KI-Agent Uebersicht

DevFlow ist fuer KI-gestuetzte Entwicklung gebaut. Es verbindet sich ueber ein standardisiertes Protokoll mit KI-Coding-Agents und gibt dem Agent strukturierten Zugriff auf deine Flows, Tasks und den Projektkontext. Der Agent arbeitet innerhalb desselben Workflows, den du auch in der UI siehst — Planung, Implementierung und Review — waehrend du bei jedem Schritt die Kontrolle behaeltst.

So funktioniert es

DevFlow kommuniziert mit KI-Agents ueber das Model Context Protocol (MCP). Das gibt dem Agent eine Reihe von Tools, um mit deinem Projekt zu interagieren:

Flows und Tasks lesen — Der Agent sieht, was zu tun ist
Plaene und Tasks erstellen — Der Agent gliedert die Arbeit in strukturierte Schritte
Fortschritt melden — Der Agent berichtet, was er getan hat
Zur Pruefung einreichen — Der Agent gibt die Arbeit zur Genehmigung an dich zurueck

Der Agent arbeitet nie im luftleeren Raum. Jede Aktion, die er ausfuehrt, ist in DevFlow sichtbar, und jede wichtige Entscheidung erfordert deine Genehmigung.

Unterstuetzte KI-Clients

DevFlow funktioniert mit jedem MCP-kompatiblen KI-Coding-Assistenten:

Client	Status
Claude Code	Vollstaendig unterstuetzt
Cursor	Unterstuetzt
Gemini CLI	Unterstuetzt
Windsurf	Unterstuetzt

Siehe MCP-Einrichtung fuer Installationsanleitungen pro Client.

Pipeline-Regeln

Die Pipeline steuert, wie Agent und Mensch bei jedem Schritt zusammenarbeiten. Jeder Step hat vier unabhaengige Einstellungen:

Einstellung	Beschreibung	Werte
Actor	Wer macht die Arbeit?	`human`, `agent`, `both`, `auto`
Transition Policy	Wer darf zum naechsten Schritt?	`human_only`, `agent_only`, `human_or_agent`, `auto`
Kind	Was fuer ein Schritt ist es?	`work`, `review`, `handoff`, `terminal`
Skippable	Kann der Schritt uebersprungen werden?	`true`, `false`

Diese Trennung bedeutet: Du kannst Steps konfigurieren, in denen der Mensch arbeitet, aber der Agent weiter darf (actor: human, transitionPolicy: human_or_agent), oder in denen der Agent arbeitet, aber ein Mensch genehmigen muss (actor: agent, transitionPolicy: human_only).

Presets

Drei eingebaute Presets konfigurieren die Pipeline fuer gaengige Szenarien:

Preset	Beschreibung
Off	Minimaler Prozess — Agent arbeitet frei, nur Execution-Step aktiv
Balanced	Standard-Workflow — Agent plant, Mensch genehmigt, Agent implementiert
Strict	Maximale Kontrolle — Reviews bei jedem Schritt, alle Steps aktiv

Du kannst einzelne Steps nach dem Anwenden eines Presets anpassen.

Agent-Status-Tracking

Du kannst jederzeit sehen, was der Agent gerade tut. Der Agent meldet seinen aktuellen Status waehrend der Arbeit:

Status	Bedeutung
Idle	Arbeitet gerade an nichts
Analyzing	Liest Anforderungen und erkundet die Codebasis
Planning	Erstellt einen Implementierungsplan
Implementing	Schreibt Code
Testing	Fuehrt Tests durch und verifiziert sie
Reviewing	Prueft die eigene Arbeit vor der Einreichung

Status-Indikator

Die Kopfleiste zeigt einen Agent-Status-Indikator an, wann immer der Agent aktiv arbeitet. Klicke darauf, um ein Dropdown mit Details zu oeffnen:

An welchem Flow der Agent arbeitet
Was der Agent gerade tut
Wie lange die aktuelle Session bereits laeuft

So hast du mit einem kurzen Blick den Ueberblick ueber die Agent-Aktivitaet, ohne deine aktuelle Ansicht verlassen zu muessen.

Offene Fragen

Manchmal braucht der Agent eine Klaerung, bevor er fortfahren kann. Wenn das passiert, erhaeltst du eine Benachrichtigung in DevFlow. Der Agent pausiert und wartet auf deine Antwort, bevor er weiterarbeitet.

So bleibt das Human-in-the-Loop-Prinzip intakt — der Agent raet nicht, wenn er unsicher ist.

