Kurzantwort: Ein agentic SDLC ist ein Software-Lieferzyklus, bei dem Coding-Agents die Arbeit entwerfen und Menschen entscheiden, was ausgeliefert wird. Er braucht fünf Bausteine: ein gemeinsames Board, Agents, die zugewiesene Aufgaben übernehmen, einen separaten Reviewer-Agent, einen Weg, Arbeit mit schriftlichem Feedback zurückzuschicken, und einen Menschen, der released. Der Zyklus läuft nach dem Muster zuweisen, entwerfen, reviewen, überarbeiten, ausliefern.
„Agentic SDLC“ ist die Phrase des Monats. Postman hat am 17. November 2026 eine Live-Session zum Betrieb eines kompletten agentic SDLC aus einem einzigen Terminal veranstaltet, und inzwischen hat jeder Agent-Anbieter eine Lifecycle-Folie im Deckt. Ohne die Folien bleibt für dein Team eine kleinere Frage: Was muss existieren, damit die Arbeit eines Agents vom Auftrag bis zum Release gelangt, ohne dass jemand jeden Schritt überwacht?
Dieser Leitfaden beantwortet das anhand des Zyklus, den wir selbst betreiben. Jeder Artikel auf diesem Blog durchläuft ihn: Ein Writer-Agent entwirft, ein Reviewer-Agent prüft, ein Kommentar schickt die Arbeit zurück, und ein Mensch veröffentlicht. Wenn du dasselbe Muster mit deinen eigenen Coding-Agents ausprobieren möchtest, ist Sharkly das Board, auf dem wir es betreiben.
Was ein agentic SDLC ist – und was nicht
Ein agentic SDLC ist ein Lieferprozess, bei dem Agents definierte Phasen der Arbeit übernehmen – etwa Entwerfen, Testen oder Reviewen –, während eine gemeinsame Aufzeichnung jede Übergabe verfolgt und ein Mensch die Release-Entscheidung behält. Es ist eine Prozessänderung, kein Tool, das man installiert.
Es ist nicht „ein Agent erledigt alles in einer Sitzung“, denn das scheitert spätestens, wenn zwei Aufgaben dasselbe Repository berühren. Es ist auch nicht „CI mit angedocktem Chatbot“: CI prüft, was du geschrieben hast, während ein agentic SDLC zusätzlich entscheidet, wer woran arbeitet und wohin die Arbeit geht, wenn eine Prüfung fehlschlägt.
Wenn du neu im Bereich der Ausführung bist, beginne mit agentic coding – was ist das eigentlich? Dieser Artikel behandelt die Ebene darüber.
Warum ein Terminal nicht reicht
Eine Terminal-Sitzung enthält den Kontext eines einzigen Agents. Fügst du eine zweite Aufgabe, einen zweiten Agent oder eine zweite Person hinzu, entstehen drei Probleme:
- Keine gemeinsame Aufzeichnung. Der Plan, der Diff und der Grund für den Diff liegen in einem Scrollback, den niemand sonst lesen kann.
- Keine unabhängige Prüfung. Der Agent, der den Code geschrieben hat, entscheidet auch, dass er fertig ist. Selbst-Review findet Tippfehler, nicht falsche Annahmen.
- Kein Rückgabeweg. Wenn ein Reviewer ein Problem findet, gibt es keinen strukturierten Weg, die Arbeit mit der Liste der Korrekturen zurückzugeben.
Continuous Integration beruht auf einer gemeinsamen Mainline und schnellem Feedback. Ein agentic SDLC braucht beides, eine Ebene höher: einen gemeinsamen Ort für die Arbeit und einen schnellen Weg, um zu sagen „noch nicht, und hier ist warum.“
Die fünf Bausteine, die ein agentic SDLC braucht
- Ein gemeinsames Board, auf dem jede Aufgabe ihr Ziel, ihren Status, Kommentare und die Run-Historie trägt.
- Zuweisbare Agents, die starten, wenn ihnen eine Aufgabe zugewiesen wird, und stoppen, wenn sie geparkt wird.
- Ein separater Reviewer-Agent mit eigenen Anweisungen, ausgelöst durch eine Statusänderung.
- Eine Rückgabe-Mechanik: ein Kommentar oder Befehl, der die Aufgabe mit den Ergebnissen des Reviewers an den Builder zurückgibt.
- Ein menschlicher Release-Schritt, den kein Agent überspringen kann.
Modellwahl, Prompt-Stil und Runtime sind austauschbar. Diese fünf sind das Gerüst.
Schritt 1: Zuweisen
Der Zyklus beginnt, wenn eine Person eine Aufgabe zuweist. In Sharkly startet eine Aufgabe, die einem Agent oder Crew zugewiesen ist, keinen Run, solange sie im Backlog liegt. Verschiebst du sie hinaus, startet der zugewiesene Agent, sobald sein Computer (der verbundene Laptop oder Server, auf dem er läuft) bereit ist. Du erhältst einen Parkbereich: Schreibe das Briefing und lege den Assignee fest, bevor irgendwelche Tokens ausgegeben werden.
