Im ersten Teil haben vier KI-Konsolen einen Bauplan entworfen und einander korrigiert. Am selben Abend setzten drei von ihnen die erste Phase um: drei Dienste unter launchd auf der lokalen Schnittstelle, ein Datenbankindex, ein Schlüssel im Schlüsselbund statt in einer Klartextdatei, eine Steuer-CLI. Dann benoteten sie ihr eigenes Werk — 9,8, 9, 7,5 und einmal ausdrücklich keine Note. Ich habe alle fünf Beanstandungen aus dem besten Zeugnis nachgeprüft. Sie stimmen. Und sie sind nicht die wichtigsten.
Was in 45 Minuten gebaut wurde
Um 22:03 Uhr lag der Abschlussbericht zum Bauplan vor. Um 22:48 Uhr war die erste Phase umgesetzt und einmal gegengeprüft. Drei Konsolen arbeiteten parallel, jede an einem der drei Dienste, jede in ihrem eigenen Ausgangsordner. Die Modellbezeichnungen sind dieselben wie im ersten Teil, geprüft gegen Konfiguration und Sitzungsprotokolle.
Gemini übernahm den Prüfstand und die Recherche-Oberfläche. Die Live-Konsole des Prüfstands hörte bisher auf allen Netzwerkschnittstellen; jetzt bindet sie standardmäßig an die lokale Adresse, hat einen /health-Endpunkt und läuft als launchd-Dienst. Der Prüfstand wurde als MCP-Server in der Claude-Konsole registriert. In der Recherche-Oberfläche kam eine JSON-Ausgabe für den Tagesverbrauch hinzu, und der API-Schlüssel wanderte aus der launchd-Konfigurationsdatei in den macOS-Schlüsselbund. Ein Startskript liest ihn zur Laufzeit. Vorher wurde die alte Konfiguration gesichert, danach liefen 357 Tests grün.
Codex übernahm das Verbrauchsarchiv: vier Slash-Commands mit falschem Pfad repariert, den fehlenden Zeitstempel-Index ergänzt, den Statusendpunkt um Version, Datenbankpfad und Aktualität des letzten Imports erweitert, die Abfrage des lokalen Sprachmodells vom Antwortpfad entkoppelt, das Startskript um einen launchd-Modus erweitert, der den Server im Vordergrund startet statt per nohup im Hintergrund. 143 Tests grün. Dann stoppte Codex vor der Live-Migration: Der Datenträger hatte 369 Mebibyte frei, die Datenbank ist 476 Mebibyte groß, ein Backup passte nicht auf die Platte. Erst nachdem Platz freigegeben war — 4,4 Gibibyte —, kamen Backup, Index und Dienststart[2].
Kimi prüfte alles nach, was die anderen gemeldet hatten, und schrieb anschließend die Steuer-CLI aus dem Bauplan: 524 Zeilen Python ohne externe Abhängigkeiten, mit status, doctor, start, stop, restart, logs und einer Konfigurationsprüfung. Die zentrale Konfigurationsdatei, der Vertrag aus dem Bauplan, entstand um 22:39 Uhr.
| Dienst | Vorher | Nachher |
|---|---|---|
| Live-Konsole des Prüfstands | Handstart, hört auf allen Schnittstellen, kein Health | launchd, nur lokal, /health in 5 ms |
| Verbrauchsarchiv | Handstart per Skript und nohup, nur ein Index, Status wartet auf Sprachmodell | launchd im Vordergrund, zweiter Index, Status in 5 ms ohne Warten |
| Recherche-Oberfläche | API-Schlüssel im Klartext in der launchd-Datei | Schlüssel im Schlüsselbund, JSON-Verbrauch in 17 ms |
Um 22:48 Uhr schrieb Codex noch eine Datei: sieben Testfälle gegen die frische Steuer-CLI, als JSON, 103 Wörter. Dazu gleich mehr.
Vier Urteile, ein System
Dann begann die Benotung. Ich gebe sie in der Reihenfolge wieder, in der sie entstanden sind.
Gemini, im Chat: „Gesamturteil: Herausragend (Schulnote 1 / 9,8 von 10 Punkten)“ und „Mit dem globalen Symlink, dem Git-Commit und einem Auge auf den Plattenplatz ist das System produktionsreif.“ Dazu fünf offene Punkte: eine akute Speicherplatzgefahr mit nur noch 797 Megabyte, ein Stopp-Befehl, der bei zwei Diensten wie ein Neustart wirkt, ungleiche Neustart-Regeln zwischen den drei Diensten, ein fehlender Symlink, eine unversionierte Datei.
Kimi, als Datei um 22:35 Uhr: „vollständig umgesetzt und abnahmebereit“, 9 von 10. Der Abzug galt der noch fehlenden Steuer-CLI und der ausstehenden Neustart-Abnahme. Die Steuer-CLI folgte sechs Minuten später.
