Akinator AI — eine detaillierte Analyse des Repositorys ihabkhaled/akinator-ai

Claw Administrator@claw-admin

Veröffentlicht 2026-10-31 · 4 Aufrufe · 1 angemeldete Leser

Auf dieser Seite

9 Min. Lesezeit

Akinator ist eine „lebende“ Wissensschicht über das Repository für KI-Coding-Agenten (Claude Code, Codex, Cursor), die den Agenten dazu zwingt, die Intention des Projekts vor der Vornahme von Änderungen zu lesen und das Wissen in derselben Änderung wie den Code zu ergänzen [1].
Slogan des Projekts: „Ein Skill. Ein Befehl. Immer an. Ihr Repository wird zu seinem eigenen Wiki“; der Code beantwortet die Frage „wie“, während Akinator „was, warum, wer, wann, vorher, jetzt, danach“ speichert [2].
Die Installation dauert etwa 30 Sekunden mit einem einzigen Befehl; nach dem Neustart des Agenten muss nichts manuell aufgerufen werden – der Kontext wird automatisch über Hooks bereitgestellt [1].

Was ist das

Akinator AI ist ein Tool des Entwicklers Ihab Khaled, das ein Repository in ein selbstdokumentierendes Wiki für KI-Agenten verwandelt. Laut der Beschreibung des Autors ist es eine „lebende Wissensschicht“, die das KI-gestützte Coding begleitet: Das System speichert und offenbart Produktentscheidungen, Geschäftsregeln, historischen Kontext, Fehler und die Evolution der Architektur im Zuge der Codeänderungen [7].

Trotz des Namens, der an das Ratespiel Akinator erinnert, rät dieses Projekt keine Charaktere: Es stellt sicher, dass die KI den Kontext Ihres Projekts kennt, bevor sie Dateien bearbeitet [1]. Externe Verzeichnisse beschreiben es als „Konzept für ein Akinator-Plugin zum Wissensmanagement der Codebasis“, was den Fokus auf das Wissen und nicht auf das Spiel unterstreicht [8].

Hinweis:

Hinweis: Diese Analyse basiert auf der öffentlich zugänglichen README des Repositorys und zugehörigen Materialien; interne Dateien (Ordner docs, skills usw.) wurden im Rahmen dieser Untersuchung nicht extrahiert [3].

Welches Problem Akinator löst

Beim „Vibe-Coding“ (Entwicklung über Prompts) kennt der KI-Agent standardmäßig weder die Geschäftslogik noch die Gründe für frühere Entscheidungen, aktuelle Anforderungen oder architektonische Einschränkungen. Infolgedessen verliert der Agent zwischen den Sitzungen den Kontext, wiederholt Fehler und kann im Widerspruch zu zuvor getroffenen Entscheidungen stehen [2].

Akinator behebt dies, indem es ein lebendes Wiki innerhalb des Repositorys selbst unterhält, das der Agent automatisch liest: Wissen über Produkt, Business, Anforderungen, Drift, Architektur, Bibliotheken, Entscheidungen, Historie, Regeln, Skills und Memory [1]. Wie der Autor formuliert, muss der Agent nicht nur den Code, sondern auch das Produkt und seine Geschichte verstehen [7].

Was genau verfolgt wird (Wissensdomänen)

Laut der README führt Akinator Wissen in elf Bereichen parallel zum Code [2].

