Akinator AI: Die lebendige Wissensschicht für Code-Repositories — Ein umfassender Leitfaden

10 Min. Lesezeit

Die Kernpunkte

• Akinator AI ist eine dauerhaft aktive Wissensschicht innerhalb des Repositories, die dafür sorgt, dass KI-Coding-Agenten die Projektintention lesen, bevor sie Änderungen vornehmen [1].
• Es verfolgt elf Wissensbereiche: Produkt, Business, Anforderungen, Drift, Architektur, Bibliotheken, Entscheidungen, Historie, Regeln, Fähigkeiten und Gedächtnis [2].
• Die Installation dauert 30 Sekunden und erfordert keine Änderung Ihres Arbeitsablaufs — geben Sie Ihre Befehle einfach ganz natürlich [1].
• Es löst das Kernproblem im generativen Programmieren: den Kontextverlust zwischen Sitzungen und wiederholte Fehler aufgrund der Unkenntnis des Agenten über die Business-Logik [3].

Was ist Akinator AI?

Akinator AI ist ein Open-Source-Projekt, das von Ihab Khaled entwickelt wurde und darauf abzielt, ein Code-Repository in sein eigenes „lebendiges Wiki“ zu verwandeln. Das Hauptmotto des Projekts fasst die Idee zusammen: „Der Code sagt wie. Akinator bewahrt was, warum, wer, wann, vorher, jetzt, als Nächstes“ [1].

Im Gegensatz zu herkömmlichen Programmierassistenten, die nur den Code verstehen, konzentriert sich Akinator auf die Aufrechterhaltung des vollständigen Kontextes hinter dem Code: Produktentscheidungen, Geschäftsregeln, historischer Kontext, Fehlgeschlagenes und die sich entwickelnde Architektur [3].

Hinweis:

Hinweis: Der Name ist von dem bekannten Ratespiel Akinator inspiriert, aber die Funktion ist völlig anders — anstatt Charaktere zu erraten, stellt dieses System sicher, dass der KI-Agent Ihr Projekt kennt, bevor er eine einzige Datei berührt [1].

Das Kernproblem, das es löst

Wenn Sie sich auf „Vibe Coding“ verlassen — also eine Entwicklung basierend auf Texteingaben —, stößt der KI-Agent auf wiederkehrende Probleme:

• Kennt die Business-Logik Ihres Projekts nicht
• Versteht nicht, warum frühere Entscheidungen getroffen wurden
• Unkenntnis über Produktanforderungen und deren Entwicklung
• Weiß nicht, was sich geändert hat und warum
• Verliert den Kontext zwischen aufeinanderfolgenden Sitzungen
• Wiederholt Fehler oder widerspricht früheren Entscheidungen

Akinator behebt diese Probleme durch die Führung eines „lebendigen Wikis“ innerhalb des Repositories, das der Agent automatisch liest [1].

Die elf Wissensbereiche

Akinator verfolgt spezifische Wissensbereiche innerhalb des Repositories, gemäß der offiziellen Dokumentation [2]:

Wie es technisch funktioniert

Installation in 30 Sekunden

Auf macOS und Linux (für alle installierten Plattformen — Claude Code, Codex und Cursor):

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

Auf Windows (PowerShell 5.1 oder neuer):

irm https://raw.githubusercontent.com/ihabkhaled/akinator-ai/main/install.ps1 | iex

Starten Sie nach der Installation Ihren Agenten neu. Es ist kein manueller Aufruf erforderlich — geben Sie Ihre Befehle einfach ganz natürlich [1].

Integration mit Plattformen

Der grundlegende Mechanismus sind die Hooks, die automatisch funktionieren:

• SessionStart-Hook — injiziert Wissen und Kontext beim Start der Sitzung
• Hook pro Befehl — injiziert den relevanten Kontext vor jedem Benutzerbefehl erneut

Das bedeutet, dass der Agent nicht darum gebeten werden muss, die Dokumentation zu lesen — dies geschieht jedes Mal automatisch [1].