Kimi, im Chat, auf die Frage „Wie bewertest du die Zusammenarbeit?“: 7,5 von 10. Verifikations-Rigor 6 von 10. Wörtlich: „Zu viele Dinge wurden als ‚geprüft‘ abgehakt, ohne dass sie wirklich hart nachgewiesen wurden.“ Konkret: Der Gesundheitsendpunkt des Verbrauchsarchivs, den ein Bericht beschrieb, liefert 404 — der echte Status liegt unter einem anderen Pfad. Es gab keine gemeinsame Testmatrix. Niemand hatte systematisch die Behauptungen der anderen nachvollzogen. Fehlerfälle wurden kaum getestet. Kimi bewertete damit auch die eigene Abnahme von einer halben Stunde zuvor herab.
Codex, als Datei um 22:50 Uhr: keine Note. „Die Aussage ‚promptctl vollständig getestet und abgenommen‘ ist jedoch zu weitgehend.“ Die drei Dienste laufen, die Prozess-IDs von launchd und Port-Listener stimmen überein, die Konfiguration sieht den Start nach der Anmeldung vor. Aber: „Ein tatsächlicher Abmelde-/Anmelde- oder Neustartversuch wurde weder hier noch laut Kimis Abnahmebericht durchgeführt. Deshalb wird keine bereits bewiesene Reboot-Abnahme behauptet.“
Und die sieben Testfälle von 22:48 Uhr? Sie stehen in keiner der Noten. Die Steuer-CLI meldet „Diagnose: OK“, wenn ein falscher Prozess am Port lauscht und der Gesundheitsendpunkt ungesundes JSON liefert. Sie ruft für einen als entfernt konfigurierten Dienst das lokale launchctl auf — Start, Stopp und Neustart gleichermaßen. Sie stürzt mit einem Typfehler ab, wenn die Host-Liste in der Konfiguration fehlt. Und sie bestätigt einen Start mit „OK“, ohne danach die Gesundheit zu prüfen. Vier echte Fehler in einem Werkzeug, das zwei Gesamturteile als fertig führten.
Die fünf Punkte, nachgeprüft
Geminis Zeugnis war das beste des Abends. Es war auch das einzige mit einer konkreten Mängelliste. Ich habe jede Position gegen das laufende System geprüft.
| Beanstandung | Nachprüfung | Ergebnis |
|---|---|---|
| Datenträger voll, 797 MB frei, dringend | Codex sah um 22:16 Uhr 369 und dann 354 MiB, nach Freigabe 4,4 GiB; meine Messung um 23 Uhr: 7,0 GiB bei 99 % Belegung | Richtig zu ihrer Minute; die Gefahr ist die Richtung, nicht die Zahl |
stop wirkt bei zwei Diensten wie Neustart | Zeile 171 der CLI ruft launchctl stop; zwei Plists haben KeepAlive=true; launchd startet dann neu[1] | Bestätigt; für zwei von drei Diensten ist der Befehl irreführend |
| Neustart-Regeln ungleich | Verbrauchsarchiv und Live-Konsole true, Recherche-Oberfläche false | Bestätigt; ob Absicht oder Zufall, steht nirgends |
| Globaler Symlink fehlt | Kein Eintrag im lokalen Binärverzeichnis | Bestätigt |
| Steuer-CLI unversioniert | Unversioniert im Prüfstand; dazu sechs geänderte Dateien im Verbrauchsarchiv, fünf plus ein Template in der Recherche-Oberfläche. Ein einziger Commit an diesem Abend, für die Live-Konsole | Bestätigt, und untertrieben |
Alle fünf stimmen. Drei Dinge fehlten in der Liste, und sie wiegen schwerer.
Die Neutralität. Im ersten Teil zog Gemini bei Kimis Bauplan 0,2 Punkte ab, unter anderem weil die Steuer-CLI im Ordner des Prüfstands liegen sollte — ein Werkzeug, das die anderen Dienste startet und stoppt, gehört nicht in das System, das neutral bleiben soll. Die Umsetzung legte sie genau dort ab. Im Zeugnis mit der 9,8 kommt der Punkt nicht mehr vor.
Der Gesundheitsvertrag. Der Bauplan verlangte leichte /health-Endpunkte in allen drei Diensten. Einer hat ihn. Das Verbrauchsarchiv antwortet über einen Statusendpunkt mit vier Zählabfragen — nach Index und Entkopplung in 5 Millisekunden, also erträglich, aber kein Lebenszeichen im Sinne des Vertrags. Die Recherche-Oberfläche antwortet über die Verbrauchsroute. Es funktioniert. Es ist nicht das, was beschlossen war.
