Wie Claude Code zusammenwirkt: Skills, Subagenten, MCP, Hooks, Plugins

Was Claude Code architektonisch ist

Claude Code funktioniert am besten, wenn es als aggressives Orchestrierungssystem für Softwareentwicklung verstanden wird – und nicht als Code-Generator, den man anweist. Es sammelt Projektkontexte, ermittelt, was benötigt wird, verwendet Tools, leitet Aufgaben an spezialisierte Unteragenten weiter, kommuniziert mit externen Systemen, führt Aktionen aus, überprüft das Ergebnis und beginnt den Prozess erneut, falls etwas nicht stimmt.

Kurz gesagt besteht das Verhalten aus einem Zyklus von Kontextsammeln, Handeln und Ergebnisüberprüfen. Das Sprachmodell ist nur ein Bestandteil; es wird von Kontextverwaltung, wiederverwendbaren Workflows, spezialisierten Arbeitsprozessen, Tools, Integrationen, deterministischer Automatisierung und Überprüfungen umgeben.

Vergleichen Sie die beiden Abläufe. Ein traditioneller Code-Assistent erhält eine Anfrage, erzeugt Code und gibt eine Antwort zurück. Eine agentbasierte Lösung geht von den Anforderungen aus, versteht den Kontext, wählt geeignete Fähigkeiten aus, führt Aktionen aus, validiert das Ergebnis, iteriert und liefert schließlich das Ergebnis. Nehmen wir eine Anfrage nach einer Testdatei: Ein agentbasiertes Workflow könnte den Repository durchsuchen, die vorhandenen Testkonventionen erkennen, die betroffene API finden, Tests schreiben, diese ausführen, analysieren, was fehlschlug, die Implementierung anpassen, erneut validieren und mit einem Zusammenfassung abschließen. Der große Wandel besteht darin, von Codeerstellung zu Ausführung und Überprüfung von Aufgaben überzugehen.

CLAUDE.md: dauerhafter Projektkontext

CLAUDE.md ist die beständige Kontextschicht des Projekts. Sie enthält Dinge wie Codierkonventionen, Architekturentscheidungen, die Struktur des Repositoriums, Build- und Testbefehle, Teststandards, Sicherheitsregeln sowie Kriterien dafür, was als abgeschlossen gilt. Ein Auszug daraus könnte wie folgt aussehen:

• Framework: Playwright mit TypeScript
• UI-Tests werden über npm run test:e2e ausgeführt, API-Tests über npm run test:api
• Anmeldeinformationen werden niemals hardcodiert
• Jeder neue API-Endpunkt benötigt negative Tests

So müssen Ingenieure dieselben Konventionen nicht immer wieder erklären. Betrachten Sie die Datei als Antwort auf die Frage "Wie funktioniert dieses Projekt?"

Die Datei sollte stabile Kenntnisse enthalten, die Claude immer wieder benötigt: Repository-Konventionen, Anforderungen an Tests, Architekturprinzipien, Kompilierbefehle, Namensregeln, Sicherheitsanforderungen sowie Teamgewohnheiten. Sie sollte nicht zu einem umfangreichen Handbuch mit Schritt-für-Schritt-Anleitungen für jede mögliche Aufgabe werden. Eine praktische Trennlinie besteht darin, dass CLAUDE.md beschreibt, was Claude über das Projekt wissen sollte, während eine Skill erklärt, wie eine bestimmte Art von Arbeit durchgeführt wird. Sie getrennt zu halten erleichtert die Wartung und sorgt für einen klareren Kontext.

Skills: wiederverwendbare Expertise

Eine Skill fasst wiederverwendbare Expertise als Workflow zusammen. Sie kann Anleitungen, Skripte sowie unterstützende Ressourcen für eine spezialisierte Tätigkeit enthalten: API-Testing, Code-Review, Sicherheitsprüfung, Refactoring, Dokumentenerstellung oder Regressionstests. Durch das Einmalige Schreiben des Workflows entfällt die Notwendigkeit, dieselbe Aufgabe immer wieder Claude zu erklären. Eine Skill beantwortet somit, wie diese Art von Arbeit erledigt wird.

Eine Skill zum API-Testing könnte beispielsweise diese Schritte in der richtigen Reihenfolge durchgehen:

1. Das API-Vertragswerk identifizieren.
2. Die bereits vorhandenen Tests überprüfen.
3. Positive Szenarien erstellen.
4. Negative Szenarien erstellen.
5. Grenzkasusse erstellen.
6. Die Tests ausführen.
7. Fehler analysieren.
8. Einen Bericht erstellen.