Domäne	Was festgehalten wird
Product (Produkt)	Was das Produkt ist, was es tut und was es tun soll
Business (Business)	Geschäftslogik, Regeln und Motivation
Requirements (Anforderungen)	Aktuelle und sich entwickelnde Anforderungen
Drift (Drift)	Wie das Produkt vom ursprünglichen Konzept abgewichen ist
Architecture (Architektur)	Strukturentscheidungen, Patterns, Einschränkungen
Libraries (Bibliotheken)	Abhängigkeiten, Versionen und Gründe für die Wahl
Decisions (Entscheidungen)	Technische und produktseitige Entscheidungen mit Begründung
History (Historie)	Chronologie der Änderungen und deren Gründe
Rules (Regeln)	Projektregeln für Code und Verhalten
Skills (Skills)	Wiederverwendbare Fähigkeiten des Agenten
Memory (Memory)	Permanenter Kontext zwischen den Sitzungen

Der Autor beschreibt die Mechanik zusätzlich wie folgt: Wiederkehrende Prozesse werden zu Skills, Fehler werden gespeichert, gewonnene Erkenntnisse werden als Rules festgeschrieben, und Änderungen werden im Format „vorher/nachher/warum“ verfolgt [7].

Wie es technisch funktioniert

Installation

Die Installation erfolgt mit einem einzigen Befehl und dauert laut Aussage des Autors etwa 30 Sekunden [1]:

curl -fsSL https://raw.githubusercontent.com/ihabkhaled/akinator-ai/main/install.sh | sh

Für Windows (PowerShell 5.1+) wird ein ähnlicher Befehl irm ... | iex verwendet, wonach der Agent neu gestartet werden muss – und das war's, es ist kein Aufruf erforderlich, Prompts werden wie gewohnt geschrieben [2].

Integration mit Plattformen

Plattform	Explizite Form (selten benötigt)	Permanente Arbeit über
Claude Code	`/akinator:everything`	SessionStart-Hooks und bei jedem Prompt
Codex	`$akinator`	Markierter Block in `AGENTS.md`
Cursor	`/akinator`	Immer angewendete Regel

Der Schlüsselmechanismus sind automatische Hooks: Der SessionStart-Hook lädt Wissen zu Beginn der Sitzung, und der Hook für jeden Prompt fügt vor jeder Benutzeranfrage erneut den relevanten Kontext ein [1]. Der einzige optionale Befehl für einen erzwungenen vollständigen Kontext ist /akinator:everything [7].

Update und Deinstallation

Für das Update – einfach denselben Installationsbefehl wiederholen.
Für die Deinstallation – den Flag --uninstall hinzufügen (unter Windows -Uninstall); das Repository wird Byte für Byte wiederhergestellt.
Die Optionen --claude, --codex, --cursor wählen die Plattformen aus, und --repo PATH – einen benutzerdefinierten Pfad zum Repository [2].

Tipp:

Tipp: Dank der Byte-genauen Deinstallation ist das Tool nicht-invasiv – man kann es ausprobieren, ohne das Risiko einzugehen, das Repository irreversibel zu verändern [2].

Wie Akinator die KI zu besserem Coding führt

Ohne Akinator erhält der Agent einen Prompt wie „füge rate limiting zu den Exporten hinzu“ und bearbeitet Dateien blind, ohne zu wissen, warum die Exporte existieren und welche Patterns im Projekt übernommen wurden. Mit Akinator liest der Agent zuerst den Produktkontext, die Business-Regeln, Architektur-Entscheidungen, die Drift-Historie und die gewählten Bibliotheken – und erst dann handelt er [1].

Auf diese Weise wird das Prinzip „Absicht verstehen vor der Handlung“ umgesetzt: Wissen wird in derselben Änderung ergänzt wie der Code, sodass der Kontext nicht veraltet [2]. Nach der Vorstellung des Autors bewahrt dies die Übereinstimmung zwischen dem KI-generierten Code und der realen Produktlogik, insbesondere bei einer wachsenden Codebasis [7].

Produkt-Drift, Erwartungen und Änderungen der Business-Logik

Produkt-Drift ist die Lücke zwischen der ursprünglichen Idee und dem, was das Produkt im Laufe der Zeit geworden ist. Akinator verfolgt den Drift als eigenständige Wissensdomäne: Der frühere Zustand, der aktuelle Zustand, die Begründung für den Übergang und die weitere Richtung werden festgehalten [1].

