[{"data":1,"prerenderedAt":737},["ShallowReactive",2],{"blog-github-copilot-coding-agent-de":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":22,"sources":34,"cover":59,"og":60,"expertise":61,"locales":62,"lang":64,"title":66,"description":67,"coverAlt":68,"metaTitle":69,"takeaways":70,"faq":76,"toc":95,"blocks":120,"others":469},"github-copilot-coding-agent","2026-08-10",10,"agents",[9,10,11,12,13],"Coding agent","Pull requests","GitHub Actions","AI credits","Code review",[15,16,17,18,19,20,21],"github copilot coding agent","github copilot cloud agent","copilot coding agent limitations","github copilot pricing ai credits","github copilot vs claude code","copilot agent tasks api","coding agent pull request review",[23,26,28,31],{"name":24,"url":25},"GitHub Copilot","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGitHub_Copilot",{"name":11,"url":27},"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGitHub_Actions",{"name":29,"url":30},"Pull request","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPull_request",{"name":32,"url":33},"Static application security testing","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FStatic_application_security_testing",[35,38,41,44,47,50,53,56],{"title":36,"url":37},"GitHub Docs: GitHub Copilot on GitHub.com, workflow and limitations","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcloud-agent\u002Fabout-cloud-agent",{"title":39,"url":40},"GitHub Docs: Application card, GitHub Copilot Agents","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fresponsible-use\u002Fcopilot-coding-agent",{"title":42,"url":43},"GitHub Docs: Plans for GitHub Copilot, prices and AI credits","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fget-started\u002Fplans",{"title":45,"url":46},"GitHub Docs: Using Copilot cloud agent via the REST and GraphQL API","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fhow-tos\u002Fuse-copilot-agents\u002Fcloud-agent\u002Fuse-cloud-agent-via-the-api",{"title":48,"url":49},"GitHub Docs: Using Copilot cloud agent from the GitHub CLI","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fhow-tos\u002Fuse-copilot-agents\u002Fcloud-agent\u002Fuse-cloud-agent-from-cli",{"title":51,"url":52},"GitHub Copilot product page: plans, privacy and FAQ","https:\u002F\u002Fgithub.com\u002Ffeatures\u002Fcopilot",{"title":54,"url":55},"Anthropic: Claude Code product page","https:\u002F\u002Fclaude.com\u002Fproduct\u002Fclaude-code",{"title":57,"url":58},"OpenAI: Codex CLI documentation","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fcli","\u002Fimages\u002Fblog\u002Fgithub-copilot-coding-agent\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fgithub-copilot-coding-agent\u002Fog.jpg","ai-engineer",[63,64,65],"en","de","hu","GitHub Copilot Coding Agent: ein Test des Pull-Request-Agenten","GitHubs Cloud-Coding-Agent nimmt ein Issue an und öffnet einen Pull Request. Was das 59-Minuten-Limit, AI-Credits und die Review-Pflicht wirklich kosten.","Drei quadratische Flächen in einer Reihe, durch Pfeile verbunden, mit Karte, geschlossenem Gehäuse und zwei Blättern.","GitHub Copilot Coding Agent im Test · Balázs Csorba",[71,72,73,74,75],"Der Copilot Cloud Agent, der aktuelle Name für den Coding Agent, nimmt eine Aufgabe als Issue oder Chat-Prompt an, arbeitet in einer ephemeren GitHub-Actions-Umgebung und öffnet einen Pull Request. Der Pull Request ist das Produkt, nicht eine Nebenwirkung.","Die Grenzen sind dokumentiert und hart: 59 Minuten Ausführungszeit pro Session, die nicht verlängert werden kann, ein Repository, ein Branch, ein Pull Request pro Aufgabe und kein Zugriff auf Actions-Secrets außerhalb der Copilot-Umgebung.","Die Preisstruktur ist ein Seat-Preis plus gemessene AI-Credits zu je einem Cent. Completions sind in jedem bezahlten Plan unbegrenzt; Chat, Agenten und die CLI nicht, und eine lange Agentensession kostet deutlich mehr als eine Chatfrage.","Die Session-Logs sind das unterschätzte Feature. Jeder Agent-Commit verlinkt auf sie, sie protokollieren welche Werkzeuge liefen, und Copilot Chat kann befragt werden, um einen Pull Request zu erklären.","Als Warteschlangenabbeiter mit anhängendem Review lesen, nicht als autonomer Kollege. Mit dieser Lesart wird das 59-Minuten-Limit und der Entwurfs-PR akzeptabel statt ärgerlich.",[77,80,83,86,89,92],{"q":78,"a":79},"Was ist der GitHub Copilot Coding Agent?","Ein autonomer Coding Agent, der auf GitHub statt auf einem Entwicklerrechner läuft. Man weist ihm ein GitHub-Issue zu oder startet eine Aufgabe aus Copilot Chat, dem Agenten-Panel, der REST-API, der GitHub CLI oder einem MCP-Server. Er klont das Repository in eine ephemere GitHub-Actions-Umgebung, plant, ändert Dateien, führt Tests und Linter aus und öffnet einen