Von handgeschriebenem Code zu KI-verwalteter Software: DHH schreibt Python-Bibliothek mit Claude neu
Vor einem Jahr war Rails-Erfinder David Heinemeier Hansson (DHH) noch einer der entschiedensten Verteidiger der Freude am handgeschriebenen Code. Heute vertritt er eine ganz andere Position.
Von handgeschriebenem Code zu KI-verwalteter Software: DHH schreibt Python-Bibliothek mit Claude in Rust neu
Einleitung
Vor einem Jahr zählte Rails-Gründer David Heinemeier Hansson (DHH) noch zu den bekannten Entwicklern, die die Freude am handgeschriebenen Code verteidigten.
Heute sieht seine Position völlig anders aus.
Nachdem DHH mehr Zeit mit Claude Code und Codex verbracht hat, hat er kürzlich die Python-Bibliothek TerminalTextEffects mit Claude Fable 5 in Rust neu geschrieben. Laut dem Quellartikel verbrauchte das Projekt etwa 11 Millionen Tokens und wurde überwiegend durch unbeaufsichtigte Agenten-Workflows umgesetzt.
Das Ergebnis ist bemerkenswert: Die Startzeit sank Berichten zufolge von 87 Millisekunden auf 2 Millisekunden, die Rendering-Geschwindigkeit verbesserte sich um etwa das 9,6-Fache.
Dieses Experiment wirft auch eine größere Frage auf. Wenn ein erfahrener Programmierer groß angelegte Umschreibungsaufgaben an KI-Agenten delegieren kann und fast ohne direkte Intervention brauchbare Ergebnisse erhält – was müssen Programmierer in fünf Jahren dann überhaupt noch tun?
Die Tastatur an KI übergeben und dann in den Ruhestand gehen?
Der Gegensatz zwischen DHH und seiner Position vom letzten Jahr ist offensichtlich.
Im Mai 2025 veröffentlichte er „Programmieren sollte sich wie ein Gefühl anfühlen!“, in dem er argumentierte, dass KI eher wie ein Pair-Programmierer sein sollte: geeignet zum Nachschlagen von APIs, Beantworten von Fragen und Helfen bei spezifischen Problemen, aber nicht dazu, den Akt des Code-Schreibens selbst zu ersetzen.
Der Quellartikel zitiert eine noch stärkere Position: Wenn Entwickler am Ende die Tastatur vollständig an KI übergeben müssten, würde DHH lieber in den Ruhestand gehen.
In einem sechsstündigen Gespräch mit Lex Fridman beschrieb DHH außerdem, wie er das Gefühl der „Muskelgedächtnis“ verlor, als KI wiederholt Code für ihn generierte.
Ein Beispiel betraf die Erstellung einer Linux-Distribution. Er ließ die KI mehrfach dieselbe Bash-Bedingungsanweisung generieren, stellte jedoch fest, dass er innerlich nicht das Gefühl hatte, sie wirklich gelernt zu haben, weil er sie nie selbst angefasst hatte.
Dies brachte ihn zu einer tieferen Frage: Untergräbt KI-unterstütztes Programmieren allmählich die Art und Weise, wie Entwickler Software-Engineering lernen?
Aber laut Quellartikel hatte sich seine Position bis April 2026 hin zu agenten-orientierten Workflows verschoben.
Heute diskutiert er öffentlich: Wie wird Softwareentwicklung aussehen, wenn die Tastatur nicht mehr die primäre Schnittstelle ist?
Claude Fable 5 zerlegt Python-Bibliothek und baut sie mit Rust neu auf
Das von DHH gewählte Projekt ist TerminalTextEffects (TTE), eine Engine für terminale visuelle Effekte, die sowohl als Kommandozeilenanwendung als auch als Python-Bibliothek verwendet werden kann.
TTE bietet Textbewegung, Farben, Verläufe, Animationen und andere terminale visuelle Effekte. Sein öffentliches Repository beschreibt es als Engine für terminale visuelle Effekte und dokumentiert sowohl die CLI- als auch die Python-Bibliotheksnutzung.
Der Quellartikel besagt, dass DHH Claude bat, das Projekt in Rust neu zu schreiben.
Das daraus entstandene Rust-Projekt heißt ttfx und wurde unter DHHs Omarchy-Organisation platziert. Laut Artikel kann die neue Version 37 Effekte ausführen und ist als etwa 3 MB große ausführbare Datei verpackt, die keine Python-Laufzeitumgebung benötigt.
Die Ausführung dauerte Berichten zufolge etwa 3 Stunden und 11 Minuten.
Die Rust-Implementierung umfasst etwa 21.000 Zeilen Hauptcode, was in etwa dem Umfang der ursprünglichen Python-Version entspricht.
Der Codebasis.
Der Workflow unterscheidet sich auch grundlegend von herkömmlicher „KI-Autovervollständigung“.
