Über mich Portfolio Referenzen Leistungen Blog Kontakt 🎙 Mit KI sprechen
EN DE RU
🎙 Mit KI sprechen
November 16, 2026 · 5 min read

Wenn 5 KI-Agenten in dasselbe Repository schreiben, beginnt das Chaos am zweiten Tag: wie Source Control für Agenten die Kontrolle zurückbringt

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau Ich bin Denis Shokhirev, Agentic AI Systems Architect in Freiburg im Breisgau, Germany, und bei DennisCraft AI Studio setze ich produktive KI-Systeme für DACH-B2B-Kunden auf Basis von Claude, Supabase, n8n, Doppler und selbst betriebenem Postgres um. Der kritische Moment in der agentischen Softwareentwicklung entsteht nicht dann, wenn ein Agent schlechten Code schreibt, sondern dann, wenn 5 Agenten gleichzeitig brauchbaren Co

Denis Shokhirev
Denis Shokhirev
Agentic AI Systems Architect
Telegram LinkedIn

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau

Ich bin Denis Shokhirev, Agentic AI Systems Architect in Freiburg im Breisgau, Germany, und bei DennisCraft AI Studio setze ich produktive KI-Systeme für DACH-B2B-Kunden auf Basis von Claude, Supabase, n8n, Doppler und selbst betriebenem Postgres um. Der kritische Moment in der agentischen Softwareentwicklung entsteht nicht dann, wenn ein Agent schlechten Code schreibt, sondern dann, wenn 5 Agenten gleichzeitig brauchbaren Code in dasselbe Repository schreiben und am zweiten Tag niemand mehr sauber erklären kann, wer eine Migration beschädigt, eine Schutzregel entfernt oder vertrauliche Konfiguration in einen Commit gebracht hat.

Das ist nicht einfach ein Git-Problem. Es ist ein Steuerungsproblem. Klassische Versionsverwaltung geht von menschlichen Autorinnen und Autoren aus, die Kontext, Absicht und Verantwortung mitbringen. In agentischen Abläufen entsteht dagegen eine hohe Taktzahl kleiner, voneinander abhängiger Änderungen. Ohne klare Verzweigungsregeln, Dateigrenzen, Prüfungen und Herkunftsnachweise wird das Repository schnell zu einem unübersichtlichen Protokoll statt zu einem steuerbaren Entwicklungsartefakt.

Warum das Problem ab Tag zwei sichtbar wird

Am ersten Tag sieht alles geordnet aus. Ein Agent erzeugt Endpunkte, ein weiterer schreibt Tests, ein dritter aktualisiert Dokumentation, ein vierter ändert SQL, ein fünfter passt einen n8n-Ablauf an. In einer Vorführung wirkt das effizient. Ab dem zweiten Tag entsteht Zustandsdrift. Ein Agent arbeitet auf einem veralteten Branch-Stand, ein anderer korrigiert Formatierungsfehler und verändert dabei globale Importe, ein dritter erzeugt Dateien neu, die bereits angepasst wurden, und ein vierter schreibt einen Token in eine Konfigurationsdatei, weil im Arbeitskontext keine Regel für Geheimnisse definiert war.

Typische Fehlerbilder im Produktivbetrieb

In meinen Projekten wiederholen sich vier Muster. Erstens: Kollisionen in gemeinsam genutzten Dateien wie Abhängigkeitslisten, Migrationsordnern, Schemas oder API-Verträgen. Zweitens: veralteter Kontext, also korrekte Bearbeitung einer Aufgabe auf falschem Repository-Stand. Drittens: Regelverstöße wie hartkodierte Zugangsdaten, nicht parametrisierte SQL-Abfragen oder problematische Shell-Aufrufe. Viertens: fehlende Verantwortlichkeit, weil zwar ein Commit existiert, aber nicht eindeutig nachvollziehbar ist, welcher Agent ihn unter welcher Aufgabe, mit welchem Modell und nach welchen Prüfungen erzeugt hat.

OWASP nennt im Top-10-Projekt für LLM-Anwendungen unter anderem unsichere Ausgabeweiterverarbeitung und zu weitreichende Handlungsfreiheit als reale Risikoklassen. Für agentisch erzeugten Code ist das direkt relevant. Wenn Modell-Ausgaben Dateien ändern, Prozesse anstoßen oder Bereitstellungen beeinflussen, ist die Steuerung des Änderungswegs ebenso wichtig wie die Modellqualität. Quelle: OWASP GenAI Project, 2025, https://owasp.org/www-project-top-10-for-large-language-model-applications/

Was ich unter Source Control für Agenten verstehe

Ich meine damit kein neues Produkt, sondern ein Betriebsmuster auf Basis von Git. Ein Agent sollte nicht dieselben Freiheiten wie eine erfahrene Entwicklerin oder ein erfahrener Entwickler erhalten. Er arbeitet in einem begrenzten Korridor: eigener Branch, klar definierter Dateibereich, verpflichtende Prüfungen und vollständige Herkunftsdaten zu jeder Änderung.

