Die rasante Entwicklung im Bereich der Künstlichen Intelligenz hat in den letzten Jahren große Veränderungen in der Softwareentwicklung bewirkt. Besonders hervorzuheben sind die Möglichkeiten, die Agentic Large Language Models (LLMs) bieten. Diese intelligenten Modelle können nicht nur eigenständig Code generieren, sondern auch komplexe Projektstrukturen verstehen und umsetzen. Dabei stellt der Plan/Execute-Zyklus eine wirkungsvolle Methode dar, um die Zusammenarbeit zwischen dem Entwickler und dem LLM zu optimieren und bessere Ergebnisse zu erzielen, insbesondere bei größeren Projekten. Agentic LLMs wie Claude Code oder ähnliche werden zunehmend in Programmierprozesse integriert, um Entwicklungszeiten zu verkürzen und die Qualität des Codes zu verbessern.
Gleichzeitig entsteht aber die Herausforderung, dass die schiere Komplexität eines Projekts dem LLM oft Schwierigkeiten bereitet. Hier greift der Plan/Execute-Zyklus als strukturierte Herangehensweise, die eine klare Trennung zwischen Planung und Umsetzung einer Programmieraufgabe ermöglicht. Im Kern besteht der Plan/Execute-Zyklus aus zwei Phasen: Zunächst wird eine detaillierte Planung erstellt, in der das LLM oder der Entwickler die Umsetzung eines Features oder einer Funktion genau durchdenkt und beschreibt. Anschließend folgt die Ausführungsphase, in der der Code basierend auf dieser Planung generiert und iterativ verbessert wird. Diese Methode liefert den Vorteil, dass durch gezieltes Planen die spätere Code-Implementierung deutlich effizienter und zielgerichteter verläuft.
Ein wesentlicher Bestandteil dieses Zyklus ist die Dokumentation der Planphase in Form von sogenannten PLAN-Dateien, die für jedes neue Feature angelegt werden. In diesen Dateien wird nicht nur die Funktionalität beschrieben, sondern auch ein ausformuliertes Vorgehen zur Umsetzung. Diese strukturierte Beschreibung ermöglicht es dem LLM, den Kontext besser zu verstehen und Folgeaufgaben präzise zu bearbeiten. Gleichzeitig können Entwickler und LLM in mehreren Iterationen gemeinsam den Plan verfeinern, bevor die Umsetzung startet. Das iterative Arbeiten an der Planung hilft, potenzielle Probleme frühzeitig zu erkennen und zu adressieren.
Dabei wird nicht nur die Funktionalität erweitert, sondern auch technische Details und Stilvorgaben berücksichtigt. Durch den Austausch von Ideen und Anpassungen an der Planung wird die Umsetzung später zielgerichteter und Fehlerquellen werden minimiert. Nach Abschluss der Planungsphase erfolgt die sogenannte Execute-Phase. In dieser wird der Code basierend auf dem zuvor erarbeiteten Plan generiert. Dabei empfiehlt es sich, in jeder Iteration den generierten Code sorgfältig zu überprüfen und gegebenenfalls Korrekturen durch das LLM vornehmen zu lassen.
Durch dieses iterative Vorgehen entsteht ein dynamischer Feedback-Prozess, der sicherstellt, dass die Implementierung den Anforderungen entspricht und qualitativ hochwertig ist. Ein entscheidender Vorteil dieser Methode zeigt sich vor allem bei Projekten, deren Codebasis eine gewisse Größe überschritten hat. Untersuchungen und Erfahrungen aus der Praxis zeigen, dass Agentic LLMs bei Projekten bis zu etwa 4.000 Zeilen Code sehr zügig und effektiv arbeiten. Darüber hinaus werden sie bei größeren Projekten bis zu rund 8.
000 Zeilen Code merklich langsamer und weniger zuverlässig. Bei umfangreicheren Codebasen geraten konventionelle Vorgehensweisen an ihre Grenzen. Hier hilft die planbasierte Herangehensweise, um den komplexen Gesamtüberblick strukturiert aufzubauen und einzelne Arbeitsschritte gezielt anzugehen. Durch die systematische Trennung von Planung und Ausführung können komplexe Änderungen und neue Features in klar fassbaren Einheiten organisiert werden. Das ermöglicht es dem LLM, sich stets auf einen klar umrissenen Teilbereich zu konzentrieren, ohne vom Gesamtprojekt überwältigt zu werden.