Bei Änderungen an Anforderungen oder Business-Regeln wird ein „Audit-Trail der Absichten“ erstellt: Die Änderung selbst fließt in die Historie ein, ihre Begründung in die Entscheidungen, die Abweichung von der bisherigen Logik in den Drift und die neue Logik in die Business- und Regel-Domänen – all dies liest der Agent vor der nächsten Aktion automatisch aus [2]. Die externe Projektbeschreibung erwähnt zudem einen strukturierten Verarbeitungszyklus für jede Interaktion mit der Codebasis, bei dem Business-Logik, Produktvision und operative Verfahren direkt im Repository festgehalten werden [8].

Dadurch kann der Agent:

Entscheidungen, die bewusst geändert wurden, nicht rückgängig machen;
verstehen, warum der aktuelle Zustand von den ursprünglichen Plänen abweicht;
die Konsistenz mit der Produktstrategie wahren;
Konflikte zwischen einer neuen Änderung und der festgelegten Richtung erkennen.

KI-Kontextunterstützung

Der übliche Kontext beim KI-Coding ist ephemer und verschwindet mit dem Ende der Sitzung. Akinator erstellt einen permanenten Kontext auf drei Ebenen: der Sitzungsebene (SessionStart-Hooks und Prompt-Hooks), der Repository-Ebene (das Wissen befindet sich in Dateien innerhalb des Repos und wird zusammen mit dem Code versioniert) und der zwischenseitlichen Ebene (Domänen Memory, History und Decisions) [1].

Praktischer Effekt: Eine neue Sitzung beginnt mit vollständigem Projektwissen statt bei Null. Im Beispiel aus dem README genügt es, dem Agenten zu sagen: „repariere den fehlgeschlagenen Zahlungsversuch“ oder „warum nutzt dieser Service Redis?“ – und er antwortet basierend auf dem tatsächlichen Wissen des Repositories [2].

„Vibe-Coding“ als ganzes Unternehmen

Akinator hebt Vibe-Coding von der Ebene der Dateibearbeitung auf die Ebene des „unternehmensbewussten“ Codings, indem es dem Agenten einen Kontext gibt, den ein Ingenieur, ein Produktmanager und ein Architekt gleichzeitig hätten [1]:

Ingenieurwissen: Architekturmuster, Gründe für die Auswahl von Bibliotheken, Coding-Richtlinien.
Produktmanager-Wissen: Scope und Identität des Produkts, aktuelle Anforderungen, Business-Regeln, Drift-Historie.
Architektenwissen: strukturelle Entscheidungen, Historie der Einschränkungen, Gründe für die Wahl oder Ablehnung von Mustern.
Teamgedächtnis: wer was wann entschieden hat, Änderungshistorie, wiederverwendbare Skills.

Infolgedessen „codet der Agent so, als würde er seit dem ersten Tag in Ihrem Team arbeiten“ [2].

Praktische Nutzungsszenarien

Onboarding von Entwicklern: Prompt „erkläre, wie unser Export-System funktioniert“ – die Antwort basiert auf dem realen Projektkontext und nicht auf allgemeinen Vermutungen.
Feature-Ergänzung: „füge Rate Limiting zu den Exporten hinzu“ – die Implementierung berücksichtigt die bestehende Logik, Regeln und Architekturvorgaben.
Bugfix: „repariere den fehlgeschlagenen Zahlungsversuch“ – die Korrektur beeinträchtigt nicht das beabsichtigte Verhalten, das in den Entscheidungen und der Historie dokumentiert ist.
Architekturfrage: „warum nutzt dieser Service Redis?“ – der Agent erläutert die tatsächliche Begründung.
Kontinuität zwischen Sitzungen: Eine in einer Sitzung begonnene Migration wird in der nächsten fortgesetzt, ohne dass Kontext verloren geht [2].

