Coding-Agent oder Modell wechseln – ohne die Aufgabe zu verlieren

Aufgaben zwischen Coding-Agents und Modellen mit einem strukturierten Handoff, ohne Geheimnisse und mit einer fokussierten Prüfung übergeben.

Wenn Entwickler komplexe Engineering-Probleme bearbeiten, wechseln sie oft zwischen Coding-Agents: Sie beginnen etwa die Architekturplanung in Claude Code und lassen anschließend einen algorithmischen Refaktor oder die Testgenerierung von Codex oder einem anderen Modell prüfen. Wird jedoch der gesamte alte Chatverlauf in den neuen Agent kopiert, füllt er dessen Kontext mit überholten Hypothesen. Das kostet Token und Zeit.

Ein Modellwechsel ist nur dann sinnvoll, wenn er auf einer formalisierten, portablen Handoff-Karte und einem gezielten Prüfschritt beruht – nicht auf dem Versuch, einen unbegrenzten Chatverlauf zu übertragen.


1. Wechsel vergleichen: Modell, Tool oder API-Anbieter

Verwechseln Sie nicht drei grundsätzlich verschiedene Vorgänge:

DimensionModell innerhalb eines Agents ändernTool wechseln (Claude Code ↔ Codex)API-Anbieter ändern
Was sich ändertModel-ID in der KonfigurationCLI-Client, Protokoll und Tool-OrchestrierungEndpoint, Base URL und Authentifizierungsschlüssel
AufgabenkontextBleibt in der aktuellen Sitzung erhaltenVollständiger Sitzungsneustart; ein sauberer Handoff ist nötigBleibt in der lokalen Umgebungskonfiguration erhalten
API-ProtokollAnthropic oder OpenAI (unverändert)Wechsel von Anthropic Messages zu OpenAI Responses APIKonfiguration von Base URL und API-Key-Gruppe
Empfohlener EinsatzSchneller Wechsel des Reasoning-NiveausAlternative Hypothesen in einem sauberen Worktree prüfenÜber lokale oder dedizierte Gateways routen

2. Tool-Auswahl nach Szenario

Wählen Sie anhand der aktuellen Anforderungen:

  • Option 1 (Claude Code): Sinnvoll für interaktive Erkundung einer Codebasis, komplexe Architektur-Refaktoren über mehrere Dateien und flexible Shell-Tools.
  • Option 2 (Codex CLI / Custom Provider): Sinnvoll für deterministische Testgenerierung, direkte Ausführung über die OpenAI-kompatible Responses API oder eine unabhängige zweite Einschätzung zu einem vorbereiteten Diff.

3. Das portable Handoff-Protokoll

Um einen Aufgabenstand ohne Prompt-Ballast zuverlässig zu übertragen, schreiben Sie eine strukturierte Handoff-Karte, die nur verifizierte Fakten enthält:

Task Handoff: Database Connection Pool Limits

  • Goal: Enforce max_connections=20 and add a 5s connection acquisition timeout.
  • Current State: Branch perf/db-pool-limits created; modified config/database.go.
  • Verified Progress: Test go test ./config -run TestPoolLimits passes.
  • Unresolved Blocker: Under wrk load, pool exhaustion crashes without returning HTTP 503.
  • Target Check for Next Agent: Implement 503 error handling on pool timeout and verify with a test.
> [!IMPORTANT] > **Keine Geheimnisse im Handoff**: Nehmen Sie niemals API Keys, Auth-Tokens oder Inhalte aus `.env`-Dateien in Handoff-Karten auf. Jedes CLI-Tool liest seine Zugangsdaten aus lokalen Umgebungsvariablen. Prüfen Sie die Einrichtungsanleitungen für Claude Code und Codex in den [BetterToken Docs](https://docs.bettertoken.ai/ai-tools/claude-code). ---

4. Schrittweise wechseln und verifizieren

Gehen Sie bei der Übergabe an einen anderen Agent in diesen fünf Schritten vor:

  1. Schritt 1: Git-Status sichern. Prüfen und stashen Sie nicht eingecheckte Änderungen: git status --short. Speichern Sie danach die strukturierte Handoff-Karte.
  2. Schritt 2: Neue Sitzung starten. Starten Sie den zweiten Agent in einem isolierten Git-Worktree oder einem sauberen Terminalfenster.
  3. Schritt 3: Nur die Handoff-Karte übergeben. Geben Sie dem neuen Agent das Aufgabenziel und den Prüfschritt, aber keinen alten Chatverlauf.
  4. Schritt 4: Den fokussierten Prüfschritt ausführen. Der Agent soll den Zieltest ausführen und die geänderten Dateien prüfen: git diff --check.
  5. Schritt 5: Anhand beobachtbarer Ausgabe entscheiden. Löst das zweite Modell den Blocker sauber, arbeiten Sie in diesem Branch weiter. Andernfalls kehren Sie ohne zusätzlichen Regressionsaufwand zur primären Sitzung zurück.

So verhindert der Ablauf aufgeblähte Prompts und macht den Modellwechsel zu einem objektiven, messbaren Engineering-Experiment.

Bereit, Ihren LLM-Workflow zu optimieren?

Verbinden Sie Modelle über eine API, verwalten Sie Schlüssel und behalten Sie KI-Kosten im Blick.