Sieht aus wie ein Idiot, arbeitet wie ein Kriegsgott. Dieser gelbe Fette macht die AI-Programmierung schwindlig.
Der Programmiergott Matt Pocock, auch bekannt als der "TypeScript - Zauberer", beschreibt ein Tool in seinem neuesten Programmierkurs so.
"Bisher bekamst du nur Halbfertiges, egal mit welchem Modell du programmiert hast. Künstliche Intelligenz konnte nur Nebentätigkeiten erledigen. Aber dieses Ding hier ist anders. Du kannst die gesamte To - Do - Liste an es übergeben, damit es die Probleme löst."
Dieser Kurs dauert 4 Stunden, kostet 375 US - Dollar und ist für 40 Personen zugänglich. Matt hat ihn jedoch in nur einer halben Stunde verkauft.
Programmierer, die Vibe Coding verfolgen, werden in den letzten Tagen sicher von einem gelben Fettchen überschwemmt, das sich mit der Nase pickt, einen blöden Ausdruck hat, spärliches Haar hat und mit einem Auge wacht, während das andere Auge "ausspioniert".
Dies ist Ralph.
Einfach ausgedrückt, ist Ralph ein Agent - Plugin. Entwickler können ihre Anforderungen eingeben und dann die Hände in den Schoß legen.
Es überwacht sich selbst beim Laufen. Durch ständige Tests des Codes wird es erst aufhören, wenn das Ergebnis vollständig den Anforderungen entspricht.
Ein realer Anwendungsfall ist, dass man Ralph vor dem Schlafen gehen startet, die Entwicklungsaufgaben für den nächsten Tag eingibt und am nächsten Tag Ralph alle Codes geschrieben hat und auf die endgültige Prüfung wartet.
Und du hast nicht einmal eine Sekunde mit Programmieren verbracht, geschweige denn musstest du wie bei den früheren Vibe - Coding - Tools vor dem Computer sitzen und Zeile für Zeile die Codes korrigieren, die die AI nicht richtig verstanden hat.
Das Einzige, was du getan hast, ist, gut geschlafen zu haben.
Seit Ralph auf Github hochgeladen wurde, hat er in weniger als zwei Wochen 7000 Sterne bekommen. Diese Geschwindigkeit ist sehr beeindruckend. Auf Github ist es selbst für Spitzenprojekte schwierig, in zwei Wochen die 7000 - Sternen - Marke zu überschreiten.
Man muss bedenken, dass selbst das Hauptrepository von DeepSeek in der gleichen Zeitspanne nach dem Start erst knapp 8000 Sterne erreicht hat.
Ryan Carson, der Gründer der Online - Programmier - Bildungsplattform Treehouse, sagte sogar direkt: "Jeder redet über Ralph" (Everyone is raving about Ralph).
01
Der Name Ralph stammt von einem Charakter aus der Animation "Die Simpsons", Ralph Wiggum. Sein Merkmal ist, dass er nicht besonders klug ist, aber trotzdem beharrlich ist.
Der Entwickler von Ralph heißt Geoffrey Huntley. Auf chinesischen Internetplattformen nennt man ihn lieber seinen Spitznamen "Der Australische Hirtenmann".
Er ist nicht wirklich ein Programmierer. Tatsächlich lebt er von der Viehzucht in Australien. Und der Australische Hirtenmann wohnt nie in einem Haus, sondern nur in seinem Wohnmobil.
Zurück zum Thema. Ralph ist keine brandneue, eigenständige Software, sondern eher eine Arbeitsweise oder ein ausführbares Skript. Es soll ermöglichen, dass bestehende AI - Programmieragenten (wie Claude Code von Anthropic, Cursor usw.) auch arbeiten können, wenn man den Computer verlässt.
Nach den eigenen Worten des Australischen Hirtenmanns lässt sich das Kernstück von Ralph in einer Codezeile zusammenfassen, aber seine Macht sollte nicht unterschätzt werden, ähnlich wie "while true".
