Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com8. Juli 2026 · Q011051

Claude Code Writes My Code. Codex Reviews It. The Arguing Is the Point.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor beschreibt einen Ablauf, in dem Claude Opus plant, Sonnet implementiert und Codex den Code unabhängig prüft; laut seinen Beispielen fand Codex Fehler mit möglichen Folgen wie Datenverlust, die Claude bei der Selbstprüfung übersehen hatte. Damit die Prüfung nützlich bleibt, begrenzt der Autor sie auf schwerwiegende Befunde und höchstens zwei Runden. Eine erwähnte Studie spricht allerdings für die umgekehrte Prüfrichtung, und der Bericht belegt nicht, welche Rollenverteilung allgemein am besten ist.

Mittel

Der Autor schildert einen seit etwa drei Monaten genutzten, sequenziellen Code-Workflow: Claude Opus plant komplexe Aufgaben, Claude Sonnet schreibt den Code, OpenAIs Codex prüft den Diff. Anlass war, dass Claude eigene Fehler bei der Selbstprüfung übersah. Als Beispiele nennt der Autor einen nicht geschlossenen Datenstrom bei einem Fehler und einen Archivierungsjob, der Datensätze vor bestätigtem Archivieren löschte. Codex erkannte laut Bericht das Risiko des Datenverlusts; Claude stimmte dem Befund nach dessen Weitergabe zu.

Der Nutzen hängt laut Autor von klaren Grenzen ab. Unbegrenzte Prüfschleifen erzeugten zunehmend nebensächliche Beanstandungen. Er beschränkt Codex deshalb auf kritische oder schwerwiegende Probleme und höchstens zwei Runden; danach prüft er selbst. Eine gemeinsame Kontextdatei verringerte Fehlalarme. Außerdem schickt er den Diff ohne selbstbewusste Zusammenfassung, da eine angeführte Untersuchung nahelege, dass solche Rahmung die Prüfergebnisse schwächen kann.

Der Autor erwähnt auch Gegenbelege: Eine Studie habe größere Verbesserungen erzielt, wenn Claude Codex’ Code prüfte, als in der umgekehrten Richtung. Er hält dennoch an seinem Ablauf fest, vor allem wegen des angesammelten Claude-Kontexts und Wechselkosten. Seine Erfahrungen sprechen für ihn für zusätzliche unabhängige Prüfung, zeigen aber nicht, dass seine Rollenverteilung allgemein überlegen ist.

Ausführlich lesen

Der Autor beschreibt einen seit etwa drei Monaten genutzten Ablauf für Änderungen am Code: Claude Opus erstellt zunächst einen Plan für mehrdeutige oder komplexe Aufgaben, Claude Sonnet setzt diesen um, und OpenAIs Codex prüft anschließend den Änderungsdiff. Codex’ Beanstandungen gehen zurück an Claude zur Korrektur. Der Ablauf ist nacheinander organisiert, nicht parallel. Der Autor sagt, er habe ihn eingeführt, nachdem Claude wiederholt seinen eigenen Code geprüft und dabei Fehler übersehen habe; jede Änderung lese er trotzdem selbst, bevor sie übernommen wird.

Als Beispiel für die Grenzen der Selbstprüfung nennt er einen übersehenen Fehler beim Umbau eines Export-Endpunkts: Bei einem Fehler wurde ein Datenstrom nicht geschlossen, was unter Produktionslast Ressourcen hätte erschöpfen können. Ein weiteres Beispiel ist ein Archivierungsjob, der Datensätze löschte, bevor das Archivieren bestätigt war. Codex erkannte laut Autor das Risiko eines dauerhaften Datenverlusts bei einem Absturz; Claude stimmte dem Befund nach dessen Weitergabe zu und korrigierte den Code. Der Autor deutet dies als Vorteil unabhängiger Prüfung: Das Problem sei nicht zwingend mangelnde Fähigkeit, sondern fehlende Distanz zum eigenen Entwurf.