Der Quellartikel erwähnt, dass acht Agenten parallel auf unabhängigen Branches arbeiteten. Sie lasen jeweils den Code, generierten die Implementierung, kompilierten die Ergebnisse, führten Tests aus, behoben Fehler und gingen dann in die nächste Runde.
In diesem Sinne bedeutet die Beschreibung „in einem Durchgang fertig“ nicht, dass KI alles durch eine einzige Generierung hervorgebracht hat. Es bedeutet vielmehr, dass DHH die Aufgabe übergab und die Agenten den Entwicklungszyklus selbstständig übernahmen.
Codex wurde dieselbe Aufgabe übertragen
DHH wiederholte das Experiment mit Codex.
Laut Quellartikel reichte eine einzige Eingabeaufforderung aus, um ein weiteres starkes Ergebnis zu erzielen. Allerdings benötigte die Codex-Version Berichten zufolge etwa 30 % länger und kostete etwa 43 US-Dollar, was ungefähr 290 RMB entspricht.
Dieser Vergleich ist wertvoll, weil er die Aufmerksamkeit von der vereinfachten Vorstellung weglenkt, dass „KI-Programmierung entweder magisch oder schlecht ist“.
Zwei verschiedene Programmier-Agenten können mit derselben breiten Aufgabe betraut werden und brauchbare Ergebnisse liefern, während sie sich in Geschwindigkeit, Kosten und Workflow-Verhalten unterscheiden.
Auch das Anthropic-Team bemerkte dieses Experiment.
Berichten zufolge reagierte der Schöpfer von Claude Code, Boris Cherny, öffentlich auf das Ergebnis, und der Anthropic-Forscher Thariq fragte DHH, wie viel Planung oder Workflow-Design er in die Umschreibung investiert habe.
DHHs Antwort war wohl der überraschendste Teil.
Er sagte, er habe Claude im Wesentlichen einen Plan erstellen lassen und sich dann zurückgezogen.
Keine sorgfältig ausgearbeiteten vorgefertigten Workflows, keine langen Listen manuell definierter Meilensteine und keine kontinuierliche Intervention zur Steuerung.
Diese Herangehensweise war bewusst eine Haltung der Nichteinmischung.
Ein Durchgang bedeutet nicht blind
Hier gibt es einen wichtigen Unterschied.
Eine vollständig autonome Codierungsaufgabe hängt dennoch davon ab, dass die Agenten genügend Informationen haben, um zu beurteilen, was die Erfolgskriterien sind.
Der Quellartikel besagt, dass DHH zuerst Claude bat, einen Plan zu erstellen, und dann die Agenten die Ausführung, das Testen und die Iteration selbst übernehmen ließ.
Das kommt eher einer Delegation eines Software-Engineering-Projekts nahe als der Aufforderung an ein Autovervollständigungssystem, die nächsten zehn Codezeilen zu generieren.
Dieser agentenorientierte Entwicklungsstil hängt in hohem Maße ab von:
- Code-Repositories mit verständlicher Struktur.
- Robusten automatisierten Test-Suiten.
- Klaren Build- und Run-Befehlen.
- Der Fähigkeit, Branches zu erstellen und Änderungen zusammenzuführen.
- Agenten, die Fehler überprüfen und es erneut versuchen können.
Ohne diese Grundlagen wird die „ein Durchgang“-Automatisierung erheblich unzuverlässiger.
Die größere Demonstration: Buns Millionen-Zeilen-Migration
TerminalTextEffects ist immer noch ein relativ kleines Projekt.
Daher verweist der Quellartikel auf einen größeren Fall: Bun, die von Jarred Sumner erstellte JavaScript-Laufzeitumgebung.
Bun war historisch um Zig herum aufgebaut. Im Jahr 2026 durchlief seine Codebasis eine bedeutende Migration zu Rust, wobei KI-Codierungsagenten umfassend eingesetzt wurden.
Der Quellartikel beschreibt diese Arbeit als eine Migration von etwa einer Million Zeilen, die in weniger als zwei Wochen abgeschlossen wurde.
Spätere öffentliche Aufzeichnungen bestätigen, dass die Rust-Neuimplementierung von Bun in dessen Haupt-Repository zusammengeführt wurde. Der Pull-Request auf GitHub zur Neuimplementierung wurde am 14. Mai 2026 zusammengeführt; diese Migration ersetzte die bisherige Zig-orientierte Build-Pfad-Architektur durch eine Rust-orientierte Architektur.
Die Migration ist differenzierter als ein einfaches „KI hat Bun neu geschrieben“.
Jarred Summers öffentliche Darstellung, zusammengefasst von Simon Willison, beschreibt einen komplexen agentenorientierten Workflow mit dynamischer Aufgabenzerlegung, Probeläufen, adversarischer Überprüfung und wiederholter Validierung.
