← Back to English

---

Auf einen Blick

Kennzahl	Anzahl
Agents	138
Skills	296
Hooks	74
Rules	20
Manuelle Arbeit	0

---

Was ist das?

vibecosystem verwandelt Claude Code in ein vollstaendiges KI-Softwareteam. Kein einzelner Assistent -- ein Team aus 138 spezialisierten Agents, die planen, entwickeln, reviewen, testen und aus jedem Fehler lernen.

Kein eigenes Modell. Keine eigene API. Nur das Hook- + Agent- + Rules-System von Claude Code, bis ans Limit ausgereizt.

Das grosse Bild

---

Kernfunktionen

1. Self-Learning Pipeline

Jeder Fehler wird zu einer Regel. Automatisch.

Error happens → passive-learner captures pattern
→ consolidator groups & counts
→ confidence >= 5 → auto-inject into context
→ 10x repeat → permanent .md rule file

Kein manueller Eingriff. Das System schreibt seine eigenen Regeln.

2. Agent Swarm

Sag "fuege ein neues Feature hinzu" und ueber 20 Agents werden in 5 Phasen aktiv.

Phase 1 (Discovery):    scout + architect + project-manager
Phase 2 (Development):  backend-dev + frontend-dev + devops + specialists
Phase 3 (Review):       code-reviewer + security-reviewer + qa-engineer
Phase 4 (QA Loop):      verifier + tdd-guide (max 3 retry → escalate)
Phase 5 (Final):        self-learner + technical-writer

3. Adaptives Hook-Loading

74 hooks existieren, aber sie laufen nicht alle gleichzeitig. Die Absicht bestimmt, welche Hooks ausgeloest werden.

"fix the bug"      → compiler-in-loop + error-broadcast     ~2,400 tok
"add api endpoint"  → edit-context + signature-helper + arch  ~3,100 tok
"explain this code" → (nothing)                               ~800 tok

4. Dev-QA Loop

Jede Aufgabe durchlaeuft ein Quality Gate:

Developer implements → code-reviewer + verifier check
→ PASS → next task
→ FAIL → feedback to developer, retry (max 3)
→ 3x FAIL → escalate (reassign / decompose / defer)

5. Canavar Cross-Training

Wenn ein Agent einen Fehler macht, lernt das gesamte Team daraus.

Agent error → error-ledger.jsonl → skill-matrix.json
→ All agents get the lesson at session start
→ Team-wide error prevention

6. Assignment Matrix

Routing-Tabelle mit 74 Zeilen: Jeder Aufgabentyp wird dem richtigen Agent zugeordnet.

GraphQL API      → graphql-expert  (backup: backend-dev)
Kubernetes       → kubernetes-expert (backup: devops)
DDD modeling     → ddd-expert      (backup: architect)
Bug reproduction → replay          (backup: sleuth)
... 70 more rows

---

Architektur

┌─────────────────────────────────────────────────────────┐
│                    Claude Code                          │
│                                                         │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐              │
│  │  Hooks   │  │  Agents  │  │  Skills  │              │
│  │  (74)    │→ │  (138)   │← │  (296)   │              │
│  └────┬─────┘  └────┬─────┘  └──────────┘              │
│       │              │                                   │
│       ▼              ▼                                   │
│  ┌──────────┐  ┌──────────┐                              │
│  │  Rules   │  │  Memory  │                              │
│  │  (20)    │  │ (PgSQL)  │                              │
│  └──────────┘  └──────────┘                              │
│                                                         │
│  ┌──────────────────────────────────────┐                │
│  │  Self-Learning Pipeline             │                │
│  │  instincts → consolidate → rules    │                │
│  └──────────────────────────────────────┘                │
│                                                         │
│  ┌──────────────────────────────────────┐                │
│  │  Canavar Cross-Training             │                │
│  │  error-ledger → skill-matrix → team │                │
│  └──────────────────────────────────────┘                │
└─────────────────────────────────────────────────────────┘

---

Agent-Kategorien

Kategorie	Anzahl	Beispiele
Core Dev	14	frontend-dev, backend-dev, kraken, spark, devops, website-cloner
Review & QA	8	code-reviewer, security-reviewer, verifier, qa-engineer
Domain Experts	35	graphql-expert, kubernetes-expert, ddd-expert, redis-expert
Architecture	8	architect, planner, clean-arch-expert, cqrs-expert
Testing	6	tdd-guide, e2e-runner, arbiter, mocksmith
DevOps & Cloud	12	aws-expert, gcp-expert, azure-expert, terraform-expert
Analysis	11	scout, sleuth, data-analyst, profiler, strategist
Orchestration	16	nexus, sentinel, commander, neuron, vault, nitro
Documentation	6	technical-writer, doc-updater, copywriter, api-doc-generator, document-generator
Learning	7	self-learner, canavar, reputation-engine, session-replay-analyzer

---

Technologie-Stack

Komponente	Technologie
Runtime	Claude Code (Claude Max)
Models	Opus 4.6 / Sonnet 4.6
Hook engine	TypeScript → esbuild → .mjs
Memory DB	PostgreSQL + pgvector (Docker)
Agent format	Markdown + YAML frontmatter
Skill format	prompt.md / SKILL.md
Cross-training	JSONL ledger + JSON skill matrix

---

Philosophie

hooks are sensors. observe, filter, signal.
agents are muscles. build, produce, fix.
the bridge between them: context injection.
no direct RPC. no message passing. by design.
implicit coordination through context.

Hooks sind Sensoren. Sie beobachten, filtern, signalisieren. Agents sind Muskeln. Sie bauen, produzieren, reparieren. Die Bruecke dazwischen: Context Injection. Kein direktes RPC. Kein Message Passing. Bewusst so gewaehlt. Implizite Koordination ueber den Kontext.

---

License

MIT

---