Im Claude-Code-Team schreibt und begutachtet Claude rund 90 Prozent des Codes selbst. Wie das Team sicherstellt, dass dabei nichts kaputtgeht, beschreibt Addy Osmani in einem Beitrag vom 16. November auf claude.dev. Der Kern: Ohne Prüfschleifen kannst du ein oder zwei Claudes gleichzeitig laufen lassen, weil du alles selbst kontrollieren musst. Mit ihnen werden es Dutzende.
Drei Testarten, die sich lohnen
Osmani empfiehlt vor allem End-to-End-Tests. Sie bilden echte Abläufe ab, etwa Artikel in den Warenkorb, Kasse, Bestätigungsseite, und lassen sich schwer austricksen: Die Funktion klappt oder sie klappt nicht. Unit-Tests sind schneller, aber ein Agent kann sie bestehen und das Feature trotzdem kaputt machen.
Property-Tests prüfen Aussagen, die immer gelten müssen, mit Tausenden erzeugten Eingaben. Beispiele: Was kodiert und wieder dekodiert wird, kommt unverändert heraus, ein Kontostand wird nie negativ. Weil die Eingaben nicht vom selben Agenten stammen wie der Code, finden sie Randfälle, die er übersehen hat. Differenzielle Tests lohnen sich bei Migrationen: altes und neues System bekommen dieselben Eingaben, jede Abweichung ist ein Fehler oder eine gewollte Änderung.
So arbeitet das Team
Jedes Repo bekommt einen Skill namens verify, der die App startet und durchklickt, mit der Chrome-Erweiterung, einem Simulator oder dem lokal laufenden Dienst. Claude nutzt ihn vor jedem Commit. Scheitert eine Prüfung nach drei Runden immer noch, hört Claude auf und holt einen Menschen.
Dazu kommt eine Zuverlässigkeits-Checkliste mit 39 Punkten, jeder mit einem Auslöser, der sich am Diff ablesen lässt, und den Vorfällen dahinter. Claude prüft nur die Punkte, deren Auslöser passt, meist 3 bis 10. Die Regeln für das Review liest Code Review aus dem Basis-Branch, nie aus dem Pull Request: Eine Änderung darf die Prüfung nicht ändern können, die über sie urteilt. Jeder Commit trägt einen Stempel, wie er geprüft wurde, auch den Wert „none“. Ein Commit-Gate kann Commits ohne /code-review oder /verify blockieren und läuft zuerst im Beobachtungsmodus.
Ein zweites Beispiel aus demselben Haus
Wie weit das trägt, zeigt ein Beitrag von Vivek Nair vom 17. November. Vor dem Start von Claude Docs ließ er eine Claude-Code-Sitzung zwei Wochen lang eine Staging-Umgebung unter Last setzen, Fehler suchen und Korrekturen ausliefern, mit bis zu 30 Subagenten gleichzeitig. Schwer umkehrbare Entscheidungen wie Schemaänderungen musste Claude vorlegen. Ergebnis laut Nair: 4,6 Millionen Dokumente in den ersten sechs Tagen und 60 Serverfehler auf 2 Milliarden Anfragen.
Mehr Agenten brauchen härtere Prüfungen
Beide Texte sagen dasselbe: Wer mehr an Claude abgibt, muss mehr Arbeit in die Prüfung stecken. Was Osmani beschreibt, kannst du klein nachbauen. Ein verify-Skill und ein Hook, der vor dem Pull Request die Tests laufen lässt, kosten einen Nachmittag. Die Checkliste aus eigenen Ausfällen wächst mit der Zeit.