3. November 2026Aktualisiert am Fathy Shalaby17 Min. Lesezeit
PRD-Vorlage für KI-Coding-Agenten (Claude Code, Cursor, Copilot)
Eine PRD-Vorlage für KI-Coding-Agenten zum Kopieren und Einfügen: wo sie neben CLAUDE.md, AGENTS.md und Cursor-Regeln steht und wie du Abnahmeprüfungen schreibst, die ein Agent ausführen kann.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Eine PRD-Vorlage für KI-Coding-Agenten ist ein kurzes, aufgabenbezogenes Briefing. Es sagt Claude Code, Cursor oder GitHub Copilot, wer das Problem hat, was sich ändern soll, was nicht zum Umfang gehört und welche Prüfungen belegen, dass die Arbeit fertig ist. Stabile Projektregeln gehören in CLAUDE.md, AGENTS.md oder Cursor-Regeln. Die Feature-Entscheidung gehört ins PRD. Die folgende Vorlage passt auf ein bis zwei Seiten.
Das Wichtigste in Kürze
Agenten sind schnell und oft ein bisschen falsch. In der Stack-Overflow-Umfrage 2025 nannten 66 % der Entwickler:innen KI-Lösungen, die „fast richtig, aber nicht ganz“ sind, als eine der größten Frustrationen, und 86,9 % sorgten sich um die Genauigkeit von KI-Agenten (Stack Overflow, 2025).
Die Anbieter sind sich einig, dass Projektanweisungsdateien kurz und allgemein sein sollten: Anthropic peilt unter 200 Zeilen pro CLAUDE.md an, Cursor empfiehlt Regeln unter 500 Zeilen, und GitHubs eigener Onboarding-Prompt begrenzt Copilot-Anweisungen auf 2 Seiten und schließt aufgabenspezifische Inhalte aus.
Die Feature-Entscheidung braucht also ein eigenes Zuhause: ein PRD pro Aufgabe, verlinkt aus dem Issue oder Pull Request.
Den größten Einfluss auf das Ergebnis des Agenten haben die Abnahmeprüfungen. Ein Agent mit einer Pass/Fail-Prüfung kann seine Arbeit selbst testen und korrigieren; ein Agent ohne sie hört auf, sobald die Arbeit nur fertig aussieht.
Vage Anforderungen waren schon vor der KI teuer. Das PMI fand heraus, dass schlechtes Anforderungsmanagement hinter 47 % der Projekte steckte, die ihre Ziele verfehlten (PMI, 2014).
Was ist eine PRD-Vorlage für KI-Coding-Agenten?
Ein Product Requirements Document (PRD) für einen Coding-Agenten beantwortet dieselben Fragen wie jedes PRD: Wessen Problem ist das, was soll sich ändern, und woran erkennen wir, dass es geklappt hat? Der Unterschied liegt bei der Leserin oder dem Leser. Ein menschlicher Engineer fragt bei Unklarheiten in Slack nach. Ein Agent wählt meist eine Interpretation und macht weiter.
Der Claude-Code-Leitfaden von Anthropic bringt es auf den Punkt: Claude neigt dazu, eine Anfrage im engsten Sinn zu verstehen und das Minimum zu bauen, das sie erfüllt, weil es nicht erkennen kann, wie ehrgeizig du es gemeint hast (Anthropic, Claude Code best practices). Die Lösung ist kein längerer Prompt. Es ist ein Briefing, das festhält, was ein menschliches Teammitglied im Raum mitbekommen hätte.
Ein Coding-Agent plus die Person, die seine Arbeit prüft
Umfang
Oft ein ganzes Release
Eine Aufgabe oder ein vertikaler Slice
Länge
Oft mehrere Seiten
Ein bis zwei Seiten; Details per Link
Mehrdeutigkeit
Wird im Gespräch geklärt
Steht als offene Fragen und Stopp-Regeln im Dokument
Non-Goals
Hilfreich
Pflicht, damit der Agent angrenzenden Code in Ruhe lässt
Akzeptanzkriterien
Werden von der QA gelesen
Als Prüfungen formuliert, die der Agent ausführen und über die er berichten kann
Wo es liegt
Wiki oder Dokumenten-Tool
Repo oder Issue, verlinkt vom Pull Request
Warum brauchen KI-Coding-Agenten überhaupt ein PRD?