Update und Deinstallation

• Zum Aktualisieren: Führen Sie denselben Installationsbefehl erneut aus
• Zur Deinstallation: Fügen Sie --uninstall (oder -Uninstall unter Windows) hinzu — das Repository wird Byte für Byte wiederhergestellt
• Optionen: --claude, --codex und --cursor zur Auswahl der Plattformen und --repo PATH für den Pfad zu einem benutzerdefinierten Repository [1]

Wie KI zu einer besseren Programmierzukunft führt

Ohne Akinator

Benutzer: "Füge eine Rate-Limiting für den Datenexport hinzu"
KI: [ändert die Dateien, ohne zu wissen, warum der Export existiert,
     welche Geschäftsregeln ihn steuern oder welche Projektmuster vorliegen]

Mit Akinator

Benutzer: "Füge eine Rate-Limiting für den Datenexport hinzu"
KI: [liest den Produktkontext, die Geschäftsregeln, Architekturentscheidungen,
     die Drift-Historie, die Bibliotheksauswahl,
     und ändert dann die Dateien mit vollem Bewusstsein]

Der Agent versteht die Absicht vor der Handlung [1].

Umgang mit Product Drift

Product Drift ist die Lücke zwischen dem, was ursprünglich beabsichtigt war, und dem, was das Produkt im Laufe der Zeit geworden ist. Akinator verfolgt den Drift als primäre Wissensdomäne [2].

Das bedeutet, dass:

• Der vorherige Zustand dokumentiert ist (was das Produkt war)
• Der aktuelle Zustand dokumentiert ist (was es jetzt ist)
• Die Begründung für den Übergang dokumentiert ist (warum es sich geändert hat)
• Die zukünftige Richtung erfasst ist (was als Nächstes kommt)

Wenn der Agent Änderungen vornimmt, kann er auf die Drift-Historie zurückgreifen, um:

1. Das Rückgängigmachen von bewusst geänderten Entscheidungen zu vermeiden
2. Den Kontext zu verstehen, warum der aktuelle Zustand von den ursprünglichen Plänen abweicht
3. Die Konsistenz mit dem Produktpfad zu wahren
4. Potenzielle Konflikte zwischen einer neuen Änderung und der festgelegten Richtung zu identifizieren

Unterstützung des KI-Kontexts

Traditioneller Programmierkontext ist temporär — er existiert nur in der aktuellen Konversation. Wenn die Sitzung endet, geht der Kontext verloren.

Akinator erstellt einen dauerhaften Kontext über drei Ebenen [1]:

Sitzungsebene

• Der SessionStart-Hook lädt das relevante Wissen beim Start der Sitzung
• Ein Hook pro Befehl injiziert den Kontext vor jedem Befehl erneut

Repository-Ebene

• Das Wissen lebt innerhalb des Repositorys als Dateien
• Es wird versionsverwaltet, parallel zum Code
• Es wächst mit jeder Codeänderung

Sitzungsübergreifend

• Der Memory-Scope bleibt über Sitzungen hinweg bestehen
• Der History-Scope bewahrt die Zeitlinie
• Der Decisions-Scope speichert die Begründungen

Das bedeutet, dass eine neue Sitzung mit vollem Projektbewusstsein beginnt und nicht mit einem leeren Blatt [1].

Erfassung von Produktvorgaben

Produktvorgaben — also das, was die Stakeholder vom Produkt erwarten — werden über mehrere Ebenen gepflegt [2]:

Wenn die KI ein Feature programmiert, kann sie prüfen:

• Entspricht dies den aktuellen Anforderungen?
• Verletzt es Geschäftsregeln?
• Passt es zum Produkt-Scope?
• Wurde diese Erwartung bewusst geändert (Drift)?
• Gab es dazu eine frühere Entscheidung?

Umgang mit Änderungen der Produkt- und Geschäftslogik

Wenn sich die Geschäftslogik ändert:

1. Die Änderung selbst wird im History-Scope aufgezeichnet
2. Die Begründung wird in den Entscheidungen erfasst
3. Der Drift von der vorherigen Logik wird verfolgt
4. Die neue Logik wird in den Business- und Rules-Scopes kodiert
5. Der Agent liest all dies automatisch über die Hooks vor der nächsten Aktion

Dies erstellt einen Intent Audit Trail — nicht nur Code-Änderungen, sondern warum diese Änderungen aus einer geschäftlichen Perspektive vorgenommen wurden [1].

