erleichtert, können Sie bei Bedarf auch HTTP-Anfragen für den direkten API-Zugriff stellen.

Aufgabe 2: Gesichtstransformatoren mit DevStral 2 umarmen

Hugging Face verfügt über DevStral 2-Gewichte, was bedeutet, dass es möglich ist, das Modell lokal (sofern Ihre {Hardware} intestine genug ist) mit dem auszuführen Transformers Bibliothek. Um nur ein Beispiel zu nennen:

!pip set up transformers # ensure you have transformers put in 

# optionally: pip set up git+https://github.com/huggingface/transformers if utilizing bleeding-edge 
from transformers import MistralForCausalLM, MistralCommonBackend 
import torch 

model_id = "mistralai/Devstral-2-123B-Instruct-2512" 

# Load tokenizer and mannequin 
tokenizer = MistralCommonBackend.from_pretrained(model_id, trust_remote_code=True) 
mannequin = MistralForCausalLM.from_pretrained(model_id, device_map="auto", trust_remote_code=True) 

# Optionally, set dtype for higher reminiscence utilization (e.g. bfloat16 or float16) when you have GPU 
mannequin = mannequin.to(torch.bfloat16) 

immediate = ( 
"Write a perform to merge two sorted lists of integers into one sorted record:n" 
"```pythonn" 
"# Enter: list1 and list2, each sortedn"
"```" 
) 

inputs = tokenizer(immediate, return_tensors="pt").to(mannequin.gadget) 
outputs = mannequin.generate(**inputs, max_new_tokens=100) 

print(tokenizer.decode(outputs(0), skip_special_tokens=True))

Der angezeigte Codeausschnitt nutzt das „DevStral 2 Instruct“-Modell, um eine vollständige Python-Funktion ähnlich dem vorherigen Code zu erstellen.

Was ist DevStral Small 2?

DevStral Small 2 bringt die gleichen Designprinzipien auf ein viel kleineres Modell. Es verfügt über 24 Milliarden Parameter und das gleiche 256-KB-Kontextfenster, ist jedoch so dimensioniert, dass es auf einer einzelnen GPU oder sogar einer Excessive-Finish-Client-CPU ausgeführt werden kann.

Hauptmerkmale von DevStral Small 2

Zu den Hauptmerkmalen von DevStral Small 2 gehören:

• Leicht & lokal: Mit 24B-Parametern ist DevStral Small 2 für den Einsatz vor Ort optimiert. Mistral gibt an, dass es auf einer RTX 4090-GPU oder einem Mac mit 32 GB RAM ausgeführt werden kann. Dies bedeutet, dass Entwickler lokal iterieren können, ohne dass ein Rechenzentrumscluster erforderlich ist.
• Hohe Leistung: Beim SWE-Bench-Verified erreicht es 68,0 % und liegt damit auf Augenhöhe mit Modellen, die bis zu fünfmal so groß sind. In der Praxis bedeutet dies, dass Small 2 komplexe Codeaufgaben für viele Anwendungsfälle quick genauso intestine bewältigen kann wie größere Modelle.
• Multimodale Unterstützung: DevStral Small 2 fügt Bildverarbeitungsfunktionen hinzu, sodass Bilder oder Screenshots in Eingabeaufforderungen analysiert werden können. Sie könnten ihm beispielsweise ein Diagramm oder ein UI-Mockup zuführen und ihn bitten, entsprechenden Code zu generieren. Dadurch ist es möglich, multimodale Codierungsagenten zu erstellen, die sowohl Code als auch visuelle Artefakte berücksichtigen.
• Offene Apache 2.0-Lizenz: DevStral Small 2 wurde unter Apache 2.0 veröffentlicht und ist für die kommerzielle und nichtkommerzielle Nutzung kostenlos.

Aus Entwicklersicht ermöglicht DevStral Small 2 schnelles Prototyping und Datenschutz auf dem Gerät. Da die Inferenz schnell ist (auch wenn sie auf der CPU ausgeführt wird), erhalten Sie beim Testen von Änderungen enge Feedbackschleifen. Und da die Laufzeit lokal ist, muss sensibler Code Ihre Infrastruktur nie verlassen.

