LinkedIn-Beitrag von **Rakesh Gohel** (Builder bei **JUTEQ**, Governance- und Proof-Infrastruktur für Agenten), veröffentlicht um den **25. Oktober 2026**, ~250 Wörter, begleitet von einer **Infografik**, die *@rakeshgohel01* zugeschrieben wird. Er unterscheidet drei Graphen, die ein Agent zur Entscheidungsfindung benötigt, am Beispiel *"Rebook this passenger"*.
#knowledge graph#knowledge graph#context graph
Rakesh Gohel — builder chez JUTEQ (gouvernance et infrastructure de preuve pour agents IA) ; LinkedIn · newsletter rakeshgohel.substack.com.
Ein gemeinschaftlicher Artikel von sieben Autoren (**Zach Davis**, **Michelle Gill**, **Elisabeth Hendrickson**, **Angie Jones**, **Sha Ma**, **Randy Shoup**, **James Wickett**), veröffentlicht im *Enterprise Technology Leadership Journal* von **IT Revolution** (Herbst 2026, Bd. 3, Nr. 2), unter einer CC BY-NC-SA-Lizenz. Etwa **7.500 Wörter**, mit dem Titel *« Toward a Pattern Language for Code Reviews in the Age of Agentic AI »*. **(A)** Rahmung: Code Review wird definiert als eine Prüfung durch eine nicht-autorschaftliche Instanz, die zu einer Handlung führt; empirische Studien (Microsoft 2013, Mäntylä 2009, Beller 2014) zeigen, dass ihr Wert hauptsächlich in der Wartbarkeit und im Wissensaustausch liegt, weniger in der Erkennung funktionaler Fehler. **(B)** Drei Bedingungen, um den Menschen aus dem kritischen Pfad zu nehmen: maximale deterministische Validierung, **risikogestaffelte** Review, eine **dauerhafte Spur** jeder Agenten-Entscheidung; *« no human in the loop »* ist eine Konfigurationsentscheidung, kein Standardzustand. **(C)** Neun komponierbare Muster, präsentiert als Werkzeugkasten statt als Reifegradleiter: small changes, Shift Left, design for verification, deterministische Engineering-Praktiken, context engineering, kontinuierliche Qualitätsschleife, adversarial LLM review, Multi-Agent-Reviews, spezifikationsgetriebene Entwicklung. **(D)** Drei Fallstudien: **Block**, **Cloudflare** (131.246 Reviews über 48.095 PRs in einem Monat, 1,2 Befunde pro Review), **DryRun Security**. Erweitert die bisherigen Notizen des Korpus zu context engineering und agentengestütztem Code Review.
#agentic code review#code review#pattern language
Zach Davis (LaunchDarkly) · Michelle Gill (Engineered by AI) · Elisabeth Hendrickson (Curious Duck) · Angie Jones (Agentic AI Foundation) · Sha Ma (Topogy) · Randy Shoup (CircleCI) · James Wickett (DryRun Security) ; article collectif · IT Revolution.
Ausführlicher Leitfaden von **Anthropic** von **Louis Claxton** (Applied-AI-Team), veröffentlicht am **21. August 2026** im claude.com-Blog: eine angegebene Lesezeit von **40 Minuten**, rund **64.000 Zeichen**, präsentiert als Sammlung von *Plays*, die aus der Arbeit des Teams mit seinen Kunden stammen. (A) Die Diagnose: Da Code nicht mehr der Engpass ist, verschiebt sich dieser auf die Phasen vor und nach dem Bau (Planung, Review/Test, Deployment); zeilenweise Kontrollen greifen nicht mehr, sobald der Agent den Großteil des Diffs schreibt, und die Governance-Kosten steigen, da Ausnahmen weiterhin über periodische Ausschüsse laufen. (B) Die Antwort: sechs Phasen (Plan, Design, Build, Test, Deploy, Maintain), organisiert als **Schleife** statt als Kette, jede endet mit einem **committeten Artefakt**, das die nächste Phase liest — `intent.md`, `spec.md`, `plan.md`, der Diff und seine Tests, der PR und seine Befunde, der Vorfallbericht. (1) Institutionelles Wissen wird zu versionierten Dateien: `CLAUDE.md`, Skills, `REVIEW.md`, `bands.yaml`. (2) Governance gliedert sich in zwei Schichten, wobei der Skill als beratende Kontrolle positioniert ist und der Hook als deterministische Schicht dahinter. Funktionstrennung wird als Invariante festgelegt — der Agent, der den Code schreibt, kann ihn nicht genehmigen —, und der Beitrag schließt mit *„The loop keeps running. Human judgement stays above it.“* Der Korpus enthält bereits [[clinton-anthropic-secure-ai-native-sdlc-2026-07-21]] zur Sicherheitsseite desselben Zyklus sowie [[hingel-augment-how-ai-changes-sdlc-six-stages-2026-06-08]] zur selben Sechs-Phasen-Gliederung aus Sicht eines Wettbewerbers.
#AI-native SDLC#software development lifecycle#plays
Louis Claxton (Anthropic, équipe Applied AI) · sur le blog claude.com ; contributions créditées à Jim Blackhurst · Will Steuk et Jamal Arif.