Die Selbstschilderung eines erfahrenen Builders: Wie ich mithilfe des Multi-Agent-Entwicklungsworkflows innerhalb einer Woche ein MVP erstellt und innerhalb eines Monats live geschaltet habe.
Mit der stetigen Senkung der Hürden für die Softwareentwicklung durch Vibe Coding wird der Slogan „Jeder ist ein Entwickler“ allmählich zu einer praktikablen Möglichkeit: Personen ohne vollständigen technischen Hintergrund können mithilfe von AI Produktprototypen erstellen; unabhängige Entwickler können mehrere Modelle und Agenten gleichzeitig einsetzen, um Aufgaben, die früher ein ganzes Team erledigen musste, auf eine einzelne Person zu konzentrieren.
Aber da das Schreiben von Code immer einfacher wird, treten die Probleme, die den Erfolg oder Misserfolg eines Produkts tatsächlich bestimmen, umso stärker hervor: Wie lassen sich echte Bedürfnisse finden, für die Nutzer bereit sind zu zahlen? Wie lässt sich eine Idee schnell zu einem minimal funktionsfähigen Produkt umsetzen? Wie sollen Entwickler bei verschiedenen Modellen und Agenten die richtige Auswahl treffen, Kontext übermitteln und Kosten kontrollieren? Bedeutet es wirklich, dass die Organisationsform traditioneller Unternehmen ersetzt wird, wenn eine Person mithilfe von AI Entwicklung, Betrieb und Vermarktung übernimmt? Im Medienstudio von InfoQ auf der WAIC 2026 haben wir mit dem erfahrenen Builder Shougongchuan eine Reihe von Gesprächen zu diesen Themen geführt.
Shougongchuan entwickelt seit seinem Universitätsabschluss im Jahr 2020 kontinuierlich verschiedene Produkte, die auf seiner eigenen Markenwebsite lovstudio.ai veröffentlicht werden, und arbeitet derzeit an einem Open-Source-Produkt YODA für Entwickler. Anders als viele Menschen, die von der Softwareentwicklung zur AI-Codierung wechseln, studierte er im Grundstudium Finanzwissenschaften, lernte dann aufgrund von Anforderungen an Datenanalyse und Datenerfassung bei seiner Arbeit in einer Investmentbank selbst Informatik und wechselte schließlich vollständig zur Entwicklung. Seit Oktober 2024 überlässt er fast alle Codierungsarbeiten der AI, „99 % AI + 1 % Ausrichtung“.
Seiner Meinung nach macht AI die Softwareentwicklung tatsächlich zu einer allgemeineren grundlegenden Fähigkeit, aber „Code schreiben zu können“ bedeutet nicht, dass jeder ein professioneller Entwickler wird, und schon gar nicht, dass man nur Modelle aufrufen muss, um ein kommerzielles Produkt zu schaffen, das genutzt wird und für das Nutzer zahlen. Im Vergleich zu Techniken sind Bedarf, Produktbeurteilung, Verbreitungsfähigkeit und persönliche Positionierung zu einem wichtigeren Unterscheidungsmerkmal für Builder geworden.
Vom Finanzwesen zur Informatik, bis 99 % des Codes von AI erstellt werden
Shougongchuan studierte im Grundstudium Finanzwissenschaften. Sein erster Kontakt mit der Programmierung erfolgte nicht, weil er beabsichtigte, Software-Ingenieur zu werden, sondern weil die Finanzarbeit selbst die Verarbeitung großer Datenmengen erfordert.
Während seines Praktikums in einer Investmentbank erwarteten Vorgesetzte und Mentoren von den Praktikanten, neben der traditionellen Branchenforschung und Finanzanalyse auch technische Fähigkeiten wie Datenanalyse und Datenerfassung zu beherrschen. Um diese Aufgaben zu erledigen, begann er, selbst Informatik zu lernen. Um 2017 stellte er allmählich fest, dass Informatik interessanter ist als Finanzwissenschaften, begann, sich eingehend damit zu befassen, und wechselte schließlich vollständig in den Bereich der Informatik. In der darauffolgenden Zeit dachte er fast jeden Tag darüber nach, wie er Code besser schreiben kann.
Als generative AI in den Bereich der Programmierung einzog, überließ er die Entwicklungsarbeit nicht sofort Modellen. Insbesondere im Jahr 2023 und in der ersten Hälfte des Jahres 2024 war er der Ansicht, dass zwischen dem von AI erzeugten Code und seinen Zielen und Qualitätsanforderungen noch eine deutliche Lücke besteht. Modelle können Code-Fragmente erzeugen und Funktionen vervollständigen, aber es fällt ihnen schwer, vollständige Produkte stabil zu erstellen, und die erzeugten Ergebnisse erfordern oft eine umfassende Nachbearbeitung durch Entwickler.
