KI-Native-Entwicklung Glossar: Agentic Coding, Vibe Coding & 16 weitere Begriffe erklärt

Das Vokabular der KI-nativen Entwicklung bewegt sich schneller als jedes Wörterbuch. Neue Begriffe – Agentic Coding, Vibe Coding, MCP, Context Engineering, Subagents – entstehen auf X, landen in einem CLI und werden innerhalb eines Quartals in die Arbeitsweise ganzer Teams aufgenommen. Diese Seite ist die kanonische Referenz: Jeder Begriff bekommt zunächst eine präzise, zitierbare Definition, dazu Herkunftsfakten, die die meisten Glossare überspringen, und eine Zuordnung dazu, wo die Fähigkeit im 7-stufigen AI-Native-Developer-Modell angesiedelt ist – von L1 Chat-Assisted Developer bis L7 Universal AI Creator.

Jeder Eintrag endet mit derselben ehrlichen Frage: Welche Stufe zeigt das bei dir an? Wenn du fertig gelesen hast, mach das 3-Minuten-Quiz und finde es heraus.

Direkt zu einem Begriff

Begriff	Stufe	Begriff	Stufe
AI-native developer	L1–L7	Evals	L6
Agentic coding	L3	Worktrees	L5+
Agentic engineering	L4–L5	Context engineering	L4–L6
Vibe coding	Off-ladder	Spec-driven development	L4–L6
KI-gestützte Entwicklung	L1–L7	Autonomous coding agent	L3→L5
MCP	L5–L6	Prompt engineering	L1–L2
Agent orchestration	L5	KI-Coding-Reifegradmodell	das Modell
Subagents	L5+	Model routing	L5–L6
Plan-before-code	L3–L4	Verification harness	L4–L5

---

AI-native developer

Ein AI-native developer ist ein Entwickler, dessen Standard-Workflow darin besteht, KI-Systeme anzuweisen, Code zu planen, zu schreiben, zu testen und zu deployen – anstatt die meisten Zeilen selbst zu tippen. Gemessen wird das an Autonomie und Verifikationsgewohnheiten – nicht daran, wie viele KI-Tools installiert sind.

Fast jeder Entwickler „nutzt heute KI." Das ist nicht dasselbe. AI-native zu sein ist eine Haltung, kein Werkzeugkasten: Die KI ist dein primärer Produktionsmechanismus, und deine Aufgabe verlagert sich hin zu Steuerung, Review und Verifikation. Die entscheidende Frage ist nicht Nutzt du einen KI-Assistenten? – sondern Wie viel delegierst du, und wie überprüfst du das Ergebnis?

Genau das bewertet das 7-stufige AI-Native-Developer-Modell, von L1 Chat-Assisted Developer (der „Old-School Artisan", der aus einem Chat-Tab kopiert) bis L7 Universal AI Creator (eine Person, die mit Agenten einen vollständigen Produktzyklus betreibt). Wo du landest, hängt von Autonomie und Verifikation ab – nicht von Vibes.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Agentic coding

Agentic Coding ist ein Entwicklungsansatz, bei dem autonome KI-Agenten Code über mehrere Schritte hinweg planen, schreiben, ausführen, testen und anpassen – mit minimalem menschlichem Eingriff, über Tools wie Shell, Datei-Edits und Test-Runner in einem Feedback-Loop, bis die Aufgabe erledigt ist.

Das Schlüsselwort ist Loop. Einmaliges Chat-Autocomplete liefert dir einen Schnipsel und hält an; ein Agentic-Coding-Agent besitzt die gesamte Aufgabe. Er liest das Repo, erstellt einen Plan, bearbeitet Dateien, führt Tests aus, liest die Fehler und versucht es erneut – iteriert über eine lange Trajektorie, anstatt auf einen einzelnen Prompt zu antworten. Google Cloud definiert es als Software-Entwicklungsansatz, bei dem autonome KI-Agenten Code mit minimalem menschlichem Eingriff planen, schreiben, testen und anpassen; IBM beschreibt die zugrunde liegenden Coding-Agenten als KI-Systeme, die LLM-Reasoning mit Zugang zu Coding-Tools kombinieren, um über mehrere Schritte zu agieren.

