Warum diese Säule anders ist
Die ehrliche Beobachtung: Entwickler die KI ernsthaft nutzen, arbeiten 2026 anders als die, die sie als „bessere Autocomplete" behandeln.
Der Unterschied zeigt sich nicht in der Geschwindigkeit. Der zeigt sich in was du baust. Wer Claude Code oder Cursor nur für Boilerplate-Generierung nutzt, spart Zeit. Wer MCP-Server baut, eigene Workflows designt, und KI als orchestrierendes System versteht — der baut Dinge die vorher nicht möglich waren.
Diese Kategorie sammelt alles was wir zu diesem Thema schreiben. Tools-Vergleiche mit klar benannten Quellen und Testgrenzen. Tagebücher aus realen Projekten. Deep-Dives zu MCP-Servern. Lokale LLM-Setups die auf Consumer-Hardware laufen. Kein Marketing. Keine „X wird Y für immer verändern"-Headlines.
Nur: Was funktioniert, was nicht, und warum.
Was du hier findest — und was nicht
Wenn du hier bist, weil du dich fragst ob Claude Code besser ist als Cursor — die relevanten Unterschiede werden erklärt. Für eine belastbare Auswahl zählt dein Stack, dein Rechtekonzept und dein eigener wiederholbarer Test; allgemeine Siegerlisten sind ohne offengelegte Methodik nicht belastbar.
Wenn du wissen willst wie du deinen ersten MCP-Server baust — auch das. Mit TypeScript-SDK, Error-Handling und einem klar abgegrenzten Use-Case. Vom Hello-World-Beispiel bis zum Server, der eine echte API abfragt.
Wenn du überlegst, ob ein lokales Modell auf deinem MacBook M3 ausreicht — du findest Kriterien für Hardware, Quantisierung, Kontext und reproduzierbare Tests. Die Ergebnisse musst du auf deinem eigenen Setup verifizieren.
Was du nicht findest: Theorie-Artikel ohne Code. „Best Practices" ohne konkrete Implementierung. Fremde Blogpost-Zusammenfassungen. KI-generierte Listicles. Aussagen werden als Quelle, Praxisbeispiel oder eigene Messung eingeordnet.
Die drei Kern-Themen dieser Säule
Der Leitfaden unten gruppiert alle Artikel thematisch. Du musst nicht linear lesen — such dir raus was für deine aktuelle Frage passt.
Claude Code in der Praxis: Für alle die wissen wollen ob der Terminal-Ansatz wirklich funktioniert. Mit Praxis-Tagebuch, dokumentierten Trade-offs und ehrlichen Stärken/Schwächen-Analysen.
MCP-Server verstehen und bauen: Für alle die ihre KI-Tools erweitern wollen. Vom Protokoll-Verständnis bis zum ersten produktiven Server, der interne APIs anzapft.
Lokale Coding-Modelle: Für alle die nicht jeden Context in die Cloud schicken wollen. Mit Auswahlkriterien, Quellen und klaren Grenzen je nach Setup.
Claude Code in der Praxis
Claude Code ist der Einstiegspunkt für viele, die KI-Assistenten über reine Autocomplete-Funktionen hinaus nutzen wollen. Der Terminal-basierte Ansatz klingt zunächst ungewohnt — aber genau diese Architekturentscheidung macht den Unterschied.
Wo Cursor und Copilot in deinem Editor sitzen und Vorschläge machen, sitzt Claude Code neben deinem Projekt. Es liest deine Files, bevor es schreibt. Es läuft Tests, bevor es committet. Es fragt nach, bevor es destruktive Operationen ausführt. Das klingt langsam — ist es in der Praxis nicht.
90 Tage Praxistest aus Einsteiger-Perspektive
Der Artikel 60 Tage mit Claude Code als Junior-Dev dokumentiert den Einstieg eines Junior-Entwicklers, der Claude Code als einziges Coding-Tool nutzte. Keine IDE-Integration, keine Cursor-Vergleiche — nur die pure Erfahrung: Was wurde gelernt, wo entstanden Reibungspunkte, welche Erwartungen wurden enttäuscht, welche übertroffen.
