Domain-Driven Agents - Wie KI-Agents in Legacy-Codebasen überleben

LLMs funktionieren großartig in Gruendlandprojekten und kleinen Codebasen. Die Realität im Arbeitsalltag sieht aber anders aus: KI-Agents müssen in Legacy-Codebasen mit dicken Abhängigkeitsbäumen, starker Kopplung und einem vollen Tech-Debt-Backlog arbeiten. Ein interessanter Blog-Post von Cold Take analysiert, wie Domain-Driven Design (DDD) als Fundament für KI-Agent-Workflows dienen kann.

Das Problem: Brownfield ist tief

Das Scheitern von LLMs in bestehenden Codebasen hat eine spezifische Form. Man bitte um ein “Job Offer Status”-Feld in einem Gruendlandprojekt - kein Problem. In einem System, das seit vier Jahren im Einsatz ist, erfindet das Modell eine vierte Schreibweise eines Konzepts, das bereits dreimal existiert. Es schreibt einen Adapter, wo ein direkter Call gereicht hätte, oder ruft direkt durch, wo ein Adapter der ganze Punkt war. Die Codebasis beantwortet diese Fragen nirgendwo - das Modell rät, und raten oft falsch.

Strategisch vs. Taktisch

Der Autor teilt die Arbeit in zwei Hälften: Strategisch (entscheiden, was sich ändern muss und warum) und Taktisch (die Entscheidung in Code umsetzen). Der taktische Teil ist durch LLMs billig geworden - das Tippen von Code kostet fast nichts mehr. Der strategische Teil bleibt teuer und braucht das System im Kopf des Entwicklers.

DDD als Lösung

Jedes Repository trägt eine .workflow.json mit Domain-Beschreibungen: Bounded Contexts, Glossare, Subdomain-Typen und Verbindungen zu Nachbarkontexten. Ein Generator läuft über alle Repos, erstellt eine Context Map und prüft, ob beide Seiten einer Verbindung übereinstimmen. Jede Abweichung wird automatisch als GitHub Issue filed - mit Fingerprint, sodass halbe Fixes dasselbe Issue aktualisieren statt neue zu öffnen.

Der Workflow

Aus Abstimmungsproblemen werden Issues, aus Issues werden Agent-Aufgaben, aus Agent-Aufgaben werden PRs. Der Entwickler ist Reviewer und Koordinator - nicht mehr Implementierer. Das spart massiv Zeit und macht Legacy-Codebasen schrittweise bereit für KI-Agenten.