Blog • AI / Agent

AI Coding Agents sind mehr als Code-Vervollständigung: Worum konkurrieren Codex, Claude Code, OpenCode und DeepSeek Harness?

Vor zwei Jahren meinte „AI schreibt Code“ meist die nächste Zeile im Editor. 2026 laufen im Terminal andere Produkte: Codex, Claude Code, OpenCode, DeepSeek Harness — sie ändern Dateien, führen Tests aus, rufen MCP auf und starten Subagents für parallele Spurensuche.

Oberflächlich verkaufen alle vier dieselbe Fähigkeit: LLM + Tools + Agent-Loop. Das echte Schlachtfeld ist nicht die Feature-Liste, sondern das Architekturzentrum: Wer stärkt den Agent, wer steuert Ausführungsgrenzen, wer setzt auf Modellunabhängigkeit, wer macht die Runtime selbst austauschbar.

Dieser Artikel erklärt:

• Was Coding Agents gegenüber Vervollständigung wirklich zusätzlich können
• Welche Kernfrage jede der vier Seiten optimiert
• Architekturunterschiede von Claude Code / Codex / OpenCode / DeepSeek Harness
• Kontrollkarte: was Modell, Runtime, Policy und Mensch jeweils steuern
• Warum JSON Schema und Werkzeugverträge weiterhin die gemeinsame Basis sind — und wie Sie in JSONNote lokal validieren

Worum wirklich konkurriert wird

Vervollständigung löst „was kommt in die nächste Zeile“. Coding Agents lösen „wie wird dieses Ziel im echten Repository fertig“: Kontext lesen, Tools wählen, Code ändern, Befehle ausführen, Ergebnisse lesen, erneut entscheiden.

Der unterliegende Loop ist fast derselbe:

User goal
  → Agent loop
  → LLM decides next action
  → Tool / environment executes
  → Result returns to context
  → Agent decides again

Das Modell liefert Reasoning und den nächsten Schritt; der Harness entscheidet, was sichtbar ist, welche Tools aufrufbar sind, was Tools wirklich tun, wie Zustand persistiert, welche Aktionen Freigabe brauchen und wann die Aufgabe gilt. Noch so starke Modelle scheitern bei lückenhaftem Kontext, losen Tool-Verträgen, zu großen Rechten oder ohne Fehler-Recovery.

Der Wettbewerb 2026 ist deshalb nicht nur „wer hat den höheren Benchmark“, sondern „wer organisiert Intelligenz, Ausführung, Policy, Tools und menschliche Kontrolle klarer“. Die Vier-Schichten-Assemblierung:

2026 AI-Agent-Tech-Stack: LLM, MCP, Function Calling, JSON Schema

Vier Architekturzentren

Zuerst die Grenze ziehen. Feature-Listen werden sich immer mehr ähneln — die Kernfragen nicht:

Die letzte Zeile ist kein Ranking, sondern die Produktgrenze: Kaufen Sie einen „stärkeren Assistenten“, eine „kontrollierbarere Ausführungsumgebung“ oder eine „erweiterbare Agent-Plattform“.

Claude Code: Agent-zentriert

Claude Code versteht man am besten als Produkt um den Haupt-Agent. Skills, MCP, Subagents, Hooks und Permissions machen denselben Claude Agent wirksamer — sie zerlegen den Agent-Loop selbst nicht in einen austauschbaren Kern.

Typische Erweiterungspunkte:

• CLAUDE.md: projektweiter Kontext und Konventionen
• Skills: wiederverwendbare Erfahrungs- und Workflow-Pakete
• MCP: Anbindung externer Systeme
• Subagents: isolierte Fach-Teilaufgaben und Kontext
• Hooks / Permissions: deterministische Regeln am Lebenszyklus

Der Engineering-Kompromiss ist klar: probabilistischer Agent + deterministische Hooks. Tests nach Änderungen, Blockieren gefährlicher Befehle, Freigabe für geschützte Pfade — das sollte das Modell nicht „jedes Mal erinnern“ müssen.

Geeignet für: klare Workflows, Fokus auf Experience und Kontextqualität, Teams, die den Hauptloop mit Skills und Subagents erweitern.

Codex: Ausführungs-zentriert

Codex (inkl. Codex CLI) schiebt die Frage auf die Ausführungsschicht: Sobald ein Agent Dateien ändert, Shell ausführt, Abhängigkeiten installiert, Netz und Credentials berührt, muss er zwei verschiedene Dinge beantworten — Fähigkeitsgrenze und aktuelle Erlaubnis.

