ROACH PI – Open-Source-Erweiterung, die AI-Coding-Agenten technische Disziplin verleiht
(github.com/tmdgusya)GitHub: https://github.com/tmdgusya/roach-pi
Nachdem kürzlich der Claude-Code-Quellcode geleakt wurde, rückte erneut in den Fokus, dass Nutzer überhaupt nicht wissen können, welche Prompts in AI-Coding-Agenten intern eingespeist werden und welche Abläufe dort stattfinden.
ROACH PI ist eine Erweiterung des pi-Coding-Agenten (https://github.com/badlogic/pi-mono), ein Open-Source-Projekt, bei dem alle Prompts, Agent-Definitionen, Tools und Event-Hooks offengelegt sind.
Was macht es?
AI-Coding-Agenten sind zwar gut darin, Code zu schreiben, aber einer Struktur zu vertrauen, die ohne Planung arbeitet und den selbst geschriebenen Code auch noch selbst verifiziert, ist schwierig.
ROACH PI löst dieses Problem mit Multi-Agent-Orchestrierung.
- Wendet den Software-Engineering-Lebenszyklus Klärung → Planung → Ausführung → Validierung → Bereinigung auf AI-Agenten an
- Ausführungsagent (Worker) und Validierungsagent (Validator) sind als getrennte Prozesse isoliert; der Validator kann die Ausgabe des Workers nicht sehen (Informationsisolierung)
- Eine Worker-Validator-Schleife mit erneuter Ausführung bei fehlgeschlagener Validierung sichert die Qualität
Hauptfunktionen
- 12 spezialisierte Agenten: Erkundung, Ausführung, Planung, Validierung, Code-Bereinigung + 5 unabhängige Reviewer (Machbarkeit, Architektur, Risiko, Abhängigkeiten, Nutzerwert)
- Ultraplan: Komplexe Aufgaben werden von 5 Reviewern parallel analysiert und anschließend in ein Meilenstein-Abhängigkeits-DAG zerlegt
- Long Run: Große Aufgaben werden in Meilensteine aufgeteilt, sodass Planung, Ausführung und Validierung wiederholt werden können. Dank checkpoint-basierter Fortsetzung kann auch nach Kontextverlust weitergearbeitet werden
- Verhaltens-Geländer: Karpathy-Regeln (kein Schreiben vor dem Lesen, nur chirurgische Änderungen), Rob-Pike-Regeln (keine Optimierung ohne Messung), systematisches Debugging (zuerst reproduzieren) usw. werden den Agenten automatisch injiziert
- AI-Slop-Cleaner: Bereinigt nach der Ausführung automatisch in 6 Schritten typische Code-Smells von LLMs
- Session Loop: Plant wiederkehrende Aufgaben im Cron-Stil (
/loop 5m git 상태 체크)
Transparenz
- Trefferquote des Prompt-Caches kann in Echtzeit eingesehen werden
- Nutzung des Kontextfensters, aktive Tools, Branch und Modellinformationen werden im Footer angezeigt
- Agent-Definitionen sind Markdown-Dateien mit YAML-Frontmatter, Skills sind reines Markdown — alles ist bis auf die einzelne Codezeile vollständig einsehbar
- Kein versteckter System-Prompt. Das gesamte Verhalten steht unverändert im Quellcode
Installation
pi install git:github.com/tmdgusya/pi-engineering-discipline-extension
1 Kommentare
Das Video können Sie unten ansehen.