Claude Code ist ein von Anthropic entwickeltes agentisches Werkzeug für Softwareentwicklung, das ein Sprachmodell unmittelbar in der Kommandozeile arbeiten lässt. Es liest und ändert Dateien, führt Befehle aus, startet Tests und übernimmt damit Aufgaben, die zuvor Schritt für Schritt von Hand angewiesen wurden.
Zusammenfassung
Claude Code erschien am 24. Februar 2025 gemeinsam mit dem Modell Claude 3.7 Sonnet zunächst als begrenzte Forschungsvorschau.
Der Unterschied zu älteren Codeassistenten liegt weniger im Modell als in der Umgebung: Statt Textvorschläge in einem Editor anzuzeigen, erhält das System Zugriff auf die Werkzeuge, mit denen Entwickelnde ohnehin arbeiten – Dateisystem, Terminal, Versionsverwaltung, Testlauf.
Daraus folgt eine andere Arbeitsteilung. Die Aufgabe wird als Absicht formuliert, nicht als Folge von Anweisungen; das System zerlegt sie selbst, prüft seine Zwischenergebnisse an der Ausführung und legt das Ergebnis vor.
Diese Bauform hat eine eigene Praxis hervorgebracht: Nicht der einzelne Auftrag wird optimiert, sondern die Umgebung, in der das System arbeitet. Verhandelt wird sie unter Bezeichnungen wie Harness Engineering und Context Engineering.
Begriffsgeschichte
Der Ausdruck bezeichnet ein konkretes Produkt und keine allgemeine Technik – anders als Vibe Coding oder Agentic AI, die Praktiken benennen.
Die Vorgeschichte reicht zu den Codevervollständigungen der frühen 2020er Jahre zurück, die einzelne Zeilen oder Funktionen vorschlugen, ohne den Zustand des Projekts zu kennen. Der nächste Schritt waren Chatfenster im Editor, die Fragen zum geöffneten Code beantworteten, aber nichts ausführen konnten.
Claude Code verschiebt den Ansatz: Das Modell bekommt keine Auswahl an Kontext vorgesetzt, sondern beschafft ihn sich selbst, indem es Dateien sucht und liest. Der Preis dafür ist, dass es Befehle auf einem realen Rechner ausführt.
Nach der Forschungsvorschau folgte im Mai 2025 die allgemeine Verfügbarkeit. Später kamen Zugänge über Desktop-Anwendung, Weboberfläche und Erweiterungen für verbreitete Entwicklungsumgebungen hinzu.
Methodische Grundlagen
Die Schleife. Das System arbeitet in einem Kreislauf aus Beobachtung, Werkzeugaufruf und Auswertung: Es liest, ändert, führt aus, betrachtet die Ausgabe und entscheidet über den nächsten Schritt. Ein fehlgeschlagener Test ist damit kein Abbruch, sondern eine Rückmeldung.
Selbstbeschaffter Kontext. Statt eines festen Ausschnitts durchsucht das System das Projekt nach den Stellen, die es braucht. Das löst das Problem begrenzter Kontextfenster teilweise, verlagert es aber auf die Frage, ob die Suche das Richtige findet.
Dauerhafte Anweisungen. Projektbezogene Regeln werden in Kontextdateien abgelegt, die bei jedem Lauf mitgeladen werden. Damit lassen sich wiederkehrende Fehler dauerhaft abstellen, statt sie jedes Mal neu zu korrigieren.
Werkzeugerweiterung. Über das Model Context Protocol lassen sich externe Dienste anbinden – Datenbanken, Ticketsysteme, Browser. Die Fähigkeiten des Systems ergeben sich damit ebenso aus seiner Ausstattung wie aus dem Modell.
Berechtigungen. Weil das System schreibende Befehle ausführt, ist die Frage, was es ohne Rückfrage tun darf, eine Entwurfsentscheidung mit Sicherheitsfolgen. Die gängigen Abstufungen reichen von Bestätigung bei jedem Schritt bis zum unbeaufsichtigten Lauf.
Anwendungsfelder
Umbauten über viele Dateien. Der praktisch stärkste Fall ist die mechanische, aber weitverzweigte Änderung: eine Schnittstelle umbenennen, ein Muster ersetzen, eine Abhängigkeit austauschen. Die Arbeit ist gleichförmig, der Aufwand liegt in der Vollständigkeit.
