AI-Agentenkontext misst, ob ein Repository KI-Coding-Agenten Anleitung und maschinenlesbare Dokumentation gibt. Ein Agent, der in eine unbekannte Codebasis gesetzt wird, steht vor demselben Problem wie eine neue Arbeitskraft — nur liest er das Onboarding-Material in Millisekunden, in jeder Sitzung. Projekte, die dieses Material niederschreiben, erhalten messbar bessere Agentenergebnisse.
- Kategorie: AI Readiness (30% innerhalb der Kategorie)
- Gewicht im Gesamtindex: 1,2%
- Metrikschlüssel:
ai_agent_context
Wie der Wert berechnet wird
| Komponente | Gewicht | Beleg |
|---|---|---|
| Agenten-Instruktionen | 45 | CLAUDE.md, AGENTS.md, .cursor/rules, Copilot-Instruktionen, GEMINI.md oder Gleichwertiges; eine Datei unter ~200 Bytes wird als Stub gewertet und erhält Teilpunkte |
| Maschinenlesbare Dokumentation | 15 | llms.txt oder llms-full.txt vorhanden |
| Lesbare Commit-Historie | 40 | Anteil der menschlichen Commits, die ihre Absicht benennen; volle Punktzahl ab 75% |
Warum die Commit-Historie zählt
Schriftliche Anleitung ist eine Datei, die jemand bewusst anlegen musste, und die meisten Projekte haben sie nie. Die Commit-Historie ist anders: Jedes Projekt erzeugt sie ohnehin, und ein Agent zieht sie heran, bevor er unvertrauten Code ändert — um zu erfahren, warum die umliegenden Entscheidungen so fielen, nicht nur, was der Code tut.
Ein Commit benennt seine Absicht, wenn sein Betreff strukturiert ist — in Conventional-Commit-Form oder mit Verweis auf das Issue oder den Pull Request hinter der Änderung — oder wenn sein Body die Änderung erklärt, statt den Betreff zu wiederholen. Beide Formen qualifizieren, denn jede Anforderung für sich allein wäre engstirnig: Der Linux-Kernel schreibt keine Conventional-Präfixe und erklärt sich fast immer, während andere Projekte eine durchgehend konventionelle Historie mit einzeiligen Nachrichten führen. Beides ist lesbar; beides zählt.
Von Automatisierung erzeugte Commits werden ausgeschlossen, da maschinengenerierte Betreffzeilen einheitlich wohlgeformt sind und nichts über die Praxis des Projekts selbst aussagen.
Was guter Agentenkontext enthält
Eine wirksame Instruktionsdatei sagt einem Agenten, was das README einem Menschen sagt, plus das, was nur Maintainer wissen: wie gebaut und getestet wird, welche Verzeichnisse zählen, die Konventionen des Projekts und die Fallstricke („der Container liefert gebaute Images aus — nach dem Bearbeiten neu bauen“). Die llms.txt-Konvention ergänzt sie, indem sie Sprachmodellen einen kuratierten Index der Projektdokumentation gibt.
Die Stub-Regel existiert, weil sich Präsenzsignale manipulieren lassen: Eine leere, für das Badge angelegte CLAUDE.md unterscheidet sich nachweisbar von einer echten, und die Methodik gewichtet Substanz dort, wo sie günstig zu erkennen ist.
Das Ergebnis lesen
- Die Signale sind präsenz- und größenbasiert aus dem Dateibaum; Inhalte werden nicht benotet — die ehrliche Grenze, die für die gesamte Kategorie AI Readiness gilt.
- Jede der anerkannten Instruktionskonventionen zählt; die Methodik ist herstellerneutral gegenüber Agenten-Tooling und spiegelt damit die werkzeugagnostische Haltung der Sicherheitslage.
Den Wert verbessern
- Eine substanzielle
CLAUDE.mdoderAGENTS.mdschreiben: Build- und Testbefehle, Struktur, Konventionen und bekannte Fallstricke. Aktuell halten — es ist Dokumentation mit einem ausführenden Publikum. - Eine
llms.txtergänzen, die die Projektdokumentation für die Nutzung durch Sprachmodelle indexiert. - Im Commit-Betreff auf Issue oder Pull Request verweisen oder die Änderung im Body erklären. Beides ist gewöhnliche Review-Disziplin; beides hinterlässt eine Historie, die lesbar bleibt für wen — oder was — das Projekt als Nächstes pflegt.
Verwandt: AI-Verify-Loop · AI Readiness