KI-Peer-Review für Claude Code ist jetzt eine kostenlose Open-Source-Skill. Sie ermöglicht es Claude, Codex und Gemini, den Code gegenseitig über CLI-Übergaben zu überprüfen — mit einem strukturierten Urteil, Datei:Zeilen-Feststellungen und einem Ehrlichkeitsvertrag, der in das Antwortformat integriert ist.
Die Skill heißt `ai-collab-bridge`. MIT-lizenziert. Installation in 30 Sekunden. Ich habe es auf macOS arm64 getestet; die Bash-Skripte sind portabel für Linux.
TL;DR
Installieren Sie die KI-Peer-Review-Skill in 30 Sekunden
bash git clone https://github.com/owgit/ai-collab-bridge ~/.claude/skills/ai-collab-bridge chmod +x ~/.claude/skills/ai-collab-bridge/scripts/*.sh ~/.claude/skills/ai-collab-bridge/scripts/doctor.sh
Das `doctor.sh`-Skript überprüft Ihre Skill-Dateien, erforderliche Werkzeuge und jede KI-CLI (Claude, Codex, Gemini) in einem Durchgang. Der Exit-Code entspricht der Anzahl der fehlgeschlagenen Überprüfungen. Wenn etwas kaputt ist, sagt Ihnen die Ausgabe den genauen Befehl zur Behebung. In meinen Tests auf einer frischen macOS-Installation lief die gesamte Überprüfung in weniger als zwei Sekunden.
Starten Sie dann eine neue Claude Code-Sitzung — die KI-Peer-Review-Skill wird automatisch entdeckt — und aktivieren Sie sie mit etwas wie *„verwenden Sie die AI Collab Bridge, um mein neuestes Commit zu überprüfen.“*
Wie KI-Peer-Review tatsächlich funktioniert
Das Protokoll ist klein genug, um in einen Absatz zu passen. Der Implementierer — welcher KI auch immer gerade fertig ist — stellt ein Paket bereit. Das Paket ist eine einzelne Markdown-Datei mit einer Zusammenfassung, Fokusfragen, dem Diff und der Dateiliste. Der Implementierer ruft dann die CLI des Reviewers mit diesem Paket auf, das in eine Überprüfungsanforderungsvorlage eingebettet ist. Der Reviewer liest das Paket und antwortet.
Paket bereitstellen (Implementierer-Seite)
bash SUMMARY="Kurze Beschreibung der Änderung" QUESTIONS="Alles, worauf Sie sich konzentrieren möchten" ~/.claude/skills/ai-collab-bridge/scripts/stage-packet.sh main > /tmp/packet.md
Das erzeugt eine Markdown-Datei mit allem, was der Reviewer benötigt: Ihre Zusammenfassung, Ihre Fokusfragen, das `git diff --stat` und das vollständige Diff gegen `main`.
KI-Peer-Review anfordern
bash ~/.claude/skills/ai-collab-bridge/scripts/request-review.sh codex /tmp/packet.md
oder claude / gemini — gleiche Struktur, anderes Ziel
Das Skript umschließt Ihr Paket in der Überprüfungsanforderungsvorlage, sendet es an die CLI der Ziel-KI und druckt die strukturierte Antwort.
Das Antwortformat
Jede KI-Peer-Review-Antwort folgt derselben fünfteiligen Vorlage:
Der letzte Punkt hat mich überrascht, als ich es zum ersten Mal entworfen habe. Meiner Erfahrung nach ist der wertvollste Abschnitt jeder Code-Überprüfung der, in dem der Reviewer gezwungen ist, offenzulegen, was er nicht betrachtet hat. Ohne ihn können Sie nicht sagen, ob ein `APPROVE` bedeutet „Ich habe alles überprüft und es ist in Ordnung“ oder „Ich habe das Diff überflogen und nichts ist mir aufgefallen.“ Mit ihm weiß der Implementierer genau, wo der Umfang des Reviewers endet.
Das ist der Ehrlichkeitsvertrag, der jeder KI-Peer-Review zugrunde liegt. Das Protokoll kann es nicht durchsetzen. Es kann nur Unehrlichkeit schwerer verstecken.
Der Benchmark: 100% vs 31% Bestehensquote
Ich habe die KI-Peer-Review-Skill gegen Vanilla Claude als Basislinie getestet. Drei Testfälle — Reviewer-Rolle, Implementierer-Übergabe, Onboarding-Walkthrough — dieselben Eingabeaufforderungen, dasselbe Modell, mit-Skill versus ohne-Skill.
| Metrik | Mit Skill | Ohne Skill | Delta |
|---|---|---|---|
| --- | --- | --- | --- |
| Bestehensquote | 100% | 31% | +69 Prozentpunkte |
| Zeit | 67 s | 68 s | identisch |
| Tokens | 60 k | 53 k | +14% |
In meinen Messungen kostet die KI-Peer-Review-Skill etwa 14% mehr Tokens (das Modell liest die Rollenspielbücher) und läuft mit derselben Geschwindigkeit. Günstige Versicherung für strukturierte, ehrliche Ausgaben.
Der Meta-Moment: Die Brücke überprüft sich selbst
Nachdem ich v0.1 veröffentlicht hatte, habe ich die Brücke verwendet, um das nächste Commit der Brücke selbst zu überprüfen. Codex fand zwei Bugs, die ich in meinem Doctor-Skript und der Probe-Logik übersehen hatte. Ich habe beide behoben, v0.2 veröffentlicht und die Brücke erneut ausgeführt. Codex fand zwei weitere Bugs. Ich habe diese behoben und v0.3 veröffentlicht.
Die vier Bugs, die die Brücke in sich selbst fand
Keine stilistischen Vorlieben, keine erfundenen Bedenken, um nützlich auszusehen. Konkrete Dinge, die ich nach jeder Behebung getestet habe:
Keines davon war mir offensichtlich, als ich sie schrieb. Allen war es Codex offensichtlich, als es das Diff kalt las, ohne meine Implementierungsverzerrung.
Das ist das gesamte Argument für KI-Peer-Review. Verschiedene Köpfe, verschiedene blinde Flecken, strukturierter Übergang. Die Arbeit wird besser und Sie müssen nicht darüber nachdenken.
Was ich über die Codex CLI gelernt habe
Der größte Teil der Arbeit bei der Bereitstellung dieser KI-Peer-Review-Skill war nicht das Protokoll. Es ging darum, herauszufinden, wie man die CLI jeder KI aufruft, ohne dass sie etwas Unerwartetes tut.
Codex MCP-Bootstrap-Hang
Wenn Sie `codex exec` ausführen, lädt es `~/.codex/config.toml` und versucht, alle MCP-Server zu bootstrappen, die Sie konfiguriert haben. Wenn diese Server ihre eigene Authentifizierung benötigen (Cloudflare Workers MCP, GitHub Copilot MCP usw.) und Sie keine Tokens für die nicht-interaktive Nutzung eingerichtet haben, bleibt Codex stumm stehen. In meinem ersten Überprüfungsversand hing der Prozess zehn Minuten, bevor ich es auf das MCP-Bootstrap zurückverfolgen konnte.
Die Lösung ist `--ignore-user-config`. Die Codex-CLI hat auch einen speziellen `codex exec review`-Unterbefehl, der genau für diesen Anwendungsfall entwickelt wurde, plus ein `-o`-Flag, das nur die endgültige Nachricht des Agenten in eine Datei schreibt. Siehe das OpenAI Codex CLI-Repo und die Codex-Dokumentation für das vollständige Referenz.
Der npm-Vendor-Binärfehler ENOENT
`@openai/codex`, das über npm installiert wurde, wird manchmal ohne seine plattformspezifische Vendor-Binärdatei geliefert. `which codex` funktioniert, aber der Aufruf schlägt mit einem kryptischen Node `ENOENT`-Stacktrace fehl, der auf eine fehlende arm64-Binärdatei hinweist. Ich habe dies auf meinem eigenen Rechner erlebt, und die Lösung ist `npm uninstall -g @openai/codex && npm install -g @openai/codex`. Das `doctor.sh`-Skript der Brücke erkennt jetzt dieses genaue Muster und zeigt die Lösung direkt an.
Unterstützte KI-CLIs
| KI | Standardaufruf | Überschreibungs-Umgebungsvariable |
|---|---|---|
| --- | --- | --- |
| Claude | `claude -p` | `AI_COLLAB_CLAUDE_CMD` |
| Codex | `codex exec review --ignore-user-config --ephemeral` | `AI_COLLAB_CODEX_CMD` |
| Gemini | `gemini -p` | `AI_COLLAB_GEMINI_CMD` |
Eine weitere KI hinzuzufügen, ist eine `case`-Zeile in `scripts/request-review.sh` plus ein optionales Rollenspielbuch unter `references/`. PRs sind willkommen.
Warum KI-Peer-Review für Multi-KI-Workflows wichtig ist
Wenn Sie den Übergang von „KI als Autovervollständigung“ zu „KI als Mitarbeiter“ verfolgt haben, haben Sie wahrscheinlich bereits bemerkt, dass der nächste Engpass nicht die einzelnen Modelle sind. Der nächste Engpass ist, wie die Modelle miteinander und mit Ihren Werkzeugen arbeiten. Das ist auch das, was ich in meiner agent-ready website checklist→ argumentiert habe — die Systeme um das Modell sind wichtiger als das Modell selbst.
In meinem eigenen Alltag sieht das so aus:
Ohne KI-Peer-Review laufen diese Workflows parallel, aber isoliert. Jede KI sieht nur, was vor ihr ist. Mit der KI-Peer-Review-Skill fließen die Diffs strukturiert zwischen ihnen, und die Arbeit kumuliert.
Dasselbe Muster zeigt sich in den Perspektiven, über die ich zuvor geschrieben habe — von der Vergleichsseite in Claude Code vs Cursor für 2026→, von der Werkzeugseite in wie man einen MCP-Server mit TypeScript baut→, und von der Strukturseite in der cross-repo AI-Kontextschicht→. Die Agenten in Ihrem Loop benötigen saubere Schnittstellen miteinander, nicht nur saubere Schnittstellen zu Menschen.
Probieren Sie die KI-Peer-Review-Skill selbst aus
Die KI-Peer-Review-Skill ist Open Source und befindet sich unter `github.com/owgit/ai-collab-bridge`.
bash git clone https://github.com/owgit/ai-collab-bridge ~/.claude/skills/ai-collab-bridge chmod +x ~/.claude/skills/ai-collab-bridge/scripts/*.sh ~/.claude/skills/ai-collab-bridge/scripts/doctor.sh
Es gibt `AGENTS.md` und `CLAUDE.md`-Dateien im Repo-Stamm, sodass Codex und Claude Code beide explizite Einstiegspunkte haben, wenn Sie sie kalt auf das Repo verweisen. Das Protokoll funktioniert für jede KI mit einer CLI — dasselbe Paketformat, dieselbe Antwortvorlage, dieselben drei Urteile. In meinem Workflow passt dies natürlich zu der Sicherheitsüberprüfung, die Sie bei Ihrem KI-generierten Code durchführen sollten→.
Wenn Sie beitragen möchten, sind die nächsten offensichtlichen Schritte im Repo dokumentiert: Durchsetzung des Antwortformats über `--output-schema`, Hinzufügen von Unterstützung für weitere CLIs und Aufbau von Reviewer-als-Claude-Szenarien über die bereits getesteten Reviewer-als-Codex-Pfade hinaus.
Der Punkt
Die Grenzen zwischen KI-Modellen sind Konventionen, keine Fakten. Wir entscheiden, ob sie zusammenarbeiten oder konkurrieren. Wenn Sie zwei KIs haben, die am selben Code arbeiten und sich nicht gegenseitig überprüfen, lassen Sie echte Bugs im Code zurück.
Die KI-Peer-Review-Skill ist eine strukturierte Möglichkeit, das zu beheben. Sie ist kostenlos, MIT-lizenziert und installiert in 30 Sekunden. Geben Sie Ihren KIs einen Kollegen.