Weil der Code einem Agenten nicht verrät, welches Kundenproblem zählt, welchen Kompromiss das Team akzeptiert hat oder was bewusst nicht zum Umfang gehört. Diese Fakten stecken in Interviews, Tickets und Meetings. Wenn sie niemand aufschreibt, füllt der Agent die Lücke mit einer plausiblen Vermutung.
Der Einsatz von Agenten ist inzwischen so alltäglich, dass das ins Gewicht fällt. In der Stack-Overflow-Umfrage 2025 nutzten oder planten 84 % der Befragten KI-Tools, 14,1 % setzten KI-Agenten bei der Arbeit täglich ein und weitere 9 % wöchentlich. Das Vertrauen hinkt der Nutzung hinterher: 46 % misstrauten der Genauigkeit von KI-Ausgaben, 33 % vertrauten ihr (Stack Overflow, 2025).
Vage Absichten waren schon lange vor den Agenten teuer. Die PMI-Studie von 2014 ergab, dass schlechtes Anforderungsmanagement bei 47 % der erfolglosen Projekte dazu führte, dass sie ihre Ziele verfehlten, und 5,1 % jedes für Projekte ausgegebenen Dollars verschwendete (PMI, 2014). Mit einem Agenten zeigt sich dieselbe Vagheit als selbstbewusster Pull Request nach Minuten statt als Überraschung im Sprint Review.
Sicherheit ist der andere Grund, explizit zu sein. Veracode testete mehr als 100 große Sprachmodelle und stellte fest, dass 45 % der generierten Codebeispiele eine Schwachstelle aus den OWASP Top 10 enthielten; bei Java-Beispielen waren es 72 % (Veracode, 2025). Ein PRD behebt das nicht allein, aber eine „Darf nicht“-Liste und eine benannte Sicherheitsprüfung zeigen dem Agenten und dem Reviewer, wohin sie schauen müssen.
Was gehört in CLAUDE.md oder AGENTS.md und was ins PRD?
Teile den Kontext danach auf, wie lange er gültig bleibt. Repository-Anweisungsdateien enthalten Regeln, die für jede Aufgabe gelten. Das PRD enthält die Entscheidung für diese eine Aufgabe. Wer beides vermischt, macht beides schlechter: Die Anweisungsdatei bläht sich auf, und die Feature-Entscheidung geht darin unter.
Jedes Tool dokumentiert seine eigenen Anweisungsdateien und seine eigene Größenempfehlung:
Tool
Projekt-Anweisungsdateien
Größenempfehlung des Anbieters
Option auf Aufgabenebene
Claude Code
CLAUDE.md (Bereiche: managed, user, project und local), .claude/rules/ mit Pfadfiltern; liest AGENTS.md, wenn es keine CLAUDE.md gibt
Ziel: unter 200 Zeilen pro Datei
Eine Spec-Datei mit @path referenzieren; Claude bitten, dich zu interviewen und SPEC.md zu schreiben
Cursor
.cursor/rules/*.mdc (immer, intelligent, dateibezogen oder manuell); AGENTS.md, auch verschachtelt
Regeln unter 500 Zeilen halten
Die PRD-Datei im Chat per @ erwähnen
GitHub Copilot
.github/copilot-instructions.md, .github/instructions/*.instructions.md mit applyTo; AGENTS.md, CLAUDE.md oder GEMINI.md
Onboarding-Prompt: höchstens 2 Seiten, nicht aufgabenspezifisch
Prompt-Dateien, pro Chat ausgewählt
Jeder AGENTS.md-Agent
AGENTS.md; die Datei, die dem bearbeiteten Code am nächsten liegt, gewinnt
Keine Pflichtfelder; in über 60.000 Open-Source-Projekten im Einsatz
Zwei Details aus den Anbieter-Dokus prägen die Aufteilung. Anthropic sagt, Claude behandle CLAUDE.md als Kontext und nicht als durchgesetzte Konfiguration, und längere Dateien senkten die Befolgung. Die Copilot-Dokumentation von GitHub beschreibt Prompt-Dateien als etwas, das du pro Chat auswählst, anders als Anweisungen, die automatisch greifen (GitHub Docs). Beides weist in dieselbe Richtung: Dauerhafte Regeln kommen in die immer geladene Datei, einmalige Entscheidungen in eine Datei, die du für diese Aufgabe übergibst.
