01Unabhängiges KI-Coding-Agent-Setup

Ylli Kolgeci · Applikationsentwickler
Ich entwickle Webanwendungen, Automationen und KI-Workflows. Hier zeige ich ausgewählte Arbeiten von der Planung bis zum Test.
Case Study ansehen↗Ausgewählte Projekte
03 / 06
01Unabhängiges KI-Coding-Agent-Setup
02Dark Web · Recherche zu Datenlecks
03macOS-Dateibrowser
01↗Unabhängiges KI-Coding-Agent-Setup
Ein portables Pi-Setup mit GLM 5.2 als praxistaugliches Backup zu geschlossenen Coding-Agent-Anbietern.
August 2026
02↗Dark Web · Recherche zu Datenlecks
Mein Auftrag war, IntelliLab in irgendeiner Form im Dark Web zu finden, besonders Informationen, die dort nicht öffentlich sein sollten. Dafür durchsuchte ich Foren, Listen mit Leaks und Hinweise auf Datenpannen systematisch.
Oktober 2026
03↗macOS-Dateibrowser
Folder ist ein nativer Dateibrowser für macOS, entwickelt mit Swift. Ich übernahm die bestehende App bei v1.1.4 und arbeitete an Oberfläche, Dateiaktionen, Suche und Sortierung. Als in neuen Releases immer wieder Fehler gemeldet wurden, entwickelte ich einen wiederholbaren Testplan.
September 2026
04↗Trainingsprojekt · KI-Bestellchatbot
Ein getesteter KI-Bestellchatbot für die fiktive Pizzeria Pizza Bella. Er beantwortet Restaurantfragen, arbeitet mit Kundendaten und unterstützt Bestellungen, Änderungen und Stornierungen über einen n8n-Workflow.
August 2026Demnächst
Demnächst
Demnächst
Demnächst
Ein Coding-Agent von Grund auf
Ziel war es, Pi nicht nur zu benutzen, sondern einen eigenen Coding-Agent-Workflow aufzubauen: mit selbst hinzugefügten Tools, Skills, Subagents und einem Open-Source-Modell als Basis.
Wähle dein Betriebssystem und kopiere den passenden Installationsbefehl.
Ich startete mit der Frage, was ein Coding-Agent neben einem Modellaufruf wirklich braucht. Claude Code und Codex liefern diese Antwort fertig verpackt; mit Pi wollte ich diese Schichten selbst aufbauen und trotzdem ein nutzbares Backup für die Coding-Arbeit behalten.
Ziel: Einen Coding-Agent-Workflow von Grund auf aufbauen, statt nur ein geschlossenes Produkt zu benutzen.
Eigene Tools, Skills, Permissions und Subagents rund um ein Open-Source-Modell hinzufügen.
Einen unkonfigurierten Pi-Lauf mit einem konfigurierten Workflow bei derselben Aufgabe vergleichen.

Nacktes Pi fühlte sich am Anfang unkonfiguriert an. Claude Code und Codex liefern die Agent-Schichten fertig; mit Pi musste ich herausfinden, welche Schichten wirklich nötig sind, bevor ich etwas hinzufüge.
Nacktes Pi: klein am Kern, noch keine Agent-Schichten konfiguriert.
Claude Code und Codex liefern Tool-Loops, Kontextführung und Polish out of the box.
Frage: welche Schichten muss ich wirklich selbst aufbauen?

Die wichtigste Erkenntnis: Ein Coding-Agent wird nicht durch mehr Fähigkeiten besser, sondern durch die passenden Werkzeuge und einen ruhigen, gut geführten Kontext.
Die richtigen Tools schlagen die meisten Tools: gezielt wählen, was den Workflow wirklich unterstützt.
Subagents bringen vor allem dann etwas, wenn sie Recherche und Review aus dem Hauptkontext heraushalten.
Pi bleibt klein am Kern und lässt sich bei Bedarf mit Packages, Tools und Skills erweitern.