Der eigentliche Wendepunkt ereignete sich Ende 2024. Mit dem Aufstieg von Cursor, der auf Modellen wie Claude Sonnet 3.5 basiert, begann er, AI-Programmierwerkzeuge systematisch zu testen. Die Testergebnisse ließen ihn erkennen, dass die Qualität des von Modellen erzeugten Codes einen kritischen Punkt überschritten hat: Es handelt sich nicht mehr nur um ein Vervollständigungswerkzeug zur Beschleunigung der Eingabe, sondern um einen Entwickler, der die meisten praktischen Codierungsaufgaben übernehmen kann.
Seit Oktober 2024 stellt er allmählich das manuelle Schreiben von Code ein. In fast zwei Jahren hat er fast alle seine Projekte von AI codieren lassen. „Streng genommen nicht hundertprozentig, aber mindestens 99 % des Codes wurden Modellen und Agenten überlassen, und der Mensch muss nur für die 1 % am Anfang und am Ende verantwortlich sein“.
Das bedeutet nicht, dass technische Grundlagen ihren Wert verlieren. Im Gegenteil, Shougongchuan ist der Ansicht, dass er Vibe Coding so radikal einsetzen kann, gerade weil er zuvor genügend Erfahrungen in der Softwareentwicklung gesammelt hat. Er kann beurteilen, ob der von AI erzeugte Code angemessen ist, bei Problemen die Richtung bestimmen und nach dem erfolgreichen Durchlaufen des minimal funktionsfähigen Produkts durch Engineering-Maßnahmen die Fähigkeiten in Bezug auf Stabilität, Parallelverarbeitung, Tests und Wartung ergänzen.
Für Personen ohne jegliche Codierungserfahrung kann AI die Einstiegshürden erheblich senken, aber nicht alle technischen Beurteilungen automatisch ergänzen. Normale Nutzer müssen nicht unbedingt zuerst eine bestimmte Programmiersprache lernen, sondern lernen, wie sie Bedürfnisse genau ausdrücken, mit AI kommunizieren und beurteilen können, ob das Modell die Aufgabe tatsächlich erledigt hat.
Shougongchuan ist der Ansicht, dass viele erfolgreiche AI-Produkte so aussehen, als wären sie von Personen erstellt worden, „die keinen Code beherrschen“, aber dahinter steht normalerweise immer noch eine Person, die AI beherrscht und die Grenzen von Produkt und Technik versteht. Auch wenn man keinen Code manuell schreibt, sollte man zumindest wissen, wie man Modelle zur Entwicklung organisiert.
Echter Bedarf muss nicht „gefangen“ werden: Menschen, die das Leben lieben, schaffen leichter Massenprodukte
„Wie man echte Bedürfnisse findet“ ist ein Problem, dem sich fast alle unabhängigen Entwickler stellen müssen. Shougongchuans Ansicht ist: Personen, die keinen Code schreiben können, sind den echten Bedürfnissen der Masse möglicherweise näher.
Der Grund dafür ist, dass Programmierer täglich mit Code, Frameworks, Datenbanken und Entwicklungswerkzeugen zu tun haben und sich oft nur Probleme vorstellen, die Programmierer selbst betreffen. Programmierer sind aber in der Regel sehr handlungsorientiert: Wenn sie auf Probleme stoßen, erstellen sie direkt ein Skript oder Plug-in und sind selten bereit, für ähnliche Werkzeuge zu zahlen. Ein Bedarf, der nur Programmierer bedient, mag technisch raffiniert sein, verfügt aber nicht unbedingt über einen ausreichend großen kommerziellen Markt.
Personen, die keinen Code schreiben können, stehen dem echten Leben näher. Sie überlegen, wohin sie reisen, wie sie Fotos machen, wie sie kochen, wie sie Arbeit organisieren und wie sie das tägliche Leben bequemer machen. Diese Probleme wirken nicht sehr „technisch“, können aber eine größere Nutzergruppe ansprechen.
Shougongchuan ist der Ansicht, dass Bedürfnisse nicht absichtlich durch Untersuchungen „gefangen“ werden müssen. Solange eine Person das Leben ernst nimmt und ständig darüber nachdenkt, wie sie ihr eigenes Leben verbessern kann, werden echte Bedürfnisse von selbst auftauchen. Das eigentliche Schwierige ist, wie man den Bedarf in ein Produkt umsetzt, nachdem er aufgetaucht ist.
Beispielsweise hat er kürzlich mit YODA in sehr kurzer Zeit ein Videoaufnahmewerkzeug erstellt. Nutzer können Texte im Voraus vorbereiten. Wenn sie vor der Kamera aufnehmen, erkennt das System in Echtzeit, welchen Satz der Nutzer gerade spricht, und richtet die Untertitel automatisch aus (bestehende Werkzeuge rollen den Vorlesetext normalerweise mit fester Geschwindigkeit). Nach Abschluss der Aufnahme erhält man direkt ein Video mit bereits passenden Untertiteln, ohne viel Zeit für manuelle Anpassungen aufwenden zu müssen.
