AI-Verify-Loop misst, ob ein KI-Coding-Agent das Projekt aufsetzen, ausführen und seine eigene Änderung ohne menschliche Hilfe verifizieren kann. Das ist der Kern autonomer Agentenarbeit — ein Agent, der seine Arbeit prüfen kann, baut Fortschritt auf Fortschritt; einer, der es nicht kann, erzeugt lediglich plausiblen Text — und die Metrik trägt das höchste Gewicht im AI-Readiness-Badge.
- Kategorie: AI Readiness (40% innerhalb der Kategorie)
- Gewicht im Gesamtindex: 0% — Teil des unabhängigen AI-Readiness-Badges
- Metrikschlüssel:
ai_verify_loop
Wie der Wert berechnet wird
| Komponente | Gewicht | Beleg |
|---|---|---|
| Ein-Befehl-Bootstrap | 22,5 | Makefile, Taskfile, justfile, mise oder noxfile |
| Automatisierte Tests | 27 | eine Testsuite, die der Agent zur Selbstkontrolle ausführen kann (geteilt mit den Engineering-Praktiken) |
| Lint-/Format-Konfiguration | 13,5 | geteilt mit dem Linter-Signal des Engineering |
| Statische Typprüfung | 13,5 | eine statisch typisierte Sprache oder eine Typprüf-Konfiguration (mypy, pyright, tsconfig, py.typed) |
| Reproduzierbare Umgebung | 13,5 | devcontainer, Dockerfile, Nix oder ein Abhängigkeits-Lockfile |
| OpenSSF Scorecard: Pinned-Dependencies | 10 | Scorecard-Ergebnis 0–10, skaliert auf 10 Punkte |
Pinned-Dependencies ist geteilte Evidenz: Es fügt dem Verifikationskreislauf des Agenten Information über die Reproduzierbarkeit der Lieferkette hinzu und bleibt zugleich eine vollwertige Sicherheitskomponente. Es wird ausgeschlossen, wenn Scorecard nicht verfügbar ist oder n/a meldet.
Warum dieser Kreislauf über die Nützlichkeit von Agenten entscheidet
Jede Komponente beseitigt einen Fehlermodus autonomer Arbeit:
- Bootstrap — der Agent kommt vom Klon zum laufenden System ohne Archäologie.
- Tests — der Agent kann belegen, dass eine Änderung das Beabsichtigte bewirkt hat.
- Lint und Typen — ganze Fehlerklassen werden mechanisch abgefangen, vor dem Review.
- Reproduzierbare Umgebung — „läuft in der Sandbox des Agenten“ heißt: läuft auch anderswo.
Bemerkenswert ist, dass dies dieselbe Infrastruktur ist, die menschlichen Beitragenden dient — die Metrik belohnt keine agentenspezifischen Exotika über das hinaus, was ein diszipliniertes Projekt ohnehin hat. Ein Projekt mit starker Engineering-Qualität startet hier typischerweise stark.
Das Ergebnis lesen
- Die Signale bestätigen die Existenz des Kreislaufs, nicht seine Geschwindigkeit oder Abdeckung — die präsenzbasierte Ehrlichkeitsregel des gesamten Badges.
- Ein hoher Verify-Loop bei einem Stub als Agentenkontext bedeutet meist ein gut konstruiertes Projekt, das schlicht noch keine Anleitung für Agenten geschrieben hat — die günstigste mögliche Verbesserung.
Den Wert verbessern
- Ein Makefile (oder justfile/Taskfile) mit den Zielen
install,testundlintergänzen. - Eine automatisierte Testsuite lokal mit einem Befehl ausführbar halten.
- Typprüfung einführen — schon eine minimale mypy-/tsconfig-Konfiguration zählt.
- Ein Lockfile, Dockerfile oder einen devcontainer für die Reproduzierbarkeit der Umgebung einchecken.
Verwandt: AI-Code-Lesbarkeit · Engineering-Praktiken