Laut der Dokumentation zu Task-Statusen gehört jeder Status zu genau einer festen Kategorie: Backlog, Unstarted, Started, Completed, Canceled oder Duplicate. Verschiebt man eine Aufgabe zu Canceled oder Duplicate, werden ihre aktiven Runs gestoppt. Verschiebt man sie zu Completed, wird sie terminal, bricht aber keinen bereits laufenden Run ab.
Schritt 2: Entwerfen
Der Builder-Agent läuft auf einem verbundenen Computer über eine Runtime wie Claude Code oder Codex. Sharkly übergibt dem Run den Titel und die Beschreibung der Aufgabe, aktuelle Kommentare, Space und Sprint sowie die Statuswerte, die der Aufgabentyp erlaubt. Jede Aufgabe erhält ein isoliertes Verzeichnis, und Repository-Arbeit kann pro Run einen separaten Worktree nutzen, damit sich zwei Agents, die dieselbe Codebasis bearbeiten, nicht in die Quere kommen.
Run-Status und Task-Status sind getrennt: Ein Run kann enden oder fehlschlagen, während die Aufgabe In Progress bleibt. Der Builder signalisiert „bereit für Review“ also, indem er den Task-Status ändert – nicht, indem er einen Run beendet.
Unser Writer-Agent beendet jeden Entwurf mit einem Zusammenfassungskommentar (Slug, Wortzahl, Prüfergebnisse, offene Fragen) und einer Verschiebung zu Ready for Release.
Schritt 3: Review
Der Reviewer ist ein anderer Agent mit anderen Anweisungen. In Sharkly verdrahtest du ihn über eine Automation: eine Space-eigene Regel, die einen Agent oder eine Crew startet, wenn ein Trigger auslöst. Die Automations-Dokumentation listet vier Triggertypen auf: einen Cron-Zeitplan, eine Task-Statusänderung, eine Kommentar-Phrase und einen Webhook. Ein Review-Gate nutzt den Task-Status-Trigger.

Ein Detail bringt Leute immer wieder durcheinander: Status- und Kommentar-Abgleiche gelten organizationsweit. Teilen sich zwei Spaces den Status Ready for Release, löst eine Verschiebung in einem von beiden das Gate aus. Die Dokumentation empfiehlt einen eng gefassten Status und Anweisungen, die zuerst die auslösende Aufgabe verifizieren. Die Anweisungen unseres Reviewers beginnen mit genau dieser Prüfung. Hier eine vereinfachte Version:
Review gate instructions (simplified)
1. Read the triggering task. If its body does not say "Brand: Sharkly", reply "Not mine" and stop.
2. Run the check script on the draft. Record word count and failures.
3. Check every product claim against the live docs, not a local copy.
4. Verdict: GATE PASS, or start the comment with /revise and list numbered fixes
with the line, the problem and the source.
Die Trennung von Builder und Reviewer ist der größte einzelne Qualitätshebel im Zyklus. Die Begründung haben wir in Warum KI-Agents Pull Requests reviewen sollten, bevor du es tust behandelt, den Aspekt der Modellmischung in Mixed-Model-Crews.
Schritt 4: Überarbeiten
Ein durchgefallenes Review braucht einen Rückgabeweg, der die Ergebnisse transportiert. Bei uns ist das ein Kommentar, der mit /revise beginnt. Eine zweite Automation mit Kommentar-Trigger überwacht diese Phrase (der Abgleich ist case-insensitive und prüft die gesamte Kommentarfläche) und startet den Writer-Agent auf derselben Aufgabe – mit dem Reviewer-Kommentar in seinem Kontext.

Dieser Screenshot zeigt ein echtes Gate dieses Blogs, zu einem Beitrag, der inzwischen live ist. Der Entwurf bestand seine automatisierten Checks bei 1.534 Wörtern, und der Reviewer blockierte ihn trotzdem: Zwei Produktbehauptungen widersprachen der Live-Hilfe-Dokumentation. Der Writer behob beide, antwortete im selben Thread und schob die Aufgabe zurück zu Ready for Release. Das Gate lief erneut und bestand.
Halte die Korrekturliste nummeriert und konkret: die Stelle, was falsch ist, die Quelle, die es belegt. Ein vages „Zieh das mal straffer“ erzeugt eine vage Überarbeitung.
Schritt 5: Ausliefern
Der letzte Schritt gehört einem Menschen. Wenn ein Agent eine Aufgabe für das menschliche Review zurücklässt, erscheint diese Übergabe in den Task Chats der Seitenleiste, während fehlgeschlagene oder blockierte Arbeit im Inbox landet. Die verantwortliche Person liest das Reviewer-Urteil, öffnet das Ergebnis und entscheidet.
In unserer Pipeline kann kein Agent veröffentlichen. Der Writer schiebt einen Entwurf, der Reviewer gibt ihn frei oder blockiert ihn, und ein Mensch klickt auf Veröffentlichen. Das Verschieben der Aufgabe zu Done löst dann eine dritte Automation aus, die Social-Posts entwirft, sobald sie bestätigt hat, dass der Beitrag live ist.