In die Repository-Anweisungen gehört:
Build-, Test-, Typecheck- und Lint-Befehle, auch wie man eine einzelne Testdatei ausführt
Stellen, an denen der Code in die Irre führt, etwa ein Legacy-Muster, das neuer Code nicht kopieren darf
Entscheidungen, die im Code nicht sichtbar sind: der Fehler-Helper, der Deploy-Prozess, was ein Migrations-Review braucht
Sicherheits-, Datenschutz- und Barrierefreiheitsregeln, die überall gelten
Wo die Produktentscheidungen liegen, als Link
Ins PRD gehört:
Die Nutzerin oder der Nutzer, das Problem und die Belege dafür
Das Ergebnis, seine Baseline und die Leitplanken
Im Umfang, außerhalb des Umfangs und „darf nicht“
Gefordertes Verhalten, auch für leere, ladende und fehlerhafte Zustände
Abnahmeprüfungen und die Befehle, die sie verifizieren
Offene Fragen und wer sie entscheidet
Die Cursor-Docs ergänzen eine nützliche Regel für beide: Verweise auf Dateien, statt ihren Inhalt zu kopieren, denn Kopien veralten. Verlinke die Research, füge sie nicht ein.
Die kopierbare PRD-Vorlage für KI-Coding-Agenten
Kopiere sie nach docs/specs/<feature>.md oder in den Issue-Text. Halte jede Antwort kurz und verlinke für Details auf Research, Designs oder technische Notizen.
# PRD: [Arbeitstitel]
Owner: [Name] | Status: Entwurf / freigegeben | Datum: [JJJJ-MM-TT]
Issue / PR: [Link]
## 1. Problem
- Primäre Nutzer:innen:
- Situation und Problem (ein Satz):
- Belege: [Links]. Markiere jeden Punkt als beobachtet / abgeleitet / angenommen.
- Warum jetzt:
- Was wir noch nicht wissen:
## 2. Ergebnis
- Nutzerergebnis: Was wird einfacher, schneller oder sicherer?
- Produktsignal: das Verhalten, das zeigen würde, dass es geholfen hat
- Baseline: [Zahl + Quelle] oder „unbekannt: zuerst instrumentieren“
- Leitplanken: was nicht schlechter werden darf (Fehler, Datenschutz, Latenz, Nutzerkontrolle)
## 3. Umfang
- Im Umfang:
- Außerhalb des Umfangs (Non-Goals):
- Darf nicht: [verbotene Aktionen oder Nebeneffekte]
- Abhängigkeiten:
## 4. Gefordertes Verhalten
R1. Einstiegspunkt und Hauptpfad in einfacher Sprache:
R2. Leere, ladende und fehlerhafte Zustände:
R3. Berechtigungen und Datenverarbeitung:
R4. Randfälle, die die Entscheidung verändern:
## 5. Kontext
- Aktuelles Verhalten: [Route, Screen oder Datei]
- Relevante Entscheidungen: [Link zum Decision Record]
- Bekannte Einschränkungen: [Plattform, Kompatibilität, Latenz, Richtlinie]
- Repository-Regeln: siehe CLAUDE.md / AGENTS.md
- Wenn sich zwei Quellen widersprechen: stoppen und [Owner] fragen
## 6. KI-Verhalten (nur wenn das Feature ein Modell nutzt)
- Eingaben, die das Modell verwenden darf:
- Angezeigte oder gespeicherte Ausgabe:
- Grounding: welche Quelle jede Aussage stützt
- Unsicherheit: wann „nicht genug Belege“ gesagt oder nachgefragt wird
- Menschliche Kontrolle: welche Aktionen eine Prüfung brauchen
- Fehlerbehandlung: Timeout, fehlerhafte Ausgabe, fehlende Belege
- Eval-Fälle: [Link, auch schwierige und negative Beispiele]
## 7. Abnahmeprüfungen
AC1. Gegeben [Zustand], wenn [Aktion], dann [beobachtbares Ergebnis].
AC2. Falls [unerwünschte Bedingung], dann soll das System [sicherer Fallback].