Der konfigurierte Workflow kombiniert 13 Packages, 35 Tools und 5 Skills mit Scout und Reviewer als einzigen eigenen Subagents, Permission-Gates, Modellwechsel und GLM 5.2 über OpenRouter. Auf dem nackten Pi-Kern baute ich die fehlenden Agent-Schichten Schritt für Schritt selbst auf.
13 aktive Packages: Subagents, Webzugriff, Custom Compaction, Annotation, Modellwechsel, Permissions, Plan Mode und mehr.
35 Tools decken Lesen/Editieren, Browser-Arbeit, Webrecherche, UI-Steuerung, Präsentationen und beaufsichtigte CLI-Agents ab.
Scout und Reviewer sind bewusst die einzigen eigenen Subagents, für fokussierte Recherche und unabhängige Reviews.
GLM 5.2 als Open-Source-Modell über OpenRouter, per Modellwechsel jederzeit austauschbar.

Das Setup ist portabel, dokumentiert und nach der Installation überprüfbar. Im Schach-Benchmark lieferte der konfigurierte Pi-Workflow ein klar stärkeres Ergebnis als der nackte Pi-Lauf, und die Subagents hielten Recherche und Review aus dem Hauptkontext heraus.
Portable, dokumentierte Struktur, die nach der Installation überprüfbar ist.
Konfiguriertes Pi schlug nacktes Pi im Schach-Benchmark deutlich.
Scout und Reviewer halten Recherche und Review aus dem Hauptkontext heraus.
Modellwechsel hält das Setup unabhängig von einem einzigen Anbieter.
Systemstatus: bereit
Zu viele Tools verwirrten den Workflow anfangs, und nacktes Pi wirkte ohne die Agent-Schichten verloren. Die ständige Herausforderung war die Balance: nur die Tools wählen, die wirklich helfen, den Kontext gemanagt halten statt laut, und Subagents so einsetzen, dass sie den Hauptkontext entlasten statt füllen.
Balance zwischen mehr Fähigkeiten und klarer Übersicht.
Zu viele Tools verwirrten den Workflow. Gezieltes Auswählen zählt.
Kontextmanagement statt Lärm im Hauptkontext.
Subagents entlasten den Hauptkontext nur, wenn sie für Recherche und Review eingesetzt werden.
Out of the box ist das Setup weniger poliert als Claude Code oder Codex.
Nächster Durchlauf
Der Benchmark diente als Test: derselbe Schachspiel-Prompt für beide Läufe, zuerst mit unkonfiguriertem Pi, dann mit dem konfigurierten Setup. Die finale Umsetzung enthält Rochade, En passant, Umwandlung, Schachmatt, Patt und Remis-Regeln.
Aufgabe: Ein spielbares Schachspiel mit legalen Zügen, Bot-Logik, Zugliste und Spielende bauen.
Die finale Umsetzung enthält Rochade, En passant, Umwandlung, Schachmatt, Patt und Remis-Regeln.
In meinem Vergleich lieferte der konfigurierte Pi-Workflow das klar stärkste Ergebnis.

Beim Projekt geht es nicht darum, Claude Code oder Codex eins zu eins zu ersetzen. Es geht um ein portables, dokumentiertes und überprüfbares Backup unter eigener Kontrolle, das ich nutzen kann, wenn ich es brauche.
Kein 1:1-Ersatz für Claude Code oder Codex, sondern ein Backup unter eigener Kontrolle.
Das Projekt-Setup ist portabel, dokumentiert und kann nach der Installation überprüft werden.
GLM 5.2 ist eine praxistaugliche Option, um unabhängig weiterzuarbeiten, solange der Workflow rundherum klar ist.
Transparenter als ein geschlossener Anbieter: jede Schicht ist sichtbar und anpassbar.

Ich muss Claude Code oder Codex heute nicht in jeder Situation ersetzen. Sie sind schneller startklar und stärker poliert. Der Wert dieses Projekts ist ein anderer: Ich habe jetzt ein Setup, das ich verstehe, verschieben, prüfen und erweitern kann, wenn ein Anbieter die Regeln ändert. Pi gibt mir diese Basis und GLM 5.2 zeigte, dass ein Open-Source-Modell mit einem guten Workflow bereits brauchbare Coding-Ergebnisse liefern kann.
Mehr Tools und mehr Subagents machen einen Agenten nicht automatisch besser.
Das Modell allein ist nicht die ganze Antwort. Der Workflow rundherum zählt.
Das Setup bleibt unter meiner Kontrolle, portabel und erweiterbar.