Auf der Leiter ist Agentic Coding das Merkmal von L3, dem Agentic Developer („The Agentic Native") – wo der Agent die Routine schreibt, du vor dem Coden planst und du seinem Wort nicht blind vertraust. Mehr im Agentic-Coding-Bereich oder direkt bei L3 →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Agentic engineering

Agentic Engineering ist die professionelle Disziplin, KI-Coding-Agenten als Kraftmultiplikatoren zu orchestrieren, während der Mensch die Verantwortung für Architektur, Qualität und Verifikation behält. Agenten erledigen den Großteil des Tippens; der Engineer steuert, begrenzt und validiert.

Wenn Agentic Coding die Technik ist, dann ist Agentic Engineering die Rigorosität dahinter. Laut MindStudio ist es die Praxis, KI-Coding-Agenten zu orchestrieren, die den Großteil des Codings übernehmen, während der Mensch die Verantwortung für Architektur, Code-Qualität und Engineering-Urteilsvermögen behält – als disziplinierter Nachfolger von Vibe Coding für 2026. Der Fokus liegt auf Specs, Evals, Review und Reproduzierbarkeit statt auf „Accept and Hope".

Das entspricht dem L4–L5-Band – dem Director und dem Orchestrator – wo man aufhört, Routinearbeit selbst zu tippen, und anfängt, das System zu bauen, das sie produziert. Sieh, wie Vibe Coding und Agentic Engineering auseinanderdriften, in Vibe Coding vs. Agentic Coding, oder durchstöbere alle Stufen.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Vibe coding

Vibe Coding bedeutet, Software zu bauen, indem man eine KI promptet und ihre Ausgabe übernimmt, ohne den Code zu überprüfen. Andrej Karpathy prägte den Begriff am 2. Februar 2025 und beschrieb es als vollständiges Hingeben an die Vibes und Vergessen, dass der Code existiert – KI-Änderungen annehmen, ohne die Diffs zu lesen.

Simon Willison schärfte es zu einem praktischen Test: Vibe Coding ist „Software bauen mit einem LLM, ohne den Code zu überprüfen, den es schreibt." Sein Korollar ist der Teil, der Senior-Entwickler interessiert – wenn du den Code überprüfst, testest und erklären kannst, „ist es Softwareentwicklung", kein Vibe Coding. Diese Linie ist das ganze Spiel. Vibe Coding ist großartig für Wegwerf-Prototypen und Wochenend-Experimente; es ist eine Haftung, sobald das Ding unbeaufsichtigt in der Produktion laufen muss.

Entscheidend: Vibe Coding liegt außerhalb der L1–L7-Engineer-Leiter. Es erzeugt den Vibe Builder-Archetyp: ein No-Code/KI-Creator, der echte Produkte mit KI-App-Builder-Tools ohne traditionellen Code ausliefert – von Tag eins an KI-nativ, aber eine andere Spezies als der Engineer, der die Reifegrad-Leiter hochklettert. Das ist keine Herabstufung; es ist ein anderes Spiel mit seiner eigenen Superkraft (Geschwindigkeit) und seiner eigenen Decke. Mehr in vibe coding und dem direkten Vergleich Vibe Coding vs. Agentic Coding.

Welche Stufe zeigt das bei dir an? Zum Quiz →

KI-gestützte Entwicklung

KI-gestützte Entwicklung ist jeder Workflow, bei dem KI-Tools – Autocomplete, Chat oder Agenten – beim Schreiben oder Ändern von Code helfen, während ein Mensch im Loop bleibt und prüft und entscheidet. Es ist der breite Oberbegriff, der alles von L1 bis L7 umfasst.

Betrachte es als die Obermenge. Sowohl Vibe Coding als auch Agentic Coding leben innerhalb der KI-gestützten Entwicklung; was sie trennt, ist wie viel Autonomie du gewährst und wie du die Ausgabe verifizierts. Wenig gewähren und alles manuell überprüfen – du bist ein Delegator auf den unteren Stufen. Viel gewähren, aber einen Verification Harness einbauen – du betreibst diszipliniertes Agentic Engineering. Der Begriff selbst ist bewusst weit gefasst – genau deshalb ist ein gestuftes Modell nützlich, um sich darin zu verorten.

Das 7-stufige Modell ist die Karte, die diesen Oberbegriff in ein Spektrum verwandelt, auf dem du irgendwo stehst.