Entwurfs-PR. Die Dokumentation nennt diese Oberfläche inzwischen Copilot Cloud Agent.",{"q":81,"a":82},"Wie lange darf eine Copilot-Session laufen?","GitHub dokumentiert eine maximale Ausführungszeit von 59 Minuten pro Session und schreibt ausdrücklich, dass dieser Grenzwert weder verlängert noch umgangen werden kann. Braucht eine Aufgabe länger, läuft die Session in einen Timeout und stoppt. Die Einstellung timeout-minutes in copilot-setup-steps.yml kann die Grenze nur verkürzen, nie anheben.",{"q":84,"a":85},"Was kosten Copilot AI-Credits?","Ein GitHub AI Credit ist 0,01 US-Dollar. Copilot Pro für 10 Dollar enthält 1.000 Basis-Credits plus 500 Flex, Pro+ für 39 Dollar enthält 3.900 plus 3.100, Max für 100 Dollar enthält 10.000 plus 10.000. Inline-Codevervollständigungen und Next-Edit-Vorschläge verbrauchen keine Credits und bleiben in jedem bezahlten Plan unbegrenzt; Chat, Agenten, CLI und Spaces schon.",{"q":87,"a":88},"Kann der Agent auf main pushen oder auf meine Secrets zugreifen?","Nein. Pushes sind ausschließlich auf Branches erlaubt, die mit copilot\u002F beginnen, der Agent kann also nicht direkt auf einen Default-Branch schreiben. Workflows, die durch seine Pull Requests ausgelöst werden, brauchen die Freigabe durch jemanden mit Schreibrecht. Auf Organisations- oder Repository-Secrets der Actions hat er keinen Zugriff; nur Secrets und Variablen, die bewusst zur copilot-Umgebung hinzugefügt wurden, werden übergeben.",{"q":90,"a":91},"Gibt es den Copilot Coding Agent auf GitHub Enterprise Server?","Nein. Die Plan-Dokumentation von GitHub sagt ausdrücklich, dass Copilot derzeit für GitHub Enterprise Server nicht verfügbar ist. Der Cloud Agent funktioniert außerdem nur mit Repositories, die auf GitHub gehostet sind; eine selbst gehostete GitLab-, Gerrit- oder ähnliche Code-Plattform profitiert nicht davon.",{"q":93,"a":94},"Sollte ich ihn statt eines lokalen Coding-Agenten einsetzen?","Ja, für warteschlangenförmige, klar spezifizierte Arbeit auf github.com: Dependency-Upgrades, Test-Nachbesserungen, Dokumentation, erste Korrekturen für Security-Alerts. Für alles Interaktive ist ein lokaler Terminal-Agent die bessere Wahl, denn der Umlauf hier wird in Minuten gemessen und lässt sich nur per Kommentar auf dem Pull Request lenken.",[96,99,102,105,108,111,114,117],{"id":97,"title":98},"what-it-is","Was es ist",{"id":100,"title":101},"how-it-works","Wie es funktioniert",{"id":103,"title":104},"where-it-breaks","Wo er bricht",{"id":106,"title":107},"getting-started","Erste Schritte",{"id":109,"title":110},"pricing","Preise und Credits",{"id":112,"title":113},"alternatives","Alternativen",{"id":115,"title":116},"verdict","Fazit",{"id":118,"title":119},"sources","Quellen",[121,125,128,131,139,159,160,167,173,176,177,180,194,197,207,216,217,220,222,270,286,287,290,356,359,360,363,418,421,422,425,437,441,442],{"type":122,"content":123},"paragraph",[124],"DER GITHUB COPILOT CODING AGENT ist ein autonomer Coding Agent, der auf github.com lebt. Er nimmt eine Aufgabe als Issue oder Chat-Prompt an, bearbeitet sie in einer ephemeren GitHub-Actions-Umgebung und öffnet einen Pull Request mit dem Ergebnis. Die Dokumentation nennt diese Oberfläche inzwischen Copilot Cloud Agent, und das ist ein besserer Name: Der Pull Request ist das eigentliche Produkt. Als Test: Es ist der am engsten integrierte Coding Agent, der existiert, und diese Integration ist der Grund, warum er Arbeit liefert, die Menschen wirklich mergen, und zugleich der Grund, warum sich seine Kosten kaum wegdiskutieren lassen.",{"type":122,"content":126},[127],"Er ist kein IDE-Feature und kein lokaler Agent. Auf einem Entwicklerrechner läuft nichts: Der Agent bekommt seinen eigenen Runner, seinen eigenen Branch, seine eigene Firewall. Das macht ihn zum richtigen Werkzeug für eine Warteschlange — Dependency-Upgrades, Test-Nachbesserungen, Dokumentationsdurchgänge, erste Korrekturen für Security-Alerts — und zum falschen für die enge Schleife, in der jemand eine einzelne Funktionssignatur steuern will. Die [Harness-Engineering-Abwägung](\u002Fblog\u002Fharness-engineering-coding-agents) betrifft dieselbe Modellklasse mit umgekehrter Ergonomie.",{"type":129,"level":130,"id":97,"text":98},"heading",2,{"type":122,"content":132},[133,134,138],"Die Oberfläche ist bewusst klein. Eine Aufgabe kommt als zugewiesenes Issue, aus dem Agenten-Panel, aus Copilot Chat, aus der REST-API, aus der GitHub CLI oder von einem MCP-Server. Der Agent klont ein Repository, plant, ändert Dateien, führt Tests und Linter aus und pusht auf einen Branch, den er selbst angelegt hat. Dieser Vertrag wird erzwungen, nicht erbeten: Pushes sind nur auf Branches erlaubt, die mit ",{"tag":135,"children":136},"code",[137],"copilot\u002F"," beginnen, Workflows, die