Codex-Arbeitscache und grünes Denken

Veröffentlicht am 23. Juli 2026 · zuletzt aktualisiert am 7. September 2026 / in Digitale Archive

Kurz gesagt

Codex soll bei einer neuen Aufgabe nicht erneut dieselben Routen, Regeln, Entscheidungen und unveränderten Seiten analysieren. Deshalb liegt in meiner eigenen Infrastruktur ein dokumentiertes Arbeitsgedächtnis.

Der Cache ersetzt weder Git noch Backup. Er hält fest, was bereits bekannt und anhand von Dateimerkmalen weiterhin gültig ist.

Wo der Cache liegt

\\nas1\web\_codex

Er liegt außerhalb der veröffentlichten Website. public_html enthält nur auslieferbare Dateien; die WDB bleibt die redaktionelle Quelle.

Was er enthält

So wird ein Ergebnis wiederverwendet

Stimmen Änderungszeit, Dateigröße und SHA-256-Prüfsumme weiterhin überein, kann ein vorhandenes Prüfergebnis verwendet werden. Hat sich eine Datei oder eine relevante Abhängigkeit geändert, wird nur der betroffene Bereich neu geprüft.

Eine Änderung an einem Fachartikel betrifft zunächst diesen Artikel. Eine Änderung an einer globalen Vorlage oder CSS-Datei kann dagegen viele Routen ungültig machen. Der Cache muss deshalb Abhängigkeiten berücksichtigen und darf nicht nur nach irgendeiner Dateiänderung fragen.

Gemessener Nutzen

Der erste Versuch mit drei Dateien ergab: erster Lauf drei Prüfungen, zweiter unveränderter Lauf drei Cachetreffer, nach einer Einzeländerung genau eine neue Prüfung.

Eine spätere lokale Messreihe mit 34 dokumentierten Routen ergab:

Das sind Werte dieses Projekts und keine allgemeine Leistungs- oder Energiezusage. Der praktische Gewinn ist weniger Wiederholungsarbeit und mehr Zeit für die neue fachliche Aufgabe.

Was nicht hineingehört

• Kennwörter, Tokens oder private Schlüssel,
• produktive Dokumente oder vollständige Datenbankexporte,
• unbereinigte Konfigurationen mit Geheimnissen,
• beliebige Kopien ganzer Serververzeichnisse,
• Daten ohne nachvollziehbaren Bezug zur Aufgabe.

Grenzen

Ein Cache kann veralten oder eine Abhängigkeit übersehen. Deshalb werden Dateimerkmale vor der Wiederverwendung geprüft, Unklarheiten neu untersucht und nach Änderungen weiterhin die erforderliche Abschlussprüfung ausgeführt. Der Cache wird erst nach erfolgreicher Prüfung aktualisiert.

Betriebsmodell

Aufgabe eingrenzen
→ bekannten Projektstand lesen
→ Änderungen feststellen
→ nur betroffene Inhalte neu analysieren
→ Ergebnis vollständig prüfen
→ bestätigten Stand aktualisieren

Beim Paperless-ngx-Upgrade bewahrte ein eigener Cachebereich Bestandsaufnahmen, Diagnosen und Prüfnachweise über mehrere Arbeitsschritte hinweg. Die technische Durchführung steht im Praxisbericht zum Paperless-ngx-3-Upgrade.

AGENTS.md: weniger Kontext und weniger Umwege

Der Arbeitscache vermeidet wiederholte Prüfungen. Ein zweiter Hebel setzt früher an: Welche Informationen und Regeln bekommt Codex überhaupt für einen Auftrag?

AGENTS.md ist eine Kontextdatei mit Anweisungen für Coding-Agenten, also KI-Werkzeuge, die Code lesen, ändern und prüfen können. Darin stehen beispielsweise Arbeitsregeln, ungewöhnliche Build- und Testverfahren oder wichtige Einschränkungen. Codex berücksichtigt die für den Arbeitsbereich geltenden Anweisungen entlang der Verzeichnishierarchie; nicht automatisch jede gleichnamige Datei im gesamten Bestand. Das beschreibt die offizielle OpenAI-Dokumentation zu AGENTS.md.