Welche Stufe zeigt das bei dir an? Zum Quiz →

MCP (Model Context Protocol)

MCP (Model Context Protocol) ist ein offener Standard, der es KI-Modellen ermöglicht, sich über eine universelle Schnittstelle mit externen Tools und Datenquellen zu verbinden – statt über maßgeschneiderte Einzelintegrationen. Anthropic stellte es am 25. November 2024 vor und veröffentlichte es als Open Source (Spec-Version 2024-11-05), mit Python- und TypeScript-SDKs.

Das mentale Modell, das sich durchgesetzt hat, ist „USB-C für KI-Tools": ein Protokoll, und jeder konforme Client kann mit jedem konformen Server sprechen – deine Docs, deine Datenbank, dein Issue-Tracker, deine Shell. Vor MCP war jede Integration ein Einzelfall; danach wird die Reichweite des Agenten zu einem Plugin-Ökosystem. Die Adoption verbreitete sich 2025–2026 branchenweit, und du kannst die primäre Quelle in Anthropics Ankündigung nachlesen.

Einen Standard-MCP-Server anzuschließen ist etwas, das die meisten KI-gestützten Entwickler früh beherrschen. MCP aber im Team zu steuern – zu entscheiden, wohin Agenten zugreifen dürfen, und wiederverwendbare Server zu erstellen – ist ein L5–L6-Methodologist-Signal. Siehe L6 → und den verwandten Eintrag zu agent orchestration.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Agent orchestration

Agent Orchestration bedeutet, mehrere KI-Agenten zu koordinieren – Aufgaben zuzuweisen, Schritte zu sequenzieren, gemeinsamen State zu verwalten und Ergebnisse zusammenzuführen – damit ein Agenten-Team Arbeit erledigt, die ein einzelner Agent allein nicht zuverlässig leisten kann.

Das dominante Muster ist das Orchestrator-Worker-Muster (Manager-Worker): Ein Agent plant und delegiert, während eingegrenzte Worker-Agenten ausführen und zurückmelden. Laut Claude Codes Dokumentation besitzt der Orchestrator in diesem Muster den Plan, und jeder Worker behandelt eine abgegrenzte Aufgabe – die Struktur, die Multi-Agent-Arbeit handhabbar statt chaotisch macht.

Das ist das Charakteristikum von L5, dem AI Engineering Architect („The Orchestrator") – der Stufe, auf der man den Agenten-Stack designt, statt nur einen einzelnen Agenten zu steuern. Siehe L5 →, dann die Bausteine: subagents und worktrees.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Subagents

Subagents sind isolierte Worker-Agenten, an die ein primärer Agent delegiert; jeder läuft mit eigenem frischen Kontext, Tool-Zugang und Berechtigungen und gibt eine einzelne Zusammenfassung zurück – so bleibt der Kontext des Hauptagenten sauber und die Arbeit parallelisierbar.

Subagents sind das, was Orchestration beherrschbar macht. Statt einem aufgeblähten Kontextfenster, das alles jongliert, startet der primäre Agent begrenzte Worker, jeder mit sauberem Slate, und erhält ein ordentliches Ergebnis zurück. Laut Claude Codes Dokumentation läuft jeder Subagent mit eigenem Kontext, eigenen Tools und Berechtigungen – und kann keine weiteren Subagents spawnen, sodass die Verschachtelung by Design begrenzt ist. Diese Begrenzung ist ein Feature: Sie verhindert unkontrollierte Agentenbäume.

Routinemäßige Subagent-Nutzung ist ein L5+-Verhaltenssignal – du hast dich von einem einzelnen Agenten zu einem kleinen Team bewegt. Siehe L5 → und das übergeordnete Muster bei agent orchestration.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Plan-before-code

Plan-before-code ist eine Agentic-Coding-Disziplin, bei der der Agent (oder der Mensch) einen expliziten Plan erstellt und dessen Freigabe einholt, bevor Code geschrieben wird – so wird die Absicht vorab verifiziert und der Implementierungsschritt bleibt begrenzt und überprüfbar.

Es ist eine günstige Versicherung. Ein paar Minuten, um zu bestätigen „Das werde ich jetzt tun und warum", verhindern das teure Versagen, bei dem ein Agent selbstsicher zwanzig Dateien in die falsche Richtung editiert. Es verbraucht auch weniger Tokens und erzeugt Diffs, über die man wirklich nachdenken kann. Plan-before-code ist die Gateway-Gewohnheit, die natürlich zu spec-driven development führt.