Bei einer Anfrage wie „Fügen Sie eine Regressionstestabdeckung für die Zahlung-API hinzu“ geht die Skill nicht direkt dazu über, Testcode zu schreiben. Stattdessen wendet sie eine standardisierte Testmethodik an, sodass jede API nach dem gleichen organisatorischen Standard getestet wird.

CLAUDE.md versus Skills

Der Unterschied liegt im Kontext versus Verfahren. CLAUDE.md beschreibt das Projekt: API-Tests verwenden Playwright, jeder Endpunkt benötigt negative Tests, und die Anmeldeinformationen stammen aus Umgebungsvariablen. Eine API-Test-Skill beschreibt hingegen das Verfahren: Der Vertrag wird überprüft, positive, negative sowie Grenztests werden generiert, ausgeführt und die Fehler klassifiziert. Das eine beschreibt, was der Agent wissen muss, das andere, wie er die Arbeit durchführen soll.

Subagenten: Fokussierte Aufgaben delegieren

Unteragenten sind spezialisierte Arbeitskräfte, die eine fokussierte Aufgabe in ihrem eigenen Kontext erledigen und die Ergebnisse an den Hauptagenten zurücksenden. Ein Hauptagent kann Aufgaben an einen UI-Test-Unteragenten, einen API-Test-Unteragenten und einen Sicherheits-Unteragenten delegieren. Jeder untersucht seinen eigenen Bereich unabhängig, und der Hauptagent fügt ihre Ausgaben zu einem endgültigen Ergebnis zusammen.

Warum nicht ein einziger großer Agent?

Komplexe Ingenieurarbeiten haben oft mehrere unabhängige Aspekte. Eine neue Zahlungsfunktion könnte UI-Validierung, API-Regressionstests, Sicherheitsanalyse sowie Datenbanküberprüfung erfordern. Ein einziger Agent könnte versuchen, all das zu erledigen, doch der Kontext würde überhandnehmen und unverwandte Inhalte würden miteinander vermischt. Unteragenten bringen vier Vorteile mit sich:

• Kontextisolation: Jeder erhält nur die Informationen, die für ihn relevant sind.
• Spezialisierung: Jeder kann unterschiedliche Anweisungen befolgen.
• Paralleluntersuchung: Unabhängige Aufgaben können getrennt analysiert werden.
• Klare Hauptkontextstruktur: Zwischenprotokolle müssen nicht im primären Kontext des Orchestriersystems verbleiben.

Fähigkeit versus Unteragent

Eine Fähigkeit beschreibt wie die Arbeit erledigt werden soll, während ein Unteragent wer den spezialisierten Teil davon ausführt. Die Fähigkeit für API-Tests legt die Methodik des Unternehmens fest. Der Unteragent für API-Tests erhält eine bestimmte API und analysiert sie mithilfe geeigneter Anweisungen und Tools.

Unteragenten und das Kontextfenster

Agentenaufgaben erzeugen viele Zwischenergebnisse. Eine Sicherheitsüberprüfung kann beispielsweise Abhängigkeitsanalysen, Erkenntnisse zu Authentifizierung und Autorisierung, Sicherheitsprotokolle, Code-Suchergebnisse sowie Testergebnisse liefern. Das Einbringen all dieser Informationen in den Hauptagent erschwert im Laufe der Zeit die Orchestrierung. Ein Sicherheitsunteragent kann die Untersuchungen eigenständig durchführen und ein kompaktes Ergebnis zurückgeben – beispielsweise zwei kritische Erkenntnisse, vier mittlere Erkenntnisse, empfohlene Änderungen sowie die erforderlichen Tests. Der Hauptagent erhält somit nur das Endergebnis und nicht jeden einzelnen Schritt dazwischen. Die Isolation des Kontexts ist daher sowohl ein architektonischer Vorteil als auch eine Erleichterung.

MCP und Tools

Was MCP ist

MCP steht für Model Context Protocol. Es handelt sich um das Integrationssystem, über das ein Agent mit externen Systemen und Datenquellen kommuniziert. Auf der einen Seite befindet sich Claude Code, auf der anderen Seite GitHub, Jira, Datenbanken, APIs, Browser und Überwachungssysteme. Dadurch gelangt der Agent über die lokale Programmierumgebung hinaus zu den Systemen, die im gesamten Entwicklungslebenszyklus genutzt werden.