Generative Programmierung als integriertes Unternehmen

„Generative Programmierung“ bedeutet eine promptbasierte Entwicklung, bei der Sie beschreiben, was Sie möchten, und die KI es aufbaut. Akinator hebt dies von einer Programmierung auf Dateiebene auf eine unternehmensbewusste Programmierung, indem es dem Agenten den gleichen Kontext gibt, den ein Senior Engineer + Product Manager + Architect besitzt [1].

Wissen des Engineers

• Architekturmuster
• Bibliotheksauswahl und deren Begründungen
• Coding-Richtlinien
• Technische Entscheidungen und deren Begründungen

Wissen des Product Managers

• Produktumfang und Identität
• Aktuelle Anforderungen
• Geschäftsregeln
• Historie des Product Drifts

Wissen des Architekten

• Strukturelle Entscheidungen
• Historie der Einschränkungen
• Warum bestimmte Muster gewählt oder abgelehnt wurden

Teamgedächtnis

• Wer was wann entschieden hat
• Änderungshistorie
• Wiederverwendbare Fähigkeiten und Muster

Wenn Sie schreiben:

أصلح فشل إعادة محاولة الدفع

Die KI weiß [1]:

• Was das Zahlungssystem tut (Produkt)
• Welche Geschäftsregeln die Wiederholungsversuche steuern (Business)
• Welche Architektur der Zahlungsdienst verwendet (Architektur)
• Welche Bibliotheken betroffen sind (Bibliotheken)
• Welche Entscheidungen bezüglich der Wiederholungsversuche getroffen wurden (Entscheidungen)
• Wie sich die Logik der Wiederholungsversuche verändert hat (Drift/Historie)
• Welche Regeln für den Zahlungscode gelten (Regeln)

Er programmiert, als wäre er seit dem ersten Tag Teil Ihres Teams.

Der zwölfteilige Akinator-Zyklus

Gemäß der in der ChatGPT-Plugin-Dokumentation verfügbaren Informationen führt Akinator jede Interaktion mit dem Repository über einen Zyklus aus zwölf Stationen aus [4]:

1. Fragen — Klärung dessen, was präzisiert werden muss
2. Lösen — Behebung von Mehrdeutigkeiten
3. Prüfen — Überprüfung des aktuellen Zustands
4. Planen — Erstellung eines Änderungsplans
5. Ausführen — Implementierung der Anpassungen
6. Dokumentieren — Aktualisierung der Dokumentation
7. In Fähigkeit umwandeln — Umwandlung wiederkehrender Prozesse in Fähigkeiten
8. Regel — Festlegung von Erkenntnissen als Regeln
9. Kontext — Verknüpfung der Änderung mit dem breiteren Kontext
10. Speichern — Speicherung im Gedächtnis
11. Indexieren und Synchronisieren — Synchron halten der Routing-Dateien
12. Verifizieren — Abschließende Prüfung in einem Schritt

Warnung:

Warnung: Dieser Zyklus ist in der Plugin-Dokumentation als Konzept/Demo dokumentiert. Aus der Zusammenfassung geht nicht hervor, ob eine vollständige Code-Version innerhalb des verknüpften Repositorys öffentlich verfügbar ist [4].

Praktische Anwendungsszenarien

Szenario 1: Onboarding eines neuen Entwicklers

الأمر: "اشرح كيف يعمل نظام التصدير لدينا"

Die KI liest die Bereiche Architektur, Produkt, Business und Historie → sie gibt eine Antwort basierend auf dem tatsächlichen Projektkontext und nicht auf allgemeinem Wissen [1].

Szenario 2: Hinzufügen eines Features

الأمر: "أضف تحديد معدل للتصدير"

Die KI liest die aktuelle Exportlogik, Geschäftsregeln, Architekturvorgaben und Bibliotheksauswahl → sie implementiert das Rate Limiting passend zum bestehenden System [1].

Szenario 3: Fehlerbehebung

الأمر: "أصلح فشل إعادة محاولة الدفع"

Die KI liest die Zahlungshistorie, frühere Entscheidungen, den Drift und die Geschäftsregeln → sie behebt den Fehler, ohne das beabsichtigte Verhalten zu beeinträchtigen [1].

Szenario 4: Architekturfrage

الأمر: "لماذا تستخدم هذه الخدمة Redis؟"

Die KI liest die Bereiche Entscheidungen, Architektur und Historie → sie erklärt die tatsächliche Begründung und liefert keine Vermutung [1].