AC3. Gegeben [Nutzer:in ohne Berechtigung], wenn [sie es öffnet], dann erscheinen keine geschützten Daten.
AC4. Regression: [vorhandener Testbefehl] läuft weiterhin durch.
Verifizieren mit: [Test-, Typecheck-, Lint- und End-to-End-Befehle]
## 8. Ausführungsvereinbarung für den Agenten
1. Lies dieses PRD und die Repository-Anweisungen, bevor du etwas bearbeitest.
2. Gib die Anforderung in eigenen Worten wieder und liste offene Fragen auf. Warte auf Antworten zu allem, was als „Entscheidung“ markiert ist.
3. Schlage einen Plan vor: zu ändernde Dateien, neue Tests. Warte auf die Freigabe.
4. Baue den kleinsten Slice, der die Abnahmeprüfungen besteht.
5. Halte an und frage nach, bevor du eine öffentliche API änderst, Auth, Billing oder Migrationen anfasst, eine Abhängigkeit hinzufügst oder eine offene Frage selbst entscheidest.
6. Führe die Verifizierungsbefehle aus und füge Befehle und Ausgabe ein.
7. Fasse das geänderte Verhalten, Annahmen und verbleibende Risiken zusammen.
Welche Abschnitte sind am wichtigsten?
Non-Goals und „Darf nicht“. Ein einzeiliges Non-Goal („kein neuer Dashboard-Builder“, „Berichtsdefinitionen nicht ändern“) hindert einen vernünftigen Agenten daran, aus einer kleinen Anfrage ein Redesign zu machen. Manche Tools blockieren die riskantesten Aktionen bereits. Der Auto-Modus von Claude Code etwa blockiert standardmäßig Produktions-Deployments und Migrationen, Force Pushes und das Mergen eines Pull Requests, den kein Mensch freigegeben hat (Anthropic, permission modes). Deine Liste ergänzt die produktspezifischen Fälle, die kein Tool kennen kann: Preislogik, Einwilligungstexte, eine kundenseitige E-Mail.
Beleg-Status. Wenn du jede Belegzeile als beobachtet, abgeleitet oder angenommen markierst, liest sich eine Hypothese nicht wie ein Fakt, sobald sie in einem aufgeräumten Dokument steht. Der 15-minütige Claim-Trace für KI-geschriebene Specs zeigt, wie du das vor der Übergabe prüfst.
Die Ausführungsvereinbarung. Abschnitt 8 ist deine Frag-oder-Stopp-Regel für diese Aufgabe. Sie macht aus „nutze dein Urteilsvermögen“ benannte Auslöser. Die allgemeine Fassung dieser Idee findest du in AI-Handoff-Contract: wann fragen, handeln oder stoppen.
Eine Grenze gibt es: Alles, was in einem PRD oder in CLAUDE.md steht, ist eine Orientierung, die der Agent für nicht anwendbar halten kann. Anthropic rät, dass eine Regel, die keine Ausnahme kennen darf, in einen Hook, eine Deny-Regel oder eine verwaltete Einstellung gehört und nicht in Fließtext (Anthropic, Claude Code best practices).
Wie schreibst du Akzeptanzkriterien, die ein KI-Coding-Agent verifizieren kann?
Formuliere jede Prüfung so, dass sie mit „bestanden“ oder „durchgefallen“ zurückkommt, und nenne den Befehl oder die Beobachtung, die das entscheidet. Der Leitfaden von Anthropic führt die Arten von Prüfungen auf, die Claude lesen kann: eine Testdatei, den Exit-Code eines Builds, einen Linter, ein Skript, das die Ausgabe mit einer Fixture vergleicht, oder einen Browser-Screenshot neben dem Mockup.
Zwei Syntaxformen halten Akzeptanzkriterien testbar:
Given / When / Then (Gegeben / Wenn / Dann) aus dem Behavior-Driven Development: „Gegeben eine gespeicherte Ansicht, wenn die Nutzerin sie löscht, dann verschwindet sie aus der Seitenleiste und die Listen-API gibt sie nicht mehr zurück.“
EARS (Easy Approach to Requirements Syntax), entwickelt von Alistair Mavin und Kolleg:innen bei Rolls-Royce und erstmals 2009 veröffentlicht (Mavin, EARS). Sie verwendet fünf Muster:
EARS-Muster
Vorlage
Produktbeispiel
Ubiquitous
Das System soll …
Der Export soll eine Kopfzeile enthalten.