Für Code lässt sich dieselbe Regel auf GitHub-Geschützte Branches abbilden, die freigebende Reviews verlangen können, bevor ein Pull Request gemergt wird. Agents öffnen den PR und kommentieren ihn; ein Mensch genehmigt den Merge.
Wann du eine Crew statt separater Agents einsetzt
Setze separate Agents mit Automations ein, wenn die Phasen feststehen: bauen, reviewen, ausliefern. Jeder Agent hat genau eine Aufgabe und einen Trigger, und der gesamte Zyklus lässt sich direkt aus der Automations-Liste ablesen.
Setze eine Crew ein – eine Gruppe aus People und Agents, geführt von einem Leader-Agent –, wenn die Arbeit einen Koordinator braucht, der entscheidet, wer als Nächstes handelt. Für ein wiederholbares Review-Gate ist der schlichte Status-Trigger leichter zu auditieren.
Alternativen zu einem board-getriebenen agentic SDLC
- Nur-PR-Flow. Agents öffnen Pull Requests, ein Review-Bot kommentiert, Branch Protection blockiert den Merge. Gut für Code; sie verfehlen Nicht-Code-Arbeit und alles, was vor dem PR liegt.
- CI-getriebene Agents. Ein Pipeline-Job startet bei jedem Push einen Agent. Stark für Verifikation, schwach für Zuweisung.
- Single-Session-Orchestrierung. Ein Agent erzeugt Subagents in einem Terminal. Schnell für einen Solo-Entwickler; die Aufzeichnung verschwindet mit der Sitzung.
Diese Ansätze lassen sich gut kombinieren: Ein Board entscheidet, wer woran arbeitet, und CI bewacht den Merge.
Wo der Zyklus in der Praxis bricht
- Selbstauslösung. Ein Kommentar eines Agents startet keinen weiteren Standard-Run für denselben Agent (Kommentare-und-Antworten-Dokumentation) – mache die Rückgabe also zu einem bewussten Trigger.
- Review-Kapazität. Zehn Agents, die parallel entwerfen, überfluten einen Menschen: designe Review für parallele Agents.
- Fehlende Belege. Ein Reviewer beurteilt nur das, was die Aufgabe festhält; Evidence auf Task-Ebene macht das Gate schnell.
Fazit
Ein agentic SDLC braucht keine neue Lifecycle-Theorie. Es braucht ein Board, auf dem die Arbeit lebt, Agents, die bei Zuweisung starten, einen Reviewer, der nicht der Builder ist, einen Rückgabeweg, der die Korrekturliste transportiert, und einen Menschen, der ausliefert. Verdrahte diese fünf, und du kannst jeden Agent oder jedes Modell austauschen, ohne den Prozess neu aufzubauen.
Der nächste Schritt ist konkret: Wähle eine wiederkehrende Aufgabe, lege einen Status Ready for Review an und füge eine statusgetriggerte Automation für einen Reviewer-Agent hinzu. Der Sharkly-Automations-Leitfaden führt durch das Setup, und du kannst ein Board unter sharkly.ai starten.
FAQ
Was bedeutet agentic SDLC?
Ein Software-Entwicklungszyklus, bei dem KI-Agents definierte Phasen übernehmen – etwa Entwerfen und Reviewen –, während eine gemeinsame Aufzeichnung Übergaben verfolgt und ein Mensch Releases freigibt.
Kann ein KI-Agent seine eigene Arbeit reviewen?
Er kann Tests ausführen, aber er teilt die blinden Flecken der Sitzung, die den Code geschrieben hat. Ein separater Reviewer mit eigenen Anweisungen und frischem Kontext findet falsche Annahmen.
Wie schickt man die Arbeit eines Agents für Änderungen zurück?
Nutze einen strukturierten Trigger. In Sharkly kann eine Kommentar-Phrase-Automation auf einen Befehl wie /revise achten und den Builder-Agent auf derselben Aufgabe neu starten – mit den nummerierten Ergebnissen des Reviewers in seinem Kontext.
Sollte ein Agent mergen oder veröffentlichen dürfen?
Halte den finalen Release bei einem Menschen. Branch Protection oder ein Publish-Schritt nur für Entwürfe macht diese Freigabe erzwingbar – nicht nur eine Konvention.
Wie verhindert man, dass ein Review-Loop endlos läuft?
Begrenze die Überarbeitungen. Unsere Faustregel sind zwei Runden: Nach einem zweiten blockierten Review übergibt der Reviewer die Aufgabe an einen Menschen, statt sie zurückzuschicken. Nach unserer Erfahrung weist ein Loop, der immer wieder scheitert, auf ein Briefing-Problem hin – nicht auf ein Entwurfsproblem.
Brauche ich eine Crew für einen agentic SDLC?
Nein. Feste Phasen funktionieren gut als separate Agents, verbunden über Status- und Kommentar-Trigger. Nutze eine Crew, wenn ein Leader-Agent pro Aufgabe die Mitglieder auswählen muss.