Das ist eine bedeutsame Unterscheidung.
Groß angelegte KI-unterstützte Software-Migrationen erfordern weiterhin erhebliches Engineering der Architektur. Der Unterschied besteht darin, dass die meiste Implementierungsarbeit jetzt an Agenten delegiert werden kann, sobald die umgebenden Systeme ausreichend gut entworfen sind.
Die Grenzkosten von Code tendieren gegen null
Der Quellartikel zieht aus diesen Beispielen eine größere Schlussfolgerung.
Mit der Verbesserung der Fähigkeiten von Codierungs-Agenten sinken die Grenzkosten für die Erzeugung einer weiteren Implementierung kontinuierlich.
Das Generieren von Code wird immer billiger.
Testen, Refactoring, Portieren zwischen Sprachen und Iterieren gegen Fehler können zunehmend parallel von Agenten durchgeführt werden.
Das verändert die Kostenstruktur der Softwareentwicklung.
Die Frage ist nicht mehr nur:
Wie viele Entwickler können wir einstellen, um diesen Code zu schreiben?
Sie wird zunehmend zu:
Wie viele nützliche Softwareaufgaben kann ein einzelner Entwickler an eine Gruppe von KI-Agenten delegieren?
Das ist der Wandel von KI-unterstütztem Programmieren hin zu KI-verwalteter Softwareentwicklung.
Die nächste Generation von Programmierern könnte eher wie Drachenzähmer sein
Die offensichtliche Angst ist, dass Programmierer verschwinden, wenn weniger Menschen Code direkt schreiben oder lesen.
Der Quellartikel argumentiert, dass diese Schlussfolgerung zu vereinfacht ist.
„Niemand schreibt Code von Hand“ bedeutet nicht „keine Programmierer“.
Die Arbeit kann sich verschieben.
Anstatt den Großteil des Tages mit der zeilenweisen Implementierung von Funktionen zu verbringen, könnten Entwickler mehr Zeit aufwenden für:
- Definition dessen, was gebaut werden muss.
- Festlegung von Einschränkungen und Schnittstellen.
- Design des Testsystems.
- Überprüfung von Architektur und Kompromissen.
- Prüfung, ob der von KI generierte Code tatsächlich korrekt ist.
- Entscheidung, was automatisiert werden sollte und was nicht.
In diesem Modell ist die knappe Fähigkeit nicht mehr das Tippen von Syntax.
Es ist das Wissen darum, was es wert ist, gebaut zu werden, und was korrektes Verhalten tatsächlich bedeutet.
Wenn KI Code schreibt: Was wird wertvoll?
Wenn Implementierung zunehmend billiger wird, werden andere Fähigkeiten wertvoller.
Produkturteilsvermögen
Es braucht weiterhin jemanden, der entscheidet, welche Probleme es wert sind, gelöst zu werden. KI
Es können schnell zehn Implementierungen erzeugt werden, aber das sagt dir nicht, welches Problem wirtschaftlichen Wert hat, welche Kompromisse entscheidend sind oder welche Funktion zuerst entwickelt werden sollte.
Systemdesign
Agenten können Funktionen und Klassen schreiben, aber größere Systeme erfordern weiterhin Grenzen, Schnittstellen, Datenmodelle, Bereitstellungsregeln und Zuverlässigkeitsanforderungen.
Tests
Je mehr Code KI erzeugen kann, desto wichtiger werden automatisierte Tests.
Ohne eine robuste Validierungsebene erhöht eine höhere Kodiergeschwindigkeit nur die Menge an potenziell fehlerhaftem Code.
Technische Ausrichtung
Jemand muss dem Agenten mitteilen, welche Einschränkungen zu beachten sind.
Dazu gehören Leistungsbudgets, Kompatibilitätsanforderungen, Sicherheitsgrenzen, Abhängigkeiten und langfristige Wartungsziele.
Mit anderen Worten: Die Rolle des Menschen verschiebt sich auf eine höhere Abstraktionsebene.
In Zukunft geht es möglicherweise weniger ums Kodieren und mehr
um das Lenken
Die Beispiele im Quellartikel verweisen auf eine alternative Definition von Programmierung.
Entwickler müssen Code möglicherweise immer noch tief greifend verstehen, aber das Hauptprodukt ist nicht mehr unbedingt die Quelldatei selbst.
Das Produkt ist ein System aus Anforderungen, Einschränkungen, Tests und Urteilsvermögen, das das Entstehen korrekter Software ermöglicht.
Aus diesem Grund können erfahrene Ingenieure auch dann wertvoll bleiben, wenn das manuelle Kodieren weniger zentral wird.
Diejenigen, die Architektur, Fehlermodi, Benutzeranforderungen und Systemverhalten verstehen, sind besser in der Lage, autonome Kodieragenten zu steuern.