Agent Sessions

Jede Arbeitseinheit, die der Agent ausfuehrt, wird als Agent Session protokolliert. Eine Session erfasst:

Start- und Endzeit — Wann der Agent mit der Arbeit begonnen und aufgehoert hat
Aktivitaetsprotokoll — Wichtige Entscheidungen, Fortschrittsmeldungen und aufgetretene Probleme
Zusammenfassung — Eine kurze Beschreibung dessen, was erreicht wurde

Du kannst alle Agent Sessions fuer einen Flow in der Flow-Detailansicht einsehen. So erhaeltst du eine vollstaendige Historie der KI-Arbeit, was fuer Auditing, Debugging oder das Verstaendnis, wie ein Feature gebaut wurde, nuetzlich ist.

Agent-Zeiterfassung

Die Arbeitszeit der KI wird getrennt von deiner eigenen Zeit erfasst. Diese Unterscheidung ist wichtig, weil:

Du sehen kannst, wie viel Zeit die KI im Vergleich zu dir aufgewendet hat
Zeitberichte den menschlichen und maschinellen Aufwand klar trennen
Du ein genaues Bild des gesamten Projektaufwands erhaeltst

Die Agent-Zeit wird automatisch aus den Start- und Endzeitstempeln der Sessions berechnet. Sie erscheint neben deinen manuellen Zeiteintraegen in der Flow-Detailansicht und im Projekt-Dashboard.

Zwei Modi: Interaktiv und Runner

DevFlow unterstuetzt zwei Arbeitsweisen mit KI:

Interaktiver Modus (MCP)

Du arbeitest in deinem IDE (Claude Code, Cursor, Codex, Gemini) und die KI folgt der DevFlow-Pipeline Schritt fuer Schritt. Du bist aktiv beteiligt — der MCP-Server verfolgt den Fortschritt und erzwingt Regeln.

Runner-Modus (Autonom)

Der DevFlow Runner ist ein lokales CLI-Tool das Flows autonom ausfuehrt. Er startet KI-Tools, verifiziert Ergebnisse objektiv (Exit-Codes, nicht KI-Meinung), und repariert sich selbst bei Fehlern.

Installation

Installation ueber den Agent Hub in DevFlow (Settings → Agent Hub → Install Runner). Der Wizard generiert einen Setup-Befehl:

npx https://api.app.dev-flow.tech/api/downloads/devflow-runner-latest.tgz setup --token dfr_xxx --url https://api.app.dev-flow.tech

Verwendung

# Watch-Modus starten -- verbindet per Socket.IO + pollt nach neuer Arbeit
devflow-runner watch

# Bestimmten Flow ausfuehren
devflow-runner run df-42

# Alle bereiten Flows ausfuehren
devflow-runner run --all

# Bis zum naechsten Human-Gate laufen
devflow-runner run df-42 --until-gate

# Dry Run -- sehen was passieren wuerde
devflow-runner run df-42 --dry-run

Konfiguration

Der Runner wird automatisch ueber den setup Befehl konfiguriert. Config liegt in ~/.devflow/:

# Manueller Override per Umgebungsvariable
export DEVFLOW_API_URL=https://api.app.dev-flow.tech
export DEVFLOW_API_TOKEN=dein-token

Oder erstelle .devflowrc.json im Projekt- oder Home-Verzeichnis:

{
  "apiUrl": "https://api.app.dev-flow.tech",
  "apiToken": "dein-token"
}

Du kannst eine Runner-Ausfuehrung auch ueber die DevFlow-UI starten — klicke den Start Runner Button auf einem Flow im ready oder in_progress State.

Kernprinzip: Die KI entscheidet nie ob sie fertig ist. Der Runner verifiziert objektiv und geht erst weiter wenn alle Checks bestanden sind.

Beide Modi nutzen die gleiche Pipeline-Konfiguration, die gleichen Skills, die gleichen Gates und die gleiche DevFlow-UI fuer Monitoring.

Was du brauchst

Um die KI-Agent-Integration zu nutzen, benoetigst du:

Einen KI-Assistenten, der MCP unterstuetzt — wie z.B. Claude Code, Cursor, Gemini CLI oder Windsurf
Den DevFlow MCP-Server — installiert und konfiguriert, um sich mit deiner DevFlow-Instanz zu verbinden
(Optional) Den DevFlow Runner — fuer autonome Flow-Ausfuehrung

Siehe MCP-Einrichtung fuer eine Schritt-fuer-Schritt-Installationsanleitung.