Das Tagebuch zeigt ehrlich was passiert, wenn du nicht nur Snippets generierst, sondern Refactorings, Tests und Git-Operationen an ein Terminal-LLM delegierst. Die interessantesten Erkenntnisse liegen oft in den Fehlschlägen: Wo Claude Code an Grenzen stieß, welche Aufgaben weiterhin manuelle Intervention brauchten, und — wichtig — welche Mental Models aus klassischer Programmierung sich als Hindernis entpuppten.
Für Einsteiger ist das der ehrlichste Einstiegspunkt. Keine idealisierten Workflows, sondern: So sieht es aus wenn jemand neu anfängt.
Vergleich mit Cursor und GPT-5 Codex
Wer einen Vergleich aufsetzen will, findet im Vergleich Claude Code vs Cursor vs GPT-5 Codex Kriterien für Aufgaben, Modellstand, Zeiten und Qualität. Eine allgemeine Rangliste ist nur dann belastbar, wenn Aufgabenkatalog, Rohdaten und Bewertungsregeln veröffentlicht sind.
Ein sinnvoller Aufgabensatz deckt CRUD-Endpoints, Multi-File-Refactorings, Test-Suite-Erweiterungen und Bug-Fixes ab. Jedes Tool sollte dieselbe initiale Prompt-Formulierung erhalten; bewertet werden Funktion ohne Änderung, Iterationen bis zur Akzeptanz und verbleibende Qualitäts- oder Sicherheitsprobleme.
Wer eine Tool-Entscheidung treffen muss, kann die eigenen Aufgaben-Patterns mit diesen Kategorien abgleichen und die Ergebnisse selbst protokollieren.
Wer es kürzer braucht und nur die Entscheidung zwischen den beiden Marktführern sucht: Cursor vs. Claude Code stellt Preismodell, Kontextfenster, Modellauswahl und Arbeitsweise direkt gegenüber — inklusive der ehrlichen Ansage, welche der kursierenden Vergleichszahlen keine belegbare Quelle haben.
Warum der Terminal-Ansatz funktioniert
Nach drei Monaten täglicher Nutzung zeigt sich der Kern im Artikel Claude Code auf Deutsch — was es wirklich anders macht. Claude Code sitzt neben deinem Projekt, nicht in deinem Editor. Es liest Files, bevor es schreibt. Es führt Tests aus, bevor es committet. Und — entscheidend — es fragt vorher.
Multi-File-Refactorings funktionieren ohne Context-Verlust. Tool-Integration kommt out-of-the-box (Bash, Git, Browser, MCP-Server, eigene Skills) ohne Extension-Chaos. DSGVO-Compliance ist machbar, weil nur die Anfragen in die Cloud gehen — nicht der komplette Repo-Inhalt wie bei Cursor/Copilot-Setups die ständig Files hochladen.
Der Artikel erklärt wo Claude Code glänzt (große Refactorings, Multi-File-Änderungen, reproduzierbare Workflows), wo Cursor noch vorne liegt (visuelle Aufgaben, pixelgenaues CSS, Preview-Panel), und wie deutsche Entwickler die gesamte Dokumentation auf Deutsch führen können ohne Qualitätsverlust.
Für alle die sich fragen „lohnt sich der Umstieg von Cursor" — das ist der Artikel mit den ehrlichen Tradeoffs.
MCP-Server verstehen und bauen
Das Model Context Protocol (MCP) ist Anthropics Ansatz, LLMs erweiterbare Tools zu geben. Die Idee: Statt jede Integration fest in den AI-Service zu kodieren, baut man kleine Server die spezifische Fähigkeiten exponieren. Slack-Nachrichten lesen, Datenbanken abfragen, APIs ansprechen — alles über ein standardisiertes Protokoll.