Die Softwareentwicklung bleibt selten ausschließlich im Editor. Ein Entwickler benötigt möglicherweise Jira für Anforderungen, GitHub für Quellcode und Pull-Requests, Datenbanken zur Validierung, Überwachungssysteme für Fehler in der Produktion sowie APIs für das Verhalten der Anwendung. Mit MCP kann ein Workflow ein Jira-Ticket lesen, das betroffene Repository untersuchen, die entsprechende API identifizieren, Tests erstellen, diese ausführen und einen Pull-Request öffnen. Der Programmieragent wird somit Teil eines umfassenderen Ingenieurprozesses.

MCP im Vergleich zu Tools

Es handelt sich dabei um nicht dasselbe. MCP ist das Protokoll oder die Integrationsschicht, während ein Tool die spezifische Funktion ist, die der Agent aufrufen kann. Ein Jira MCP-Server kann beispielsweise get_issue(), search_issues() und create_comment() bereitstellen. Diese Funktionen sind Tools, und MCP ist der Weg, über den sie erreichbar werden. Kurz gesagt: MCP ist die Verbindungsmethode für den Agenten, während ein Tool das beschreibt, was er tun kann.

Welche Tools stehen einem Agenten zur Verfügung

Tools ermöglichen es einem Agenten, Aktionen auszuführen. Ohne sie beschränkt sich ein LLM hauptsächlich auf das Denken und Schreiben von Texten. Mit Tools kann es Dateien lesen, um eine Implementierung zu verstehen, im Repository nach relevantem Code suchen, Dateien bearbeiten, um das Verhalten zu ändern, Befehle ausführen, um Tests durchzuführen, die Ausgabe lesen, um Fehler zu diagnostizieren, erneut bearbeiten, um den Fehler zu beheben, und die Validierung erneut durchführen, um dies zu bestätigen. Tools verwandeln einen Antwortgenerierer in einen aktiven Teilnehmer bei der Ingenieurarbeit.

Arten von Tools

Claude Code verfügt über eingebaute Funktionen zum Lesen und Bearbeiten von Dateien, zum Suchen in Code, zum Ausführen von Befehlen, zur Interaktion mit Ressourcen sowie zum Starten spezialisierter Subagenten-Arbeitsabläufe. MCP kann noch mehr bereitstellen. Es ist nützlich, sie nach ihrer Funktion zu sortieren:

• Beobachtungstools lesen, suchen und inspizieren.
• Aktionswerkzeuge schreiben, bearbeiten und ausführen.
• Integrationstools erreichen externe Plattformen.
• Delegierungswerkzeuge rufen spezialisierte Agenten auf.

Zusammen ermöglichen sie es dem System, seine Umgebung zu beobachten, Entscheidungen zu treffen, zu handeln und das Ergebnis zu überprüfen.

Hooks, Befehle und Plugins

Hooks

Hooks bieten deterministische, ereignisgesteuerte Automatisierung. Eine Skill kann Claude anweisen, bei der Überprüfung einer API Regressionstests auszuführen. Ein Hook funktioniert anders: Immer wenn ein bestimmtes Ereignis eintritt, wird automatisch eine Validierung durchgeführt. Nach einer Codeänderung könnte beispielsweise der Hook den Formatierer, anschließend die Lint-Prüfung sowie gezielte Tests auslösen und die Ergebnisse der Validierung zurückgeben. Das ist wertvoll, wenn bestimmte technische Kontrollen jedes Mal durchgeführt werden müssen.

Skills sind Arbeitsabläufe, die das Modell nutzen kann, während Hooks durch Ereignisse ausgelöste Automatisierungen sind. Eine Skill beschreibt den empfohlenen Ablauf für eine Code-Review. Ein Hook führt unmittelbar nach jeder Dateiänderung eine Lint-Validierung durch. Skills helfen dem Modell dabei, zu verstehen, wie es arbeiten soll, und Hooks sorgen dafür, dass wichtige Aktionen bei bestimmten Ereignissen ausgeführt werden.

Warum Hooks in der Produktion wichtig sind

Generative KI ist probabilistisch, daher sollten Teams sich nicht darauf verlassen, dass das Modell entscheidet, ob eine wichtige Kontrolle ausgeführt wird. Wenn jede Änderung Formatierung, Linting, Sicherheitsscans sowie Unit-Tests durchlaufen muss, können diese Schritte der deterministischen Automatisierung zugeordnet werden und nicht dem Urteilsvermögen des Modells überlassen werden. Das Prinzip besteht darin, KI-basiertes Denken für flexible Entscheidungen und deterministische Automatisierung für verpflichtende Kontrollen einzusetzen – diese Trennung ist insbesondere in Unternehmensumgebungen von großer Bedeutung.