durch seine Pull Requests ausgelöst werden, brauchen die Freigabe durch jemanden mit Schreibrecht, und andere Repositories erreicht er in einem Lauf nicht.",{"type":140,"ordered":141,"items":142},"list",false,[143,145,147,149,151,153],[144],"Ein Repository pro Session. Änderungen über Repositories hinweg sind in einem Lauf unmöglich, ein auf mehrere Repositories verteilter Code braucht also einen Menschen dazwischen.",[146],"Ein Branch und ein Pull Request pro Aufgabe. Was wirklich zwei Pull Requests braucht, sind zwei Aufgaben und zwei Reviews.",[148],"Eine harte Obergrenze von 59 Minuten Ausführungszeit pro Session, die laut Dokumentation weder verlängert noch umgangen werden kann.",[150],"Commits werden von Copilot verfasst, der anfragende Mensch steht als Co-Autor, sie sind signiert, und jede Commit-Nachricht verlinkt auf die Session-Logs.",[152],"CodeQL, Secret Scanning und Dependency Analysis laufen während der Session gegen den erzeugten Code, und der Agent versucht, Funde vor dem Push zu beheben.",[154,155,158],"Kein Zugriff auf Actions-Secrets. Nur Secrets und Variablen, die bewusst zur ",{"tag":135,"children":156},[157],"copilot","-Umgebung hinzugefügt wurden, werden übergeben.",{"type":129,"level":130,"id":100,"text":101},{"type":122,"content":161},[162,163,166],"Vier serverseitige Schritte. Die Aufgabe wird mit Repository-Kontext zusammengeführt und an ein von GitHub betriebenes Modell geschickt; das Modell plant und editiert in der ephemeren Umgebung; Tests und Linter laufen dort; das Ergebnis wird committet und gepusht, und die Beschreibung des Pull Requests wird zur Session-Zusammenfassung. Danach bleibt der Agent erreichbar: Ein Review-Kommentar oder eine Erwähnung von ",{"tag":135,"children":164},[165],"@copilot"," wird zurückgespielt und erzeugt einen weiteren Commit.",{"type":168,"src":169,"alt":170,"wide":171,"caption":172},"image","\u002Fimages\u002Fblog\u002Fgithub-copilot-coding-agent\u002Fdiagram-7.webp","Copilot Cloud Agent: vom Issue zum Pull Request Eine Aufgabe kommt als zugewiesenes Issue, aus dem Agenten-Panel, aus der REST-API oder CLI oder aus einer Automatisierung. In einer ephemeren GitHub-Actions-Runner-Umgebung in einem Repository plant, editiert, testet und lintet der Agent und wird von CodeQL und Secret Scanning geprüft. Das Ergebnis ist ein signierter Commit auf einem Copilot-Branch, ein Entwurfs-PR, dessen Commit auf die Session-Logs verlinkt, und ein menschliches Review, das den Agenten weiterarbeiten lässt.",true,"Alles zwischen Aufgabe und Merge passiert auf GitHub. Deshalb ist derselbe Agent billig zu vertrauen und teuer zu steuern.",{"type":122,"content":174},[175],"Die Session-Logs sind der Teil, den Teams zu wenig nutzen. Jeder Commit verlinkt auf sie, sie protokollieren welche Werkzeuge liefen, und Copilot Chat auf github.com kann befragt werden, was ein Pull Request geändert hat und warum, weil es die Logs in die Unterhaltung zieht. Wenn ein agentenerzeugter Pull Request falsch aussieht, sind die Logs oft aussagekräftiger als der Diff: Man sieht, welcher Test lief, zweimal fehlschlug und was der Agent stattdessen gemacht hat.",{"type":129,"level":130,"id":103,"text":104},{"type":122,"content":178},[179],"Die ehrliche Liste ist länger als die Feature-Liste. Das sind dokumentierte Grenzen und keine in der Wildnis gefundenen Fehler, und genau sie entscheiden, ob ein Workflow einen echten Backlog übersteht.",{"type":140,"ordered":141,"items":181},[182,184,186,188,190,192],[183],"Die 59-Minuten-Grenze ist die schmerzhafteste. Lange Migrationen und mehrstufige Refactorings müssen in passende Aufgaben geschnitten werden, was aus einem Ticket drei Tickets und drei Reviews macht.",[185],"Der Agent reagiert nur auf Nutzer mit Schreibrecht am Repository. Kommentare von außerhalb erreichen ihn nie, was in beide Richtungen wirkt: sinnvolle Voreinstellung und Sackgasse für externe Mitwirkende.",[187],"Repository-Regeln können ihn vollständig blockieren. Eine Regel, die Commits auf eine feste Autorenliste beschränkt, verhindert zum Beispiel, dass er Pull Requests öffnet oder aktualisiert, sofern ein Administrator Copilot nicht als Bypass-Akteur einträgt.",[189],"Nur auf GitHub gehostete Repositories. Eine selbst gehostete GitLab-, Gerrit- oder andere Code-Plattform bekommt nichts, und die Dokumentation sagt das klar.",[191],"Nicht verfügbar auf GitHub Enterprise Server. Ist das das Zielsystem, lautet die Antwort unabhängig von der Seat-Zahl nein.",[193],"Er kann Code erzeugen, der öffentlichen Repositories entspricht, selbst wenn die Richtlinie solche Vorschläge blockieren soll. In dem Fall zeigt er im Session-Log einen Verweis statt einer Code-Referenz am Vorschlag.",{"type":122,"content":195},[196],"Der Umgang mit