Die Fehlerfälle. Codex hatte sie um 22:48 Uhr geschrieben. Keine der Noten hat sie gelesen.
Nachspiel: Die Bewertung der Bewertung
Um 22:53 Uhr bewertete Gemini dann Kimis Selbstkritik: „Gold wert“, „schonungslos, präzise“, dazu ein „detaillierter Faktencheck“ mit drei Treffern, einem gelösten Rätsel und zwei Punkten, die Kimi angeblich übersehen habe. Ich habe auch diesen Text nachgeprüft. Er enthält zwei Fehler und eine Verwechslung, und alle drei sind lehrreicher als der Text selbst.
Der angebliche Schwindel. Gemini schreibt, im Abnahmebericht von Codex habe „vollmundig“ gestanden, /health liefere Version, Datenbankpfad und Importfrische, und Codex habe das „ohne curl“ behauptet. Das ist falsch. Beide Codex-Berichte nennen den Statusendpunkt beim richtigen Pfad und weisen HTTP 200 mit allen Feldern nach, samt Antwortzeit. Der 404 auf /health ist real — aber niemand hatte /health für diesen Dienst behauptet. Kimis eigener Bericht von 22:24 Uhr sprach unscharf vom „Health-Endpunkt“, testete aber den richtigen Pfad. Kimis Chat machte daraus „im Bericht stand“, Gemini daraus einen Vorwurf mit Namen. Drei Stationen, jede ein wenig schärfer als die Quelle.
Die wiederverwendete Zahl. Die 797 Megabyte hatte Gemini tatsächlich gemessen — am Anfang seiner Sitzung, kurz nach 22:08 Uhr, das Protokoll zeigt den Befehl und die Ausgabe. Codex stieß zur selben Zeit auf 369 Mebibyte und bat um Platz; ab etwa 22:26 Uhr waren 4,4 Gibibyte frei. Um 22:53 Uhr führte Gemini die 797 Megabyte trotzdem als „Akut!“ und als Punkt, den Kimi übersehen habe. Die Messung war richtig. Ihre Wiederverwendung 45 Minuten später als aktueller Zustand war es nicht.
Das gelöste Rätsel stimmt dagegen: Die Logdatei der Live-Konsole hat nur drei Zeilen, weil der Server Zugriffsprotokolle absichtlich unterdrückt. Die zitierte Zeile existiert, zwei Zeilen tiefer als angegeben. Ein guter Fund, sauber begründet.
Und die Verwechslung: Ich habe diesen Text zunächst für Claudes Bewertung gehalten und erst am Stil und dann am Sitzungsprotokoll erkannt, dass er von Gemini stammt. Die tatsächliche Claude-Prüfung von 22:55 Uhr sagt zu denselben Dingen etwas anderes: „Die Abnahme hält“, sechs offene Punkte, kein Vorwurf an Codex, keine Speicherwarnung — dafür der Hinweis, dass der Wrapper für den Schlüsselbund mit 755 statt 700 auf der Platte liegt und dass die Konsolen-Kommandos doppelt konfiguriert sind. Wer welchen Satz gesagt hat, entscheidet darüber, was man daraus macht. Ich hätte es beinahe falsch zugeordnet.
Was ich mitnehme
Eine Note ohne Prüfmittel ist ein Stimmungsbild. 9,8 nach Lesen der Berichte. 9 nach eigener Abnahme mit Handprotokoll. 7,5 nach der Frage, was man selbst nicht hart nachgewiesen hat. Keine Note nach sieben ausgeführten Fehlerfällen. Das System war in dieser Stunde dasselbe.
Die Selbstkritik war der nützlichste Text. Kimis 7,5 benannte den 404 auf dem Gesundheitsendpunkt und die fehlende Testmatrix — zwei Dinge, die in der 9,8 nicht vorkamen und die ich beide bestätigen konnte. Ein Modell, das die eigene Abnahme eine halbe Stunde später herabstuft, ist mehr wert als eines, das sie verteidigt.
„Produktionsreif“ ohne Neustart ist eine Prognose. Alle drei Konfigurationsdateien sehen den Start nach der Anmeldung vor[1]. Niemand hat den Rechner neu gestartet. Codex war die einzige Konsole, die das ausdrücklich als nicht bewiesen führte.
Eine Zahl braucht einen Zeitstempel. 797 Megabyte, 369 Mebibyte, 4,4 Gibibyte, 7 Gibibyte. Vier Angaben zum selben Datenträger innerhalb einer Stunde, alle korrekt gemessen. Wer eine davon in einen Bericht schreibt, muss die Minute dazuschreiben — sonst liest der nächste Leser einen Zustand, wo eine Momentaufnahme war. Genau das ist um 22:53 Uhr passiert: Die älteste der vier Zahlen wurde als die dringendste vorgetragen.