Szenario 5: Mehrsitzungs-Kontinuität

الجلسة 1: "نحن نهاجر من REST إلى GraphQL"
الجلسة 2 (جديدة): "أكمل ترحيل API"

Die KI liest das Gedächtnis und die Historie → sie weiß, dass die Migration im Gange ist, was bereits erledigt wurde und was als Nächstes ansteht [1].

Zusammenfassung der Vorteile

Was die öffentliche Dokumentation nicht abdeckt

Basierend auf den verfügbaren Belegen von der Hauptseite des Repositories und der README-Datei [1, 2] sind die folgenden Details nicht öffentlich dokumentiert:

• Interne Struktur der Knowledge-Scope-Dateien
• Das genaue Format des gespeicherten Wissens (JSON? Markdown? YAML?)
• Wie das Wissen aktualisiert wird (manuell oder automatische Erkennung?)
• Ob Embeddings oder Keyword-Matching zur Kontextabfrage verwendet werden
• Auswirkung der Hooks auf die Antwortzeit der Befehle
• Wie Konflikte zwischen Wissenseingaben gelöst werden
• Ob Monorepos unterstützt werden
• Funktionen zur Teamzusammenarbeit (falls vorhanden)
• Details zu Preisgestaltung oder Lizenzierung
• Wie „Skills“ definiert und wiederverwendet werden
• Integration in CI/CD-Pipelines
• Unterstützung für andere Sprachen als Englisch

Hinweis:

Hinweis: Die docs-Anleitung und die skills/akinator-Anleitung befinden sich im Repository, aber der direkte Zugriff darauf wurde während dieser Recherche durch robots.txt-Dateien blockiert [8, 9].

Beziehung zu anderen Werken von Ihab Khaled

Ihab Khaled pflegt mehrere integrierte Projekte:

• ClawAI — Eine Local-First KI-Orchestrierungsplattform, die Open-Source-Modelle auf dem Gerät des Benutzers verwaltet und sich mit führenden LLM-Anbietern verbindet [6]. Laut dem Changelog ist ClawAI in Version 0.2.0 von einer monolithischen Architektur zu neun unabhängigen NestJS-Microservices mit RabbitMQ für asynchrone Nachrichtenübermittlung und Nginx als API-Gateway übergegangen [7].
• AI-Psychiatry — Ein Framework zur Erkennung von Verhaltensabweichungen (Behavioral Drift) bei KI-Agenten, erwähnt im Zusammenhang mit ChatGPT-Plugins [5].

Während ClawAI koordiniert, welches Modell verwendet wird, stellt Akinator sicher, dass das Modell Ihr Projekt versteht, bevor es agiert [1][6].

Das große Ganze

Akinator AI repräsentiert einen Wandel von:

„KI als Code-Generator“ → „KI als Teammitglied mit Gedächtnis“

Durch die Einbettung des Projektwissens in das Repository und dessen automatische Bereitstellung für KI-Agenten wird die grundlegende Einschränkung der Programmierung auf Basis von Large Language Models behoben: der Kontextverlust. Der Agent ist kein Werkzeug mehr, das ständig an Dinge erinnert werden muss, sondern wird zu etwas, das Ihr Projekt kennt [1].

Dies ist besonders wichtig für sensible Plattformen wie das Gesundheitswesen, wo Business-Logik, regulatorische Anforderungen und Produktabweichungen kritisch sind. Wenn die KI versteht, warum etwas auf eine bestimmte Weise funktioniert, bevor sie es ändert, können Compliance-Probleme, Datensicherheitsfragen und Regressionsfehler verhindert werden [3].

Quellen

• 1
• 2
• https://www.linkedin.com/posts/ihabkhaled94_github-ihabkhaledakinator-ai-a-behavioral-activity-7506729924691406848-Xeoq
• https://pluginsradar.com/chatgpt/plugins/akinator-788ea07d
• https://pluginsradar.com/chatgpt/developers/ihab-khaled
• https://github.com/ihabkhaled/ClawAI
• https://github.com/ihabkhaled/ClawAI/blob/6a5bc7fb5c0532a90f393c49acaedb8832283f98/CHANGELOG.md
• 8
• 9