Praktisch: DevStral Small 2

Aufgabe: DevStral Small 2 über die Mistral API aufrufen

Genau wie DevStral 2, das Klein Das Modell ist über die Mistral-API verfügbar. Im Python SDK können Sie Folgendes tun:

!pip set up mistralai 

from mistralai import Mistral 
import os 
from getpass import getpass 

api_key = getpass("Enter your Mistral API Key: ") 

shopper = Mistral(api_key=api_key) 
response = shopper.chat.full( 
mannequin="devstral-small-2507", # up to date legitimate mannequin identify 
messages=( 
{"function": "system", "content material": "You're a Python code assistant."}, 
{"function": "person", "content material": ( 
"Write a clear and environment friendly Python perform to search out the primary " 
"non-repeating character in a string. Return None if no such " 
"character exists." 
)} 
) 
) 

print(response.selections(0).message.content material)

Ausgabe:

Was ist Mistral Vibe CLI?

Mistral Vibe CLI ist eine Open-Supply-Befehlszeilenschnittstelle auf Python-Foundation, die DevStral in einen Agenten verwandelt, der in Ihrem Terminal ausgeführt wird. Es bietet eine Konversations-Chat-Oberfläche, die Ihr gesamtes Projekt versteht. Vibe scannt automatisch das Verzeichnis und den Git-Standing Ihres Projekts, um Kontext zu erstellen.

Sie können Dateien mit referenzieren @autocompletionführen Sie Shell-Befehle mit exclamation(!) aus und verwenden Sie Slash-Befehle ( /config, /themeusw.), um die Einstellungen anzupassen. Denn Vibe kann „uVerstehen Sie Ihre gesamte Codebasis und nicht nur die Datei, die Sie bearbeiten“, ermöglicht es Argumentationen auf Architekturebene (z. B. das Vorschlagen konsistenter Änderungen über Module hinweg).

Hauptmerkmale von Mistral Vibe CLI

Die Hauptmerkmale von Vibe CLI sind die folgenden:

• Interaktiver Chat mit den Instruments: Mit Vibe können Sie eine Chat-ähnliche Eingabeaufforderung erstellen, in der die Anfragen in natürlicher Sprache gestellt werden. Es verfügt jedoch über eine Reihe von Instruments zum Lesen und Schreiben von Dateien sowie zur Codesuche (grep), Versionskontrolle und Ausführen von Shell-Befehlen. Es kann beispielsweise eine Datei mit dem lesen read_file Wenden Sie mit dem Befehl einen Patch an, indem Sie ihn mit in die Datei schreiben write_file Befehl, Suche nach dem Repo mit grep usw.
• Projektbezogener Kontext: Vibe hält das Repo standardmäßig indiziert, um sicherzustellen, dass jede Abfrage von der gesamten Projektstruktur und dem Git-Verlauf gerendert wird. Sie müssen es nicht manuell mit den Dateien beauftragen, sondern sagen einfach „Aktualisieren Sie den Authentifizierungscode“ und es wird die relevanten Module untersuchen.
• Intelligente Referenzen: Der Verweis auf bestimmte Dateien (mit automatischer Vervollständigung) ist mit @ möglich.Pfad/zur/Datei in Eingabeaufforderungen und Befehle können direkt mit !ls oder anderen Shell-Präfixen ausgeführt werden. Darüber hinaus sind integrierte Befehle (z. B /config) kann durch verwendet werden /slash. Dies führt zu einem nahtlosen CLI-Erlebnis, komplett mit persistentem Verlauf und sogar Anpassung des Themes.
• Scripting und Berechtigungen: Vibe bietet einen nicht interaktiven Modus (durch --prompt oder Piping), um Batch-Aufgaben für die Skripterstellung zu skripten. Sie können eine config.toml-Datei erstellen, um die Standardmodelle festzulegen (z. B. über die API auf DevStral 2 zu verweisen) und zu wechseln --auto-approve Aktivieren oder deaktivieren Sie die Instrument-Ausführung und begrenzen Sie riskante Vorgänge in sensiblen Repos.

Einrichtung für Mistral Vibe CLI

1. Sie können Mistral Vibe CLI mit einem der folgenden Befehle installieren:

uv device set up mistral-vibe

ODER

curl -LsSf https://mistral.ai/vibe/set up.sh | sh 

ODER

pip set up mistral-vibe 

2. Um die CLI zu starten, navigieren Sie zu Ihrem Projektverzeichnis und führen Sie dann den folgenden Befehl aus:

Vibe 

3. Wenn Sie Vibe zum ersten Mal verwenden, geschieht Folgendes:

• Generieren Sie eine voreingestellte Konfigurationsdatei mit dem Namen config.toml unter ~/.vibe/.
• Bitten Sie Sie um die Eingabe Ihres API-Schlüssels, falls dieser noch nicht eingerichtet ist. In diesem Fall können Sie diese Schritte befolgen, um ein Konto zu registrieren und einen API-Schlüssel zu erhalten.
• Speichern Sie den API-Schlüssel unter ~/.vibe/.env für die Zukunft.