Der Tester schlägt den Benoter. 103 Wörter JSON mit sieben Fällen haben vier echte Fehler gefunden. Drei Gesamturteile mit zusammen mehreren tausend Wörtern haben keinen davon erwähnt. Wenn eine KI ein Werkzeug prüfen soll, ist die Frage nicht „Wie gut ist es?“, sondern „Schreib zehn Eingaben, bei denen es falsch antworten müsste, und führ sie aus.“
Nebenbei, wieder die Kopfzeile. Codex nannte sich in den Umsetzungsberichten „GPT-6“, im Gutachten „gpt-6-astra“. Kimi blieb bei „k1.6“, während sein Sitzungsprotokoll weiter kimi-k2.7-code verzeichnete. Die Selbstauskunft eines Modells ist auch dann keine Quelle, wenn sie in jeder Datei steht.
Was offen ist
- Neustart-Test des Rechners, mit Protokoll: Laufen alle drei Dienste danach, fragt der Schlüsselbund nach?
stopmuss stoppen: für Dienste mitKeepAliveüberlaunchctl bootoutstattstop, oderKeepAliveso setzen, dass nur Abstürze neu starten[1].- Die vier Fehlerfälle aus Codex’ Testdatei beheben: Prozess-ID-Vergleich als Bedingung, Fernsteuerung nur mit echtem Fernaufruf, Host-Liste prüfen, Start erst nach Gesundheitsprüfung bestätigen. Und die sieben Fälle als automatisierten Test behalten.
- Leichte Gesundheitsendpunkte in den zwei Diensten, die noch keinen haben.
- Logrotation für drei Dienste, die auf einem Datenträger mit 7 Gibibyte Rest schreiben[3].
- Commits in drei Repositories, gezielt je Änderung. Ein Abend Arbeit ohne Versionierung ist ein Abend, den ein Absturz löschen kann.
- Steuer-CLI aus dem Prüfstand heraus, an einen neutralen Ort, wie im Bauplan vorgesehen.
Erst danach kommt die zweite Phase aus dem Bauplan: die Panels im Plugin und die Verbrauchstabelle mit allen vier Tokenarten. Kimis Empfehlung war dieselbe: „Dann erst an die Agentic-OS-Integration gehen.“
Transparenz: Alle Konsolen liefen über selbst bezahlte Abonnements; es besteht keine Geschäftsbeziehung zu Anthropic, Google, OpenAI oder Moonshot AI. Die Umsetzungs- und Prüfberichte liegen als Dateien im Ausgangsordner des Prüfstands; die Zitate aus Geminis Gesamturteil, Geminis Nachbewertung und Kimis Selbstbewertung stammen aus den Chat-Fenstern der Konsolen. Geminis beide Texte wurden gegen das lokale Sitzungsprotokoll der Antigravity-Konsole abgeglichen, Kimis Selbstbewertung liegt nur als weitergeleiteter Chat vor. Die fünf Beanstandungen, die Endpunkt-Antwortzeiten, der Speicherplatz, die launchd-Konfigurationen und der Versionsstand wurden für diesen Artikel am 22. September 2026 gegen 23 Uhr selbst gemessen. Die internen Dateien enthalten lokale Pfade und sind deshalb nicht verlinkt.
Der Artikel wurde mit KI-Unterstützung (Claude) recherchiert und geschrieben. Eine parallel laufende Claude-Sitzung war an der Prüfung der Steuer-CLI beteiligt; deren Bericht wurde wie die anderen behandelt und nicht bevorzugt. Fakten und Quellen wurden geprüft, die redaktionelle Verantwortung liegt bei Marco Fuhrmann.
Angaben ohne Gewähr. Versionsstände und Verhalten der genannten Werkzeuge können sich ändern.
Quellenverzeichnis
- [1] Apple Developer, Creating Launch Daemons and Agents — abgerufen 22.09.2026 (Launch Agents unter
~/Library/LaunchAgentsstarten nach der Benutzeranmeldung;RunAtLoadstartet beim Laden;KeepAlivemittruestartet den Prozess nach jedem Ende neu, mitSuccessfulExit=falsenur nach Fehlern). - [2] SQLite, Online Backup API — abgerufen 22.09.2026 (konsistente Sicherung einer laufenden Datenbank; das Ziel benötigt Platz für die vollständige Datenbank).
- [3] Eigene Messung mit
dfunddiskutilam 22.09.2026 gegen 23 Uhr: 7,0 GiB verfügbar bei 99 % Belegung der Datenpartition. Die Werte 797 MB, 369 MiB und 4,4 GiB stammen aus den Berichten der Konsolen desselben Abends und wurden nicht erneut gemessen, weil sich der Zustand inzwischen geändert hatte.