Auch kurze Regeln können viel Arbeit auslösen

Kontext besteht aus Token, den vom Modell verarbeiteten Textbausteinen. Eine Kontextdatei beansprucht damit Verarbeitungskapazität. Ihre Wirkung geht aber über die Textmenge hinaus: Vorgaben können zusätzliche Dateizugriffe, Repository-Suchen, Tests, Werkzeugaufrufe und längere Verarbeitungsschritte auslösen.

Die kurze Anweisung „Prüfe grundsätzlich das gesamte Repository und führe anschließend alle Tests aus“ kann mehr Aufwand verursachen als eine längere, präzise Dokumentation. Entscheidend ist deshalb auch, welche Arbeit eine Regel auslöst.

Was die Untersuchung zeigt

Dr. Fabian Deitelhoff behandelt dies im Heise-/iX-Beitrag „AGENTS.md: Hilfreiches Agentenbriefing oder Tokenfresser?“ vom 6. April 2026. Grundlage ist die Untersuchung „Evaluating AGENTS.md“ von ETH Zürich und LogicStar.

In der dort beschriebenen Versuchsfassung mit unter anderem Codex, Claude Code und Qwen Code stiegen die Inferenzkosten – die Kosten der Modellverarbeitung – mit automatisch erzeugten Kontextdateien im Mittel um 20 Prozent auf SWE-bench Lite und 23 Prozent auf AGENTbench. Die Erfolgsquoten verbesserten sich nicht generell und sanken in mehreren Konstellationen. Die Zahlen gelten für diese Benchmarks, nicht pauschal für jede Codex-Nutzung.

Die Agenten suchten und testeten mehr; auch längere Reasoning-Prozesse spielten eine Rolle. Menschlich gepflegte Dateien waren teilweise hilfreicher, verursachten aber ebenfalls zusätzliche Schritte und Kosten. Redundante Dokumentation erwies sich als problematisch. Fehlte sonstige Dokumentation, konnten Kontextdateien dagegen nützliches Wissen liefern. Diese Ergebnisse sind in der verlinkten Originalfassung, insbesondere Abschnitt 4 und Tabelle 2, nachvollziehbar.

Meine Erfahrung mit 15 AGENTS.md-Dateien

In meinem Codex-Umfeld waren im Laufe der Arbeit insgesamt 15 AGENTS.md-Dateien entstanden. Unterschiedliche Teilbereiche sollten präzise Regeln erhalten; wiederkehrende Hinweise wollte ich nicht bei jedem Auftrag neu formulieren.

Die Aufteilung wurde genauer, aber nicht automatisch effizienter. Über die Hierarchie sammelten sich Regeln an, die je nach Arbeitsbereich gemeinsam relevant wurden. Dabei konnten sich Vorgaben wiederholen, überschneiden, unterschiedlich formuliert sein oder unnötige Prüfungen auslösen. Nicht jede Datei war falsch; die Granularität ließ sich jedoch zu weit treiben.

Eine exakte Tokenersparnis habe ich dabei nicht gemessen. Die 20–23 Prozent aus der Untersuchung sind keine Messwerte meiner 15 Dateien. Meine Erfahrung war der Anlass, dauerhafte Regeln, konkrete Aufträge und nur bei Bedarf benötigtes Fachwissen deutlicher zu trennen.

Routing statt einer zweiten Projektdokumentation

Meine Praxisregel lautet: AGENTS.md ist eine schlanke Betriebsanleitung für den Agenten. Hinein gehören vor allem Vorgaben, die regelmäßig gebraucht werden, für korrektes Arbeiten wichtig sind und sich nicht zuverlässig aus dem Projekt ableiten lassen: verbindliche Grenzen, ungewöhnliche Prüfverfahren, maßgebliche Quellen und leicht missverstandene Projektentscheidungen.