Event-driven
Wenn [Auslöser], soll das System …
Wenn ein Upload 10 MB überschreitet, soll das System das Größenlimit anzeigen.
State-driven
Solange [Zustand], soll das System …
Solange eine Synchronisierung läuft, soll das System die Schaltfläche „Speichern“ deaktivieren.
Unwanted behaviour
Falls [Bedingung], dann soll das System …
Falls das Modell keine Quelle liefert, soll das System das Thema als „nicht belegt“ markieren.
Optional feature
Wo [Feature], soll das System …
Wo SSO aktiviert ist, soll das System das Passwortfeld ausblenden.
Die Beispiele sind illustrativ. Das Muster „Falls … dann“ ist für Agenten am nützlichsten, denn bei unerwünschtem Verhalten raten sie.
Fordere dann Belege statt eines Urteils. Anthropic empfiehlt, Claude nach dem ausgeführten Befehl und dessen Ausgabe zu fragen, denn die bloße Behauptung, die Tests liefen durch, ist ein schwacher Beleg. Als zweite Verteidigungslinie lässt du eine frische Session oder einen Subagent, der den Code nicht geschrieben hat, den Diff gegen das PRD prüfen.
Ausgefülltes Beispiel: Themenzusammenfassungen für Interview-Transkripte
Dieses Beispiel ist illustrativ und keine Research aus einem echten Kundenfall.
Problem. Ein fünfköpfiges Produktteam hat 12 Interview-Transkripte, verteilt auf mehrere Dokumente. Vor einem Planungsmeeting will es wiederkehrende Probleme sehen, ohne die Belege der Teilnehmenden hinter jedem davon zu verlieren.
Gewünschtes Verhalten. Ein Teammitglied wählt Transkripte aus und bittet um eine Entwurfs-Themenzusammenfassung. Jedes Thema verlinkt auf die Passagen, die es stützen. Das Teammitglied bearbeitet die Zusammenfassung, bevor es sie teilt.
Im Umfang. Entwurfsthemen, Quellenlinks, ein bearbeitbarer Review-Schritt.
Außerhalb des Umfangs. Themen automatisch veröffentlichen, die Roadmap ändern oder eine Themenanzahl aus 12 Interviews als marktweite Schätzung darstellen.
Darf nicht. Ein Zitat erfinden, eine Aussage der falschen Person zuordnen oder eine Häufigkeit behaupten, die die Transkripte nicht hergeben.
Abnahmeprüfungen.
Gegeben ein Transkript mit einer Passage zu einem Einrichtungsproblem, wenn die Zusammenfassung dieses Thema enthält, dann kann die Leserin genau diese stützende Passage öffnen.
Falls ein Thema keine stützende Passage hat, soll das System es als „unsicher“ markieren, statt die Lücke zu füllen.
Gegeben eine generierte Zusammenfassung, wenn das Teammitglied sie öffnet, dann kann es sie bearbeiten, bevor sie geteilt wird.
Gegeben ein Transkript mit personenbezogenen Daten, wenn das Feature es verarbeitet, dann gelten die bestehenden Daten- und Zugriffsregeln des Workspace.
Baseline. Unbekannt. Bevor das Team ein Ziel setzt, misst es, wie lange es dauert, Belege für drei Themen von Hand zu finden, und zählt die Korrekturen der Reviewer. Das Beispiel nimmt keine bestimmte Verbesserung an.
Wie übergibst du das PRD an Claude Code, Cursor oder Copilot?
Entwirf das PRD. Schreibe es selbst, starte mit dem kostenlosen PRD-Generator oder nutze die Prompts aus PRDs mit KI schreiben. In Claude Code kannst du es bitten, dich zu interviewen, bis es die Spec schreiben kann, und sie dann als SPEC.md speichern.
Leg es dorthin, wo der Agent es lesen kann. Speichere es im Repo oder im Issue und verweise per Pfad darauf (@docs/specs/saved-views.md in Claude Code oder Cursor).