Shougongchuan zeigte das Produkt einem Freund, der häufig Interviews führt. Der Freund sagte sofort: „Ich überweise dir jetzt 100 Yuan, mach es so schnell wie möglich online.“ Seiner Meinung nach ist eine Reaktion, bei der der Nutzer sofort bereit ist zu zahlen, ohne dass der kommerzielle Wert erklärt werden muss, ein echter Bedarf.
Ähnliche Produktbeispiele sind keine Seltenheit. Der Erfolg von Miaoya Camera folgt derselben Logik: Nutzer müssen nur ein Foto hochladen, um Porträts in verschiedenen Stilen zu erstellen. Die Umsetzung des Produkts „Katzen-Ringlicht“ ist nicht schwierig, aber Technik allein reicht nicht aus, denn die Idee stammt von der Freundin des Gründers.
Daher müssen Produkte keine übermäßig komplexe Technik anstreben. Wer die Lebensschmerzen einer bestimmten Phase genau trifft, kann möglicherweise schnell eine große Anzahl von Nutzern gewinnen. Wenn man sich von groß angelegten technischen Narrativen löst und sogar unbedeutende Probleme löst, solange diese spezifisch und real sind und die Nutzer wissen, warum sie es brauchen, sind sie bereit, für die eingesparte Zeit und Energie zu zahlen.
Shougongchuan fasst seine Methode zur Bedarfsfindung in einem Satz zusammen: „Menschen, die das Leben lieben, entdecken leichter die Bedürfnisse der Masse.“ Nachdem AI die Einstiegshürden für die Umsetzung gesenkt hat, ist das Knappste nicht mehr nur die Entwicklungsfähigkeit, sondern die Fähigkeit, in echte Szenarien einzutauchen und zu beobachten, wie gewöhnliche Menschen leben.
Liefern Sie zuerst eine Version mit 59 Punkten: Erstellen Sie ein MVP in einer Woche, bringen Sie es in einem Monat stabil online
Bei der konkreten Produktumsetzung bevorzugt Shougongchuan progressives Vibe Coding, statt vor Beginn der Entwicklung ein umfassendes, strenges Produktdesign abzuschließen.
Normalerweise stellt er AI zuerst einen konkreten Bedarf und lässt das Modell ihn direkt umsetzen. Wenn Probleme auftreten, teilt er dem Modell mit „Hier ist ein Problem, behebe es“; um zu verhindern, dass ähnliche Fehler wiederholt auftreten, fügt er weitere Einschränkungen hinzu und verlangt vom Modell, in Zukunft nicht mehr dieselbe Lösung zu verwenden.
Das Ziel dieser Entwicklungsmethode ist es nicht, beim ersten Mal ein kommerzielles Produkt zu erstellen, sondern so schnell wie eine lauffähige Version zu erhalten. Für Shougongchuan ist es völlig akzeptabel, dass AI zuerst ein Produkt mit „59 Punkten“ liefert. Solange die grundlegende Richtung stimmt, kann man anhand der tatsächlichen Wirkung entscheiden, ob man weitere Ressourcen investiert.
Der größte Vorteil dieser Methode ist die schnelle Rückmeldung. Viele Ideen scheinen auf dem Papier plausibel, erweisen sich aber nach der Erstellung eines Prototyps als nicht wertvoll. Wenn man von Anfang an viel Zeit für Architekturdesign, Technikauswahl und vollständige Tests aufwendet, stellt man möglicherweise nach einem Monat fest, dass Nutzer das Produkt überhaupt nicht brauchen. Mithilfe von AI können Entwickler Ideen zu sehr geringen Kosten validieren: Wenn der Prototyp keinen Wert hat, stellen sie die Arbeit rechtzeitig ein; wenn die Nutzer positiv reagieren, ergänzen sie schrittweise die Fähigkeiten im Software-Engineering.
Shougongchuan unterteilt die Produktentwicklung grob in zwei Ebenen: Die erste Ebene ist das minimal funktionsfähige Produkt, also MVP. Das Kernziel in dieser Phase ist es, zu validieren, ob die Funktion funktioniert und der Bedarf real ist. Die zweite Ebene besteht darin, Fähigkeiten zur hohen Parallelverarbeitung, automatisierte Tests, Ausnahmebehandlung und Stabilitätsdesign hinzuzufügen, um das Produkt allmählich den Produktionsanforderungen anzupassen.
Für normale Nutzer ohne technische Erfahrung im Ingenieurwesen besteht der Wunsch möglicherweise darin, dass AI direkt eine „Wunderwaffe“-Lösung liefert: Nach Eingabe eines Bedarfs erledigt das Modell die Zerlegung des Bedarfs, das Architekturdesign, die Codierung, die Tests und die Bereitstellung. Diese Methode ist nicht undurchführbar, aber die Entwicklungsgeschwindigkeit kann langsamer sein, da das Modell im Vorfeld eine vollständigere Planung durchführen muss.
Für Entwickler, die Code verstehen und für die Ergebnisse geradestehen, ist der Ansatz „zuerst schnell, dann stabil“ in der Regel am effizientesten. Wenn das Produkt sehr hohe Anforderungen an Qualität und Genauigkeit stellt, eignet sich eher eine spezifikationsgetriebene oder testgetriebene Vorgehensweise. Entwickler schreiben den Bedarf zuerst in detaillierte Spezifikationen oder lassen AI zuerst eine große Anzahl von Tests erstellen, bevor sie die Funktionen gemäß den Testanforderungen umsetzen.
Welches Paradigma letztendlich gewählt wird, hängt von den technischen Fähigkeiten des Nutzers, der Produktphase und den Risikoanforderungen ab.
Was den Technologie-Stack betrifft, wählt Shougongchuan nicht für jedes Projekt neu aus, sondern nutzt vorzugsweise vertraute Kombinationen: Für das Frontend bevorzugt er React, für das Backend tendiert er zu Python, bei der Oberfläche berücksichtigt er shadcn/ui, und als Datenbank wählt er normalerweise PostgreSQL oder Supabase aus. Er übergibt AI sogar die Supabase-Berechtigungen über MCP, sodass Agenten die Datenbank direkt bearbeiten können.
Diese Wahl ergibt sich ebenfalls aus der Überlegung zum Return on Investment. Für Builder, die schnell die Wirkung des Produkts sehen müssen, ist der Nutzen der wiederholten Bewertung Dutzender Frameworks nicht hoch. Ein vertrauter Technologie-Stack erleichtert die Generierung durch AI und vereinfacht das nachfolgende manuelle Verständnis und die Wartung.
Aber wenn es auf dem Markt bereits ausgereifte ähnliche Frameworks gibt, besteht er nicht darauf, von Grund auf neu zu entwickeln, sondern nutzt eine Fähigkeit namens „Lösungsarchitekt“. Diese Fähigkeit sucht zuerst auf GitHub nach verwandten Open-Source-Projekten und beurteilt, ob es Architekturen gibt, die direkt wiederverwendet werden können. Wenn ja, entwickelt er vorzugsweise auf Basis vorhandener Lösungen; wenn das Projekt weiter fortgeschritten ist, lässt er AI den Code schrittweise auf das vertrautere Framework migrieren. Auf diese Weise nutzt man ein ausgereiftes Projekt für einen schnellen Start und vermeidet die langfristige Wartung eines völlig unbekannten Technologiesystems.
Seiner Meinung nach wird Harness mit zunehmender Fähigkeit der Modelle immer schlanker. Entwickler müssen AI nicht alle Architekturdetails im Voraus mitteilen. Das Einzige, was explizit erläutert werden muss, sind Informationen, die nicht im Modell verankert sind, wie z. B. Unternehmensrichtlinien, Compliance-Anforderungen, verbotene Aktionen und persönliche Vorlieben.
Er fasst das Kooperationsprinzip zwischen Mensch und AI mit dem „Johari-Fenster“ zusammen: Entwickler müssen beurteilen, was sie wissen, dass AI es weiß, was AI nicht weiß, was sie nicht wissen, dass AI es weiß und was AI nicht weiß. Wenn das Verständnis eines Entwicklers für ein bestimmtes Problem deutlich über dem von AI liegt, sollte er das Modell aktiv und klar leiten; wenn der Entwickler selbst mit dem relevanten Bereich nicht vertraut ist, sollte er eine gewisse Unschärfe beibehalten und AI Lösungen vorschlagen lassen, um den Menschen bei der Erkundung zu leiten.
Nach dieser Vorgehensweise kann er normalerweise innerhalb einer Woche ein MVP liefern und das Produkt in etwa einem Monat relativ stabil online stellen. Wenn man sich nur an vorhandene Produkte orientiert, APIs austauscht, die Oberfläche anpasst und neue Unternehmensanforderungen erfüllt, kann eine einzelne Person dies in einer Woche bis zu einem Monat erledigen.
Die Verkürzung der Entwicklungszeit bedeutet aber nicht, dass Arbeit entfällt. Shougongchuans meiste Energie wird für das Debuggen aufgewendet. AI erstellt Code sehr schnell, aber die Überprüfung von Funktionen, die Lokalisierung von Ausnahmen, die Behandlung von Randfällen und die Verbesserung der Produkterfahrung nehmen seine Hauptzeit in Anspruch.