Zwei Mechanismen, geteilte Arbeit:

Prinzip ist Least Privilege: Nicht erst Vollrechte geben und „bitte vorsichtig“ verlangen, sondern die Umgebung zuerst eng halten und bei Bedarf öffnen. Die Rust-CLI, der Default an OpenAI-Endpunkte und die starke Sandbox-Erzählung passen zur Linie „Agent muss auf einem echten Computer arbeiten“.

Geeignet für: hohe Seiteneffekte, auditierbare Ausführungsspuren, Freigabe und Isolation als First-Class Citizens. Open-Source-Repo:

openai/codex.

OpenCode: modellunabhängig

Die Differenzierung von OpenCode liegt nicht in „noch einer Skills-Syntax“, sondern in der Default-Haltung: Modelle sind austauschbar. MIT-Open-Source, Terminal-first, viele Provider und lokale Modelle (z. B. Ollama / LM Studio). Flexibilität sitzt vor allem in der Konfiguration — providers, models, permissions, themes — nicht darin, den Harness-Kern zur Plugin-Bus zu zerlegen.

Daraus folgt ein praktisches Produktfazit: Misstrauen Sie Single-Vendor-Lock-in oder brauchen Sie Modellwechsel in derselben Session, dann lautet die Kernfrage von OpenCode „wie vermeide ich Modell-Lieferantenbindung“.

Es gewinnt typischerweise bei:

• Multi-Modell / Multi-Provider als Default-Fähigkeit
• Open-Source-Lizenz und Community-Ökosystem
• „Modell wechseln“ als First-Class-Operation, nicht als Vendor-Beilage

Der Preis: Ausführungsgrenze und Plugin-Tiefe sind nicht zwingend Selling Point Nummer eins. Sie kaufen einen modellwechselbaren Harness — nicht das schwerste Sandbox-Produkt und nicht den „Everything is a plugin“-Plattformkern.

DeepSeek Harness: Runtime-zentriert

DeepSeek Harness (dsh) schiebt die Frage eine Schicht tiefer: Was, wenn der Agent-Loop selbst kein ewiger Kern sein soll? Der Slogan der öffentlichen Preview lautet Everything is a plugin — Modell, Tools, Skills, Session, Sandbox, Storage, Loop, Scheduling und UI sind austauschbar.

Das unterscheidet sich von „stabiler Kern + periphere Extension Points“. Die Grenze wandert nach innen: Auch der Mechanismus, der den Agent treibt, lässt sich neu zusammensetzen. Capability Seams lassen Konsumenten Verträge statt einer einzigen Implementierung nutzen: lokaler Shell vs. Container-Shell, Remote-Modell vs. lokale Inferenz, ReAct-Loop vs. Workflow-Loop — Provider wechseln, ohne alle Tools neu zu schreiben.

Deshalb wirkt es wie eine Plattform:

• Coding Agent: ReAct-Loop
• Workflow Agent: Workflow + Agent
• Langläufer: Ziel + Scheduling + Job
• Heterogene Subagents: sogar Anbindung anderer Produkt-Backends

Komponierbarkeit hat einen Preis: Plugin / Service / Provider / Effect / Session bilden eine breitere Konzeptfläche. Für Terminal-Nutzer, die „nur das Repo fertig geändert“ wollen, kann die Lernkurve steiler sein als bei Claude Code oder Codex; für Teams, die erweiterbare Agent-Plattformen bauen, ist genau das der Selling Point.

Wenn Sie eher DeepSeek-Modell-API und JSON-Output interessieren, zuerst:

DeepSeek V4-Pro vollständig erklärt

Kontrollkarte

Nützlicher als Feature-Häkchen ist die Frage, wem jede Entscheidung gehört. Die Tabelle verdichtet die Kontrollstile der vier (OpenCode und dsh liegen bei „Austauschbarkeit“ nah beieinander, unterscheiden sich aber in der Tiefe):

Eine Schicht tiefer: Aufgabe verstehen und Plan erzeugen tendiert zum Modell; Parameter prüfen, Rechte beurteilen, Tools ausführen, Lauf beenden tendiert zu Programm und Policy; risikoreiche Aktionen brauchen Menschen. Alle vier decken diese Wörter ab — legen das Gewicht aber auf unterschiedliche Felder.

JSON-Verträge bleiben die gemeinsame Basis

Welchen Harness Sie auch wählen: Tool-Aufrufe landen am Ende in maschinenausführbarer Struktur — Funktionsname + Parameter-JSON. MCP inputSchema / outputSchema, Function-Calling-parameters, Structured-Output-response_format — die Unterlagensprache bleibt JSON Schema.