Praktisch: Mistral Vibe CLI

Aufgabe: Führen Sie Vibe im Skript- und Programmmodus aus

Immediate: vibe "Write a Python perform to reverse a linked record"

Aufforderung zum Programmmodus:

vibe -p "Generate a SQL schema for an worker database"

Die Resonanz struggle zufriedenstellend.

Abschluss

DevStral 2, seine kleinere Variante, und die Mistral Vibe CLI drängen stark auf autonome Codierungsagenten und ermöglichen Entwicklern schnellere Iterationen, bessere Codeeinblicke und niedrigere Rechenkosten. DevStral 2 erledigt die Codearbeit mit mehreren Dateien im großen Maßstab, DevStral Small 2 bietet ein ähnliches Verhalten für lokale Setups und Vibe CLI macht beide Modelle mit intelligenten, kontextsensitiven Instruments direkt von Ihrem Terminal aus nutzbar.

Um sie auszuprobieren, besorgen Sie sich einen Mistral-API-Schlüssel, testen Sie die Modelle über die API oder Hugging Face und befolgen Sie die empfohlenen Einstellungen in den Dokumenten. Ganz gleich, ob Sie Codebots erstellen, CI verschärfen oder die tägliche Codierung beschleunigen, diese Instruments bieten einen praktischen Einstieg in die KI-gesteuerte Entwicklung. Während die DevStral 2-Modellreihe im LLM-Wettbewerb konkurriert, ist Mistral Vibe CLI dazu da, eine Different zu den anderen verfügbaren CLI-Alternativen zu bieten.

Häufig gestellte Fragen

Information Science Trainee bei Analytics Vidhya
Derzeit arbeite ich als Information Science Trainee bei Analytics Vidhya, wo ich mich auf die Entwicklung datengesteuerter Lösungen und die Anwendung von KI/ML-Techniken zur Lösung realer Geschäftsprobleme konzentriere. Meine Arbeit ermöglicht es mir, fortschrittliche Analysen, maschinelles Lernen und KI-Anwendungen zu erforschen, die es Unternehmen ermöglichen, intelligentere, evidenzbasierte Entscheidungen zu treffen.
Mit einem starken Fundament in den Bereichen Informatik, Softwareentwicklung und Datenanalyse ist es mir eine Leidenschaft, KI zu nutzen, um wirkungsvolle, skalierbare Lösungen zu schaffen, die die Lücke zwischen Technologie und Geschäft schließen.
Du kannst mich auch erreichen unter (e mail protected)

Bild vom Autor

# Einführung

Ich versuche derzeit zu entscheiden, welche Instruments ich für meine MLOps- und Vibe-Coding-Projekte verwenden soll. Jeden Tag wird eine neue VS-Code-Erweiterung oder Befehlszeilenschnittstellen-App (CLI) gestartet, die behauptet, in Terminal-Benchmarks führend zu sein oder die Codierungs-Bestenlisten anzuführen. Es herrscht so viel Aufregung in diesem Bereich, dass ich diesen Artikel schreiben muss, um meine persönlichen Erfahrungen mit verschiedenen Agentic Coding CLI-Instruments und das, was mir daran gefällt, zu teilen. Bitte beachten Sie, dass dies meine persönlichen Erfahrungen sind und daher von denen anderer abweichen können.

Darüber hinaus sind alle unten genannten CLI-Instruments erforderlich Node.jsDaher ist es am besten, diese zu installieren, bevor Sie sie testen. Ich habe auch die Installationsbefehle beigefügt, die Sie in Ihr Terminal eingeben müssen, um diese Instruments verwenden zu können.

# 1. Claude Code

Claude Code ist ein führendes Software für Vibe-Coding und allgemeine berufliche Entwicklungsprojekte. Sie können Ihre Anthropic-API-Schlüssel für die tokenbasierte Nutzung verbinden oder Ihr Claude-Abonnement für die abonnementbasierte Nutzung verknüpfen.

Ich habe Claude Code mit der API verwendet und es hat bisher sehr intestine funktioniert. Allerdings habe ich kürzlich das entdeckt GLM 4.6 Codierungsplan und begann, Claude Code mit GLM 4.6 zu verwenden. Das bedeutet, dass Sie Ihren Claude-Code so ändern können, dass er jeden KI-Modellanbieter verwendet, einschließlich lokaler KI-Modelle.