Das ist eine L3–L4-Reifegrad-Gewohnheit – der Moment, ab dem man Agenten nicht mehr frei laufen lässt, sondern sie an einen genehmigten Plan bindet.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Verification harness

Ein Verification Harness ist die Menge automatisierter Prüfungen – Tests, Linter, Typ-Checks, Build- und Run-Skripte – so verdrahtet, dass ein KI-Agent seine eigene Arbeit in einem Loop verifizieren und selbst korrigieren kann, ohne dass ein Mensch jeden Diff liest.

Das ist die eine Sache, die High-Autonomy-Agentic-Coding sicher macht statt rücksichtslos. Ein Agent mit einem starken Harness kann heiß laufen – eine Änderung ausprobieren, die Checks ausführen, Fehler lesen, fixen, wiederholen – weil die Checks seine Fehler abfangen, bevor du es tust. Ein Agent ohne Harness ist schlicht ungeprüftes Risiko in hoher Geschwindigkeit. Der Harness ist das, was Vertrauen zu einem System statt einer Hoffnung macht.

Wiederverwendbare Harnesses zu bauen ist die L4–L5-Trennlinie – sie trennt „Ich überprüfe jede Änderung" von „Ich vertraue dem Loop und überprüfe das Ergebnis." Siehe die Stufen →, dann kombiniere das mit evals.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Evals

Evals sind systematische Tests, die messen, ob ein KI-Modell oder -Agent korrekte, zuverlässige Ausgaben produziert. Für Coding-Agenten prüfen Evals, ob der Agent über eine vollständige Trajektorie hinweg korrekt plant, Tools aufruft und mehrstufige Aufgaben abschließt – nicht nur, ob das Endergebnis richtig aussieht.

Es gibt zwei Hauptformen, laut Confident AI: Code-basierte Evals (automatisierte, CI-ähnliche Assertions) und LLM-as-a-Judge. Bei Coding-Arbeit zählt die Trajektorie, weil ein Durchlauf viele Schritte umfasst – ein Agent kann die richtige Datei aus den falschen Gründen produzieren oder einen gefährlichen Weg zu einem bestehenden Test nehmen. Evals fangen das auf. Sie sind der Unterschied zwischen „Es hat einmal funktioniert" und „Es funktioniert zuverlässig."

Evals zu schreiben und zu pflegen ist ein L6-Methodologist-Signal – du nutzt Agenten nicht nur, du misst und zertifizierst ihr Verhalten. Siehe L6 → und sein Gegenstück, den verification harness.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Worktrees

Git-Worktrees sind separate Arbeitsverzeichnisse, die die History eines Repositories teilen, sodass mehrere KI-Agenten jeweils auf einem isolierten Branch oder Checkout parallel arbeiten können – ohne gegenseitig Dateien zu überschreiben.

Das ist der Standardmechanismus, um mehrere Claude-Code-Sessions gleichzeitig auf einer Codebase zu betreiben. Laut Claude Codes Dokumentation ist ein Worktree ein separates Arbeitsverzeichnis mit eigenem Branch, das dieselbe Repository-History teilt und es mehreren Agenten ermöglicht, parallel an isolierten Checkouts zu arbeiten. In der Praxis kombinierst du Worktrees mit Port- und Datenbank-Isolation, damit parallele Agenten auch außerhalb des Dateisystems nicht kollidieren.

Parallele Agenten-Workflows in Worktrees sind ein L5+-Merkmal – der L4-Director betreibt bereits mehrere Agenten auf diese Weise, und der L5-Orchestrator systematisiert es. Siehe agent orchestration und L5 →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Context engineering

Context Engineering ist, in Andrej Karpathys Formulierung vom Juni 2025, „die delikate Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen." Es ist die Disziplin, alles zu gestalten, was ein LLM sieht: Anweisungen, abgerufene Docs, Tool-Ausgaben, Memory und State.

Karpathy bevorzugte diesen Begriff gegenüber „Prompt Engineering" im Juni 2025, und Anthropic formalisierte das Konzept im September 2025. Der Perspektivwechsel ist bedeutsam: In produktiven Agenten-Systemen ist die Formulierung eines einzelnen Prompts nur ein kleiner Anteil dessen, was die Ausgabequalität bestimmt. Wie Glean es ausdrückt, ist Prompt Engineering eine Teilmenge von Context Engineering – der vollständige Kontext umfasst auch Konversationshistorie, abgerufene Dokumente, Tool-Ausgaben und Agenten-State. Der Qualitätsunterschied zwischen KI-Nutzern heute ist Kontext, nicht Zauberwörter.