Wo Verträge auftauchen:

Häufiger Crash: Modell-parameters und MCP inputSchema werden getrennt geschrieben, Felder oder Enums driften — es wirkt, als „rufe das Modell Tools immer falsch auf“. Fix: ein Vertrag, zwei Anbindungen. Hintergrund:

Warum AI JSON Schema braucht und JSON Schema für AI Agents vollständig erklärt.

{
  "name": "run_tests",
  "description": "Run the project test suite and return a structured summary.",
  "parameters": {
    "type": "object",
    "properties": {
      "suite": { "type": "string", "enum": ["unit", "integration", "e2e"] },
      "path": { "type": "string", "minLength": 1 }
    },
    "required": ["suite"],
    "additionalProperties": false
  }
}

Diesen Pfad debuggen Sie lokal im Browser — ohne Upload:

1. 1
   arguments formatieren

   Den vom Modell zurückgegebenen arguments-String in JSON formatieren einfügen und zuerst prüfen, ob es gültiges JSON ist.

2. 2
   Gegen Schema prüfen

   Mit JSON Schema required, enum und additionalProperties prüfen.

3. 3
   Drift vergleichen

   Modell-parameters und MCP inputSchema mit JSON Diff auf Feldkonsistenz prüfen.

Wie wählen

Nach Constraints wählen, nicht nach Hype:

• Klarer Workflow, starke Experience und Skills: eher Claude Code
• Große Seiteneffekte auf echter Maschine, Sandbox und Freigaben: eher Codex
• Multi-Modell, Anti-Lock-in, Open Source first: eher OpenCode
• Erweiterbare Agent-Plattform, austauschbarer Loop: eher DeepSeek Harness

Kombinieren geht auch: z. B. OpenCode / dsh für Multi-Modell-Experimente, Produktions-Seiteneffekte über Codex-artige Grenzen; oder Hauptloop mit Claude Code, externe Systeme über MCP. Entscheidend: Modell-Scores nicht als einziges Einkaufskriterium behandeln.

FAQ

Worin unterscheiden sich AI Coding Agents und Code-Vervollständigung wesentlich?

Vervollständigung schlägt nur die nächste Zeile vor. Ein Coding Agent liest das Repository, ändert Dateien, führt Befehle aus, ruft Tools auf und entscheidet im Loop anhand der Ergebnisse weiter. Der Wettbewerb verschiebt sich von „Generierungsqualität“ zu „Ausführungsgrenze und Runtime-Kontrolle“.

Wer ist besser: Codex, Claude Code, OpenCode oder DeepSeek Harness?

Es gibt keinen einheitlichen Sieger. Es kommt darauf an, was Sie optimieren: Experience und Skills → Claude Code; Sandbox und Freigaben → Codex; Multi-Modell und Anti-Lock-in → OpenCode; austauschbare Runtime und Plattform → DeepSeek Harness.

DeepSeek Harness und OpenCode sind beide Open Source — wo liegt der Unterschied?

Die Flexibilität von OpenCode liegt vor allem in Modell- und Provider-Konfiguration. DeepSeek Harness (dsh) macht Modell, Tools, Loop, Sandbox und Session zu austauschbaren Plugins — näher an einer komponierbaren Agent-Runtime-Plattform.

Warum immer noch über JSON Schema sprechen?

Tool-Parameter, MCP inputSchema/outputSchema und Structured Output ruhen alle auf JSON Schema. So stark der Harness auch ist: Schmutzige Parameter in der Ausführungsschicht werden zum Problem — Vertragsvalidierung bleibt Aufgabe der Runtime.

Welche Schicht sollte man bei der Agent-Wahl am schärfsten beobachten?

Die Kontrolle: Wer wählt Tools, wer prüft Parameter, wer freigibt risikoreiche Aktionen, wer beendet die Aufgabe. Modell-Scores sind nur ein Input; der Harness entscheidet, ob die Aufgabe sicher fertig wird.

Fazit

Codex, Claude Code, OpenCode und DeepSeek Harness teilen dasselbe Vokabular: LLM, Tools, Loop, Kontext, Skills, Subagents, Permissions, Sandbox. Sie sind nicht mehr nur „stärkere Vervollständigung“ — sie konkurrieren um den Kontrollsitz.

Claude Code stärkt einen Agent; Codex lässt Agenten kontrolliert in realen Umgebungen handeln; OpenCode setzt auf Modellwechsel; DeepSeek Harness macht Runtime und Fähigkeiten zur komponierbaren Plattform.

Die wichtige Frage ist nicht mehr „wie ruft man das Modell auf“, sondern „wie organisiert man Intelligenz, Ausführung, Policy, Tools, Kontext und menschliche Kontrolle“. JSON auf der Werkzeugvertragsschicht bleibt die Schicht, die Sie lokal prüfen können.

← Zurück zum Blog