Um loszulegen, müssen Sie lediglich den folgenden Befehl im Terminal ausführen:

npm set up -g @anthropic-ai/claude-code

Das Beste an Claude Code ist, dass ich ihn einfach bitten kann, Dinge zu reparieren oder Komponenten zu erstellen, und er wird den Anweisungen folgen und eine kurze Antwort geben. Dies führt zu einer niedrigen Fehlerquote und es beherrscht den Aufruf von Instruments und Terminalbefehlen recht intestine.

Claude Code ist mein Hauptwerkzeug für tägliche Aufgaben, da es auch eine VS Code-Erweiterung enthält, mit der ich Fragen zu meinem Code stellen und Änderungen direkt in der IDE vornehmen kann. Es eignet sich sowohl für Profis als auch für Bastler, die spannende Projekte bauen möchten.

# 2. OpenCode

Meinungen zu OpenCode sind geteilt; Manche Leute lieben es, während andere es nicht mögen. OpenCode ist eine echte Open-Supply-Different zu Claude Code. Es ermöglicht Ihnen die Ausführung jedes beliebigen Modells und unterstützt nahezu alle KI-Modellanbieter, sodass Sie die Flexibilität haben, es ohne komplexe Konfigurationen einzurichten. Ich verwende es, um neue Modelle zu testen, die MCPs zu bewerten und benutzerdefinierte Agenten zu erstellen.

Wenn Sie ein Hardcore-Programmierer oder ein professioneller Entwickler sind, werden Sie die umfangreichen Anpassungsoptionen zu schätzen wissen, mit denen Sie OpenCode auf Mikroebene modifizieren und verbessern können. Sie haben die Kontrolle über Sicherheit, Design, Funktionen und das gesamte Projektmanagement in einer kontrollierten Umgebung.

Öffnen Sie zunächst Ihr Terminal und geben Sie den folgenden Befehl ein:

npm set up -g opencode-ai@newest

Sie können sogar die von OpenCode bereitgestellten kostenlosen Modelle erkunden und über den openrouter.ai-Zugriff eine Verbindung zu verschiedenen Modellen herstellen.

Ich habe OpenCode mit dem GLM-Codierungsplan und dem MiniMax-2-Plan verwendet. Beide haben sich für meine Anforderungen bewährt und ich verwende OpenCode zum Erstellen der Benutzeroberfläche meiner Web site und App.

Notiz: Wenn Sie Home windows verwenden, denken Sie bitte über die Verwendung von nach Alacritty Terminal für das beste Erlebnis.

# 3. Droide

Droide by Manufacturing unit ist ein erstaunliches KI-Codierungstool, das an der Spitze der Terminalbank steht, was bedeutet, dass es wirklich intestine darin ist, lokale Probleme mit Ihrem Code zu lösen. Ich verwende es zum Debuggen und Lösen meiner Probleme, da es die Docker-Protokolle lesen, Docker-Befehle zurückgeben und Probleme automatisch beheben kann.

Was mir am besten gefällt, ist, dass die Nutzung kostenlos ist, wenn Sie ein Konto erstellen. Das bedeutet, dass Sie einen Monat lang einen professionellen Testplan erhalten, der Ihnen den Zugriff auf die neuesten Claude- und OpenAI-Modelle ermöglicht. Ich habe es jeden Tag verwendet, bis meine Testversion abgelaufen ist. Ich liebe es; Es ist einfach und wird von den Entwicklern intensiv gepflegt.

Geben Sie zunächst den folgenden Befehl in das Terminal ein:

curl -fsSL https://app.manufacturing facility.ai/cli | sh

Wenn Sie auf der Suche nach Genauigkeit beim Ausführen von Befehlen, Debuggen, Erstellen und Automatisieren Ihres Codierungs-Setups sind, empfehle ich Ihnen dringend, mit Droid zu beginnen. Der einzige Nachteil besteht darin, dass es nicht intestine mit benutzerdefinierten Modellen oder externen KI-Modellanbietern funktioniert. Vielleicht haben sie das Modell im Backend so optimiert, dass es Droid optimum nutzt.

# 4. Codex-CLI

Ich habe vor kurzem angefangen, das zu verwenden openai/codex CLI, und ich wusste nicht, dass ich es mit meinem ChatGPT-Plan verwenden könnte. Der ChatGPT-Plan ist viel wertvoller, wenn Sie Zugriff auf VS-Code-Erweiterungen, Terminal-CLI-Instruments für die Agentencodierung und cloudbasierte Agenten-Workflows haben. Wenn Sie lieber nicht für das 20-Greenback-ChatGPT-Abonnement bezahlen möchten, können Sie es trotzdem mit der OpenAI Developer API verwenden.

