Strukturierte Entwicklungs-Workflows, in denen Agenten Scaffolding, Tests und Dokumentation übernehmen. Damit das Team sich auf die Entscheidungen konzentriert, die zählen.
Wer ein Plugin zur Code-Vervollständigung einsetzt, ändert wenig. Wer den Workflow verändert, nachdem recherchiert, Entwicklungsarbeit geplant und umgesetzt wird, ändert sehr viel. Agentic Engineering ist, wie wir heute Software bauen.
Auf Kundenprojekten von Commerce-Plattformen bis zu vollständigen Website-Relaunches arbeiten unsere Teams nach einem AI-first-Modell: Agenten treiben die Implementierung, Menschen treffen die Entscheidungen. Die Delivery wird schneller, die Qualität konsistenter, und jede Architekturentscheidung hat einen Audit-Trail.
Wir ersetzen ungeplanten KI-Einsatz durch einen wiederholbaren Zyklus: Research, Plan, Implement. Jedes nicht-triviale Feature beginnt mit einer dokumentierten Analysephase, bevor Code geschrieben wird. Ein zweiter Agent prüft den Plan auf Lücken und Scope Creep. Die Umsetzung läuft Phase für Phase, mit menschlicher Freigabe an jedem Checkpoint.
Wir richten den Workflow ein und übergeben ihn. Interne Teams werden an laufenden Tickets geschult. Wir bauen die Skills und Commands für den jeweiligen Stack mit Einbindung von Konventionen, Regelwerk und Tools. Danach läuft der Workflow ohne uns.
Generisches KI-Tooling kennt euren Codebase nicht, eure Framework-Konventionen nicht und euer Definition of Done nicht. Wir bauen projektspezifische Skills — für statische Analyse, Test-Generierung, Code-Review und Branch-Management — die eure Standards kodieren und automatisch anwenden.
Wir verbinden Claude Code mit euren bestehenden Tools: Jira, GitLab, Confluence, eurer Datenbank, eurem CMS, euren Figma-Dateien. Der Entwicklungskontext lebt im Workflow, nicht in einzelnen Köpfen. Agenten rufen Ticket-Kontext ab, führen Queries aus, pushen in Registries und öffnen Merge Requests direkt aus dem Terminal.
Bevor Code committed wird, prüft ein Agent den Diff auf Logikfehler, Performance-Probleme, fehlende Tests und Style-Verstöße. Branch-Naming, Commit-Messages, Rebasing und Pushing laufen automatisch. Das Team prüft die Befunde, nicht den Boilerplate.
Für framework-spezifische Arbeit — Spryker-Modul-Generierung, Migrationsanalyse, Pipeline-Diagnose, Test-Impact-Assessment — bauen wir fokussierte Sub-Agenten, die die Domain kennen und innerhalb definierter Grenzen arbeiten.
KI hat keinen Zugriff auf Produktivsysteme. Deployment-Aktionen erfordern explizite menschliche Freigabe. Sämtlicher generierter Code durchläuft das Standard-Review-Verfahren vor dem Merge. Diese Regeln sind in die Projektkonfiguration eingebettet, nicht nur in Teamabsprachen.
Wir beginnen jedes Projekt damit, ein AI-Regelwerk zu definieren: Coding-Konventionen, Architektur-Grenzen, Testanforderungen und Tool-Berechtigungen. Diese landen in einer Konfigurationsdatei, die jeder Agent liest, bevor er etwas tut. Das Regelwerk reist mit dem Codebase und gilt fürs gesamte Team.
Die Arbeit erfolgt in Phasen. Research bringt Entscheidungen ans Licht, bevor die Implementierung beginnt. Planning produziert einen strukturierten, checkbox-getriebenen Plan, den ein zweiter Agent auf Vollständigkeit prüft, bevor das Team ihn freigibt. Die Implementierung folgt dem Plan Phase für Phase; der Fortschritt wird in einer Datei getrackt, die gleichzeitig als Übergabedokument dient. Das Team gibt an jedem Checkpoint frei. Nichts deployed ohne menschliche Entscheidung.
Dieses Modell haben wir auf Greenfield-Projekten und auf bestehenden Codebases eingesetzt. Es funktioniert in beide Richtungen.
Die interessanteste Arbeit war immer schon die Architektur. Mit unserem agentischen Ansatz ist das wieder der Schwerpunkt — und wir kommen deutlich schneller zu sichtbaren Ergebnissen.
Thomas Kühnel
Co-CTO
Turbine Kreuzberg
AI Tech Stack
Wir richten den vollständigen RPI-Workflow ein, zusammen mit Spryker-spezifischen Agenten, die Facade-Patterns, Transfer Objects und Modul-Architektur kennen. Custom Skills übernehmen Test-Generierung und statische Analyse automatisch.
Wir verbinden Figma, CMS und Claude Code über MCP-Server. Agenten extrahieren exakte Design-Specs, generieren Komponenten und registrieren sie in Server- und Client-Registries. Jede Komponente hat einen Styleguide-Eintrag, bevor sie deployed wird.
Wir analysieren das aktuelles Setup, definieren das AI-Regelwerk gemeinsam mit eurem Team, entwickeln die passenden Skills und Commands für euren Stack und führen das Team in den RPI-Zyklus ein.
Sprechen wir über Development-Workflows und die Beschleunigung durch Agentic Engineering.
