24/7 AI Coding Agent aufsetzen

Kurz gesagt: Wer 2026 einen AI Coding Agent will, der nachts Issues annimmt, Code ändert und PRs öffnet, verwechselt oft den ersten Schritt — Cursor installieren oder eine API kaufen reicht nicht. Ein langlebiger autonomous coding agent braucht dauerhafte Ausführungsebene, Task-Scheduling und objektive Verifikation. Im Folgenden: ein direkt umsetzbarer Guide entlang Architekturschichten, Deployment-Topologie, minimalem Stack und Produktions-Härtung.

1. Was ist ein 24/7 AI Coding Agent?

Anders als Copilot oder Cursor Tab in der IDE löst ein 24/7 AI Coding Agent eine andere Frage: Wer darf in Ihrer Abwesenheit in einer echten Umgebung Repos ändern, Befehle ausführen und Verifikationssignale erhalten?

Ein funktionierendes Deployment hat typischerweise vier Fähigkeiten — fehlt eine, ist es kein „24/7 autonomous coding agent“:

• Dauerhafte Ausführungsumgebung (L0) — macOS- oder Linux-Knoten ohne Strom-/Netzausfall, git, npm, xcodebuild.
• Coding-Agent-Prozess (L3/L5) — Pairing-Schicht (Claude Code) oder autonome Schicht (OpenHands) liest Kontext und schreibt Diffs.
• Task-Eingänge und Queue — GitHub-Issue-Label, Webhook, Cron, Slack-Befehl füttern den Agent mit Arbeit.
• Objektive Verifikation (L1) — GitHub Runner oder lokale Tests liefern Facts, denen die Organisation vertraut — nicht nur „fertig“ vom Agent.

Kurz: Der Knoten ist Fundament und Versorgung; der Agent ist der Arbeiter; der Runner ist die Qualitätskontrolle. Viele Teams kaufen nur eine Modell-API und starten ein Skript auf dem MacBook — Zuklappen, Sleep, Speicherkampf und wechselnde Ausgangs-IP killen den Job um drei Uhr morgens.

2. Ein Diagramm: vom Task-Eingang bis zum mergebaren PR

Die Kausalkette unten fasst eine typische autonomous coding agent-Pipeline zusammen. Links die Hauptkette, rechts Erfolg vs. typische Fehler.

3. Fünf Schichten im Detail

Wie bei AI Agent Infrastruktur-Schichten müssen Sie nicht alles auf einmal kaufen — aber Sie sollten wissen, was fehlt, wenn eine Schicht wegfällt:

Claude Code liefert Diff, Runner liefert Fact, OpenHands liefert Workflow — Merksatz für die Rollenverteilung. Nur nächtliches Lint-Cleanup? Oft reichen L0 + L5 + L1. Tagsüber Architektur-Pairing? L3 dazu — Speicher-Scheduling bei Co-Location beachten (paralleles Memory-Scheduling).

4. Deployment-Topologie: lokaler Mac mini vs. Cloud Mac

Der Ausführungsknoten kann physisch, VM oder Cloud-Miete sein — entscheidend ist die Online-SLA, nicht die Marke:

Reine Backend-Repos (Go / Node / Python) können theoretisch auf Linux laufen — sobald xcodebuild, swift test oder Apple-Signing im Workflow sind, muss die Ausführungsebene macOS sein. Deshalb steht in 2026-Guides Mac als Default — ABI-Grenze, nicht Nostalgie.

5. Minimaler Stack (MVP): eine Nacht-Aufgabe durchziehen

Tag eins braucht kein Kubernetes plus Vektordatenbank. Schnellste Kombination für „Issue → PR → CI grün“:

• Knoten: M4 Mac mini 16GB oder gleichwertiger Cloud Mac; mit OpenHands + Runner 24GB empfohlen.
• Agent: OpenHands (autonom) oder Claude Code + einfaches Shell-Wrapper (halbautomatisch).
• Modell: Claude / GPT API; lokales Ollama optional, nicht 24/7-Pflicht.
• Eingang: Issue-Label agent triggert GitHub Webhook.
• Verifikation: Self-hosted Runner auf gleicher Maschine, runs-on: [self-hosted, macOS].
• Kontext: GitHub MCP read-only + AGENTS.md mit Rote-Linien im Repo.

6. 7-Schritte-Deployment-Checkliste

In dieser Reihenfolge — jeder Schritt einzeln abnehmbar. So vermeiden Sie „alles installiert, Runner nie registriert“.

Schritt 1 — L0-Knoten. SSH, Zeitsync, Disk ≥ 256GB (Xcode + mehrere Workspaces fressen Platz). Cloud-Mac-Nutzer: Instanz-Init und statische IP zuerst.