Noch besser ist, dass Sie die Konfigurationsdatei ändern können, um auch GLM- oder Minimax-Modelle zu verwenden. Es ist vollständig anpassbar, aber die Erfahrung mit externen APIs kann erheblich sinken, wenn bestimmte Tags nicht verstanden werden oder die falschen Instruments aufgerufen werden. Daher wird dringend empfohlen, es mit dem ChatGPT-Abonnement zu verwenden.

Um zu beginnen, geben Sie einfach den folgenden Befehl in Ihr Terminal ein und befolgen Sie die Anweisungen:

npm set up -g @openai/codex

Ich habe damit begonnen, es zu verwenden, weil es für mich ein nahezu kostenloses Software ist, mit dem ich auf die neuesten OpenAI Codex- und GPT-5-Modelle zugreifen kann. Nach Claude Code und Droid denke ich, dass ich es weiterhin für meine Projekte verwenden werde. Seien Sie gespannt auf mein nächstes Replace zu den Agentic CLI-Instruments.

# 5. Gemini-CLI

Google hat seine Open-Supply-Agentic-CLI eingeführt, bekannt als google-gemini/gemini-cliähnlich wie OpenAI und Microsoft Copilot. Es ist vollständig anpassbar, aber beim Versuch, es einzurichten und einen Nutzen daraus zu ziehen, sind mir viele Probleme begegnet. Wenn Sie versehentlich das Professional-Modell Gemini 2.5 verwenden, wird Ihr kostenloses Planlimit mit nur einer Eingabeaufforderung aufgebraucht. Daher verwende ich die Gemini-CLI in erster Linie nur zu Testzwecken.

Ein weiteres Downside, mit dem ich konfrontiert conflict, conflict, dass ich MCP, Agenten oder andere Instruments trotz der Anpassbarkeit nicht effektiv einrichten konnte. Mir wurde klar, dass es bereits mit Google-Service-Instruments ausgestattet ist, was die Verwendung dieser integrierten Funktionen fördert, anstatt sich auf Instruments von Drittanbietern zu verlassen.

Um mit der Verwendung der Gemini-CLI zu beginnen, geben Sie den folgenden Befehl in das Terminal ein:

npm set up -g @google/gemini-cli

Das Beste daran ist, dass Sie kostenlosen Zugriff auf die Gemini-CLI-Instruments erhalten, da der kostenlose Plan Ihre Grundbedürfnisse abdeckt. Es verlängert sich automatisch, sodass Sie, sobald Sie das Restrict erreicht haben, am nächsten Tag erneut beginnen können. Obwohl es kostenlos ist, bringt es doch einige Probleme mit sich; Aus diesem Grund wird es zuletzt aufgeführt. Aufgrund seiner Beliebtheit und der kostenlosen Nutzung habe ich mich jedoch entschieden, es in die Liste aufzunehmen.

# TL;DR

Für Leute, die nach unten scrollen, um die Zusammenfassung zu lesen:

1. Claude Code ist das Beste; Verwenden Sie es als Ihr Hauptwerkzeug
2. OpenCode ist erstaunlich, wenn Sie gerne an Ihrem Arbeitsablauf herumbasteln, um Produktivität und Wert zu maximieren
3. Droide ist wirklich intestine darin, Ihre Entwicklererfahrung zu debuggen und zu automatisieren
4. Codex-CLI wird verbessert und enthält jetzt Funktionen, mit denen Sie mit dem ChatGPT-Plan Dinge sowohl lokal als auch in der Cloud erstellen können
5. Gemini-CLI ist aufgrund seines begrenzten kostenlosen Plans beliebt, ich würde jedoch dringend davon abraten, es zu verwenden, da Sie möglicherweise Zeit verschwenden und wenig Nutzen daraus ziehen

Es gibt noch andere CLI-Instruments für die KI-Codierung, aber sie sind nicht ausgereift oder beliebt genug, als dass ich sie hier auflisten könnte. Alle oben genannten CLI-Instruments funktionieren unter Home windows einwandfrei, auch ohne Home windows-Subsystem für Linux (WSL). Beginnen Sie additionally mit der Eingabe der oben genannten Befehle, um die neue Ära der Agentencodierung zu erleben.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.