Daten unterscheidet sich je nach Plan, und der Unterschied zählt in der Beschaffung. Prompts und Vorschläge aus einer IDE werden nicht gespeichert; Prompts und Vorschläge aus Chat-, Mobil- und CLI-Sitzungen bleiben 28 Tage. Auf Business und Enterprise werden sie nicht zum Trainieren von Modellen verwendet. Auf Free, Pro und Pro+ dürfen sie es, seit dem 24. April, sofern das Konto nicht abmeldet. Ein Team, das nur die Marketingseite liest, sieht diese Zeile nicht — also vor dem Rollout den Plan prüfen, nicht danach.",{"type":140,"ordered":141,"items":198},[199,201,203,205],[200],"Auf der ephemeren Umgebung ist standardmäßig eine Firewall aktiv, die ausgehende Verbindungen zu nicht erlaubten Hosts blockiert. Sie lässt sich anpassen oder abschalten, und jede Erweiterung sollte zuerst geprüft werden.",[202],"Nur das Repository der Aufgabe ist erreichbar. Andere Repositories derselben Organisation nicht.",[204],"Der Agent filtert versteckte Zeichen in Issue-Texten und Kommentaren und schließt damit den billigsten Prompt-Injection-Kanal.",[206],"Custom Instructions, MCP-Server und Lifecycle-Hooks sind pro Repository oder pro Organisation konfigurierbar, Validierung kann also in der Agentenschleife laufen und nicht erst danach in CI.",{"type":208,"variant":209,"title":210,"body":211},"callout","warn","Prompt Injection bleibt das offene Problem",[212,214],[213],"Ein Agent, der Issue-Texte und Pull-Request-Kommentare liest, ist ein Injection-Ziel, und die dokumentierten Gegenmaßnahmen sind eine Abschwächung, keine Lösung. Die Application Card sagt klar, dass der Cloud Agent semantisch falschen oder unsicheren Code erzeugen kann und dass er Code erzeugen kann, der öffentlichen Repositories entspricht, selbst wenn das Blockieren gesetzt ist.",[215],"Das [Muster des lethal trifecta](\u002Fblog\u002Fprompt-injection-lethal-trifecta-patterns) gilt unverändert: Ein Issue-Text, der eine Drittseiten-Seite zitiert, genügt. Branch kurzlebig halten, Branch-Schutz aktiv lassen und die Firewall nicht weiten, weil eine Aufgabe es brauchte.",{"type":129,"level":130,"id":106,"text":107},{"type":122,"content":218},[219],"Die kleinste sinnvolle Integration ist die Agent-Tasks-API: ein POST, danach eine Task-ID zum Pollen. Sie ist Public Preview, akzeptiert nur User-to-Server-Token und keine Installationstoken — was eine GitHub App ausschließt, die Agentenläufe aus einem serverseitigen Webhook ohne menschliches Token auslösen will.",{"type":135,"code":221},"# Start a task: only a user-to-server token works here\ncurl -X POST \\\n  -H \"Accept: application\u002Fvnd.github+json\" \\\n  -H \"X-GitHub-Api-Version: 2022-11-28\" \\\n  -H \"Authorization: Bearer $TOKEN\" \\\n  https:\u002F\u002Fapi.github.com\u002Fagents\u002Frepos\u002Focto-org\u002Focto-repo\u002Ftasks \\\n  -d '{\n    \"prompt\": \"Fix the login button on the homepage\",\n    \"base_ref\": \"main\",\n    \"create_pull_request\": true\n  }'\n\n# Poll until the state is completed, failed or timed_out\ncurl -H \"Accept: application\u002Fvnd.github+json\" \\\n  -H \"Authorization: Bearer $TOKEN\" \\\n  https:\u002F\u002Fapi.github.com\u002Fagents\u002Frepos\u002Focto-org\u002Focto-repo\u002Ftasks\u002F$TASK_ID",{"type":122,"content":223},[224,225,228,229,232,233,232,236,232,239,232,242,232,245,232,248,251,252,255,256,258,259,232,262,265,266,269],"Die Antwort enthält ein Feld ",{"tag":135,"children":226},[227],"state"," mit ",{"tag":135,"children":230},[231],"queued",", ",{"tag":135,"children":234},[235],"in_progress",{"tag":135,"children":237},[238],"completed",{"tag":135,"children":240},[241],"failed",{"tag":135,"children":243},[244],"idle",{"tag":135,"children":246},[247],"waiting_for_user",{"tag":135,"children":249},[250],"timed_out"," oder ",{"tag":135,"children":253},[254],"cancelled",", und diese Liste gehört in den aufrufenden Code. ",{"tag":135,"children":257},[247]," ist der Fall, den ein naiver Poller falsch behandelt: Der Agent hält an, um eine Frage zu stellen, und nichts geht weiter, bis ein Mensch auf dem Pull Request antwortet. Dieselbe Arbeit gibt es lokal als ",{"tag":135,"children":260},[261],"gh agent-task create",{"tag":135,"children":263},[264],"gh agent-task list"," und ",{"tag":135,"children":267},[268],"gh agent-task view --log"," ab GitHub CLI 2.80.0, wobei auch dieser Befehlssatz Public Preview ist.",{"type":208,"variant":271,"title":272,"body":273},"note","Die Aufgabe dimensionieren, nicht den Agenten",[274,276],[275],"Jedes zugewiesene Issue wird als Prompt gelesen, das Ticket ist also der Prompt. GitHubs eigener Rat lautet: klare Beschreibung, vollständige Akzeptanzkriterien und ein Hinweis auf die zu ändernden Dateien. Ein Einzeiler-Issue erzeugt einen breiten, spekulativen Diff.",[277,278,281,282,285],"Wenn die Arbeit mehr als 59 Minuten braucht: ",{"tag":135,"children":279},[280],"timeout-minutes"," in ",{"tag":135,"children":283},[284],"copilot-setup-steps.yml"," kann die Grenze nur verkürzen. Die Lösung ist eine kleinere Aufgabe.",{"type":129,"level":130,"id":109,"text":110},{"type":122,"content":288},[289],"Copilot wird pro Seat abgerechnet, Agenten verbrauchen zusätzlich eine gemessene Währung: GitHub AI Credits, ein Credit für 0,01 US-Dollar. Inline-Vervollständigungen und Next-Edit-Vorschläge verbrauchen keine Credits und bleiben in jedem bezahlten Plan unbegrenzt; Chat, Agenten, CLI und Spaces schon. Das Credit-Kontingent, nicht der Seat-Preis, ist das, was ein agentenlastiges Team tatsächlich steuert.",{"type":291,"head":292,"rows":301},"table",[293,295,297,299],[294],"Plan",[296],"Preis pro Monat",[298],"AI-Credits",[300],"Was dazukommt",[302,311,320,329,338,347],[303,305,307,309],[304],"Free",[306],"$0",[308],"Ein kleines Kontingent",[310],"2.000 Completions, eingeschränkte Agenten, automatische Modellwahl",[312,314,316,318],[313],"Pro",[315],"$10",[317],"1.000 Basis plus 500 flexibel",[319],"Cloud Agent, Code Review, Drittanbieter-Agenten",[321,323,325,327],[322],"Pro+",[324],"$39",[326],"3.900 Basis plus 3.100 flexibel",[328],"Premium-Modelle, rund viermal die Nutzung von Pro",[330,332,334,336],[331],"Max",[333],"$100",[335],"10.000 Basis plus 10.000 flexibel",[337],"Bevorzugter Modellzugang, etwa 2,9-mal Pro+",[339,341,343,345],[340],"Business",[342],"$19 pro Seat",[344],"1.900 pro Nutzer",[346],"Zentrale Richtlinien, Budgets, IP-Freistellung",[348,350,352,354],[349],"Enterprise",[351],"$39 pro Seat",[353],"3.900 pro Nutzer",[355],"Alles aus Business plus gepoolte Credits",{"type":122,"content":357},[358],"Zwei Preisdetails entscheiden, ob das bezahlbar ist. Erstens sind Agenten der teure Teil der Credit-Ökonomie: Eine lange Session auf einem Frontier-Modell über viele Dateien kostet weit mehr als eine Chatfrage, ein Repository, in dem jedes Issue automatisch zugewiesen wird, verbraucht also binnen einer Woche ein Pro-Kontingent. Zweitens gibt es nach dem Kontingent drei Wege — auf den Reset warten, auf ein günstigeres Modell wechseln oder bezahlte Nutzung mit einem Dollar-Budget aktivieren — und auf Business und Enterprise entscheidet die Administration, nicht der Entwickler. Seit dem 1. Juni 2026 verbrauchen Code-Review-Workflows zusätzlich GitHub-Actions-Minuten, die Runner-Rechnung wandert also mit.",{"type":129,"level":130,"id":112,"text":113},{"type":122,"content":361},[362],"Der relevante Vergleich ist nicht mit anderen Cloud-Agenten, denn davon gibt es kaum welche, sondern mit den lokal-first Coding-Agenten, die im Terminal eines Entwicklers laufen. Sie teilen Modellkatalog und MCP-Story; sie unterscheiden sich darin, wo sie ausgeführt werden und wer das Ergebnis verantwortet.",{"type":291,"head":364,"rows":373},[365,367,369,371],[366],"",[368],"Copilot Cloud Agent",[370],"Claude Code",[372],"OpenAI Codex CLI",[374,383,391,400,409],[375,377,379,381],[376],"Ausführungsmodell",[378],"Ephemerer GitHub-Actions-Runner",[380],"Lokales Terminal, spricht direkt mit Modell-APIs",[382],"Lokales Terminal, codex cloud als Übergabe",[384,386,388,390],[385],"Wo der Diff erscheint",[387],"Entwurfs-PR auf einem copilot\u002F-Branch",[389],"Working Tree, du committest",[389],[392,394,396,398],[393],"Dokumentiertes Session-Limit",[395],"59 Minuten, nicht verlängerbar",[397],"Keine publizierte Zeitgrenze, mehrstündige Läufe beschrieben",[399],"Keine publizierte Zeitgrenze",[401,403,405,407],[402],"Modellwahl",[404],"GitHub-eigener Katalog, pro Aufgabe wählbar",[406],"Anthropic-Modelle, Claude-Pläne oder API",[408],"OpenAI-Modelle, ChatGPT-Plan oder API",[410,412,414,416],[411],"Wo der Code läuft",[413],"Bereits auf GitHub, nichts lokal",[415],"Auf deinem Rechner, kein entfernter Code-Index",[417],"Auf deinem Rechner, außer bei codex cloud",{"type":122,"content":419},[420],"Beim Ergonomie-Vergleich liegen die Dinge nicht knapp. Ein lokaler Agent antwortet in Sekunden und lässt sich mitten im Gedanken unterbrechen; dieser hier liefert in Minuten einen Pull Request und lässt sich nur per Kommentar steuern. Was den lokalen Agenten fehlt, ist das Pull Request als Lieferformat, Branch-Schutz, die Scan-Hooks und ein Session-Log, das ein Compliance-Team später lesen kann. Teams, die ohnehin in GitHub-Issues leben, holen mehr aus Copilot heraus als Teams, die im Terminal leben, und das ist der einzige ernsthafte Grund für die Wahl. Mehr dazu im [Werkzeug-für-Werkzeug-Vergleich](\u002Fblog\u002Fagents-md-skills-mcp-cli-decision-matrix) und in der [Sandbox-Checkliste](\u002Fblog\u002Fsandboxing-coding-agents-ci-checklist).",{"type":129,"level":130,"id":115,"text":116},{"type":122,"content":423},[424],"Der Copilot Cloud Agent ist den Seat-Preis für genau eine Aufgabe wert: eine gut formulierte Warteschlange auf github.com abzuarbeiten, ohne dass ein Entwickler jede Session beaufsichtigt. Er ist ein Warteschlangenabbeiter mit anhängendem Review, kein autonomer Kollege. So gelesen liefert er; als Pair-Programming erwartet enttäuscht er jedes Mal.",{"type":140,"ordered":171,"items":426},[427,429,431,433,435],[428],"Nutzen für Backlog-Einträge mit objektiven Akzeptanzkriterien: Dependency-Upgrades, generierte Tests, Dokumentation, Security-Alert-Fixes, erste Refactorings.",[430],"Nicht nutzen für Architektur, für Änderungen über Repositories hinweg oder für alles, was die 59-Minuten-Grenze halbieren würde.",[432],"Branch-Schutz, Code Owner und verpflichtende Reviews behalten. Seine Pull Requests sind Entwürfe, und das ist eine Konvention, keine Erzwingung.",[434],"Auf Credits budgetieren statt auf Seats, und die Regel für bezahlte Nutzung bewusst in beide Richtungen setzen, bevor die erste Überschreitung passiert.",[436],"Review-Zeit einplanen. Der Engpass wandert vom Schreiben des Diffs zum Lesen, was echte Einsparung und echte Kosten zugleich ist; die ausführlichere Fassung steht im [Engpass beim Review KI-generierter Pull Requests](\u002Fblog\u002Fai-generated-pr-review-bottleneck).",{"type":438,"content":439},"quote",[440],"You should always review and test the content generated by the agent to ensure that it meets your requirements and is free of errors or security concerns prior to merging.",{"type":129,"level":130,"id":118,"text":119},{"type":140,"ordered":171,"items":443},[444,448,451,454,457,460,463,466],[445],{"tag":446,"href":37,"children":447},"a",[36],[449],{"tag":446,"href":40,"children":450},[39],[452],{"tag":446,"href":43,"children":453},[42],[455],{"tag":446,"href":46,"children":456},[45],[458],{"tag":446,"href":49,"children":459},[48],[461],{"tag":446,"href":52,"children":462},[51],[464],{"tag":446,"href":55,"children":465},[54],[467],{"tag":446,"href":58,"children":468},[57],[470,529,601,669],{"slug":471,"published":472,"minutes":473,"category":7,"tags":474,"keywords":480,"about":491,"sources":501,"cover":523,"og":524,"expertise":61,"locales":525,"lang":64,"title":526,"description":527,"coverAlt":528},"agent-tool-design-descriptions-errors","2026-10-17",11,[475,476,477,478,479],"AI agents","Tool use","Function calling","MCP","Agent design",[481,482,483,484,485,486,487,488,489,490],"agent tool design","writing tool descriptions for llm","function calling best practices","tool use error handling","mcp tool design","tool calling is_error","how many tools should an agent have","tool search defer_loading","agent computer interface","llm tool schema design",[492,495,498],{"name":493,"url":494},"Intelligent agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIntelligent_agent",{"name":496,"url":497},"Model Context Protocol","https:\u002F\u002Fmodelcontextprotocol.io\u002F",{"name":499,"url":500},"Poka-yoke","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPoka-yoke",[502,505,508,511,514,517,520],{"title":503,"url":504},"Anthropic Engineering: Writing effective tools for agents, with agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fwriting-tools-for-agents",{"title":506,"url":507},"Anthropic Engineering: Building effective agents (Dec 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"title":509,"url":510},"Claude Platform Docs: Define tools","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fdefine-tools",{"title":512,"url":513},"Claude Platform Docs: Handle tool calls","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fhandle-tool-calls",{"title":515,"url":516},"Claude Platform Docs: Tool search tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Ftool-search-tool",{"title":518,"url":519},"Model Context Protocol specification 2025-11-25: Tools","https:\u002F\u002Fmodelcontextprotocol.io\u002Fspecification\u002F2025-11-25\u002Fserver\u002Ftools",{"title":521,"url":522},"OpenAI API Docs: Function calling","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fog.jpg",[63,64,65],"Tools für KI-Agenten gestalten: Namen, Beschreibungen, Schemas und Fehlermeldungen","Agent-Tools, die richtig gewählt und aufgerufen werden: aufgabenorientierte Tools, Beschreibungen, Schemas, kompakte Antworten und verwertbare Fehlermeldungen.","Ein Sockel mit drei Schlitzen; über dem mittleren steht ein passend breiter Block, daneben zwei Blöcke falscher Breite.",{"slug":530,"published":472,"minutes":473,"category":7,"tags":531,"keywords":536,"about":549,"sources":559,"cover":595,"og":596,"expertise":61,"locales":597,"lang":64,"title":598,"description":599,"coverAlt":600},"coding-agents-legacy-codebase-migration",[532,533,534,535,13],"Legacy migration","Coding agents","Strangler fig","Testing",[537,538,539,540,541,542,543,544,545,546,547,548],"legacy code migration ai","coding agent legacy codebase","strangler fig pattern ai","characterization tests legacy code","ai code migration review","agent assisted refactoring","legacy modernization coding agent","differential testing migration","shadow traffic migration","ai code review gate","test harness before migration","llm code migration",[550,553,556],{"name":551,"url":552},"Legacy code","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLegacy_code",{"name":554,"url":555},"Characterization test","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCharacterization_test",{"name":557,"url":558},"Strangler fig pattern","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FStrangler_fig_pattern",[560,563,565,568,571,574,577,580,583,586,589,592],{"title":561,"url":562},"Martin Fowler: Strangler Fig (2024)","https:\u002F\u002Fmartinfowler.com\u002Fbliki\u002FStranglerFigApplication.html",{"title":564,"url":555},"Wikipedia: Characterization test",{"title":566,"url":567},"Google Research: Accelerating code migrations with AI (2024)","https:\u002F\u002Fresearch.google\u002Fblog\u002Faccelerating-code-migrations-with-ai\u002F",{"title":569,"url":570},"Ziftci et al.: Migrating Code At Scale With LLMs At Google (arXiv 2504.09691)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.09691",{"title":572,"url":573},"Anthropic: Effective harnesses for long-running agents (2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"title":575,"url":576},"Anthropic: Redesigning source control at Anthropic (2026)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fredesigning-source-control",{"title":578,"url":579},"METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity","https:\u002F\u002Fmetr.org\u002Fblog\u002F2025-07-10-early-2025-ai-experienced-os-dev-study\u002F",{"title":581,"url":582},"Chand et al.: Why Industry Migrates and When It Trusts LLMs (ESEM 2026)","https:\u002F\u002Fdrops.dagstuhl.de\u002Fentities\u002Fdocument\u002F10.4230\u002FLIPIcs.ESEM.2026.85",{"title":584,"url":585},"Li et al.: Environment-in-the-Loop: Rethinking Code Migration with LLM-based Agents (arXiv 2602.09944)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2602.09944",{"title":587,"url":588},"AWS: Amazon Q Developer just reached a $260 million dollar milestone (2024)","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdevops\u002Famazon-q-developer-just-reached-a-260-million-dollar-milestone\u002F",{"title":590,"url":591},"OpenAI: Why SWE-bench Verified no longer measures frontier coding capabilities (2026)","https:\u002F\u002Fopenai.com\u002Findex\u002Fwhy-we-no-longer-evaluate-swe-bench-verified\u002F",{"title":593,"url":594},"GitHub Docs: About GitHub Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcoding-agent\u002Fabout-coding-agent","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fog.jpg",[63,64,65],"Legacy-Codebase mit Coding-Agenten migrieren: ein Strangler-Fig-Playbook","Wie Coding-Agenten eine Legacy-Migration tragen: Characterization-Tests zuerst, ein Seam pro Task, Review-Gates und differentielle Verifikation.","Ein Stapel Schichten, bei dem die obersten zwei durch neue ersetzt werden, daneben eine Naht und ein Haken.",{"slug":602,"published":472,"minutes":603,"category":7,"tags":604,"keywords":607,"about":619,"sources":628,"cover":663,"og":664,"expertise":61,"locales":665,"lang":64,"title":666,"description":667,"coverAlt":668},"background-agents-async-pr-workflow",12,[533,10,605,13,606],"CI","Automation",[608,609,610,611,612,613,614,615,616,617,618],"background coding agent","async coding agent","cloud coding agent pull request","copilot coding agent limits","codex cloud tasks","claude code cloud sessions","jules coding agent limits","agent pull request review","coding agent sandbox","agent CI gating","cost per merged pull request",[620,623,625],{"name":621,"url":622},"Software agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoftware_agent",{"name":29,"url":624},"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDistributed_version_control",{"name":626,"url":627},"Continuous integration","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FContinuous_integration",[629,630,633,636,639,642,645,648,651,654,657,660],{"title":593,"url":594},{"title":631,"url":632},"GitHub Docs: Risks and mitigations for Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcloud-agent\u002Frisks-and-mitigations",{"title":634,"url":635},"OpenAI Developers: Codex cloud environments","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fcloud\u002Fenvironments",{"title":637,"url":638},"Anthropic: Use Claude Code in the cloud","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fclaude-code-on-the-web",{"title":640,"url":641},"Google Jules: Limits and plans","https:\u002F\u002Fjules.google\u002Fdocs\u002Fusage-limits\u002F",{"title":643,"url":644},"Google Jules: Getting started","https:\u002F\u002Fjules.google\u002Fdocs\u002F",{"title":646,"url":647},"GitHub Docs: About protected branches","https:\u002F\u002Fdocs.github.com\u002Fen\u002Frepositories\u002Fconfiguring-branches-and-merges-in-your-repository\u002Fmanaging-protected-branches\u002Fabout-protected-branches",{"title":649,"url":650},"GitHub Docs: Models and pricing for GitHub Copilot","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Freference\u002Fcopilot-billing\u002Fmodels-and-pricing",{"title":652,"url":653},"OpenAI Developers: Codex pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fpricing",{"title":655,"url":656},"Ehsani et al.: Where Do AI Coding Agents Fail? An Empirical Study of Failed Agentic Pull Requests in GitHub (MSR 2026, arXiv 2601.15195)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2601.15195",{"title":658,"url":659},"Peralta et al.: Why Are Agentic Pull Requests Merged or Rejected? An Empirical Study (MSR 2026, arXiv 2605.22534)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2605.22534",{"title":661,"url":662},"DORA: State of AI-assisted Software Development 2025","https:\u002F\u002Fdora.dev\u002Fdora-report-2025","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fog.jpg",[63,64,65],"Coding-Agenten im Hintergrund: Pull Requests, Queues und Review","Wie asynchrone Coding-Agenten Tasks einreihen, in Sandboxes laufen, Draft-PRs öffnen und CI passieren. Grenzen, Kosten, Review und Fehlerbilder.","Eine Karte in einer Ablage fächert sich zu fünf Feldern auf, alle Pfeile führen zu einer Seite hinter einem Tor.",{"slug":670,"published":671,"minutes":6,"category":7,"tags":672,"keywords":678,"about":690,"sources":698,"cover":731,"og":732,"expertise":61,"locales":733,"lang":64,"title":734,"description":735,"coverAlt":736},"context-rot-compaction-long-running-agents","2026-10-16",[673,674,675,676,677],"Context rot","Compaction","Context engineering","Long-running agents","Agent memory",[679,680,681,682,683,684,685,686,687,688,689],"context rot","context rot LLM","compaction AI agents","context engineering","long-running agents context window","Claude compaction API","context editing clear tool results","OpenAI responses compaction","lost in the middle LLM","agent context management","sub-agents context isolation",[691,694,697],{"name":692,"url":693},"Context window","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Context_window",{"name":695,"url":696},"Attention (machine learning)","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAttention_(machine_learning)",{"name":493,"url":494},[699,702,705,708,711,713,716,719,722,725,728],{"title":700,"url":701},"Chroma: Context Rot: How Increasing Input Tokens Impacts LLM Performance (Jul 2025)","https:\u002F\u002Fresearch.trychroma.com\u002Fcontext-rot",{"title":703,"url":704},"Liu et al.: Lost in the Middle: How Language Models Use Long Contexts (2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172",{"title":706,"url":707},"Modarressi et al.: NoLiMa: Long-Context Evaluation Beyond Literal Matching (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05167",{"title":709,"url":710},"Anthropic: Effective context engineering for AI agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"title":712,"url":573},"Anthropic: Effective harnesses for long-running agents (Nov 2025)",{"title":714,"url":715},"Claude API docs: Compaction at a token threshold","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-threshold",{"title":717,"url":718},"Claude API docs: Compaction on demand","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-on-demand",{"title":720,"url":721},"Claude API docs: Context editing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcontext-editing",{"title":723,"url":724},"Claude API docs: Memory tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fmemory-tool",{"title":726,"url":727},"OpenAI API docs: Compaction","https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Fcompaction",{"title":729,"url":730},"Cognition: Don't Build Multi-Agents","https:\u002F\u002Fcognition.ai\u002Fblog\u002Fdont-build-multi-agents","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fog.jpg",[63,64,65],"Context Rot bei langlaufenden Agenten: Leeren, Compaction, Memory und Sub-Agenten","Warum die Genauigkeit von LLMs mit wachsendem Kontext sinkt und wie Leeren, Compaction, Notizen und Sub-Agenten lange Agentenläufe stabil halten.","Eine kleine Presse drückt einen hohen Blätterstapel zu einem kurzen, zwei Notizen zweigen ab.",1792261157757]