Fünf Open-Source-Tools, die Coding-Agents erweitern – und die Schicht, die sie weglassen

TL;DR: Fünf Open-Source-Projekte haben dieses Jahr die 40.000-Sterne-Marke überschritten, weil sie jeweils ein anderes Limit von Claude Code, Cursor und Codex aufgehoben haben: Spezialistenrollen, Internetzugang, parallele Ausführung, Videoproduktion und günstiger struktureller Abruf. Jedes davon erweitert das, was ein Agent innerhalb einer Session tun kann. Keines davon fügt eine gemeinsame Aufzeichnung dessen hinzu, was die Agents getan haben. Diese Ebene ist eine eigene Aufgabe – und sie ist die, die dein Team zuerst zu spüren bekommt.

Coding-Agents haben sich angeglichen. Claude Code, Codex, Cursor und OpenCode lesen alle ein Repository, bearbeiten Dateien, führen Befehle aus und rufen MCP-Server auf. Als die Kernschleife aufhörte, der Unterschied zu sein, verlagerte sich die interessante Arbeit eine Ebene nach außen – zu den Dingen, die man an den Agent anhängt.

Hier sind die fünf Erweiterungen, die man kennen sollte, was jede einzelne tut und welche Grenze sie gemeinsam haben.

Die fünf

Die Sternzahlen stammen von der GitHub-API vom 1. September 2026.

agency-agents ist eine Bibliothek mit Rollendefinitionen. Mehr als 300 Markdown-Dateien in rund 20 Kategorien, jede mit einer Identität, einem Arbeitsprozess, Ergebnissen und einer Definition of Done. Ein Installationsskript schreibt sie in Claude Code, Cursor, Codex, Gemini CLI, OpenCode und ein Dutzend weiterer Tools. Eine Persona verändert, wie ein Agent eine Aufgabe einrahmt. Sie liefert dem Agent aber keine Informationen, die ihm fehlen. Komplette Anleitung: Rollendefinitionen und was sie nicht festhalten können.

Agent-Reach ist eine einzige CLI, die einen Agent mit X, Reddit, YouTube, GitHub, RSS und etwa einem Dutzend weiterer Plattformen verbindet – über kostenlose Zugangswege statt über kostenpflichtige Plattform-APIs. Jede Plattform läuft über ein primäres Backend mit Fallbacks: Bricht ein Zugangsweg weg, wechselt das Projekt den Standard, und dein Setup funktioniert weiter. Die cookiebasierten Plattformen lesen über eine angemeldete Browser-Session, was man gegen die Nutzungsbedingungen jedes Kontos prüfen sollte, das man verbindet. Komplette Anleitung: Webzugriff und wo Ergebnisse landen sollten.

Orca ist eine Desktop-Anwendung, um mehrere Coding-Agents gleichzeitig laufen zu lassen, jeden in seinem eigenen Git-Worktree. Sie steuert jeden CLI-Agent über die Abonnements, die du bereits hast, und ergänzt Terminal-Splits, Diff-Annotationen, entfernte Worktrees über SSH und eine mobile Begleit-App. Das parallele Worktree-Modell ist das richtige Primitiv für dieses Problem, und Orca setzt es gut um. Komplette Anleitung: Parallele Worktrees und wann ein Team mehr braucht.

OpenMontage macht aus einem Coding-Assistenten ein Videoproduktionssystem: elf Pipelines, die eine Anfrage durch Recherche, Skript, Szenenplan, Asset-Generierung, Schnitt und Rendering führen – mit Freigabeschritten durch Menschen zwischen den Phasen. Wirf einen Blick auf die Lizenz, bevor du darauf aufbaust. OpenMontage steht unter AGPL-3.0, während die anderen vier MIT verwenden, und die Netzwerkklausel ist eine Entscheidung für deine Rechtsabteilung und keine Fußnote. Komplette Anleitung: Agentisches Video und das Freigabeproblem.

codebase-memory-mcp indexiert ein Repository in einen persistenten Knowledge Graph aus Funktionen, Klassen, Aufrufketten und Routen und beantwortet strukturelle Fragen anschließend aus dem Graphen statt per grep. Das Projekt misst fünf strukturelle Abfragen mit rund 3.400 Tokens über den Graphen gegenüber rund 412.000 Tokens bei der Datei-für-Datei-Erkundung. Es ist eine einzelne native Binary, läuft lokal und ist der Eintrag auf dieser Liste mit dem besten Ertrag bei der geringsten Änderung am Workflow. Komplette Anleitung: Günstiger Abruf und das Gedächtnis, das er nicht speichert.

Was alle fünf gemeinsam haben

Jedes davon erweitert die Ausführung. Leistungsfähigeres Prompting, mehr Quellen, mehr Parallelität, mehr Ausgabeformate, mehr Abruf innerhalb einer Session.

Keines davon ändert, was nach dem Ende der Session passiert.

Das ist keine Kritik. Es ist eine Trennung von Zuständigkeiten, und diese Projekte tun gut daran, auf ihrer Seite dieser Grenze zu bleiben. Das Agent-Tool übernimmt die Ausführung. Etwas anderes muss den Auftrag, den Kontext, den Fortschritt und das Review festhalten. Wenn nichts das tut, existiert die Arbeit nur im Terminal einer einzelnen Person.

Das Symptom ist bekannt. Ein Agent liefert am Donnerstag ein gutes Ergebnis. Am Montag fragt ein Teammitglied, warum sich die Retry-Logik geändert hat, und die Antwort steckt im Scrollback eines Laptops – falls dieser Worktree noch offen ist. Der Prompt war die einzige Aufzeichnung, und ein Prompt ist keine Aufzeichnung.