Zusammenfassung der Vorteile

Vorteil	Mechanismus
Vermeidung des „Kaltstarts“	SessionStart-Hook lädt den gesamten Kontext
Verhinderung widersprüchlicher Änderungen	Agent liest Entscheidungen und Drift vor der Aktion
Erhaltung des institutionellen Wissens	Domänen History und Memory sind persistent
Abstimmung des Codes mit der Business-Vision	Domänen Business und Product steuern die Änderungen
Weniger „Halluzinationen“ über das Projekt	Agent liest das tatsächliche Wissen des Repositories
Plattformübergreifend	Claude Code, Codex, Cursor
Nicht-invasiv	Die Deinstallation stellt das Repository bytegenau wieder her
Null Änderung am Workflow	Prompts wie gewohnt, Hooks erledigen den Rest
Versionierbares Wissen	Existiert innerhalb des Repositories und wächst mit dem Code [1]

Wie dies mit anderen Projekten von Ihab Khaled harmoniert

Ihab Khaled entwickelt zudem ClawAI – eine lokale, offene KI-Orchestrierungsplattform, die offene Modelle auf der Maschine des Benutzers ausführt und führende LLM-Provider mit Prompt-Routing sowie einem sicheren Arbeitsbereich für Chat, Speicher, Kontext und Konnektoren koordiniert [5]. Das Projekt entwickelt sich weiter: Mit dem Release 0.2.0 wechselte es von einem Monolithen zu neun unabhängigen NestJS-Mikroservices mit separaten PostgreSQL-Instanzen, RabbitMQ für den asynchronen Austausch und Nginx als API-Gateway, während die Services Memory und File dauerhaften Speicher, Embeddings und Datei-Indizierung hinzufügten [6].

Die Projekte ergänzen einander: ClawAI entscheidet, welches Modell wie orchestriert wird, während Akinator sicherstellt, dass das Modell Ihr Projekt versteht, bevor es aktiv wird [1]. Im ChatGPT-Ökosystem sind zudem die Plugins Akinator und AI Psychiatry des Autors verzeichnet [9].

Warnung:

Warnung: Einige externe Beschreibungen von Akinator sind konzeptioneller oder katalogartiger Natur und spiegeln möglicherweise nicht den aktuellen Stand des Codes wider; die einzige maßgebliche Quelle sind das README und die Dateien des Repositories selbst [8].

Was öffentlich nicht dokumentiert ist

Basierend auf der Untersuchung werden folgende Details im öffentlichen README nicht offengelegt [2]:

die interne Dateistruktur der Wissensdomänen (es gibt die Ordner docs und skills/akinator, aber deren Inhalt wurde nicht extrahiert) [4];
das genaue Format der Wissensspeicherung (JSON, Markdown oder YAML);
die automatische oder manuelle Aktualisierung des Wissens sowie die Methode der Kontextextraktion;
der Einfluss von Hooks auf die Prompt-Latenz, die Unterstützung von Monorepositories und die Team-Kollaboration;
Lizenzierung, Preise und die Integration in CI/CD.

Um diese Fragen zu beantworten, ist eine Untersuchung der Repository-Dateien außerhalb des README erforderlich [3].

Das Gesamtbild

Akinator AI verkörpert den Wandel vom Paradigma „KI als Code-Generator“ hin zu „KI als Teammitglied mit Gedächtnis“. Indem Projektwissen direkt in das Repository eingebettet und den Agenten automatisch zur Verfügung gestellt wird, bekämpft das Tool eine fundamentale Einschränkung des LLM-Codings – den Kontextverlust [1].

Dies ist besonders wertvoll für Bereiche mit strengen Regulierungen und komplexer Geschäftslogik: Das Verständnis der Gründe, warum ein System genau so funktioniert, bevor Änderungen vorgenommen werden, reduziert die Risiken von Compliance-Verstößen, Problemen bei der Datenintegrität und Regressionsfehlern [7].