Für den Ablauf nutzt Opus die Aufgabe, Sonnet einen nummerierten Plan und Codex den Diff. Der Autor verwendet teils ein Plugin, teils Codex in einem zweiten Terminal; entscheidender sei für ihn, die Prüfung nicht auszulassen. Weil Claude Code und Codex unterschiedliche Kontextdateien lasen, meldete Codex zunächst Verstöße gegen Konventionen, die Claude ausdrücklich befolgen sollte. Ein gemeinsames Dokument beseitigte nach seiner Darstellung diese Art von Fehlalarm.

Unbegrenzte Prüf- und Korrekturschleifen erwiesen sich als unpraktisch: Auf zwei relevante Befunde folgten laut Autor Beanstandungen zu Namen, Dokumentation, Typen und einer verbreiteten Architekturentscheidung. Deshalb begrenzt er die Meldungen auf kritische oder schwerwiegende Risiken wie Datenverlust, Sicherheitsprobleme, Nebenläufigkeitsfehler oder Vertragsbrüche und setzt höchstens zwei Prüfrunden an. Danach prüft er selbst. Zudem übergibt er den Diff ohne Sonnet-Zusammenfassung, weil eine von ihm angeführte Untersuchung nahelege, dass selbstbewusste Rahmung die Zahl der gefundenen Probleme deutlich senken könne.

Der Autor verschweigt Befunde, die seine Anordnung infrage stellen: Eine im Text erwähnte Studie zum Vergleich beider Prüfrichtungen habe größere Verbesserungen erzielt, wenn Claude Codex’ Entwürfe prüfte; Codex’ Prüfung von Claude-Entwürfen habe weniger gebracht und manche Konfigurationen kaum verändert. Falls sich das verallgemeinert, wäre die umgekehrte Rollenverteilung günstiger. Der Autor behält seine bestehende Konfiguration vorerst wegen des angesammelten Kontexts in Claude Code und seiner eigenen Einschätzung der Codequalität bei, räumt aber ein, dass Wechselkosten seine Entscheidung beeinflussen. Seine Schlussfolgerung ist entsprechend begrenzt: In seiner Praxis findet die zweite Prüfung reale Fehler, doch der Nutzen hängt von begrenzten Runden und einer strengen Auswahl der Befunde ab. Die berichteten Erfahrungen und Studienzusammenfassungen belegen für sich genommen nicht, dass diese Rollenverteilung allgemein die beste ist.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurden Lunas kurze und mittlere Zusammenfassung gemeinsam; beide sind inhaltlich treu, lassen aber zwei zentrale Aussagen aus. Die Einordnung ist unabhängig von Lunas Stufen und stützt sich nur auf den Bericht.

Im Bericht, aber nicht in der Zusammenfassung

  • Das Kostenargument des Autors, dass zwei Abonnements pro Monat weniger kosten als ein Produktionsvorfall pro Stunde, fehlt in beiden Fassungen.
  • Die Erklärung über Sycophancy, dass Modelle dazu neigen, Arbeiten zu bestätigen, die ihrem eigenen Denken ähneln, fehlt in beiden Fassungen.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 45 %gleiches Oberthema, hilft nicht
    • JEV 27 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 34 %beantwortet teilweise oder widerspricht
    • amos 24 %Hintergrund, keine Belege
    • SubQ 36 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 31 %Hintergrund, keine Belege
    • JEV 21 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 40 %umfangreiche Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 48 %Hintergrund, keine Belege
    • JEV 23 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 36 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 27 %umfangreiche Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 36 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht

  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 30 %gleiches Oberthema, hilft nicht
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 46 %einzelne zitierbare Belege
    • JEV 51 %beantwortet teilweise oder widerspricht
    • amos 27 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 25 %gleiches Oberthema, hilft nicht
    • Luna 27 %Hintergrund, keine Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 28 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 21 %Hintergrund, keine Belege
    • Luna 44 %einzelne zitierbare Belege
    • JEV 40 %beantwortet teilweise oder widerspricht
    • amos 31 %einzelne zitierbare Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 47 %gleiches Oberthema, hilft nicht
    • JEV 44 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 51 %beantwortet teilweise oder widerspricht
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →