Gentle-AI: ein Konfigurator für Agenten-Runtimes, die bereits installiert sind
Gentle-AI configures the AI coding agents you already use: Claude Code, Cursor, OpenCode, Codex, Pi, and more. Choose persistent memory, Spec-Driven Development, curated skills, MCP servers, personas, and optional bounded review. Open source, no agent lock-in.
Auf einen Blick
- Was ist das?
- Gentle-AI verteilt Komponenten wie Engram, Skills, SDD und MCP-Server auf vorhandene Coding-Agenten. Der Ansatz löst ein echtes Problem, bringt aber eine harte Grenze mit: Ohne erkannten Agenten passiert nichts.
- Für wen ist es gedacht?
- Wer Claude Code, Cursor, Codex oder OpenCode schon täglich nutzt und vor allem persistentes Gedächtnis sowie konsistentes Verhalten über mehrere Runtimes hinweg braucht, findet hier einen sinnvollen Aufsatzpunkt. Wer noch keinen Agenten installiert hat, ist falsch adressiert: Das Projekt installiert bewusst keinen.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Das Repository hat innerhalb des letzten Tages neue Commits erhalten.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Go, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Das Problem: Agenten, die bei jeder Sitzung bei null anfangen
Wer Claude Code, OpenCode, Cursor oder Codex installiert hat, kennt den Zustand, den das README beschreibt: Der Agent schreibt Code, vergisst aber zwischen Sitzungen alles, hat keine Meinung zur Struktur des Projekts und liefert keine Prüfmöglichkeit jenseits des zeilenweisen Nachlesens. Das ist keine Modellschwäche, sondern eine Konfigurationslücke. Der Runtime fehlen Gedächtnis, Planungsregeln, projektspezifische Konventionen und ein nachvollziehbarer Prüfschritt.
Gentle-AI setzt genau dort an und nennt sich selbst einen Ecosystem Configurator. Die Zielgruppe ist eng umrissen: Entwickler, die bereits täglich mit einem Agenten arbeiten und ihn nicht mehr bei null starten lassen wollen. Dazu Teams, die über verschiedene Agenten-Runtimes und Rechner hinweg gleichartiges Verhalten brauchen. Und schließlich alle, die prüfen wollen, was ein Agent getan hat, statt seiner Zusammenfassung zu vertrauen. Wer noch keinen Agenten installiert hat, gehört nicht dazu. Das README ist an dieser Stelle ausdrücklich: Gentle-AI installiert niemals einen Agenten selbst, sondern konfiguriert ausschließlich vorhandene Runtimes.
Komponenten statt Monolith: was ausgewählt und was verteilt wird
Das Modell ist modular. Nach Angaben des README wählt man einzelne Komponenten oder greift zu einem Preset, das mehrere bündelt. Engram und Skills sind als empfohlen markiert, alles andere optional.
Engram liefert persistentes Gedächtnis über Sitzungen hinweg. Entscheidungen, Fehlerbehebungen und Kontext überleben einen Neustart. Skills sind eine kuratierte Bibliothek von Coding-Fähigkeiten, die der Agent lädt, wenn die Aufgabe passt. Die Persona ist eine lehrorientierte Stimme, wahlweise Gentleman oder neutral, oder eine eigene. SDD steht für Spec-Driven Development und ist ein Planungsworkflow für umfangreiche Features. Context7 ist ein MCP-Server, der lebende Framework- und Bibliotheksdokumentation abruft. Permissions setzen Sicherheitsleitplanken, einschließlich einer Deny-Liste für ~/.ssh, .env und Credential-Dateien. GGA, der Gentleman Guardian Angel, ist ein Umschalter für AI-Provider. Und Themes für Claude Code und OpenCode runden das Paket ab.
Die Aufteilung in einzeln wählbare Komponenten ist der eigentliche Designentscheid. Wer nur das Gedächtnisproblem lösen will, muss weder SDD noch Persona noch Provider-Switcher mitnehmen. Das README benennt in der Komponententabelle für jede Position, ob sie empfohlen oder optional ist, was die Auswahlentscheidung zumindest vorstrukturiert.
Wie der Agent entscheidet, wie er arbeitet
Das README enthält einen eigenen Abschnitt mit dem Titel How your agent decides how to work. Der Mechanismus, den die Materialbasis sichtbar macht, ist eine Kombination aus geladenen Komponenten und einer Arbeitsstil-Auswahl: Laut Beschreibung wählt der Agent einen Arbeitsstil, der zur Größe der Aufgabe passt. Skills werden geladen, wenn die Aufgabe zum jeweiligen Skill passt. Das ist eine bedingte Aktivierung, kein statisches Regelwerk, das bei jeder Anfrage komplett greift.
SDD schaltet sich für substanzielle Features ein, nicht für jede Kleinigkeit. RDD, die Receipt-Driven Development, ist ein optionaler evidenzbasierter Review-Schritt. Die genaue Auswahllogik, also welche Schwellenwerte darüber entscheiden, ob eine Aufgabe als substanziell gilt und SDD auslöst, lässt sich aus dem vorliegenden Material nicht rekonstruieren. Das README beschreibt das Verhalten auf einer Ebene, die für die Adoptionsentscheidung reicht, aber nicht für eine Bewertung der Vorhersagbarkeit. Wer wissen will, wann genau welcher Skill geladen wird, muss die Dokumentation oder den Quellcode im Go-Repository heranziehen.
Installation: zwei Befehle, ein Prüfschritt
Der Einstieg ist knapp gehalten. Das README zeigt in der Quick-Start-Sektion zwei Befehle. Zuerst der interaktive Aufruf, bei dem Agenten, Komponenten und Persona ausgewählt werden:
gentle-ai
Danach die Verifikation:
gentle-ai doctor
Das README verweist für Voraussetzungen und den plattformspezifischen Binärbefehl auf den Abschnitt Install. Genau dort liegt der Knackpunkt: Der Quick Start setzt voraus, dass die Binärdatei bereits vorhanden ist. Die Materialbasis nennt Go 1.25.10 oder neuer als Anforderung, was nahelegt, dass der Bezug über die Go-Toolchain erfolgt. Der konkrete Installationsbefehl ist im vorliegenden Auszug nicht enthalten, ebenso wenig die Namen der Konfigurationsschlüssel, die der Konfigurator schreibt. Wer das Projekt evaluiert, sollte diesen Abschnitt zuerst vollständig lesen, bevor er den interaktiven Lauf startet.
Bemerkenswert ist das Verhalten bei nicht erkennbaren Agenten. Laut README verweigert das Werkzeug die Konfiguration und gibt exakt den Befehl aus, den man selbst ausführen müsste. Es installiert nichts still im Hintergrund. Diese Verweigerung ist eine bewusste Produkteigenschaft, kein Fehler.
Die harte Grenze: kein Agent, kein Gentle-AI
Die wichtigste Einschränkung steht im README in einem hervorgehobenen Hinweis: Gentle-AI installiert niemals einen AI-Agenten. Es konfiguriert ausschließlich Runtimes, die bereits vorhanden sind. Wer das Werkzeug als Einstieg in die Agentennutzung missversteht, wird beim ersten Lauf abgewiesen.
Das ist konsequent, aber es verschiebt die Einstiegshürde an eine Stelle, die das Projekt nicht kontrolliert. Man braucht zuerst einen Agenten, dann Go in einer passenden Version, dann Gentle-AI. Drei Abhängigkeiten, von denen nur eine im Projekt liegt.
Ein zweiter Punkt betrifft die Reichweite. Das README nennt Claude Code, Cursor, OpenCode, Codex und Pi als Beispiele, dazu ein mehr. Die Liste ist offen formuliert, und die Komponententabelle zeigt, dass nicht jede Komponente für jede Runtime gilt: Themes werden explizit für Claude Code und OpenCode genannt. Wer eine andere Runtime nutzt, sollte vor der Auswahl prüfen, welche Komponenten dort tatsächlich greifen. Das Material gibt dazu keine vollständige Matrix her.
Was der Verzicht auf Agenten-Bindung praktisch bedeutet
Das README wirbt mit no agent lock-in. Der Unterschied zu einem Werkzeug, das einen bestimmten Agenten voraussetzt, ist struktureller Natur: Gentle-AI schreibt Konfiguration in die Runtime, die man ohnehin gewählt hat, statt eine eigene Runtime mitzubringen. Der Wechsel des Agenten bedeutet damit nicht, das Gedächtnis oder die Skill-Bibliothek aufzugeben.
Ein Vergleich mit einem reinen MCP-Server-Anbieter macht die Abgrenzung deutlicher. Ein MCP-Server liefert dem Agenten Werkzeuge, etwa den Zugriff auf aktuelle Framework-Dokumentation wie Context7. Er kümmert sich nicht um Gedächtnis, nicht um Planungsworkflow und nicht um Sicherheitsleitplanken. Gentle-AI bündelt diese Schichten und setzt sie über eine Auswahloberfläche zusammen. Umgekehrt gilt: Wer bereits eine eigene Konfigurationsverwaltung für seine Agenten betreibt, etwa versionierte Regeldateien im Repository, für den ist der Mehrwert vor allem Engram und die Skill-Bibliothek, nicht die Verteilung selbst. Die Permissions-Komponente mit ihrer Deny-Liste für ~/.ssh, .env und Credential-Dateien ist wiederum ein Punkt, der sich auch unabhängig von den übrigen Komponenten begründen lässt.
Pflege, Release-Takt und Lizenz
Die Release-Historie im Material zeigt ein dichtes Tempo: v2.6.0 mit dem Untertitel The Runtime Asks First am 4. September 2026, v2.7.0-rc.1 am 8. September, v2.7.0 am selben Tag. Der letzte Push liegt bei 2026-09-09. Das Muster Release Candidate vor finaler Version deutet auf einen strukturierten Freigabeprozess hin. Für Nutzer heißt das: Es gibt regelmäßig neue Versionen, und ein Upgrade-Pfad ist relevant. Das README enthält einen eigenen Abschnitt Keeping it up to date, was die Frage adressiert, aber die konkreten Upgrade-Befehle liegen außerhalb des vorliegenden Auszugs.
Die Lizenz ist MIT. Das ist permissiv und erlaubt kommerzielle Nutzung, Modifikation und Weitergabe, sofern Lizenz- und Urheberrechtshinweis erhalten bleiben. Wer die Konfiguration in ein internes Standard-Image einbaut, sollte diesen Hinweis mitführen. Das ist keine Rechtsberatung, sondern nur die Einordnung dessen, was die Lizenzkennung im Repository angibt.
Ein Kostenfaktor, der leicht übersehen wird: Engram hält Kontext über Sitzungen hinweg, und Context7 ruft Dokumentation ab. Beides bedeutet zusätzlichen Kontext, der an das Modell geht. Ob und wie stark das die Token-Kosten pro Anfrage erhöht, lässt sich aus dem Material nicht ableiten. Wer ein knappes Budget hat, sollte das vor der Aktivierung beider Komponenten prüfen.
Für wen sich der Aufsatz lohnt und was zuerst zu prüfen ist
Der Fall, für den Gentle-AI gebaut ist, ist eng und klar: Man nutzt bereits einen Agenten täglich, das Vergessen zwischen Sitzungen kostet Zeit, und man will nicht die Konfiguration für jede Runtime separat pflegen. In dieser Situation ist der Konfigurator ein sinnvoller Aufsatz, weil er die Komponentenauswahl an einer Stelle bündelt und mit gentle-ai doctor einen Prüfschritt mitliefert.
Nicht geeignet ist das Werkzeug für alle, die noch keinen Agenten installiert haben. Das ist keine Einschränkung, die man umgehen kann, sondern eine Designentscheidung mit Verweigerungsverhalten. Ebenfalls wenig sinnvoll ist der Einsatz, wenn man nur einen einzigen Agenten nutzt und dessen Regeldateien bereits versioniert im Repository liegen. Dann bleibt als Mehrwert im Wesentlichen Engram.
Vor der Adoption sollte man drei Dinge konkret nachsehen. Erstens den Install-Abschnitt des README, weil die Quick Start den Binärbezug voraussetzt und die Materialbasis den Befehl nicht enthält. Zweitens den Abschnitt Receipt-Driven Development, weil RDD als optionaler evidenzbasierter Review-Schritt beschrieben wird, aber ohne Details im vorliegenden Auszug bleibt. Drittens die Frage, welche Komponenten die eigene Runtime tatsächlich unterstützt, da die Themes laut README nur für Claude Code und OpenCode gelten. Wer diese drei Punkte geklärt hat, kann die Komponentenauswahl mit einer belastbaren Erwartung treffen statt mit einer Vermutung.
Redaktionelles Fazit
Wer Claude Code, Cursor, Codex oder OpenCode schon täglich nutzt und vor allem persistentes Gedächtnis sowie konsistentes Verhalten über mehrere Runtimes hinweg braucht, findet hier einen sinnvollen Aufsatzpunkt. Wer noch keinen Agenten installiert hat, ist falsch adressiert: Das Projekt installiert bewusst keinen. Wer keinen Go-Toolchain auf dem Rechner hat, muss diesen Schritt zuerst erledigen. Und wer den Nutzen von Engram, SDD oder RDD beurteilen will, sollte zuerst den Abschnitt Receipt-Driven Development in der Dokumentation lesen, bevor er die Komponenten auswählt.
Community-Notizen