AI Readiness

AI Readiness misst, wie gut ein Repository dafür gerüstet ist, mit KI-Coding-Agenten entwickelt und gepflegt zu werden: ob ein Agent, der in der Codebasis ankommt, Anleitung vorfindet, seine eigenen Änderungen aufsetzen und verifizieren kann, den Code innerhalb der Modellbeschränkungen lesen kann und maschinenlesbare Schnittstellen entdecken kann.

Es ist ein unabhängiges, additives Badge. Die Kategorie trägt Gewicht 0,0 im Gesamt-Gesundheitsindex — eigenständig berechnet und angezeigt, verändert sie die Gesundheitszahl nie. Ein solides Projekt aus der Zeit vor der KI-Ära wird für fehlendes Agenten-Tooling nicht abgewertet; ein Projekt, das darin investiert, erhält eine sichtbare, separate Auszeichnung.

Metriken in dieser Kategorie

Der Verify-Loop trägt das höchste Gewicht, weil er der Kern autonomer Arbeit ist: Ein Agent, der das Projekt aufsetzen, die Tests ausführen und seine eigene Änderung prüfen kann, ist kategorisch nützlicher als einer, der das nicht kann. Der Agentenkontext umfasst Instruktionsdateien (CLAUDE.md, AGENTS.md, …) und maschinenlesbare Dokumentation (llms.txt). Die Code-Lesbarkeit misst Typprüfbarkeit und handhabbare Dateigrößen. Die Schnittstellen suchen nach API-Schemata, MCP-Servern und lauffähigen Beispielen.

Ehrlichkeit der Messung

Die Signale sind präsenz- und größenbasierte Heuristiken aus dem Dateibaum — keine Dateiinhalte werden benotet. Sie zeigen, dass die Infrastruktur existiert, nicht, wie gut sie ist. Substanz wird dort gewichtet, wo sie günstig zu erkennen ist: Eine Instruktionsdatei unter ~200 Bytes wird als Stub gewertet und erhält Teilpunkte — eine gezielte Verteidigung gegen die Manipulation des Badges.

Metriken, die nicht anwendbar sind, erzeugen null, niemals einen Malus: Ein reines Dokumentationsrepository wird nicht an der Code-Lesbarkeit gemessen, und eine einfache Bibliothek ohne API-Oberfläche nicht an Schnittstellen-Schemata.

Das Badge lesen

• Das Badge beantwortet eine genuin neue Beschaffungsfrage — kann ein Team Agenten produktiv auf diese Codebasis ansetzen? —, für deren Erfassung die klassischen Gesundheitssignale nie entworfen wurden.
• Weil das Gewicht 0,0 beträgt, bleiben Vergleiche des Gesundheitsindex zwischen Repositories von AI Readiness gänzlich unberührt.

AI Readiness verbessern

• Eine substanzielle CLAUDE.md oder AGENTS.md sowie eine llms.txt ergänzen.
• Ein Ein-Befehl-Bootstrap (Makefile, justfile, …), automatisierte Tests, Lint-Konfiguration und Typprüfung bereitstellen — den Verify-Loop.
• Quelldateien unter ~1.500 Zeilen halten und Typprüfung einführen.
• OpenAPI-/GraphQL-/protobuf-Schemata, einen MCP-Server oder lauffähige Beispiele ausliefern, wo sie zur Natur des Projekts passen.

Verwandt: Engineering-Qualität · Methodikversionen