Claude Code: So orchestriert Boris Cherny fünf AI-Agenten parallel
Die Tech-Community diskutiert derzeit intensiv über Boris Chernys Workflow bei Anthropic. Der Schöpfer von Claude Code hat sein Setup offengelegt — und damit ein Muster gezeigt, das traditionelle Softwareentwicklung grundlegend infrage stellt.
Paralleles Arbeiten statt linearer Coding-Loop
Das kontrastreichste Element: Cherny denkt nicht sequenziell. Statt einen klassischen Development-Cycle zu fahren (schreiben → testen → nächste Aufgabe), agiert er als Fleet Commander.
Er betreibt fünf Claude-Instanzen parallel in seinem Terminal, nummeriert als Tabs 1-5. Während ein Agent eine Test Suite ausführt, refaktoriert ein anderer Legacy-Module, der dritte schreibt Dokumentation. System-Benachrichtigungen signalisieren, wann Eingaben erforderlich sind. Zusätzlich laufen 5-10 weitere Claude-Instanzen im Browser, mit "Teleport"-Befehlen für nahtlose Übergänge zwischen Web und lokaler Machine.
Das Ergebnis: Eine einzelne Person operiert mit der Output-Kapazität einer kleinen Engineering-Abteilung.
Die intelligente Rechnung: Langsamer ist schneller
Ein kontraintuitiver, aber entscheidender Punkt: Cherny nutzt ausschließlich Opus 4.5 — Anthropics langsamstes und rechnerintensivste Modell.
Sein Argument widerlegt die Industrie-Obsession mit Latenz: Der eigentliche Bottleneck ist nicht die Token-Generierungsgeschwindigkeit, sondern die menschliche Zeit, um AI-Fehler zu korrigieren. Ein intelligenteres Modell erfordert weniger Korrektionen und bessere Tool-Integration. Am Ende spart man die "Correction Tax", obwohl man die "Compute Tax" zahlt.
CLAUDE.md: Jeder Fehler wird zur permanenten Regel
Eine elegante Lösung für ein fundamentales Problem: Standard-LLMs haben kein Gedächtnis für projektspezifische Coding-Styles oder Architektur-Entscheidungen.
Chernys Team verwaltet eine einzelne Datei namens CLAUDE.md im Repository. Jedes Mal, wenn Claude etwas falsch macht, wird es dokumentiert. Das System transformiert die Codebase in einen selbstkorrigierenden Organismus — jeder Fehler wird zur Lernregel für künftige Iterationen.
Automation der Friction-Points
Slash-Commands automatisieren wiederkehrende Aufgaben. Ein Beispiel: /commit-push-pr führt Git-Operationen, Commit-Nachrichten und Pull-Request-Erstellung in einem Schritt aus — eine Operation, die Cherny täglich dutzende Male aufruft.
Subagents spezialisieren sich auf einzelne Phasen: ein Code-Simplifier für Architektur-Cleanup, ein Verify-Agent für End-to-End-Tests.
Verification Loops: Das wahre Unlock
Der Kern der Produktivität liegt in der Verifikation. Claude öffnet Browser-Sessions, testet die UI, iteriert — die AI beweist, dass ihr Code funktioniert. Cherny zitiert eine 2-3x Verbesserung der Code-Qualität durch Selbst-Verifikation.
Was das für Entwickler bedeutet
Die Reaktion zeigt einen Paradigmenwechsel: AI-Coding ist nicht mehr Autocomplete, sondern ein Betriebssystem für Arbeit selbst. Die Tools, um menschliche Produktivität um Faktor 5 zu multiplizieren, existieren bereits. Es braucht nur die mentale Verschiebung — von "Assistent" zu "Workforce".
Programmierer, die diese Schicht machen, spielen ein anderes Spiel. Alle anderen tippen noch.