EbeneMenschAgent
IdentitätName und E-Mailagent_id, task_id, Modell, Prompt-Hash
Verzweigungfeature/*agent/{agent_id}/{task_id}
BerechtigungBreiter ZugriffPfadbasierte Allowlist
PrüfungenReview + CIReview + CI + Regelprüfungen
Rücknahmegit revertgit revert + Agent deaktivieren

Die Grundidee ist einfach: Ein Agent schreibt nicht direkt in den Codebestand, sondern schlägt eine Änderung vor. Diese Änderung muss mindestens so streng geprüft werden wie der Beitrag einer unerfahrenen Entwicklerin oder eines unerfahrenen Entwicklers. Wenn ein Agent direkt in main schreiben darf, fehlt die betriebliche Kontrolle.

Ein Mindestaufbau, der sich im Produktivbetrieb bewährt

1. Branches und Dateibereiche trennen

Jeder Agent erhält einen eigenen Branch und einen erlaubten Dateibereich. Ein Dokumentationsagent sollte keine Datenbankmigration ändern. Ein Agent für den Datenzugriff sollte keine n8n-Abläufe anpassen, sofern dies nicht ausdrücklich erlaubt ist. Das verkleinert die Konfliktfläche und macht Prüfungen lesbar.

#!/usr/bin/env bash
set -euo pipefail

AGENT_ID="$1"
TASK_ID="$2"

git fetch origin main
git checkout -B "agent/${AGENT_ID}/${TASK_ID}" origin/main

printf "agent_id=%s\n" "$AGENT_ID" > .agent_meta
printf "task_id=%s\n" "$TASK_ID" >> .agent_meta
printf "created_at=%s\n" "$(date -u +%FT%TZ)" >> .agent_meta

2. Herkunftsdaten außerhalb der Commit-Nachricht speichern

Für Ursachenanalysen reicht die Git-Historie nicht aus. Ich speichere Metadaten zu Agenten-Commits in Postgres, damit nachvollziehbar bleibt, welcher Agent unter welcher Aufgabe welchen Stand erzeugt hat.

import os
import psycopg
from datetime import datetime, timezone

conn = psycopg.connect(os.environ["DATABASE_URL"])
with conn, conn.cursor() as cur:
    cur.execute(
        """
        insert into agent_commits
        (agent_id, task_id, commit_sha, branch, model, created_at)
        values (%s, %s, %s, %s, %s, %s)
        """,
        (
            os.environ["AGENT_ID"],
            os.environ["TASK_ID"],
            os.environ["COMMIT_SHA"],
            os.environ["BRANCH_NAME"],
            os.environ["MODEL_NAME"],
            datetime.now(timezone.utc),
        ),
    )

3. Regelprüfungen vor dem Merge erzwingen

Für Python-lastige Systeme reicht oft ein pragmatischer Start mit semgrep, bandit und gitleaks. Diese Werkzeuge ersetzen keine fachliche Prüfung, entfernen aber viele vermeidbare Fehler, bevor sie in Staging oder Produktion gelangen.

name: agent-pr-checks
on: [pull_request]
jobs:
  verify:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: returntocorp/semgrep-action@v1
      - run: pip install bandit
      - run: bandit -r src -q
      - uses: gitleaks/gitleaks-action@v2

Warum das in DACH und regulierten Bereichen stärker zählt

Wer KI-Systeme für Fintech, Logistik oder industrielle Automatisierung bereitstellt, bewegt sich nicht nur in einem technischen, sondern auch in einem prüfbaren Rahmen. DSGVO, ISO 27001, BSI Grundschutz, NIS2 und der EU AI Act erhöhen den Druck auf Nachvollziehbarkeit, Zugriffssteuerung und Änderungsdokumentation. Wenn ein Kunde fragt, wer eine Entscheidungslogik, einen Dokumentenprozess oder einen Datenzugriffspfad geändert hat, reicht die Aussage „ein Agent hat das gemacht“ nicht aus.

Ich achte deshalb auf drei Eigenschaften: Nachvollziehbarkeit, Wiederholbarkeit und Widerrufbarkeit. Nachvollziehbarkeit bedeutet, dass der Weg von der Aufgabe bis zum Merge rekonstruiert werden kann. Wiederholbarkeit bedeutet, dass dieselben Prüfungen auf demselben Dateistand erneut ausführbar sind. Widerrufbarkeit bedeutet, dass sich ein einzelner Agent oder eine Berechtigung gezielt abschalten lässt, ohne den gesamten Ablauf zu blockieren.