Häufige Fragen
Hat DHH wirklich die Python-Bibliothek mit KI neu geschrieben?
Dem Quellartikel zufolge: ja. Der Rails-Gründer David Heinemeier Hansson verwendete Claude Fable 5 und schrieb TerminalTextEffects mit einem stark delegierenden Multi-Agenten-Workflow von Python nach Rust um.
Was ist TerminalTextEffects?
TerminalTextEffects (kurz TTE) ist eine Engine für visuelle Terminaleffekte, die auch als Python-Bibliothek verwendet werden kann. Die öffentliche Dokumentation beschreibt Effekte für Textbewegung, Farben, Farbverläufe, Animationen und andere visuelle Terminalverarbeitungen.
Wie unterscheidet sich die Rust-Neuschreibung von gewöhnlicher KI-Kodierung?
Der Quellartikel beschreibt mehrere Agenten, die in unabhängigen Branches arbeiteten, Code kompilierten, Tests ausführten, Fehler behoben und Ergebnisse zusammenführten. Der entscheidende Unterschied besteht darin, dass die KI den größten Teil des Entwicklungszyklus übernahm, nicht nur verstreute Codezeilen vorschlug.
Hat Codex die Neuschreibung ebenfalls durchgeführt?
Dem Quellartikel zufolge gab DHH Codex dieselbe breit gefasste Aufgabe, mit ebenfalls hervorragendem Ergebnis. Es dauerte angeblich etwa 30 % länger und kostete rund 43 US-Dollar.
Wurde auch Bun mit KI-Agenten neu geschrieben?
Ja. Die umfangreiche Zig-zu-Rust-Neuschreibung von Bun wurde mit starker Unterstützung durch KI-Agenten durchgeführt; der neu geschriebene, Rust-bevorzugte Code wurde im Mai 2026 in den Hauptzweig eingeführt.
Werden Programmierer verschwinden, wenn KI den Großteil des Codes schreibt?
Nicht unbedingt. Die Veränderung könnte darin bestehen, dass Programmierer weniger Zeit mit der Eingabe von Implementierungsdetails verbringen und mehr Zeit mit der Definition von Anforderungen, Einschränkungen, Architektur, Tests und Abnahmekriterien.
Welche Fähigkeiten sind in KI-Kodier-Workflows am wichtigsten?
Starkes Systemdesign, Testen, Debugging, Produkturteilsvermögen und die Fähigkeit, klare Einschränkungen zu definieren, werden besonders wichtig. Zu wissen, wie man von KI generierten Code überprüft und validiert, ist ebenfalls entscheidend.
Verwandte Werkzeuge
- Claude Code: Die agentische Kodierumgebung von Anthropic für Entwicklungsarbeit auf Repository-Ebene.
- OpenAI Codex: Der Kodieragent von OpenAI für mehrstufige Softwareentwicklungsaufgaben.
- TerminalTextEffects: Das im Quellartikel besprochene Python-Projekt für Terminaleffekte.
- Bun: Eine JavaScript-Laufzeitumgebung, die 2026 eine bedeutende Neuschreibung von Zig nach Rust abgeschlossen hat.
- Rust: Die Systemprogrammiersprache, die für die Neuschreibungen von TTE und Bun verwendet wurde.
Verwandte Links
- TerminalTextEffects GitHub-Repository: Das offizielle Quellcode-Repository von TTE.
- TerminalTextEffects-Dokumentation: Nutzungs- und Entwicklungsdokumentation des Projekts.
- Bun GitHub-Repository: Das offizielle Quellcode-Repository von Bun.
- Bun Rust-Neuschreibungs-Pull-Request: Der zusammengeführte Pull-Request für die Zig-zu-Rust-Migration.
- Rust-Website: Offizielle Dokumentation und Ökosystem-Ressourcen der Sprache Rust.
- Claude Code: Offizielle Informationen über den Programmieragenten von Anthropic.
Zusammenfassung
Das TerminalTextEffects-Experiment von DHH ist ein nützliches Beispiel dafür, wie KI-Programmieragenten die Einheit der Softwarearbeit verändern können. Entwickler bitten die KI nicht mehr darum, jeweils nur eine Funktion zu schreiben, sondern delegieren zunehmend ganze Refactoring- und Migrationsaufgaben an Agententeams.
Die Neuschreibung von Bun deutet in größerem Maßstab in dieselbe Richtung: Wenn Repository, Tests, Werkzeuge und Workflows robust genug sind, kann KI jetzt an breiten, mehrstufigen Softwareentwicklungsarbeiten teilnehmen.
Die größte Veränderung könnte nicht sein, dass KI mehr Code schreibt, sondern dass sich die Arbeit von Programmierern vom Schreiben von Code hin zur Definition dessen verschiebt, was der Code erreichen soll – und zum Nachweis, dass er es tatsächlich erreicht.