Bewusstes Context Engineering ist ein L4–L6-Signal – es ist das, was Menschen tun, wenn sie CLAUDE.md-Dateien pflegen, Retrieval designen und das Kontextfenster gezielt budgetieren. Vergleiche es mit seiner Teilmenge, prompt engineering, und sieh die Stufen →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Spec-driven development

Spec-driven Development ist eine Methodik, die eine schriftliche Spezifikation zur Quelle der Wahrheit macht, die KI-Agenten zur Codegenerierung, zum Testen und zur Validierung nutzen. Du schreibst zuerst die Spec, dann einen Plan, dann kleine testbare Aufgaben, dann die Implementierung.

Laut GitHub wird die Spezifikation zum Vertrag dafür, wie sich der Code verhalten soll – die Quelle der Wahrheit, die Tools und KI-Agenten nutzen, um Code zu generieren, zu testen und zu validieren. GitHub kündigte Spec Kit (MIT-lizenziert) am 2. September 2025 an und veröffentlichte es als Open Source, mit dem Kernfluss Spec → Plan → Tasks → Implement, explizit als wiederholbare, disziplinierte Alternative zu ad-hoc Vibe Coding positioniert. Es ist Plan-before-code, zu seiner logischen Konsequenz weitergedacht.

Spec-driven Workflows sind ein L4–L6-Reifegrad-Marker. Sie bauen auf plan-before-code auf und stehen im Mittelpunkt der Arbeitsweise von Directors und Methodologists. Siehe die Stufen →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Autonomous coding agent

Ein autonomer Coding-Agent ist ein KI-System, das ein Ziel entgegennimmt und selbstständig plant, Dateien bearbeitet, Befehle und Tests ausführt und iteriert, bis die Aufgabe erledigt ist – über eine lange mehrstufige Trajektorie, nicht als Antwort auf einen einzelnen Prompt.

CLI-Agenten wie Claude Code sind das kanonische Beispiel. Die wichtige Nuance ist, dass Autonomie ein Spektrum ist, kein Schalter: Wie weit du einen Agenten unbeaufsichtigt laufen lässt (im „YOLO-Modus") hängt von zwei Dingen ab – deinem verification harness und den Berechtigungen, die du ihm erteilst. Starker Harness plus enge Berechtigungen gleich sichere Autonomie. Schwacher Harness plus breite Berechtigungen gleich ein schlechter Nachmittag.

Autonomen Agenten zu vertrauen, ohne die Produktion zu gefährden, zu lernen ist die L3 → L5-Progression selbst: von „der Agent schreibt die Routine" zu „der Agent führt mehrtägige Ticket-Zyklen end-to-end durch." Siehe die Stufen →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Prompt engineering

Prompt Engineering ist die Praxis, die textlichen Anweisungen an ein LLM zu gestalten – Formulierung, Beispiele, Rolle und Ausgabeformat – um es auf ein gewünschtes Single-Turn-Ergebnis zu lenken.

Es ist weiterhin relevant; klare Anweisungen schlagen immer noch unklare. Aber das Feld hat es als eine Komponente einer größeren Disziplin neu gerahmt. In produktiven Agenten-Systemen ist der Prompt nur ein kleiner Bruchteil des Gesamtkontexts, der auch History, abgerufene Docs, Tool-Ausgaben und State enthält – weshalb context engineering zum nützlicheren Rahmen geworden ist.

Prompt Engineering ist ein L1–L2-Grundstein, der sich um L4 zu Context Engineering weiterentwickelt. Es ist der Startpunkt für die meisten; es ist nicht die Decke.

Welche Stufe zeigt das bei dir an? Zum Quiz →

KI-Coding-Reifegradmodell

Ein KI-Coding-Reifegradmodell ist ein gestuftes Framework, das bewertet, wie KI-nativ ein Entwickler oder Team ist – nach Autonomie und Verifikationsverhalten, nicht nach Tool-Anzahl. ProCoders' 7-stufiges AI-Native-Developer-Modell (L1 Chat-Assisted → L7 Universal AI Creator) ist eines; Steve Yegges 8 Stufen des agentic workflow sind ein weiteres.