Der Vorteil gegenüber fest verdrahteten Plugins: Du kontrollierst was das LLM kann. Du deployest den Server wo du willst. Du entscheidest welche Daten durchgehen und welche gefiltert werden. MCP-Server sind einfache stdio-basierte Prozesse — keine komplexen Cloud-Funktionen, keine Vendor-Lock-ins.
Die 30-Minuten-Einführung
Der Artikel MCP-Server auf Deutsch — was es ist und warum du es brauchst erklärt das Protokoll ohne Marketing-Fluff. Was ist ein MCP-Server technisch, warum ist das besser als fest verdrahtete Plugins, und wie baust du den ersten funktionierenden Minimal-Server in 30 Minuten.
TypeScript-SDK, erste Tool-Definition, Hello-World-Beispiel. Der Artikel zeigt die Anatomie eines MCP-Servers: stdio-Transport, Tool-Schema-Definition, Handler-Funktion. Du brauchst kein Backend-Framework, keine Cloud-Deployment-Pipeline — nur Node.js und das SDK.
Der Einstieg für alle die bisher nur von MCP gehört haben, aber nicht wissen wo sie anfangen sollen. Nach 30 Minuten hast du einen lauffähigen Server, den Claude Code aufrufen kann.
Vom Hello-World zum produktiven Use-Case
Wer tiefer einsteigen will, folgt dem Tutorial Dein erster MCP-Server in 60 Minuten. Der Artikel nimmt dich von der SDK-Installation bis zum ersten echten Server, der eine interne API abfragt.
Error-Handling, Authentication, Parameter-Validation — alles was zwischen dem Minimal-Beispiel und einem Server liegt, den du tatsächlich produktiv einsetzen kannst. Das Tutorial zeigt einen realen Use-Case: Ein MCP-Server der eine interne Ticketsystem-API anzapft, Tickets nach Status filtert, und strukturierte Antworten zurückgibt.
Du lernst wie du Secrets sicher handhabst (keine API-Keys im Code), wie du Tool-Parameter validierst (zod-Schemas), und wie du Fehler so zurückgibst dass Claude Code sie verstehen kann. Das Tutorial geht davon aus, dass du TypeScript schreiben kannst und einmal eine REST-API gebaut hast. Mehr Vorwissen brauchst du nicht.
Wichtig: Der Server läuft lokal auf deinem Rechner. Keine Cloud-Deployments nötig. Claude Code startet den Server automatisch wenn du ihn in der Config einträgst.
Lokale Coding-Modelle
Nicht jeder will jeden Codebase-Kontext in die Cloud schicken. Lokale Modelle laufen auf deiner Hardware, ohne externe API-Calls, ohne Rate-Limits, ohne Daten die das Netzwerk verlassen. Die Frage ist: Reicht die Qualität 2026?
Die ehrliche Antwort: Für viele Aufgaben ja. Lokale Modelle sind keine Notlösung mehr. Aber du musst wissen welches Modell für welches Setup, und wo die harten Grenzen liegen.
Qwen Coder, DeepSeek, Llama sinnvoll vergleichen
Der Artikel Lokale Coding-LLMs — Qwen Coder, DeepSeek, Llama ordnet die drei verbreiteten lokalen Coding-Modelle anhand offizieller Dokumentation und einer reproduzierbaren Messvorlage ein.
Welche Faktoren für Coding-Aufgaben zählen, wie du Token pro Sekunde misst und wo die Grenzen liegen. Die Vorlage deckt typische Entwickler-Workflows ab: Code-Completion, Refactoring-Vorschläge, Bug-Erklärungen, Test-Generierung und Dokumentation.
Die passende Auswahl hängt von Aufgabe, Modellstand, Quantisierung und Hardware ab. Aussagen darüber, welches Modell bei Code-Completion oder Reasoning dominiert, brauchen einen identischen, dokumentierten Test und gelten nicht pauschal für jedes Setup.
