Bitte einen KI-Code-Assistenten, einen Bug in einem unbekannten Service zu beheben, und beobachte, was er zuerst tut: Er beginnt zu lesen. Er öffnet eine Datei, dann eine weitere, grep't nach einem Funktionsnamen und öffnet vier weitere. Jeder Durchlauf kostet Tokens und Zeit – und der Agent erreicht die Bearbeitung trotzdem halb blind, weil er die Codebasis abgetastet, aber nicht verstanden hat.
Codna kehrt diese Reihenfolge um. Es liest das gesamte Repository, bevor der Agent eine einzige Zeile schreibt, und erstellt in Millisekunden eine strukturelle Karte des gesamten Projekts. Agenten lesen deinen Code. Codna versteht ihn.
Warum ein KI-Code-Assistent blind liest
Ein großes Repository ist kein Ordner mit Textdateien. Es ist ein Graph – aus Imports, Aufrufstellen, Typdefinitionen und den stillen Konventionen, die ein Team über Jahre angesammelt hat. Wenn ein KI-Coding-Agent diesen Graphen Datei für Datei durchläuft, zahlt er doppelt: einmal in Tokens, die für das erneute Lesen bereits gesehener Inhalte aufgewendet werden, und einmal in Fehlern, die entstehen, weil der relevante Teil nie gesehen wurde.
Das Scheitern ist selten dramatisch. Der Agent behebt das Symptom und übersieht den gemeinsamen Helfer drei Verzeichnisse weiter. Er dupliziert ein Hilfsmittel, das bereits existiert. Er ändert eine Signatur, ohne die sieben nachgelagerten Aufrufer zu bemerken. Das sind keine Denkfehler. Es sind Kontextfehler – dem Modell wurde nie genug von der Codebasis gezeigt, um es besser zu wissen.
Die meisten schlechten KI-Bearbeitungen sind keine Denkfehler. Es sind fehlende-Kontext-Fehler.
Die übliche Lösung besteht darin, mehr Text zu senden: den Prompt mit Dateien zu füllen und zu hoffen, dass die relevanten Zeilen irgendwo darin sind. Das tauscht ein Problem gegen ein anderes. Kontextfenster füllen sich, Kosten steigen, und das Signal, das der Agent tatsächlich braucht, geht unter allem unter, was er nicht braucht.
Erst kartieren, dann handeln
Codnas Prämisse ist, dass das Verstehen einer Codebasis und das Bearbeiten zwei verschiedene Aufgaben sind, die auf zwei verschiedenen Engines laufen sollten. Die Mapping-Engine erledigt die aufwendige strukturelle Arbeit einmalig und hält sie aktuell. Der Coding-Agent übernimmt das Schreiben – mit präzisem Kontext statt einer Leseliste.
Dieses Kartieren geschieht für null Tokens. Codna indiziert das Repository mittels statischer Analyse, anstatt Quellcode durch ein Sprachmodell zu leiten. Das Erstellen und Aktualisieren der Karte eines Millionen-Zeilen-Projekts verursacht daher keine Inferenzkosten. Das Budget des Modells wird dort eingesetzt, wo es sich auszahlt – bei der Änderung selbst, nicht beim erneuten Entdecken des Projekts von Grund auf in jeder Sitzung.
Das Ergebnis ist ein KI-gestützter Coding-Assistent, der Codebase-Kontext als Infrastruktur behandelt. Die Karte ist immer vorhanden, immer aktuell und in dem Moment abfragbar, bevor ein Agent sie benötigt.
Verstehen. Beheben. Weiterentwickeln.
Der Loop hat vier Schritte, die jedes Mal in dieser Reihenfolge ablaufen, wenn der Agent an die Arbeit geht.
Zuerst kartiert Codna das Repository – es parst das Projekt in einen strukturellen Index aus Dateien, Symbolen, Abhängigkeiten und Call-Graphs. Dann versteht es diese Karte und löst auf, wie die Teile zusammenhängen, sodass eine Abfrage zu einer Funktion auch den Code kennt, der sie aufruft, und den Code, von dem sie abhängt. Wenn eine Aufgabe eintrifft, ruft Codna den Kontext ab – es zieht genau den Ausschnitt der Codebasis heraus, den die Änderung berührt, und nichts weiter. Schließlich führt es den Agenten, indem es diesen fokussierten Kontext übergibt, sodass der Coding-Agent mit demselben Bewusstsein bearbeitet, das ein erfahrener Entwickler im Kopf hätte.
Verstehen. Beheben. Weiterentwickeln. Die Benennung ist bewusst gewählt. Das Verstehen kommt vor der Behebung, weil eine Behebung ohne Verstehen eine Vermutung ist – und Weiterentwicklung, also Refactorings, Migrationen, die schrittweise Verbesserung eines Systems über die Zeit, ist nur sicher, wenn jede Änderung im Ganzen verankert ist.
Was präziser Kontext verändert
Wenn der Agent aufhört, blind zu lesen, zeigt sich der Unterschied in der Arbeit, nicht in der Demo.
- Bearbeitungen landen an der richtigen Stelle, weil der Agent jeden Aufrufer der Funktion sehen kann, die er anfasst
- Der Token-Verbrauch sinkt, weil das Modell nicht bei jedem Durchlauf Dateien erneut lesen muss
- Refactorings werden sicherer, da die Karte den vollen Wirkungsbereich einer Änderung sichtbar macht, bevor sie ausgeliefert wird
- Das Einarbeiten in ein unbekanntes Repository hört auf, ein Ratespiel zu sein – die Struktur ist bereits erfasst
Das ist die Grenze zwischen einem KI-Coding-Agenten und echter Code Intelligence. Der eine liest so viel, wie er sich leisten kann. Der andere weiß, was er lesen muss, bevor er beginnt. Unter den KI-Code-Assistenten ist dieser Unterschied in einem schnellen Test leicht zu übersehen und über ein Quartal echter Arbeit unmöglich zu ignorieren – er trennt eine clevere Autovervollständigung vom besten KI-Code-Assistenten für eine Codebasis, die man tatsächlich pflegen muss.
Gebaut für die Repositories, die du bereits hast
Codna läuft gegen echte Projekte – die großen, vielschichtigen, teils undokumentierten, nicht die aufgeräumten Beispiele aus einem Tutorial. Es arbeitet neben den Coding-Agenten, die Teams bereits nutzen, auch als KI-Code-Assistent für VS Code, sodass die Karte die Werkzeuge informiert, zu denen Entwickler greifen, anstatt sie zu ersetzen. Es ging nie darum, ein weiteres Fenster hinzuzufügen. Es ging darum, den Agenten im Fenster, das du hast, bereits wissend ankommen zu lassen, wo er sich befindet.
Mit wachsenden Systemen vergrößert sich die Lücke zwischen dem Lesen und dem Verstehen von Code nur weiter – und die Assistenten, die sie schließen, werden jene sein, die kartieren, bevor sie handeln. Codna ist live und für diese Zukunft gebaut: eine, in der das Verstehen der Codebasis das Erste ist, was deine Werkzeuge tun, nicht das Letzte.