Befehle

Befehle sind ausdrücklich ausgelöste Workflows, wie zum Beispiel /review, /test und /debug. Das Eingeben von /review startet absichtlich einen vordefinierten Code-Review-Workflow. Ein Befehl signalisiert: „Ich möchte ausdrücklich diesen Workflow ausführen.“

Befehle werden vom Benutzer ausgelöst, während Hooks durch Ereignisse ausgelöst werden. Das Eingeben von /test ist ein expliziter Befehl. Die automatische Änderung des Quellcodes sowie das Ausführen von Tests als Reaktion darauf sind ereignisbasierte Automatisierung. Somit wird ein Befehl von einem Menschen ausgelöst, während ein Hook durch ein Ereignis ausgelöst wird.

Befehle und Fähigkeiten überschneiden sich auch, denn eine wiederverwendbare Fähigkeit kann einen Workflow bereitstellen, den Menschen absichtlich aufrufen. Eine Überprüfungsfunktion könnte in einer Fähigkeit enthalten sein und mit /review gestartet werden. Eine Fähigkeit enthält jedoch weitaus mehr als nur eine Anweisung: Anleitungen, unterstützende Ressourcen, Skripte sowie Konfigurationen, die um eine wiederverwendbare ingenieurtechnische Funktionalität herum angeordnet sind.

Plugins

Plugins paketieren und verteilen Erweiterungen. Stellen Sie sich eine Testorganisation vor, die eine API-Test-Funktion, eine Sicherheitstest-Funktion, einen API-Subagenten, einen Sicherheitssubagenten, Validierungs-Hooks sowie MCP-Integrationen entwickelt hat. Anstatt dass jeder Entwickler diese Umgebung neu erstellen muss, werden alle Komponenten als ein einziger Plugin bereitgestellt.

Deshalb sind Plugins für Unternehmen von Bedeutung. Sie heben das agentebasierte Engineering von der persönlichen Produktivität auf eine organisatorische Fähigkeit hinaus. Ohne gemeinsames Paketieren konfiguriert jeder Ingenieur die KI-Umgebung unterschiedlich. Ein Standard-Plugin kann Ingenieurstandards, Testmethoden, spezialisierte Agenten, Automatisierungsregeln sowie Integrationen bündeln, sodass jedes Projekt über identische Funktionen verfügt. Aus architektonischer Sicht gehören Plugins zur Steuerungs- und Standardisierungs-Schicht.

Wie die Komponenten zusammenwirken

Ein kompaktes Bild weist jeder Komponente eine Aufgabe zu:

• CLAUDE.md kennt das Projekt.
• Skills wissen, wie man arbeitet.
• Subagenten übernehmen delegierte, spezialisierte Aufgaben.
• Tools führen Aktionen aus.
• MCP verbindet sich mit externen Systemen.
• Hooks automatisieren Lebenszyklusereignisse.
• Befehle lösen Workflows auf Anfrage aus.
• Plugins packen Fähigkeiten zusammen und verteilen sie.

Claude Code steht in der Mitte und koordiniert sie. Sie lösen unterschiedliche architektonische Probleme und sind keine austauschbaren Funktionen.

Ein Workflow von Anfang bis Ende

Nehmen wir die Anforderung „Regressionsabdeckung für die neue Zahlung-API hinzufügen.“ Ein plausibler Ablauf sieht so aus:

1. Anforderung. Claude Code erhält die Anfrage.
2. Projektkontext. CLAUDE.md legt Teststandards, Befehle, Repository-Konventionen sowie Sicherheitsanforderungen fest.
3. Fähigkeitsauswahl. Eine API-Testing-Fähigkeit stellt die Methodik der Organisation bereit.
4. Delegation. Spezialisierte Unteragenten analysieren die Funktionalität der API, Sicherheitsaspekte sowie die Auswirkungen auf bestehende Funktionen.
5. Integrationen. MCP-verbindete Systeme gewähren Zugang zu relevanten externen Plattformen.
6. Tools. Claude Code liest Code, durchsucht Dateien, schreibt Tests und führt Befehle aus.
7. Validierung. Hooks führen Linting, Formatierung, gezielte Tests oder andere Überprüfungen durch.
8. Verifizierung. Claude bewertet die Ergebnisse und entscheidet, ob weitere Arbeiten erforderlich sind.
9. Endgültige Ausgabe. Der Agent gibt die Tests, ihre Ergebnisse, die Dokumentation sowie eine Zusammenfassung dessen zurück, was erledigt wurde.

