Agents Hub: eine Plattform, die KI-Ergebnisse festhält und wiederverwendbar macht
KI-Assistenten fangen bei jedem Problem bei null an, und ihre Ergebnisse verschwinden mit dem Chatverlauf. Ich habe eine Plattform gebaut, die sich Claude Code als MCP-Server zur Verfügung stellt. Sie bietet verwaltete Agents mit gezielt freigeschalteten Rechten, ein Gedächtnis aus SQL-Queries und Ticket-Lösungen, regelbasierte PR-Bewertung mit KI-Review-Entwürfen und eine Jira-Zeiterfassung mit wenigen Klicks.
- Kategorie
- Automatisierung
- Kontext
- Entwicklerplattform für den Arbeitsalltag (Eigeninitiative)
- Rolle
- Konzeption, Architektur & Entwicklung
- Zeitraum
- August 2026
- Dauer
- seit August 2026, wird laufend erweitert
- Tech-Stack
- MCPClaude CodeJira APIGitHub APIREST API
- Module in einer Plattform
- 5
- Rechte für Agents ohne Freigabe
- 0
- automatische Posts auf GitHub
- 0
Ausgangslage
Wer KI-Assistenten wie Claude im Entwickleralltag einsetzt, stößt immer wieder auf dieselben Grenzen:
- Ergebnisse verschwinden: Eine gute Analyse oder eine funktionierende SQL-Query steckt im Chatverlauf und ist beim nächsten ähnlichen Problem nicht mehr greifbar.
- Fehlender Kontext: Wie wurde ein ähnlicher Bug früher gelöst? Welche Dateien waren betroffen? Das muss jedes Mal neu erarbeitet werden.
- Vertrauen: Je mehr Rechte eine KI hat, desto vorsichtiger muss man mit ihren Ergebnissen sein.
Daneben kosteten Routineaufgaben unnötig Zeit: den Überblick über offene Pull Requests behalten und Zeiten in Jira erfassen.
Analyse & Vorgehen
Mein Ansatz: Nicht ein weiterer Chat, sondern eine Plattform, über die KI-Arbeit läuft und in der ihre Ergebnisse dauerhaft landen. Drei Leitlinien haben die Konzeption bestimmt:
- Ergebnisse brauchen einen Ort. Jede Analyse soll wiederverwendbar werden.
- Vertrauen durch Grenzen. Agents bekommen nur die Rechte, die sie brauchen, und KI-Ergebnisse bleiben Entwürfe.
- Bestehende Systeme bleiben führend. Jira und GitHub werden gebündelt, nicht ersetzt.
Die Brücke zu Claude bildet das Model Context Protocol (MCP): Die Plattform stellt sich Claude Code selbst als MCP-Server zur Verfügung.
Lösung
1. Agents verwalten und ausführen
In der Oberfläche lege ich Agents mit Name, Beschreibung und System-Prompt an und schalte sie aktiv oder inaktiv. Jeder Lauf landet in einer Run-Historie. Bei „Aufgabe ausführen“ wählt die Plattform den passenden Agent selbst aus und speichert die Begründung, damit die Entscheidung nachvollziehbar bleibt. Liefert ein Agent schlechte Ergebnisse, passe ich seine Konfiguration an.
Sicherheit ist bewusst eingebaut: Agents haben standardmäßig keinen Zugriff auf Dateisystem oder Shell. Werkzeuge wie die Suche in der Wissensbasis oder ein Blick ins Datenbankschema werden gezielt pro Agent freigeschaltet.
2. Brücke zu Claude Code per MCP
In jeder Coding-Session kann Claude die gepflegten Agents aufrufen, Jira-Tickets samt Screenshots lesen, ohne dass der API-Token die Plattform verlässt, und frühere Ergebnisse nachschlagen oder neue ablegen. Spezialisierte Claude-Code-Subagenten wie ein „Jira Investigator“ oder ein „Live-Data-Investigator“ für Recherchen in Produktivdaten tragen ihre fertigen Analysen als Run in die Plattform ein, wo sie im Frontend sichtbar sind.