Anthropic betont in der Dokumentation zu Claude und Werkzeugnutzung die Bedeutung von Berechtigungen, kontrolliertem Werkzeugzugriff und menschlicher Aufsicht in agentischen Abläufen. Das deckt sich mit meiner Erfahrung im Produktivbetrieb. Ein Agent mit zu viel Werkzeugfreiheit erzeugt oft lokal sinnvolle, aber betrieblich riskante Änderungen. Quelle: Anthropic Docs, 2026, https://docs.anthropic.com/

Welches Betriebsmodell ich empfehle

Ich rate nicht dazu, sofort ein vollständig autonomes „KI-Entwicklungsteam“ aufzusetzen. Ein verlässlicher Aufbau ist nüchterner. 1 oder 2 Agenten erzeugen Code und Tests. Ein weiterer Agent prüft Diffs auf Regelverstöße. Der Merge in einen geschützten Branch bleibt bei einer verantwortlichen Person oder bei einem eng begrenzten Dienstkonto, nachdem alle Prüfungen bestanden sind.

RolleAufgabeNicht erlaubt
Code-AgentAbgegrenzte Codeänderungen erstellenDirekt nach main mergen
Prüf-AgentDiff und Regeln prüfenFachlogik eigenständig ändern
Verantwortliche PersonMerge-Risiko freigebenFehler erst nachträglich blind suchen

Ja, das ist langsamer, als alle Agenten direkt schreiben zu lassen. Im Produktivbetrieb wähle ich fast immer kontrollierte Geschwindigkeit statt einer eindrucksvollen Autonomie-Vorführung, besonders dort, wo personenbezogene Daten, Finanzprozesse oder ERP-Integrationen betroffen sind.

FAQ

Darf ein Agent direkt nach main schreiben, wenn alle Tests grün sind?

Ich würde das ohne Pfadbegrenzungen und zusätzliche Regelprüfungen nicht zulassen. Grüne Tests finden weder Geheimnisse noch viele unsichere Codemuster.

Reicht eine menschliche Codeprüfung aus?

Nein, nicht bei mehreren Agenten und hoher Änderungsfrequenz. Die menschliche Prüfung sollte bereits gefilterte Diffs bewerten und nicht die einzige Sperre vor dem Merge sein.

Warum brauche ich zusätzliche Agentenprotokolle, wenn Git vorhanden ist?

Git zeigt das Ergebnis, aber nicht immer den Entscheidungskontext: Aufgabe, Modell, Prompt-Hash, verwendete Werkzeuge und Prüfergebnisse.

Mit welchen Prüfungen sollte ich beginnen?

Ein sinnvoller Einstieg sind geschützte Branches, gitleaks, semgrep und bandit. Dieser Basissatz ist schnell eingeführt und verhindert früh viele vermeidbare Fehler.

Ist das nur für große Teams relevant?

Nein. Schon bei kleinen Teams mit 2 oder 3 aktiven Agenten steigt die Änderungsmenge schneller als das menschliche Verständnis des Gesamtsystems.

An welcher Stelle Ihrer LLM-Pipeline finden Sie im Produktivbetrieb die meisten Probleme: bei der statischen Analyse, in der Diff-Prüfung, im Staging oder erst zur Laufzeit? Diese Rückmeldung interessiert mich besonders im Vergleich zu Projekten, die ich in DACH begleite.
Ich biete einen kostenlosen 30-Minuten-Stack-Audit für DACH-Gründerinnen und -Gründer an, die KI in regulierten Märkten bauen. Schreiben Sie mir auf LinkedIn oder an @ger_dennis_ai.

Für Ihren Betrieb

Solche Agenten baue ich für Betriebe in Südbaden und ganz Deutschland.

Schreiben Sie in zwei Sätzen, was bei Ihnen Zeit frisst – Antwort innerhalb von 24 Stunden.

KI-Agenten entwickeln lassen →
Weiterlesen
Wie Sie im MCP-Chaos nicht untergehen: Mehr als 50 Remote-MCP-Server existieren bereits, aber ohne Auswahl wird Ihr Produktivagent zum Sicherheitsloch
Ihr KI-Agent scheitert an mobiler Benutzeroberfläche: wie Sie iOS und Android über MCP anbinden und reale Abläufe statt Screenshot-Demos ausführen
Ein gestohlener Schlüssel brachte 5.000 Entwickler in Gefahr: was der Cursor-Vorfall und eine trojanisierte Claude-Code-Erweiterung für die Sicherheit von KI-IDEs ändern
Ihre Kunden fragen ChatGPT nach einem Handwerksbetrieb. Nennt es Ihr Unternehmen
Alle Artikel →
Wo das im Betrieb ankommt
KI-Telefonassistent — Anrufe annehmen, wenn niemand kann
KI-Automatisierung für Betriebe in Freiburg und der Ortenau
KI-Agentur in Freiburg — gebaut statt weiterverkauft
KI-Telefonassistent fürs Handwerk — Notfälle erkennen, Aufträge sichern
DSGVO-konforme KI — was das praktisch bedeutet
Bereit für den nächsten Schritt?

Aus einem Ablauf ein System machen, das läuft

Gebaut für den Betriebsalltag, nicht als Demo.

Projekt anfragen → ← Alle Artikel