Sein Arbeitsablauf lässt sich in mehrere Schlüsselschritte aufteilen.
Der erste Schritt ist die Taskaufteilung. Es erfordert, dass Entwickler eine große Funktionsanforderung in eine Reihe von kleinen, unabhängig erledigbaren Atomaufgaben zerlegen. Der Schlüssel liegt darin, dass jede kleine Aufgabe klare, maschinell überprüfbar "Bestanden" oder "Nicht bestanden" - Kriterien haben muss.
Unklare Anweisungen wie "Mache die Oberfläche schöner" funktionieren hier nicht. Die Aufgabe muss konkret sein, z. B. "Füge eine Prioritätsspalte hinzu, deren Standardwert Mittel ist".
Nachdem die Aufgabenliste vorbereitet ist, beginnt Ralph mit der Schleifenausführung.
In jeder Iteration wählt es eine noch nicht erledigte Aufgabe aus der Aufgabenliste aus. Es liest den aktuellen Zustand des Projekts, einschließlich des Git - Versionsverlaufs, der progress.txt - Datei, die den Arbeitsfortschritt aufzeichnet, und der prd.json - Produktanforderungsdokumentation, die alle To - Do - Items enthält.
Dann ruft es ein KI - Modell auf, um den erforderlichen Code für die Aufgabe zu schreiben.
Nachdem der Code geschrieben wurde, geht der Prozess automatisch in die Testphase über. Ralph führt die voreingestellten Testskripte aus, um zu überprüfen, ob der neue Code funktioniert und die Akzeptanzkriterien der Aufgabe erfüllt.
Wenn der Test bestanden wird, wird die Codeänderung automatisch in das Git - Versionskontrollsystem eingecheckt, und die Aufgabe wird in der prd.json - Datei als erledigt markiert. Diese erfolgreiche Erfahrung, zusammen mit den eventuell auftretenden Problemen und Lösungen, wird in der progress.txt - Datei aufgezeichnet und als Referenz für die nachfolgenden Iterationen verwendet.
Wenn der Test fehlschlägt, wartet es nicht auf die Eingabe des Benutzers, sondern protokolliert die Fehlermeldung in der errors.log - Datei. Am Anfang der nächsten Iteration liest die KI diese Fehlerprotokolle, lernt daraus und versucht, das gleiche Problem auf andere Weise zu lösen, um vorherige Fehler zu vermeiden.
Diese Arbeitsweise löst das Problem, dem aktuelle AI - Programmiertools allgemein gegenüberstehen - die Begrenzung des Kontextfensters.
Wenn Entwickler mit einer KI über einen längeren Zeitraum hinweg kommunizieren und eine komplexe Funktion erstellen möchten. Mit zunehmender Codegröße und Anzahl der Dialoge vergisst die KI allmählich die ursprünglichen Anweisungen und Beschränkungen.
Es kann beginnen, sich widersprüchlich zu verhalten oder beim Ändern eines Codes versehentlich eine andere Funktion zu zerstören. Schließlich fühlt sich der Entwickler an, als müsse er einen Schüler mit schlechter Gedächtnisleistung betreuen und muss ständig an die Anweisungen erinnern und korrigieren, was die Effizienz stark beeinträchtigt.
Das Problem liegt in der Größe der Aufgabe.
Normalerweise besteht eine Funktion aus zwanzig Teilen. Wenn die KI versucht, alle Details in ihrem Kurzzeitgedächtnis zu behalten, ist sie meist überfordert.
Ralphs Strategie ähnelt etwas dem Prinzip "kleine Mahlzeiten, aber häufig". Es konzentriert sich jedes Mal nur auf eine winzige Aufgabe. Nach Abschluss wird der Fortschritt über Git eingecheckt, und sein Kurzzeitgedächtnis (Kontext) wird geleert, um die nächste Aufgabe in einem neuen, sauberen Zustand zu bewältigen.
Das bedeutet, dass es theoretisch unendlich komplexe Software erstellen kann, ohne von der immer längeren Dialoggeschichte beeinträchtigt zu werden.
Es hat zwar Kontext, aber transformiert das Gedächtnis in strukturierte Dateien.
1. Der Git - Verlauf wird zur Langzeitgedächtnis der KI. Jede Eincheckung ist eine Wissensakkumulation.
2. Die Datei progress.txt protokolliert die erledigten Arbeiten und den aktuellen Zustand. Sie ist ein Tagebuch des Projektfortschritts.
3. Die Datei prd.json ist die Produktanforderungsdokumentation, die alle noch zu erledigenden Aufgaben festlegt.
4. Die Datei AGENTS.md ist die Bedienungsanleitung, die die genauen Methoden zur Erstellung und zum Testen des Projekts aufzeichnet.
5. Die Datei errors.log dient dazu, in der nächsten Iteration die gleichen Fehler zu vermeiden.
02
Obwohl vorhin so viel darüber gesprochen wurde, lässt sich der Kernmechanismus von Ralph in einer einfachen Bash - Zeile zusammenfassen:
while :; do cat PROMPT.md | claude - code ; done
Die Essenz dieser Codezeile ist eine endlose Schleife. Sie gibt ständig eine Datei mit Anweisungen an einen KI - Agenten weiter, damit er wiederholt iteriert, bis externe Bedingungen erfüllt sind und er aufhört.
Diese scheinbar "klumpige" Schleife ist genau die Innovation des Ralph - Modells.
Viele KI - Modelle denken, dass die Aufgabe "fast erledigt" ist, nachdem sie eine Runde Ausgabe erzeugt haben, und beenden sich selbst. Sie können wichtige Abschlussarbeiten wie Tests, Erstellung und Fehlerbehebung übersehen.
Der Mechanismus von Ralph übernimmt das Beendigungssignal der KI. Beispielsweise wird bei der Integration mit Claude Code ein Plugin das Beendigungsbefehl der KI abfangen.
Es überprüft, ob das Arbeitsergebnis die voreingestellten Abschlussbedingungen erfüllt und ob die Ausgabe ein bestimmtes Abschlusskennzeichen enthält.
Wenn dieses Kennzeichen nicht gefunden wird, lässt das Plugin den KI - Prozess nicht stoppen, sondern zwingt ihn, in die nächste Iteration zu gehen. Dieser Mechanismus lässt den gesamten Entwicklungsablauf unabhängig von menschlichen "Engpässen" und realisiert eine vollständige Automatisierung von der Codierung über die Tests bis zur Korrektur. Dies ist die Basis dafür, dass es auch ohne menschliche Überwachung läuft, während der Entwickler schläft.
Das Schlüsselproblem der Verwaltung besteht jedoch nicht einfach darin, "die KI immer weiter laufen zu lassen", sondern "der KI zu sagen, bis wann sie laufen soll".
Ohne klare, maschinell verständliche Abschlussbedingungen wird die Iterationsschleife der KI zu einer ziellosen Ressourcenverschwendung, und das endgültige Ergebnis ist möglicherweise immer noch unbrauchbar.
Deshalb betont das Ralph - Modell, dass klare, quantifizierbare und maschinell überprüfbare Abschlussbedingungen vor dem Start definiert werden müssen. Diese Bedingungen werden in den Akzeptanzkriterien der Aufgabe codiert.
Am Ende jeder Iteration überprüft die KI diese Bedingungen selbst. Wenn die Bedingungen nicht erfüllt sind, verhindert es sich selbst vom Beenden und löst die nächste Iteration aus. Dieser Prozess wird fortgesetzt, bis alle Akzeptanzkriterien der Aufgaben erfüllt sind und das endgültige Abschlusskennzeichen erscheint.