3. Ein wachsendes Gedächtnis
- SQL-Bibliothek: Wiederverwendbare Recherche-Queries mit Titel und Beschreibung. Bevor eine neue Query entsteht, prüft ein eigener Agent, ob es schon eine passende gibt.
- Ticket-Lösungen: Root Cause, betroffene Dateien und SQL zu abgeschlossenen Tickets. Beim nächsten ähnlichen Bug liegt der Lösungsweg schon bereit.
Aus einzelnen Chat-Sitzungen wird so nach und nach eine durchsuchbare Wissensbasis.
4. Code Reviews
Die Plattform holt alle offenen Pull Requests der konfigurierten GitHub-Repositories und zeigt, wer auf welchem Commit reviewt hat, ob ein Review durch neue Pushes veraltet ist und was bei den eigenen PRs als Nächstes zu tun ist.
Jeder PR bekommt ohne LLM, rein nach festen Regeln, zwei Werte:
- Größe von XS bis XL, mit geschätztem Review-Aufwand in Minuten
- Risiko, das kritische Bereiche wie Migrationen, Bestellungen, Bestand, Preise oder Security erkennt
Per Knopfdruck erstellt ein KI-Agent zusätzlich einen Review-Entwurf. Er arbeitet in einer isolierten Arbeitskopie und darf nur lesen. Das Ergebnis enthält Funde mit Datei und Zeile, ein Urteil und ein manuelles Testszenario. Auf GitHub wird nie automatisch etwas gepostet. Jeden Fund kann ich als „berechtigt“, „falsch“ oder „unwichtig“ markieren, um die Zuverlässigkeit des Agents über die Zeit zu messen.
5. Zeiterfassung direkt in Jira
Die Zeiterfassung zeigt alle offenen Tickets, an denen ich beteiligt bin. Eine Buchung braucht nur wenige Klicks: Presets für heute, gestern und vorgestern, Buttons für 1 bis 8 Stunden und 15, 30 oder 45 Minuten, oder Freitext wie „1:20“ oder „45m“. Gebucht wird als echter Worklog in Jira, und auch die Wochenübersicht liest von dort. Jira bleibt die einzige Quelle der Wahrheit, also erscheinen auch Buchungen, die direkt in Jira gemacht wurden.
Architektur in einem Satz
Die Oberfläche spricht nur mit einer dünnen API-Schicht. Darunter liegen Domain-Services, die als Einzige auf Datenbank und Integrationen (Jira, GitHub, Claude) zugreifen. Web-UI und MCP-Server nutzen dieselben Services, es gibt also keine doppelte Logik.
Ergebnis
Die Plattform ist mein tägliches Arbeitswerkzeug. Analysen, Queries und Lösungswege gehen nicht mehr verloren, sondern stehen beim nächsten ähnlichen Problem bereit. PR-Übersicht, Review-Entwürfe und Zeiterfassung sind an einem Ort gebündelt, während Jira und GitHub die führenden Systeme bleiben.
Sie ist von August bis November 2026 Feature für Feature mit Claude Code entstanden, also mit genau dem Werkzeug, das sie unterstützt, und wird laufend erweitert. Bisher nutze ich sie selbst; ob ich sie im Team teile, ist offen.
Erkenntnisse
- KI-Ergebnisse brauchen einen Ort. Der größte Hebel waren nicht einzelne Agents, sondern dass ihre Ergebnisse festgehalten und wiederverwendet werden.
- Vertrauen kommt durch Grenzen. Minimale Rechte, KI-Reviews nur als Entwurf, und für Größe und Risiko nachvollziehbare Regeln statt einer Blackbox-Bewertung.
- Bestehende Systeme bleiben führend. Eine gute Ergänzung bündelt Werkzeuge und macht sie bequemer, ohne sie zu ersetzen.