Stell dir vor …
Stell dir vor, du sitzt in einem Zug, dein Handy vibriert – ein Bug in der Produktion. Dein Laptop liegt zu Hause, der WLAN-Hotspot ist lahm, die Codebasis riesig. Was früher bedeutete: „Ich kümmere mich später darum“ – könnte bald heißen: „Ich schicke einen KI-Agenten los.“ Ein Entwickler hat genau das möglich gemacht. Er beschreibt in einem ausführlichen Blogpost, wie er mit einer Kombination aus virtueller Maschine, Tailscale und modernen Agenten-Tools Produktionsfehler direkt vom Smartphone aus behebt – während er im Zug sitzt.
Der Autor, ein ehemaliger Konzernentwickler, experimentiert seit Monaten mit KI-gestützter Programmierung. Nach vielen Iterationen ist er mit seinem aktuellen Setup sehr zufrieden. Er will es festhalten, nicht als zeitlose Weisheit, sondern als Momentaufnahme einer rasanten Entwicklung. Und tatsächlich: Einiges an seinem Vorgehen ist wahrscheinlich noch nicht weit verbreitet. Die Grundidee lässt sich aber leicht verstehen – und sogar nachbauen.
Die Anforderungen an ein modernes Agenten-Setup
Ausgangspunkt sind klare Anforderungen. Der Entwickler stellte fest, dass agentisches Coding auf Windows praktisch unmöglich ist. Die Agenten sind stark auf Bash und Unix-Tools trainiert; PowerShell führt unweigerlich zu Problemen bei Quoting und UTF-8. Deshalb musste eine Linux-Umgebung her. Außerdem wollte er von Laptop und Desktop aus arbeiten, ohne dass Fortschritt verloren geht – Sessions, Arbeitsbaum und gitignored Dateien wie .env-Dateien sollten nahtlos überall verfügbar sein. Die Arbeit sollte auch dann weiterlaufen, wenn er den Laptop zum Standortwechsel zuklappt.
Dazu kommen Komfortwünsche: Er wollte die Arbeit der Agenten nicht nur in deren Oberfläche oder auf GitHub sehen, sondern auch in Visual Studio Code. Dev-Server, die die Agenten aufsetzen, sollten von außen erreichbar sein – idealerweise über HTTPS, aber nur für ihn. Mehrere parallele Workstreams auf demselben Projekt sollten möglich sein, ohne dass sich die Agenten gegenseitig stören. Und schließlich: Er wollte die lästigen Freigabe-Abfragen loswerden – im Klartext: den „–dangerously-skip-permissions“-Modus nutzen können. All das klingt nach viel Detailarbeit, aber der Autor betont: Keines dieser Ziele ist für sich genommen schwierig. Es geht nur darum, die richtigen Werkzeuge zu finden und geschickt zu kombinieren.
Der Kern: Linux-VM und Tailscale
Das Fundament ist eine dedizierte Linux-VM. Der Entwickler nutzt dafür einen immer eingeschalteten Desktop zu Hause und installiert darauf Ubuntu Server. Die VM sollte ordentlich RAM und Speicher bekommen, und unbedingt verschachtelte Virtualisierung unterstützen. So können die Agenten bei Bedarf ihre eigenen Container oder VMs starten. Anfangs sorgt der fehlende GUI nicht für Probleme: Agenten installieren bei Bedarf Playwright oder Xvfb, wenn sie Screenshots oder Browser-Aufgaben brauchen.
Der Zugriff auf die VM läuft über Tailscale. Das ist eine Software, die alle eigenen Geräte in ein privates Netzwerk verwandelt – über das Internet, ohne Router-Konfiguration. Damit kann man sich von jedem x-beliebigen WLAN per SSH in die VM einwählen. Der Autor nennt das seine „Base of Agents“. Er aktiviert Tailscale SSH auf allen Maschinen, stellt die Regel auf „accept“ und deaktiviert den Schlüsselverfall. Zusätzlich nutzt er HTTPS-Zertifikate für die Dev-Server und Taildrive, um Dateien einfach zwischen Geräten zu verschieben. So wird die VM zu einem unsichtbaren Rechenknoten, der immer erreichbar ist.
Die Agenten: Claude Code und Codex CLI
Auf der VM laufen die beiden etablierten CLI-Agenten: Claude Code und Codex CLI. Sie arbeiten dort in der Unix-Umgebung, für die sie trainiert wurden. Auf den Client-Geräten kommt die jeweilige Desktop-App ins Spiel. Der Autor vergleicht die Erlebnisse: Die ChatGPT-Desktop-App (ehemals Codex) sei der klare Gewinner. Sie versteht nativ, dass man remote arbeitet, und ihre SSH-Unterstützung funktioniert extrem geschmeidig. Auch Trennungen oder Laptop-Wechsel werden elegant gelöst. Einziger Wermutstropfen: Die Liste der Projekte und Sessions synchronisiert sich nicht perfekt zwischen mehreren Clients. Mit etwas Rütteln – etwa indem man eine neue Remote-Session im richtigen Ordner startet – erscheinen die restlichen Einträge aber zuverlässig.
Die Claude-App ist da deutlich unangenehmer. Sessions synchronisieren überhaupt nicht, und Remote-Sessions sterben, wenn der Desktop-Client geschlossen wird. Auch die Projektverwaltung wirkt improvisiert. Der Autor vermutet, dass die Claude-Desktop-Entwicklung ihren Fokus eher auf Nicht-Programmierer legt – obwohl ein Anthropic-Ingenieur auf X widersprochen hat. Für den Moment gilt also: Wer eine solide Remote-Anbindung sucht, ist mit der ChatGPT-App besser beraten.
Parallele Arbeit mit Git-Worktrees
Ein zentrales Stück des Setups sind Git-Worktrees. Diese Funktion erlaubt es, mehrere Arbeitskopien desselben Repositorys zu haben, ohne sich gegenseitig zu blockieren. Früher musste man diese Worktrees selbst verwalten – was viele abschreckte. Aber die KI-Agenten erledigen das mühelos: Sie erstellen den Worktree, synchronisieren origin/main, installieren Abhängigkeiten, kopieren .env-Dateien – alles automatisch. Beide Desktop-Apps integrieren Worktrees direkt. In der ChatGPT-App wählt man einfach „New remote worktree“ an, und schon läuft eine parallele Session im eigenen Ordner. Die Claude-App hat ebenfalls eine Checkbox für Worktrees – praktisch, wenn auch mit etwas anderen Standard-Pfaden.
Der Nutzen liegt auf der Hand: Mehrere Agenten können gleichzeitig an derselben Codebasis arbeiten, ohne sich in die Quere zu kommen. Man kann einen Agenten einen Bug fixen lassen, während ein anderer ein Feature implementiert. Die Agenten übernehmen die komplette Worktree-Orchestrierung. Für den Entwickler ist das der Schlüssel zu einem echten Multiprocessing der KI-Entwicklung.
Autonomie und ihre Risiken
Um die Agenten wirklich unbeaufsichtigt arbeiten zu lassen, setzt der Autor auf maximale Autonomie. In der Codex-Konfiguration steht der erlaubende Permissions-Modus, und in Claude Code werden die entsprechenden Flaggen gesetzt – im Fachjargon „–yolo“ genannt. Zusätzlich empfiehlt er, den User in die sudoers-Datei aufzunehmen, damit die Agenten Tools installieren können. Ebenso wichtig ist die Anmeldung bei GitHub über die gh-CLI, damit Agenten Pull Requests öffnen, CI-Läufe anschieben oder Repository-Dateien durchsuchen können – ohne Rate-Limits.
Ist das sicher? „Nein, nicht wirklich“, schreibt der Autor selbst. Mit diesen Rechten könnte ein Agent GitHub-Repositories löschen, gitignored Secrets ins Internet stellen, Issues in deinem Namen beantworten oder sogar aus der VM ausbrechen. Theoretisch. In der Praxis scheinen die Agenten gutmütig zu sein – zumindest vorerst. Die größte Gefahr ist ein Unfall, der die VM zerlegt und nicht-gepushte Arbeit vernichtet. Oder ein übereifriger Agent, der eine Anweisung zu wörtlich nimmt und direkt auf main pusht. Genau das ist dem Autor einmal passiert: Er bat um einen Pull Request, und nach einem Tab-Wechsel war die Änderung bereits gemergt.
Seine Gegenmaßnahme: Frühe und häufige Git-Pushes auf GitHub – am besten in private Repositories. Selbst wenn die VM zerstört wird, bleibt die Arbeit sicher. Dazu kommen die üblichen Vorteile wie CI-Prüfungen oder Deployments über GitHub Pages. Ein weiterer Tipp: Man kann die Autonomie durch Per-Project-Dev-Container oder eingeschränkte Tokens begrenzen. Der Autor hat das bisher nicht gebraucht, sieht aber das Potenzial.
Zusatzwerkzeuge: Portless und chezmoi
Zu den Sahnehäubchen seines Setups gehören Portless und chezmoi. Portless kümmert sich darum, dass die von Agenten gestarteten Entwicklungsserver über feste, sichere URLs erreichbar sind – ohne dass man sich um dynamische Ports kümmern muss. Das passt perfekt zu Tailscale und den HTTPS-Zertifikaten. So kann man von unterwegs direkt auf den aktuellen Stand der Entwicklung zugreifen und durchklicken.
chezmoi ist ein Werkzeug zur Verwaltung von Dotfiles – also Konfigurationsdateien. Der Autor legt darin globale Einstellungen wie AGENTS.md, Skills und Harness-Konfigurationen ab und hält sie versioniert und auf allen Geräten synchron. Wenn er an einem neuen Rechner arbeitet, zieht sich chezmoi einfach alle Einstellungen. Das ist die Basis dafür, dass seine Agent-Umgebung überall identisch funktioniert.
Was du daraus mitnehmen kannst
Das Setup ist bewusst keine Schritt-für-Schritt-Anleitung. Der Autor vertraut darauf, dass die KI-Agenten die technische Feinarbeit übernehmen, wenn man ihnen die Richtung vorgibt. Und genau das zeigt den eigentlichen Wandel: Softwareentwicklung wird zunehmend zu einer Orchestrierung von KI-Systemen, die rund um die Uhr an Aufgaben arbeiten können. Die eigene Infrastruktur wird dabei zur entscheidenden Grundlage – nicht das neueste KI-Modell allein.
Für dich als Entwickler oder neugierigen Tech-Beobachter heißt das: Wer sich mit Tailscale, einer Linux-VM und den modernen Agenten-Clients anfreundet, kann schon heute mit erstaunlicher Effizienz arbeiten. Die Risiken der Vollen-Autonomie-Modi sollten aber bewusst eingeplant werden. Ein gutes Sicherheitsnetz aus regelmäßigen Git-Pushes und der Disziplin, sensible Daten nicht lokal zu vergraben, gehört dazu.
Natürlich wird sich dieses Setup in ein paar Monaten weiterentwickeln. Neue Werkzeuge, neue Modelle, neue Erkenntnisse. Aber die Grundprinzipien bleiben: Remote-Rechnen, geteilte Sessions und die Bereitschaft, den Agenten echte Verantwortung zu übertragen. Genau davon werden wir in den kommenden Jahren noch viel sehen – und wer das früh versteht, ist bereit.
Quelle: domenic.me