Gleichzeitig erleichtert eine gut gepflegte Dokumentation den Wissensaustausch und macht die Projekte auch für andere Entwickler besser zugänglich. Es empfiehlt sich, neben den PLAN-Dateien eine übergeordnete Notizdatei zu pflegen, die wichtige projektspezifische Regeln, Stilvorgaben und technische Anweisungen enthält. Diese NOTES.md-Datei wird idealerweise im Repository abgelegt und regelmäßig erweitert. Sie dient als zentrale Wissensquelle für das LLM und gewährleistet eine einheitliche Kodierweise über die gesamte Codebasis hinweg.
Themen wie Standort der wichtigsten APIs, Architekturentscheidungen oder besondere Codierungsrichtlinien finden hier ihren Platz. Die Erfahrung zeigt, dass gerade bei größeren Projekten eine informierte und sorgfältig ausgearbeitete Übersicht über den Code für das LLM besonders hilfreich ist. Eine solche Übersicht über die Architektur und Funktionsweise des Projekts ermöglicht es dem LLM, präziser auf komplexe Anforderungen zu reagieren und die Codequalität gezielter zu gewährleisten. Um die Planung nachhaltig zu gestalten, taucht die Frage auf, ob es sinnvoll ist, die LLM-generierten Pläne dauerhaft im Projekt zu behalten. Einerseits bieten diese Pläne wertvolle Einblicke in die Gedankenstruktur und Herangehensweise bei der Implementierung einzelner Features.
Andererseits besteht die Herausforderung darin, die Pläne bei Änderungen aktuell zu halten, um Widersprüche zum tatsächlichen Code zu vermeiden. Eine mögliche Lösung ist, die Pläne in einem gesonderten Ordner oder einer Dokumentationsstruktur im Repository zu organisieren und bei jeder größeren Änderung automatisch das LLM mit der Aktualisierung der entsprechenden Pläne zu beauftragen. Im Vergleich zum Ziel, allein mit einfachen „Implementierung bitte“-Anfragen das volle Potenzial der LLMs zu nutzen, bringt der Plan/Execute-Ansatz klare Vorteile. Durch die bewusste Planung wird nicht nur die Arbeit der KI unterstützt, sondern auch der menschliche Entwicklerprozess optimiert. So ist nicht nur gewährleistet, dass die Arbeitsschritte nachvollziehbar bleiben, sondern es entstehen auch deutlich stabilere und wartbarere Softwareprodukte.
Technisch bedingt sind die derzeitigen Plan/Execute-Verfahren jedoch noch iterativ und erfordern oft mehrere Schleifen, um zu zufriedenstellenden Ergebnissen zu kommen. Dies bedeutet, dass Entwickler einen aktiven Dialog mit dem LLM führen und die Planung mehrfach überarbeiten, nachdem sie die Umsetzungsergebnisse geprüft haben. Dieser Dialog ist aber keineswegs ein Nachteil, sondern vielmehr Ausdruck eines gemeinsamen Lernprozesses, der sowohl die Fähigkeiten des LLM als auch das Verständnis der Entwickler kontinuierlich erweitert. Zukünftig ist zu erwarten, dass Verbesserungen bei LLMs sowie verbesserte Tool-Integrationen dazu beitragen werden, den Plan/Execute-Zyklus noch effizienter zu gestalten. Verbesserte Kontextverarbeitung, eine engere Einbindung von Versionskontroll-Systemen und automatisierte Testverfahren könnten dazu beitragen, die Prozessschritte weiter zu optimieren und Entwicklungszyklen zu verkürzen.
Für Entwickler, die mit agentischen LLMs arbeiten möchten, ist es daher ratsam, sich frühzeitig mit dem Plan/Execute-Zyklus vertraut zu machen und ihn in ihre Arbeitsabläufe zu integrieren. Das bewusste Management von Planung und Umsetzung steigert die Produktivität und führt insgesamt zu besseren Ergebnissen. Gleichzeitig ermöglicht die dokumentierte Planung auch neuen Teammitgliedern, sich schneller einzufinden und die Intentionen hinter Codeänderungen besser nachzuvollziehen. Abschließend bleibt festzuhalten, dass die Ergänzung menschlicher Kreativität und Expertise durch agentische LLMs durch den Plan/Execute-Zyklus enorme Chancen bietet. Er ist ein Werkzeug für Entwickler, um die Komplexität moderner Softwareprojekte zu meistern, schnell auf Veränderungen zu reagieren und die Qualität ihrer Software zu sichern.
Indem Planung und Ausführung klar voneinander getrennt, sorgfältig dokumentiert und iterativ verbessert werden, lässt sich das Potential von KI-gestützten Programmierpartnern optimal ausschöpfen und komplexe Herausforderungen erfolgreich bewältigen.