Die Ebene, die sie voraussetzen

Ein Task ist die zentrale Arbeitseinheit in Sharkly. Er bündelt Anfrage, Kontext, Ausführung, Blocker und Ergebnis an einem gemeinsamen Ort, statt sie über private Prompts und Terminal-Sessions zu verteilen.

Jeder Baustein hat genau eine Aufgabe. Der Agent legt fest, wie Arbeit behandelt werden soll. Der Computer stellt den Host und lokale Ressourcen bereit. Die Runtime führt die eigentliche Agent-Session aus und nutzt dabei die Tools, die dein Team bereits installiert hat. Der Task bleibt die gemeinsame Aufzeichnung.

Diese Aufteilung lohnt sich im Vergleich mit den fünf Projekten oben, denn sie erklärt, was sich kombinieren lässt und was nicht.

Sharkly ersetzt weder Claude Code noch Codex oder die Tools auf dieser Liste. Es ergänzt die gemeinsame Task-, Computer-, Kontext-, Kontroll- und Review-Ebene darum herum. Die Modellnutzung läuft weiter über die Abonnements oder API-Schlüssel, die in diesen Tools konfiguriert sind.

So wird eine Persona aus agency-agents zu einem Agent: eine gespeicherte Konfiguration mit Anweisungen, Runtime, Skills, Repositories und Umgebung, die wiederverwendet statt neu getippt wird. Eine Crew ist eine wiederverwendbare Gruppe aus People und Agents, koordiniert von einem leitenden Agent – genau das, was eine Aufteilung in Spezialisten braucht, um sich wie ein Team zu verhalten. Repository-Arbeit läuft in einem isolierten Worktree pro Task, derselben Isolation, die Orca pro Fensterbereich anwendet, hier aber auf die Einheit bezogen, die ein Team sehen kann. Ausführung, Blocker, Ergebnisse und die anschließende Diskussion landen in der Task-Timeline, sodass die Antwort auf die Montagsfrage im Task steht und nicht im Gedächtnis von irgendjemandem.

Die wichtigste Kontrolle ist die leiseste: Ein Task im Backlog startet keinen Lauf. Arbeit wird vorbereitet, abgegrenzt und freigegeben, bevor irgendetwas ausgeführt wird.

Agents recherchieren, führen aus, testen und berichten. Menschen geben die Richtung vor, erteilen Befugnisse und nehmen das Ergebnis ab. Die Automatisierung endet dort, wo das Urteilsvermögen des Teams gefragt ist.

Wann du das brauchst – und wann nicht

Für eine Person, die einen Agent betreibt, reichen ein gutes Terminal und ein guter Editor. Installiere codebase-memory-mcp, arbeite weiter und ignoriere alles andere auf dieser Seite. Eine Task-Ebene in einen Workflow mit nur einem Beteiligten einzubauen, ist Overhead ohne Leser.

Ein gemeinsames Arbeitssystem ist dann sinnvoll, wenn eine zweite Person wissen muss, was die Agents getan haben: wenn vor einem Release ein Review stattfinden muss, wenn mehr als ein Agent gleichzeitig auf dasselbe Repository zugreift oder wenn jemand in drei Monaten fragen wird, was sich geändert hat und warum.

Die Schwelle ist nicht die Teamgröße. Es geht darum, ob die Aufzeichnung die Session überdauern muss.

FAQ

Stehen diese Tools in Konflikt mit einer Work-Management-Ebene? Nein. Sie liegen auf verschiedenen Seiten derselben Grenze. Die Tools auf dieser Liste verbessern die Ausführung innerhalb einer Session. Ein Arbeitssystem hält Auftrag, Kontext und Review darum herum. Sharkly betreibt die Runtimes, die dein Team bereits installiert hat, statt sie zu ersetzen.

Welches Tool sollte ein Team zuerst installieren? In den meisten Fällen codebase-memory-mcp. Es erfordert keine Änderung am Workflow, läuft lokal und reduziert die Tokens, die ein Agent für die Beantwortung struktureller Fragen aufwendet, für die er sonst grep bemühen würde. Alle anderen verlangen, dass du deine Arbeitsweise änderst.

Braucht man Orca, um mehrere Agents parallel laufen zu lassen? Nein. Orca ist eine starke Desktop-Umsetzung des parallelen Worktree-Modells und einen Versuch wert, wenn du allein arbeitest. Muss die parallele Arbeit aber von mehr als einer Person zugewiesen, verfolgt und geprüft werden, gehört die Isolation auf den Task und nicht auf den Terminalbereich. Beide Ansätze nutzen denselben zugrunde liegenden Git-Mechanismus.

Was bedeutet „bring your own subscription“ hier? Die Modellnutzung läuft weiter über die Abonnements oder API-Schlüssel, die in deinen Coding-Tools konfiguriert sind. Das Modellkontingent hängt von den KI-Coding-Tools, Tarifen und API-Konten ab, die dein Team verbindet.

Fazit

Die Tool-Welle von 2026 ist es wert, aufgegriffen zu werden. Rollen, Reichweite, Parallelität, neue Ausgabeformate und günstiger Abruf sind echte Verbesserungen, und vier der fünf Projekte stehen unter permissiven Lizenzen und lassen sich schnell ausprobieren.

Sie haben aber auch eine gemeinsame Grenze. Jedes davon macht einen Agent innerhalb einer Session stärker, und der Wert einer Session ist dadurch begrenzt, ob jemand sie im Nachhinein sehen kann. Sharkly ist für genau diese Hälfte da: Der Task ist die gemeinsame Aufzeichnung, die Ausführung läuft auf Computern, die du über die Runtimes verbindest, für die du bereits zahlst, und die Ergebnisse landen dort, wo ein Mensch sie prüfen und abnehmen kann.

Erweitere den Agent. Dann gib der Arbeit einen Ort zum Leben.