Fehlersuche. Da das System Tests ausführen und Ausgaben lesen kann, lässt sich die Fehlersuche als Schleife führen: Hypothese, Prüfung, Verwerfen. Der Vorzug gegenüber reiner Codebetrachtung ist, dass die Ausführung entscheidet und nicht die Vermutung.
Erschließung fremder Projekte. Fragen zu einer unbekannten Codebasis lassen sich beantworten, indem das System sie durchsucht, statt dass jemand sie vorher aufbereitet.
Routinen jenseits des Codes. Weil die Umgebung eine gewöhnliche Kommandozeile ist, geraten auch Aufgaben in Reichweite, die mit Programmierung wenig zu tun haben – Dateien ordnen, Daten umformen, Berichte erzeugen.
Kontroversen und Kritik
Prüfbarkeit der Ergebnisse. Je größer die übertragene Aufgabe, desto weniger wird das Ergebnis noch gelesen. Der Zeitgewinn verschiebt sich damit in ein Risiko, das erst später sichtbar wird – ein Muster, das unter dem Stichwort Vibe Coding kritisch diskutiert wird.
Ausführungsrechte. Ein System, das Befehle ausführt, ist ein Angriffsziel. Werden Anweisungen aus Daten übernommen – aus einer Fehlermeldung, einer Bibliotheksbeschreibung, einer Webseite –, kann es zu Handlungen kommen, die niemand beauftragt hat.
Kosten und Verbrauch. Agentische Arbeit ist rechenintensiv, weil jeder Schritt Kontext liest und erzeugt. Der Aufwand je Aufgabe liegt um Größenordnungen über dem einer Frage im Chatfenster.
Abhängigkeit vom Anbieter. Werkzeug, Modell und Abrechnung stammen aus einer Hand. Wer Arbeitsweisen darauf ausrichtet, bindet sich an Entscheidungen über Preise, Verfügbarkeit und Modellwechsel, auf die er keinen Einfluss hat.
Wirkung auf das Lernen. Ein wiederkehrender Einwand betrifft weniger die Qualität des Ergebnisses als die des Verstehens: Wer Aufgaben abgibt, die er noch nicht selbst beherrscht, erwirbt die Fähigkeit nicht mehr, mit der er das Ergebnis beurteilen könnte.
Was sich mit dem Werkzeug verschiebt
Bemerkenswert an dieser Bauform ist, dass sie den Ort der Verbesserung verlagert. Solange ein Modell einzelne Antworten gab, lag die Verbesserung in der Formulierung der Frage. Sobald es in einer Umgebung handelt, liegt sie in der Gestaltung dieser Umgebung.
Praktisch heißt das: Ein Fehler wird nicht durch eine bessere Anweisung behoben, sondern durch eine Vorkehrung, die ihn künftig ausschließt – eine Regel in der Kontextdatei, ein Prüfschritt, ein Werkzeug, das die fehleranfällige Handarbeit ersetzt.
Damit ähnelt die Arbeit weniger dem Erteilen von Aufträgen als dem Einrichten eines Arbeitsplatzes. Was ein solches System leistet, hängt in erheblichem Maß davon ab, was jemand vorher dafür getan hat – und dieser Anteil ist in Leistungsvergleichen zwischen Modellen nicht abgebildet.
Verwandte Begriffe
- Anthropic – Entwicklerin des Werkzeugs
- Claude (Anthropic) – zugrunde liegende Modellfamilie
- Agentic AI – übergeordnete Systemklasse
- Harness Engineering – Praxis, die Umgebung statt Anweisung verbessert
- Context Engineering – verwandte Disziplin
- Vibe Coding – Praxis, deren Kritik den Prüfbarkeitseinwand trägt
- Model Context Protocol – Schnittstelle zur Werkzeugerweiterung
- Computer Use – verwandter Ansatz mit grafischer statt textueller Oberfläche
Quellenangaben
- Anthropic, 2025. Claude 3.7 Sonnet and Claude Code. anthropic.com/news, 24. Februar 2025.
- Anthropic, 2025. Effective Context Engineering for AI Agents. Anthropic Engineering Blog, 29. September 2025.
- Anthropic, laufend. Claude Code Documentation. docs.anthropic.com
- Anthropic, laufend. Model Context Protocol. modelcontextprotocol.io
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.