Reifegradmodelle geben einem schnell bewegenden Feld gemeinsames Vokabular für den Vertrauensgradienten – die Steigung von „KI vervollständigt eine Zeile" bis „Ich habe meinen eigenen Orchestrator gebaut." Yegges 8 Stufen beschreiben denselben Gradienten von nahezu null KI-Nutzung bis zum Bau eines eigenen Orchestrators, mit dem kritischen Bruch bei Stufe 5–6, wo ein einzelner synchroner Agent mehreren parallelen Agenten weicht (laut Augment Codes Zusammenfassung). Das gestufte Framing ermöglicht es Teams, über Richtung zu sprechen, nicht nur über Tools.

Das kanonische Beispiel auf dieser Seite ist das Modell selbst – das benannte 7-stufige AI-Native-Developer-Modell, mit Personas und konkreten Verhaltenssignalen für jede Stufe. Der schnellste Weg, es zu nutzen, ist das Quiz.

Welche Stufe zeigt das bei dir an? Zum Quiz →

Model routing

Model Routing ist die automatische Auswahl, welches KI-Modell oder welcher Anbieter jede Anfrage verarbeitet – basierend auf Kosten, Latenz, Fähigkeit und Verfügbarkeit – einfache Aufgaben zu günstigen Modellen lenken, schwierige zu Frontier-Modellen, mit Fallbacks.

Es ist ein Kosten-und-Zuverlässigkeits-Hebel, und der Spread ist groß genug, um zu zählen: Laut OpenRouter kann der Token-Preis zwischen Frontier- und günstigeren Modellen grob 10x–50x auseinandergehen, und Plattformen wie OpenRouter bieten Routing-Steuerung und Preis-Caps. Einen Agenten-Fleet intelligent zu routen bedeutet, die teuren Frontier-Modelle für die Arbeit zu reservieren, die sie wirklich braucht, während günstigere Modelle das einfache Volumen absorbieren.

Modelle über einen Agenten-Fleet zu routen – und die Policy dafür zu definieren – ist ein L5–L6-Architekt-Signal; der L5-Orchestrator besitzt die Model-Routing-Policy für die Agenten des Teams. Siehe L5 →.

Welche Stufe zeigt das bei dir an? Zum Quiz →

---

Wie diese Begriffe auf die Leiter abbilden

Definitionen sind nur die halbe Geschichte. Der Grund, warum dieses Glossar jeden Begriff einer Stufe zuordnet, ist, dass dasselbe Wort auf unterschiedlichen Reifegraden etwas anderes bedeutet. „MCP nutzen" ist ein frühes Signal; „MCP steuern" ist ein senior-Signal. „Einen Agenten betreiben" ist L3; „eine Fleet in Worktrees orchestrieren" ist L5. Hier ist die komprimierte Karte:

Stufe	Persona	Glossar-Begriffe, die sie signalisieren
L1 Chat-Assisted	Old-School Artisan	prompt engineering
L2 KI-gestützter Junior	Delegator	prompt engineering, KI-gestützte Entwicklung
L3 Agentic Developer	Agentic Native	agentic coding, plan-before-code, autonomous coding agent
L4 System Builder	Director	verification harness, spec-driven development, context engineering
L5 Engineering Architect	Orchestrator	agent orchestration, subagents, worktrees, model routing
L6 Methodologist	Methodologist	evals, MCP-Governance, portable methods
L7 Universal AI Creator	Creator	vollständiger Solo-Zyklus über alle oben genannten
Off-ladder	Vibe Builder	vibe coding

Die letzte Zeile ist die Unterscheidung, die generische Glossare übersehen. Vibe Coding ist keine niedrige Stufe – es ist eine völlig andere Leiter. Der Vibe Builder liefert Produkte ohne traditionellen Code; der L1–L7-Engineer klettert in Richtung des Dirigierens von Systemen, die das tun. Beides ist legitim; es sind schlicht keine identischen Wege.

Finde deine Stufe

Definitionen lesen sagt dir, was die Wörter bedeuten. Das Quiz sagt dir, wo du im 7-stufigen AI-Native-Developer-Modell stehst – basierend auf deiner echten Autonomie und deinen Verifikationsgewohnheiten, in etwa drei Minuten.

Zum Quiz → /quiz