Es handelt sich um einen vollständigen agentbasierten Entwicklungsworkflow, der weit entfernt von einfacher Codegenerierung ist.

Der agentbasierte Zyklus

Um das Kernmodell nochmals zu formulieren: Kontext sammeln, Handlung ausführen, Ergebnisse überprüfen. Das Sammeln umfasst das Verständnis der Anforderungen, des Repositoriums, der Architektur, der Konventionen, der Abhängigkeiten sowie der aktuellen Implementierung. Das Handeln beinhaltet das Verwenden von Tools zum Suchen, Ändern, Ausführen, Integrieren oder Delegieren. Die Überprüfung umfasst das Ausführen von Tests, das Lesen der Ausgaben, das Erkennen von Fehlern sowie die Beurteilung, ob die Anforderungen tatsächlich erfüllt wurden. Eine fehlgeschlagene Überprüfung sendet das System zurück zum Sammeln oder Handeln.

In der Praxis verläuft der Ablauf eher nach dem Muster Kontext, Aktion, Überprüfung, Korrektur, erneute Überprüfung und schließlich Abschluss. Genau diese Iteration unterscheidet einen zuverlässigen Agenten von einer einmaligen Codegenerierung.

Entwurf einer AI-Test-Engine-Architektur

Eine solide SDET-Architektur in Claude Code könnte Folgendes kombinieren:

• CLAUDE.md zusammen mit Testframeworks, Architekturvorgaben, Testkonventionen, Sicherheitsregeln sowie einer Definition dessen, was als abgeschlossen gilt.
• Fähigkeiten im Bereich API-Testing, UI-Testing, Regressionstesting und Fehleranalyse.
• Subagenten für Aufgaben im Bereich UI, API, Sicherheit und Regressionstests.
• Tools zur Suche in Repositorien, zur Dateibearbeitung, zur Ausführung von Befehlen sowie zu Testausführungen.
• MCP-Verbindungen zu GitHub, Jira, Datenbanken, APIs und Monitoring-Systemen.
• Hooks, die nach Änderungen Formatierung, Linting, Tests und Validierungen ausführen.
• Befehle wie /api-test, /regression, /security-review und /debug.
• Ein Plugin, das alles zusammenfasst, damit mehrere Entwicklerteams es wiederverwenden können.

Der Orchestrator koordiniert diese Komponenten entsprechend den Anforderungen.

Die richtige Mechanismuswahl

Fünf Fragen helfen dabei, den richtigen Baustein zu finden.

• Handelt es sich um wiederverwendbares Wissen zur Ausführung einer Aufgabe? Verwenden Sie eine Fähigkeit.
• Benötigt es einen spezialisierten, unabhängigen Arbeiter? Verwenden Sie einen Subagenten.
• Muss der Agent eine Operation durchführen? Verwenden Sie ein Tool.
• Setzt die Aktion eine externe Plattform oder Datenquelle voraus? Schauen Sie sich MCP an.
• Soll etwas jedes Mal automatisch ausgeführt werden, wenn ein Lebenszyklusereignis eintritt? Verwenden Sie einen Hook.

Eine letzte Frage betrifft die Verteilung: Wenn eine Fähigkeit verpackt und geteilt werden muss, sollte ein Plugin verwendet werden. Dieses Framework zeigt ein Verständnis für die Verantwortung jeder Schicht, weshalb es in Architekturdiskussionen vorkommt.

Die zentrale Lektion

Erfolgreiches agiles Engineering dreht sich nicht hauptsächlich um ein größeres oder intelligenteres LLM. Ein funktionsfähiges System benötigt mehrere koordinierte Fähigkeiten:

• Context, damit der Agent das Projekt versteht.
• Skills, für wiederholbare Expertise.
• Delegation, da komplexe Aufgaben spezialisierte Mitarbeiter erfordern können.
• Tools, damit der Agent handeln kann.
• Integration, um auf externe Engineering-Systeme zuzugreifen.
• Automation, damit obligatorische Prozesse zuverlässig ablaufen.

Überprüfung, um herauszufinden, ob die Aktionen tatsächlich funktioniert haben.

Paketierung, damit die Fähigkeiten in verschiedenen Teams wiederverwendet werden können.

Die weitere Entwicklung sieht so aus: KI-Chatbot, KI-Code-Assistent, KI-Agent, agiler Engineering-Arbeitsablauf und schließlich eine agilere Softwareentwicklungsplattform.