- Ein Interview über den Workflow von Peter Steinberger, der mit AI-Agenten allein im Januar mehr als 6.600 Commits verzeichnete
- Moltbot (früher Clawdbot) verzeichnet derzeit das schnellste Star-Wachstum in der Geschichte von GitHub und überholt beim Google-Suchvolumen Claude Code und Codex
- Peter entwickelt, indem er gleichzeitig 5–10 Agenten betreibt und sich statt auf Code-Reviews auf Architekturdiskussionen konzentriert
- Um effektiv mit AI zusammenzuarbeiten, ist es entscheidend, eine Schleife zu entwerfen, in der Agenten selbst kompilieren, linten, testen und validieren können
- Ingenieure, die eher ergebnis- und systemdesignorientiert denken als auf Implementierungsdetails fixiert sind, passen sich besser an AI-native Entwicklung an
Wer ist Peter Steinberger?
- Gründer, der PSPDFKit zu einem globalen Entwickler-Tool-Business ausgebaut hat
- Er ist nach einer dreijährigen Pause zurückgekehrt und stellt diesmal LLMs und AI-Agenten ins Zentrum seines Workflows
- Die Erfahrung, ein Entwicklerteam mit mehr als 70 Personen geführt zu haben, lehrte ihn, Perfektionismus loszulassen – eine Fähigkeit, die heute seine Effizienz bei der Arbeit mit AI-Agenten steigert
- Im Januar 2026 verzeichnete er in nur einem Monat mehr als 6.600 Commits und zeigte damit als Einzelentwickler eine außergewöhnliche Produktivität
- Die gesamte Arbeit geschah an persönlichen Projekten, nicht in einem Unternehmen, und er genießt das Entwickeln selbst
Moltbot und das explosive Wachstum
- Auf GitHub wurde die schnellste Star-Wachstumsrate aller Zeiten verzeichnet; selbst im Vergleich zu Tailwind CSS ist die Wachstumskurve beispiellos
- In der vergangenen Woche lag das Google-Suchvolumen über dem kombinierten Suchvolumen von Claude Code und Codex
- Peters Formulierung: "Anhand der Commits könnte es wie ein Unternehmen wirken, aber in Wirklichkeit bin ich nur eine Person, die zu Hause zum Spaß programmiert"
Zehn zentrale Lehren aus einem AI-Agenten-basierten Workflow
- Perfektionismus aufgeben: Wer akzeptiert, dass Code nicht immer dem eigenen Geschmack entspricht, kann mit Agenten deutlich effizienter arbeiten
- Die Schleife schließen: Das System muss so entworfen sein, dass AI-Agenten selbst kompilieren, linten, ausführen und validieren können
- Pull Requests sind tot, „Prompt Requests“ sind im Kommen: Wichtiger als der Code selbst ist es, den Prompt zu sehen, der den Code erzeugt hat
- Code-Reviews verschwinden und werden durch Architekturdiskussionen ersetzt: Selbst auf Discord diskutiert das Kernteam nicht über Code, sondern nur über Architektur und große Entscheidungen
- 5–10 Agenten gleichzeitig betreiben und so einen „Flow-Zustand“ aufrechterhalten
- Jeder Agent arbeitet parallel an einer anderen Funktion
- Erheblich Zeit in die Planung investieren, mit einer Präferenz für Codex
- Durch wiederholte Gespräche mit dem Agenten wird ein robuster Plan entwickelt
- Den Plan hinterfragen, anpassen und widerlegen; wenn man zufrieden ist, wird ausgeführt und zum Nächsten übergegangen
- Codex kann lange Aufgaben eigenständig bearbeiten, während Claude Code häufig zur Klärung zurückkommt und dadurch ablenkt
- Bewusst weniger konkrete Prompts verwenden, um auch unerwartete Lösungen zu entdecken
- Lokales CI ist besser als Remote-CI: Statt 10 Minuten auf Remote-CI zu warten, führen die Agenten Tests lokal aus
- Der meiste Code ist langweilige Datentransformation: Darauf muss man sich nicht versteifen; die Energie sollte in Systemdesign fließen
- Ingenieure, die sich mehr für Ergebnisse als für Implementierungsdetails interessieren, arbeiten gut mit AI zusammen
- Ingenieure, die gern Algorithmus-Rätsel lösen, tun sich schwerer mit dem Wechsel zu „AI-native“
- Wer gern Produkte ausliefert, passt sich besser an
Sicht auf die Zukunft des Software Engineerings
- AI hat Software Engineering nicht getötet – eher das Gegenteil
- Peter ist ein Softwarearchitekt, der die High-Level-Struktur eines Projekts im Kopf behält
- Er achtet stark auf Architektur, technischen Schuldenstand, Skalierbarkeit und Modularität
- Einer der Gründe für den Erfolg von Moltbot ist seine hervorragende Skalierbarkeit
- Es wurde Energie investiert, damit sich neue Funktionen leicht hinzufügen lassen
- Als „wohlwollender Diktator“ des Projekts wahrt er Konsistenz in Richtung und Stil
Kontext und Grenzen
- Moltbot ist ein experimentelles Projekt mit schneller Iteration als Grundannahme und noch in Arbeit
- „Schnell handeln und Dinge kaputt machen“ ist für solche Projekte die einzige Erfolgsstrategie
- Das lässt sich nicht ohne Weiteres auf jedes Team oder jedes Produkt übertragen
- Trotzdem gilt es als Beispiel dafür, eine Nachfrage entdeckt zu haben, die selbst große AI-Labore nicht erwartet hatten
Noch keine Kommentare.