Das entspricht der Übernahme der "Ergebnisüberprüfung" durch die Maschine anstelle des Menschen.
Dieses Modell bietet auch zwei Hauptarten der Zusammenarbeit. Eine ist "Offline - Ralph" (AFK Ralph). Der Entwickler legt die Aufgaben vor dem Schlafen gehen fest und lässt es die Nacht über laufen. Am nächsten Morgen kann die neue Funktion möglicherweise bereits fertig entwickelt sein und wartet auf die Prüfung. Diese Methode eignet sich für Aufgaben mit klaren und direkten Anforderungen.
Die andere ist "Manuelles Ralph" (Hands - on Ralph). Der Entwickler führt nur eine Iteration aus. Nach jeder Iteration überprüft der Entwickler die Eincheckungen der KI und gibt gegebenenfalls Anweisungen und Anpassungen. Diese Methode eignet sich besser für komplexe, explorative Funktionen, bei denen der Entwickler mehr Kontrolle über den Prozess haben möchte.
Aber selbst im manuellen Modus ist es aufgrund seiner strukturierten Aufgaben und klaren Rückkopplungsschleifen normalerweise viel effizienter als die herkömmliche Vibe - Coding - Methode.
03
Abgesehen von der Innovation im Arbeitsmodell zeichnet sich Ralph auch dadurch aus, dass seine Betriebskosten relativ niedrig sind.
Laut einigen Entwicklern kostet ein typischer Ralph - Lauf mit 10 Iterationen etwa 30 US - Dollar an API - Aufrufen.
Ein Entwickler hat mit diesem Modell eine vollständige Anwendung entwickelt, überprüft und getestet, und die Gesamtkosten beliefen sich auf weniger als 300 US - Dollar.
Früher hätte die Outsourcing - Kosten für ein Produkt gleicher Komplexität bis zu 50.000 US - Dollar betragen können.
Selbst wenn Ralph nur 90 % der Arbeit erledigen kann und der Entwickler nur noch wenig Zeit für die Endbereinigung und - abschließung aufwenden muss, entspricht das einer Komprimierung von mehreren Tagen Arbeit auf einige Stunden.
Dies ist eigentlich etwas unintuitiv. Ralph führt mehrere Schleifen aus, kostet aber weniger als andere Produkte.
Der Grund für die niedrigen Kosten von Ralph liegt in seinem einzigartigen Arbeitsablauf.
Wenn man andere KI - Modelle für lange Dialoge verwendet, muss man normalerweise die gesamte vorherige Chat - Historie erneut an das Modell senden, damit es die Inhalte, die vor einer halben Stunde diskutiert wurden, noch im Gedächtnis behält.
Mit zunehmender Länge des Dialogs steigt die Anzahl der Tokens, die bei jedem API - Aufruf verbraucht werden, exponentiell an, was zu einem starken Anstieg der Kosten führt.
Wie bereits erwähnt, wird das "Gedächtnis" des gesamten Projekts in Git und lokalen Dateien gespeichert, nicht in dem teuren Kontext des KI - Modells.
Wenn Ralph also das KI - Modell aufruft, muss es nur die minimalen Informationen, die für die aktuelle Aufgabe relevant sind, bereitstellen. Nach Abschluss der Aufgabe wird dieser kurze Kontext verworfen. Da der Kontext kurz ist, ist die Kosten für einen einzelnen Aufruf sehr niedrig.
Einige reale Fälle bestätigen auch das Potenzial dieses Modells. Bei einem Startup - Hackathon hat ein Team mit Ralph in einer Nacht 6 verschiedene Projektprototypen entwickelt. Der Australische Hirtenmann soll in weniger als drei Monaten hauptsächlich mit Ralph eine vollständige Programmiersprache entwickelt haben.
Strikt genommen hat Ralph keine Konkurrenten, aber Cascade, das