Vollständige Verzeichnisbäume, README-Kopien, lange Architekturtexte, komplette Fach-Governance und bereits dokumentierte Styleguides bleiben in ihren Quelldateien. Informationen für einen einzelnen Auftrag gehören in diesen Auftrag.

Ein Verweis kann die vollständige Kopie einer Fachregel ersetzen:

Paperless-Inhalte:

Bei Änderungen an Paperless-Inhalten ist die aktuelle
Paperless-ngx-Governance die fachlich verbindliche Quelle.
Nur die für den konkreten Auftrag benötigten Abschnitte lesen.

So wird AGENTS.md zum Wegweiser. Als eigene, aus diesen Erfahrungen und der Untersuchung abgeleitete Arbeitsregel nutze ich:

- Nur auftragsrelevante Dateien lesen.
- Keine vollständige Repository-Analyse ohne konkreten Anlass.
- Keine vorsorglichen Full-Builds.
- Tests proportional zur Änderung durchführen.
- Bereits vorhandene Informationen nicht erneut ermitteln.
- Fachquellen nur bei tatsächlichem Bedarf laden.

Diese Formulierungen sind meine praktische Ableitung, kein Zitat aus Heise. Erforderliche Schutz- und Abschlussprüfungen bleiben verbindlich.

Arbeitscache, Prompt Caching und Kontextdisziplin

Der hier beschriebene lokale Arbeitscache bewahrt geprüfte Ergebnisse zwischen Aufgaben. Prompt Caching ist dagegen eine Funktion des KI-Anbieters: Bereits verarbeitete, übereinstimmende Prompt-Anfänge können wiederverwendet werden. Unter den jeweiligen technischen und tariflichen Bedingungen kann das Eingabekosten und Antwortzeit verringern. Eine lokale Cachedatei schaltet diese Funktion nicht ein; siehe OpenAI: Prompt Caching.

Eine schlanke AGENTS.md löst wiederum eine andere Aufgabe: Sie begrenzt unnötigen Kontext und unnötige Agentenaktionen. Meine angestrebte Aufteilung ist deshalb:

Erst unnötigen dauerhaften Kontext vermeiden, dann auftragsbezogenes Wissen gezielt laden und verbleibenden Kontext effizient wiederverwenden. Gleichzeitig müssen Regeln unnötige Arbeitsschritte verhindern. Meine allgemeine Werkzeugaufteilung beschreibe ich im Artikel KI in der IT-Praxis.

Prompt Caching allein löst das Problem nicht. Notwendiger Kontext lässt sich unter passenden Bedingungen günstiger verarbeiten. Eine schlanke AGENTS.md hilft, unnötigen Kontext und unnötige Arbeit von Anfang an zu vermeiden. Beides kann den Ressourcenbedarf senken; eine feste Einsparung lässt sich daraus nicht versprechen.

Ergebnis

Der Arbeitscache ist das dokumentierte Gedächtnis zwischen Aufgaben. Bekanntes wird nach Gültigkeitsprüfung wiederverwendet; Rechen- und Arbeitszeit fließen in tatsächlich neue Fragen. Für mich ist das grünes Denken ohne unbelegte CO₂-Versprechen.

Quellen zur Ergänzung

• Dr. Fabian Deitelhoff: AGENTS.md: Hilfreiches Agentenbriefing oder Tokenfresser?, heise online / iX, 6. April 2026.
• Thibaud Gloaguen, Niels Mündler, Mark Niklas Müller, Veselin Raychev und Martin Vechev: Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents?, hier die Versuchsfassung v1 vom Februar 2026, Abschnitt 4 und Tabelle 2.
• OpenAI: Custom instructions with AGENTS.md und Prompt Caching, geprüft am 7. September 2026.