Schritt 2 — eingeschränkte Git-Identität. Eigene GitHub App oder Deploy Key für den Agent: nur Feature-Branches schreiben, kein main-Write. Prod-Secrets und npm-Token nicht in Agent-Env.

Schritt 3 — Coding-Agent installieren. OpenHands-Beispiel (Docker oder nativ laut Doku):

# Auf L0-Knoten: OpenHands klonen, LLM API Key laut Doku
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
# .env: MODEL, GITHUB_TOKEN (Issue read-only), WORKSPACE_BASE
make run

Schritt 4 — MCP (optional, empfohlen). Große Repos: CodeGraph MCP, damit der Agent Abhängigkeiten „sieht“, bevor er editiert.

Schritt 5 — GitHub Runner. Auf gleicher Maschine wie Agent, Label z. B. macos-agent. Workflow-Snippet:

# .github/workflows/agent-verify.yml
name: Agent PR Verify
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  verify:
    runs-on: [self-hosted, macOS, agent]
    steps:
      - uses: actions/checkout@v4
      - run: swift test   # oder npm test / go test

Schritt 6 — Task-Eingänge. GitHub Webhook auf leichten HTTP-Service auf dem Server oder OpenHands-Integration; Label agent-ready filtert, damit nicht jeder Kommentar triggert.

Schritt 7 — Monitoring und Circuit Breaker. Token-Verbrauch, Dauer, geänderte Dateien pro Task loggen; Timeout z. B. 90 Min. → kill; Concurrency erst 1, später 2.

7. Produktions-Härtung: Agent darf main nachts nicht zerlegen

Das größte Risiko beim autonomous coding agent ist nicht „dummes Modell“, sondern zu viele Rechte ohne Review. Vor Go-Live mindestens:

8. Kosten und Spezifikationen schätzen

Die Rechnung für einen 24/7 AI Coding Agent hat typischerweise drei Posten:

• Rechenknoten: Mac mini einmalig + Strom; Cloud Mac Tages-/Wochen-Abo (Miete vs. Kauf).
• Modell-API: Autonomous Agent mit vielen Loops — oft 5–20× Token vs. Pair-Coding; Budget pro Task setzen.
• Betrieb: Anfangs ein paar Stunden pro Woche Logs, Prompts, stuck Tasks — nicht „installieren und vergessen“.

Spez-Erfahrung: Nur OpenHands + mittleres Repo — 16GB geht, Swap-Risiko; Agent + Runner + optional Ollama auf einer Maschine — 24GB entspannter (16GB vs. 24GB).

9. Typische Fehler

• Pair-Tool als autonomous agent — Claude Code stoppt, wenn die Session endet, ohne Scheduling-Wrapper kein 24/7.
• Keine Fact-Schicht — Agent behauptet Tests grün, Runner nie gelaufen (warum self-hosted Runner lohnt).
• Zu viel Parallelität — zwei autonomous Tasks auf 16GB → Swap.
• Kontext nackt — Millionen-Zeilen-Monorepo ohne CodeGraph = blindes Refactoring.
• Zeitzone und Alerts ignorieren — morgens halbfertige PRs ohne Nacht-Alarm.

10. Häufige Fragen

F: Zählt Cursor Background Agent als 24/7 AI Coding Agent?
A: Cursor hostet die Ausführungsebene — Ihr Rechner muss nicht 24/7 laufen. Repo-Rechte, CI und Compliance konfigurieren Sie trotzdem. Self-Hosted heißt: Daten und Ausführung auf Ihrem kontrollierten Knoten.

F: GitHub Copilot Workspace / OpenAI Codex?
A: Als L3/L5 Modell- und UI-Schicht ja; Deployment bleibt Ausführung + Scheduling + Verifikation. Nach Codex-ChatGPT-Merge eher Pairing — Unbeaufsichtigt braucht Workflow-Wrapper (Codex-Merge erklärt).

F: Reicht Docker OpenHands auf Linux?
A: Für reines Web/Backend ja; jeder Apple-Toolchain-Schritt braucht macOS. Üblich: Linux schedult, macOS Cloud Mac baut und Agent.

F: Solo-Betrieb — brauche ich 24/7?
A: Nur tagsüber Pair-Coding? Nein. 24/7 lohnt bei Issue-Stau, Zeitzonen-Teams oder Tech-Debt nachts abarbeiten.

F: Vergleich mit Devin / Factory?
A: Kommerzielle Produkte bündeln Agent, Ausführung und UI. Self-Hosted für Audit, Rechte, Alignment mit Runner/MCP. Viele Teams: kommerziell erkunden, self-hosted für Serienaufgaben.