Die Anleitung beschreibt Ollama, MLX und die Bedingungen, die bei einem Vergleich dokumentiert werden sollten. Wer eine Entscheidung zwischen lokalem Modell und Cloud-API treffen muss, bekommt damit eine belastbare Messvorlage statt erfundener Vergleichswerte.
Wichtig: Ein eigener Test sollte nicht nur synthetische Benchmarks, sondern reale Workflows messen: Zeit bis zu einem verwendbaren Refactoring-Vorschlag, direkte Akzeptanz und Iterationen bis der Code kompiliert.
Wie du diese Artikel nutzt
Diese Säule wächst kontinuierlich. Neue Quellen und Vergleichsvorlagen, wenn relevante Tools erscheinen. Praxis-Tagebücher wenn echte Projekte neue Patterns zeigen. Deep-Dives zu Technologien die sich durchsetzen.
Der Ansatz bleibt gleich: Praxisbeispiele werden von dokumentationsbasierten Einordnungen und echten Messungen getrennt; eigene Messungen brauchen Setup, Zeitraum und reproduzierbare Bedingungen. Keine Theorie-Artikel ohne Code. Keine fremden Blogpost-Zusammenfassungen. Keine KI-generierten Listicles die du schon hundertmal gelesen hast.
Wenn du hier reinkommst und nicht weißt wo anfangen:
- Du willst Claude Code testen? Start mit Claude Code auf Deutsch — das gibt dir die Mental Models für den Terminal-Ansatz.
- Du brauchst harte Zahlen für eine Tool-Entscheidung? Die Vergleichsvorlage zeigt, wie du die Datenbasis für deinen Stack selbst sauber erhebst.
- Du willst MCP-Server bauen? Start mit der 30-Minuten-Einführung, dann das 60-Minuten-Tutorial.
- Du überlegst lokale Modelle? Der Vergleich sagt dir welches Modell auf deiner Hardware läuft.
Alle Artikel sind geschrieben um direkt umsetzbar zu sein. Code-Snippets, Installations-Befehle, reproduzierbare Setups. Keine „das kommt darauf an"-Ausflüchte.
Wo diskutieren wir das
Coding mit KI ist kein abgeschlossenes Thema. Tools ändern sich, Modelle werden besser, neue Patterns entstehen. Die meisten sinnvollen Gespräche passieren wenn jemand konkret zeigt was er gebaut hat — nicht in theoretischen Diskussionen.
Die Zone "Coding & Projekte" im Discord ist der Ort dafür. Frag konkret, zeig Code, teil deine Benchmarks. Wir sind eine deutsche Community — viele Gespräche laufen auf Deutsch, technische Details oft in englischen Code-Snippets. Kein Gatekeeping, kein „du solltest schon wissen dass"-Gehabe.
Was gut funktioniert in diesem Channel:
- Konkrete Setup-Fragen: „Ich krieg MCP-Server X nicht zum Laufen, hier mein Config" — zeig was du probiert hast, du bekommst präzise Fixes statt allgemeiner Ratschläge.
- Eigene Messungen: „Ich hab Claude Code und Cursor auf Aufgabe Y getestet, hier die Timings samt Modellstand" — genau solche Zahlen aus echter Arbeit fehlen im Netz, und sie helfen anderen bei ähnlichen Abläufen.
- Tool-Kombinationen: „Ich nutze lokales Qwen + MCP-Server für interne Datenbank-Queries" — zeig dein Setup, diskutier Tradeoffs.
Was nicht so gut funktioniert: Endlos-Debatten welches Tool „objektiv besser" ist ohne konkrete Aufgaben-Definitionen. Wir reden über Werkzeuge — die Qualität zeigt sich im was du baust, nicht in abstrakten Feature-Listen.
Falls du an einem dieser Themen arbeitest und Feedback brauchst: Das ist der richtige Kanal.