Bitte zuerst um eine Wiedergabe und einen Plan. Im Plan-Modus von Claude Code kann der Agent lesen und erkunden, aber nicht bearbeiten, bis du den Plan freigibst. Korrigiere Missverständnisse hier, wo sie nichts kosten.
Baue in einer frischen Session. Anthropic empfiehlt, den Build in einer neuen Session zu starten, sobald die Spec existiert: ohne den Planungs-Smalltalk und mit der Spec als Definition of Done.
Prüfe gegen das PRD. Führe die Abnahmeprüfungen aus, lies die Belege, die der Agent eingefügt hat, und mache dann einen menschlichen Durchgang mit der PM-Abnahme-Checkliste für KI-Agent-Ergebnisse.
Bring neue Entscheidungen zurück in die Dokumentation. Wenn die Arbeit eine Entscheidung zutage gefördert hat, aktualisiere das PRD oder das Decision Log, nicht nur den Chat.
Bevor du einen Agenten unbeaufsichtigt laufen lässt, schlägt Anthropic fünf Fragen vor: Weiß er, wie „fertig“ aussieht, kann er seine Arbeit selbst prüfen, was darf er anfassen, was stoppt ihn und wer gibt das Ergebnis frei? Die Abschnitte 3, 7 und 8 der Vorlage beantworten vier davon.
Wann solltest du stattdessen Spec Kit oder Kiro nutzen?
Nutze einen strukturierten Spec-Workflow, wenn du die ganze Pipeline willst und nicht nur eine bessere Übergabe. GitHubs Spec Kit mit rund 150.000 Sternen trennt die Spec („was gebaut wird und warum“) vom technischen Plan und erzeugt dann Aufgaben und Implementierung (GitHub, Spec Kit). Kiro teilt jede Spec in requirements.md, design.md und tasks.md auf (Kiro docs). Die Vorlage oben entspricht dem Requirements-Schritt: den Abschnitten 1 bis 4 und 7. Wenn dein Team bereits eines dieser Tools nutzt, füge die Produktabschnitte in dessen Spec-Schritt ein, statt zwei Dokumente zu pflegen.
Wie lang sollte ein PRD für einen KI-Coding-Agenten sein?
Proportional zum Risiko der Änderung. Diese Spannen sind eine Faustregel, kein Benchmark:
Änderung
Was enthalten sein sollte
Grobe Länge
Textkorrektur oder kleine, umkehrbare UI-Anpassung
Problem, Umfang, 1-2 Prüfungen
5-15 Zeilen
Standard-Feature-Slice
Abschnitte 1-5, 7 und 8
Etwa eine Seite
Berechtigungen, Billing, personenbezogene Daten oder KI-generierte Aussagen
Vollständige Vorlage inklusive Abschnitt 6, einer Sicherheitsprüfung und einem benannten Reviewer
Bis zu zwei Seiten, plus Links
Die Obergrenze folgt derselben Logik, die die Anbieter für Anweisungsdateien anlegen. Jede Zeile konkurriert um die Aufmerksamkeit des Modells, also versteckt ein fünfseitiges PRD die eine Einschränkung, auf die es ankam. Wenn ein Abschnitt länger als eine halbe Seite wird, enthält er vermutlich mehrere Entscheidungen; teile ihn auf oder verlinke. Für ein PRD zu einem ganzen Release, das für Menschen geschrieben ist, siehe Wie du ein PRD schreibst.
Häufige Fehler bei PRDs für KI-Coding-Agenten
Das ganze Produkt-Wiki einfügen. Mehr Kontext ist nicht besserer Kontext. Verlinke die zwei oder drei Quellen, die die Entscheidung verändern.
Feature-Details in CLAUDE.md oder AGENTS.md packen. Diese Dateien werden bei jeder Aufgabe geladen. Der Onboarding-Prompt von GitHub hält aufgabenspezifische Inhalte ausdrücklich aus der Anweisungsdatei von Copilot heraus.
Anforderungen wie „mach die KI genau“. Beschreibe, was Nutzer:innen prüfen können und was das System tut, wenn es die Anforderung nicht erfüllen kann.
Ein Ziel erfinden. Wenn es keine Baseline gibt, schreibe „unbekannt“ und instrumentiere zuerst.
„Fertig“ ohne Ausgabe akzeptieren. Verlange die Befehle und ihre Ergebnisse.
Den Agenten sein eigenes PRD schreiben und freigeben lassen. Ein Agent kann eines entwerfen, aber ein Mensch muss Problem, Belege und Umfang bestätigen.
Harte Regeln als Fließtext schreiben. „Fass nie Migrationen an“ gehört neben das PRD auch in eine Deny-Regel oder einen Hook.
Wo Specky ins Spiel kommt
Specky entwirft PRDs im PRD Editor mit Inline-Zitaten zu den Kundengesprächen, Tickets und Feedbacks in deinem Product Graph, sodass der Abschnitt „Belege“ auf echte Quellen verlinkt. Über den MCP-Server von Specky können Claude Code, Cursor und andere MCP-Clients dieses Briefing direkt laden: get_coding_brief liefert die PRDs, Entscheidungen und Belege, die für ein Ticket relevant sind, und alles, was ein Agent zurückschreibt, landet als Entwurf zur menschlichen Prüfung. Die Einrichtung steht auf der MCP-Setup-Seite für KI-Agenten.
Häufig gestellte Fragen
Unterscheidet sich ein PRD für einen KI-Coding-Agenten von einem normalen PRD?
Die Fragen sind dieselben: Wer hat das Problem, was soll sich ändern und woran erkennst du, dass es geklappt hat? Die Agenten-Version ist kürzer, auf eine Aufgabe zugeschnitten und expliziter bei Non-Goals, Stopp-Regeln und Prüfungen, die der Agent ausführen kann, denn ein Agent handelt bei Mehrdeutigkeit, statt nachzufragen. Halte das Briefing proportional zu Größe und Risiko der Änderung.
Wie lang sollte ein PRD für Claude Code oder Cursor sein?
Etwa eine Seite für einen Standard-Feature-Slice und bis zu zwei Seiten für Änderungen, die Berechtigungen, Billing, personenbezogene Daten oder KI-generierte Aussagen berühren. Verlinke für Details. Die Anbieter nennen für Anweisungsdateien ähnliche Grenzen: unter 200 Zeilen pro CLAUDE.md, unter 500 Zeilen pro Cursor-Regel und höchstens 2 Seiten im Onboarding-Prompt von GitHub.
Gehört das PRD in CLAUDE.md oder AGENTS.md?
Nein. CLAUDE.md und AGENTS.md werden in jede Session geladen, deshalb sollten sie dauerhafte Projektregeln wie Befehle, Konventionen und Sicherheitsvorgaben enthalten. Lege das Feature-PRD in eine eigene Datei oder ins Issue und verweise für diese Aufgabe darauf. Ein Link dazu, wo die Produktentscheidungen liegen, ist die richtige Menge Produktkontext für die Anweisungsdatei.
Kann der Coding-Agent das PRD selbst schreiben?
Er kann eines entwerfen, deine Notizen ordnen und Randfälle vorschlagen. Claude Code kann dich sogar interviewen und eine Spec-Datei schreiben. Ein Mensch muss trotzdem Nutzerproblem, Belege, Umfang und Erfolgssignal bestätigen, denn generierter Text ist kein Beleg dafür, dass das Team diese Entscheidungen getroffen hat. Behandle ein vom Agenten entworfenes PRD als Entwurf.
Was ist Spec-Driven Development?
Spec-Driven Development bedeutet, eine Spezifikation dessen zu schreiben, was gebaut werden soll und warum, bevor ein KI-Agent plant und umsetzt. GitHubs Spec Kit und Kiro formalisieren das beide in Stufen: Requirements oder Spec, dann technischer Plan oder Design, dann Aufgaben, dann Code. Die PRD-Vorlage in diesem Artikel deckt die Requirements-Stufe ab.
Wie schreibe ich Akzeptanzkriterien für einen KI-Coding-Agenten?
Schreibe jedes als Pass/Fail-Aussage, die an etwas gebunden ist, das der Agent ausführen oder beobachten kann: ein Test, ein Build, ein Linter, ein Fixture-Diff oder ein Screenshot. Nutze die Syntax Given/When/Then oder EARS, nimm mindestens einen „Falls etwas schiefgeht, dann“-Fall auf und bitte den Agenten, Befehle und Ausgabe einzufügen.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing