Seit seiner Entstehung vor mehr als einem halben Jahrhundert hat Unix moderne Technologiepraktiken und Methoden der Softwareentwicklung maßgeblich beeinflusst. Ursprünglich in den Laboren von Bell Labs entwickelt, entwickelte sich Unix schnell über ein reines Betriebssystem hinaus. Es begründete eine umfassende Philosophie für Software Engineering und Systemdesign. Während wir heute mit künstlicher Intelligenz (AI) die Zukunft der Softwareentwicklung gestalten, treten die philosophischen Kernprinzipien von Unix wieder in den Vordergrund und prägen die Entwicklung agentischer AI.
Lauri Palokangas
Lapa is a technology geek and an IT professional who switched to marketing and sales 15 years ago. He runs Eficode’s marketing and communications by day and is involved in behavioral economics research by night. In his free time, he engages in endurance trail running and likes to learn languages.
1. Modularität: Klein ist schön
Unix setzt sich für den Aufbau einfacher Komponenten ein, die über klare Schnittstellen verbunden sind, zusammengefasst in dem Grundsatz: „Schreibe einfache Teile, die über klare Schnittstellen verbunden sind.“ Diese Modularität hilft, Komplexität zu beherrschen, und ermöglicht Teams schnelle Iterationen ohne unnötige Verflechtungen. Agentic AI-Systeme verkörpern dieses Prinzip, indem sie autonome AI-Agenten so strukturieren, dass sie atomare Probleme lösen oder daran zusammenarbeiten. Diese Agenten arbeiten unabhängig und treffen Entscheidungen durch kontinuierliches Lernen und die Analyse externer und komplexer Datensätze.
Wenn AI-Agenten diesem Kernprinzip kleiner, atomarer Agenten folgen, die „eine Sache tun und sie gut machen“, können Entwickler wiederkehrende Aufgaben an Agentic AI delegieren und so ihre kognitive Belastung reduzieren. Die Nutzung des Dateisystems als Datenbank gewährleistet die Interoperabilität mit bestehenden Anwendungen, verbessert die Skalierbarkeit und ermöglicht es einfach, das nächste Problem im Einklang mit einer anderen Agentic AI-Lösung zu lösen.
The only way to write complex software that won’t fall on its face is to hold its global complexity down — to build it out of simple parts connected by well-defined interfaces, so that most problems are local and you can have some hope of upgrading a part without breaking the whole.
2. Datenströme als Text: Transparenz zählt
Unix bevorzugt textbasierte Kommunikation, da sie klar und leicht zu debuggen ist. Der Grundsatz „Datenströme sollten, wenn möglich, textbasiert sein, damit sie mit Standardwerkzeugen angezeigt und gefiltert werden können“ ist weit verbreitet. Auch bei AI sind klare, textbasierte Interaktionen üblich, was sich besonders an der breiten Nutzung von JSON, YAML und Prompt Engineering zeigt. Im Sinne von Unix senkt eine ausführliche Ausgabe bei der Lösungsentwicklung und Fehlerbehebung die kognitive Belastung für Entwickler, die die Lösung prüfen und verbessern.
Durch die Einführung textorientierter Datenströme und die Steuerung der Ausführlichkeit von Anwendungsausgaben erzielen Agentic AI-Systeme eine bessere Interoperabilität, einfachere Integration und unkompliziertere Fehlerbehebung. Das sind entscheidende Vorteile für die Verwaltung komplexer AI-Umgebungen. Zudem unterstützt diese Transparenz direkt Compliance und Auditierbarkeit, die für Unternehmen in regulierten Branchen entscheidend sind.
I think that the terseness of Unix programs is a central feature of the style. When your program’s output becomes another’s input, it should be easy to pick out the needed bits. And for people it is a human-factors necessity — important information should not be mixed in with verbosity about internal program behavior. If all displayed information is important, important information is easy to find.
3. Komplexe Frontends, einfache Backends
Zu den Unix-Konventionen gehört die klare Trennung komplexer Benutzeroberflächen von einfacher, stabiler Backend-Logik. Die Trennung von UI und Backend-Logik stellt sicher, dass Weiterentwicklungen der Benutzeroberfläche die Kernfunktionen nicht unnötig beeinträchtigen. Ebenso trennen Agentic AI-Plattformen komplexe Entscheidungsoberflächen wie dialogbasierte UIs oder interaktive Dashboards klar von robusten, vorhersehbaren Backend-Komponenten. Diese sind für Berechnungen, Datenverarbeitung und autonome Entscheidungen auf Basis kontinuierlichen Lernens verantwortlich. Nach den typischen Unix-Konventionen, bei denen Daten über eine Pipe von einem Prozess an den nächsten weitergegeben werden, muss eine Agentic AI-Reise nicht mit einer umfangreichen Data-Lake-Initiative beginnen. Es kann genau der richtige Ansatz sein, zunächst das kleinste lohnenswerte Problem zu identifizieren und die erforderlichen Informationen zwischen den Agenten weiterzugeben.
Die Einhaltung dieser Trennungsregeln vereinfacht die Governance, erhöht die Ausfallsicherheit des Systems und ermöglicht jeder Ebene, sich im eigenen Tempo weiterzuentwickeln. Dadurch sinkt der Wartungsaufwand erheblich und die allgemeine Systemzuverlässigkeit steigt.
4. Großzügig bei der Eingabe, strikt bei der Ausgabe
Nach Postels Regel „Sei großzügig bei dem, was du akzeptierst, und konservativ bei dem, was du sendest.“ betont Unix Flexibilität bei der Verarbeitung von Eingaben und Strenge bei Ausgaben. Dieses Gleichgewicht gewährleistet eine breite Kompatibilität und Zuverlässigkeit über unterschiedliche Systeme hinweg. Agentic AI-Systeme übernehmen dieses Prinzip: Robuste AI-Agenten akzeptieren unterschiedliche Eingabedaten, validieren und standardisieren ihre Ausgaben jedoch strikt. So sichern sie Qualität und Konsistenz in nachgelagerten Prozessen. Da Agentic AI von Natur aus nicht deterministisch ist, ist zusätzlich eine Ebene von „Orakeln“ erforderlich, welche die Ausgabe validiert, bevor sie für den nächsten Agenten als gültig gilt.
Die Anwendung dieses Prinzips ermöglicht eine reibungslosere Integration von AI-Systemen über mehrere Teams und Tools von Drittanbietern hinweg. Dadurch steigen die operative Effektivität und das Vertrauen der Nutzer.
5. Prototyping vor der Optimierung
Unix empfiehlt, Lösungen zunächst schnell in interpretierten Sprachen wie Python zu prototypisieren, bevor sie in kompilierten Sprachen wie C verfeinert und optimiert werden. Dies fasst der Grundsatz zusammen: „Erst prototypisieren, dann verfeinern. Sorge zuerst dafür, dass es funktioniert, bevor du es optimierst.“ Die Entwicklung von Agentic AI folgt dieser Praxis eng: Üblicherweise beginnt sie mit schnellen Python-Prototypen, um autonome Entscheidungsfähigkeiten zu testen, bevor leistungsrelevante Aspekte optimiert werden.
Agentic AI folgt diesem Gedanken auch auf einer höheren Abstraktionsebene. Prozesse mit Agenten zu automatisieren, kann nicht in einem Schritt erfolgen. Da die Einführung von Agenten als stochastischer Prozess betrachtet werden kann, kann ein einzelner Agent negative Auswirkungen auf die umfassendere Lösung haben. Entwickler müssen dies steuern, bevor sie fortfahren. Die Lösung besteht darin, Agentic AI jeweils auf einen Teil der Lösung anzuwenden und daraus zu lernen, wie sie einen immer größeren Anteil der Gesamtlösung löst.
Ein iterativer, schneller Ansatz für die Entwicklung von Agentic AI passt gut zu agilen Methoden. Er ermöglicht Teams, Ideen schnell zu validieren, Engpässe zu erkennen und AI-Agenten effizient weiterzuentwickeln. So werden kostspielige, verfrühte Optimierungen minimiert, die Time-to-Market verkürzt und das Projektrisiko deutlich gesenkt.
6. Bei Bedarf verschiedene Sprachen bevorzugen
Unix erkennt an, dass der strategische Einsatz verschiedener Programmiersprachen die Softwareentwicklung vereinfachen kann, insbesondere wenn das Festhalten an einer einzigen Sprache die Komplexität erhöht. Agentic AI-Lösungen nutzen häufig mehrere Sprachen und Frameworks: Python für Machine-Learning- und Reinforcement-Learning-Modelle, JavaScript für Frontend-Interaktionen und YAML für Konfigurationen. Da letztlich alles zu Tokens wird, fügen sich auch Bildverarbeitung und die Extraktion von Informationen aus Bildern ganz natürlich in diese Auswahl an Sprachen ein.
Dieser mehrsprachige Ansatz ermöglicht Teams, für spezifische Aufgaben die am besten geeigneten Tools auszuwählen. Das reduziert Komplexität, verbessert die Wartbarkeit und steigert die allgemeine Agilität und Produktivität der Entwickler.
7. Informationen niemals voreilig verwerfen
Unix rät: „Beim Filtern solltet ihr niemals Informationen verwerfen, die ihr nicht benötigt.“ Agentic AI-Systeme setzen dies durch umfassendes Logging, Monitoring und sorgfältige Dokumentation um. Indem sie detaillierte Betriebsdaten und Metadaten bewahren, können sich diese Systeme kontinuierlich verbessern.
Umfassende Datensätze und Logs ermöglichen eine bessere Diagnose, eine effektivere Fehlerbehandlung und die Zukunftssicherheit von AI-Deployments. So schützen sie letztlich die Investitionen des Unternehmens.
8. Erweiterbarkeit: Für zukünftiges Wachstum entwickeln
Unix betont, wie wichtig es ist, Systeme für zukünftige Erweiterungen zu entwickeln: „Plant für die Zukunft, denn sie wird früher da sein, als ihr denkt.“ Auch Agentic AI-Plattformen müssen so geplant werden, dass sie künftige Funktionen, Erweiterungen oder Änderungen ohne umfangreiche Neuentwicklungen reibungslos integrieren können.
Wenn Erweiterbarkeit von Anfang an gewährleistet ist, bleiben AI-Investitionen auch in einem sich schnell wandelnden technologischen und geschäftlichen Umfeld relevant und anpassungsfähig. Die Planung von Erweiterbarkeit erhält strategische Flexibilität und ermöglicht eine schnellere Anpassung an neue Marktanforderungen und technologische Fortschritte.
Word and Excel and PowerPoint and other Microsoft programs have intimate — one might say promiscuous — knowledge of each others’ internals. In Unix, one tries to design programs to operate not specifically with each other, but with programs as yet unthought of.
Die Unix-Philosophie als zeitlose Weisheit
Die Unix-Philosophie entstand in einer völlig anderen Ära der Informatik und bietet klare, strategische Erkenntnisse, die in der heutigen Welt von Agentic AI besonders relevant sind. Ihre Prinzipien haben sich als bemerkenswert vorausschauend erwiesen und Best Practices für autonome AI-Systeme direkt geprägt: Modularität, Transparenz, Trennung von Verantwortlichkeiten, Großzügigkeit bei Eingaben, schnelles Prototyping, pragmatische Mehrsprachigkeit, Informationsbewahrung und Erweiterbarkeit.
Diese zeitlose Weisheit, die aus praktischer Erfahrung entstanden und über Jahrzehnte weiterentwickelt wurde, bietet eine solide Grundlage, um Agentic AI-Projekte mit Klarheit, Einfachheit und strategischer Weitsicht zu führen. So bleiben unsere Technologieentscheidungen auch künftig robust, Agile und wirkungsvoll.
P.S. Was ist mit Unix-Pipes?
Eine der zentralen Ideen von Unix sind Pipes: Sie verbinden die Ausgabe einer Anwendung mit der Eingabe einer anderen. Da es beim Schaffen von Mehrwert mit Agentic AI im Wesentlichen um dasselbe geht, liegt dann nicht die Annahme nahe, dass MCP (Model Context Protocol) eine natürliche Fortsetzung von Pipes ist?
Streng genommen basieren MCP und Unix-Pipelines auf grundlegend unterschiedlichen Konzepten:
Unix-Pipelines sind von Natur aus linear, deterministisch und passiv. Sie folgen expliziten Regeln, wobei jede Komponente eine einfache, vorhersehbare Aufgabe mit Textdaten ausführt.
MCP hingegen ist von Natur aus dynamisch, zielorientiert und interaktiv. Es unterstützt Verhandlungen, Zusammenarbeit und autonome Entscheidungsfindung zwischen Agenten, die von sich entwickelnden Zielen und Kontexten statt von vordefinierten linearen Workflows gesteuert werden.
Auch wenn beide oberflächliche Ähnlichkeiten aufweisen, etwa Modularität und Kombinierbarkeit, ist MCP keine Weiterentwicklung von Unix-Pipelines, sondern eine eigenständige Entwicklung. Trotz dieses Unterschieds leben zwei Kernideen des Erfinders von Unix-Pipes, Doug McIlroy, in der Welt von Agentic AI weiter:
Jede Softwarekomponente (jeder Agent) sollte eine Aufgabe gut erfüllen. Wenn die Software (der Agent) etwas anderes leisten soll, entwickelt sie als separate Software (separaten Agenten), statt die bestehende mit weiteren Funktionen zu verkomplizieren.
Geht davon aus, dass die Ausgabe einer Software (eines Agenten) als Eingabe für eine andere Software (einen anderen Agenten) verwendet wird, auch wenn ihr noch nicht wisst, welche Software (welcher Agent) das sein wird. Überladet die Ausgabe nicht. Vermeidet strikt spaltenbasierte oder binäre Eingabeformate. Versucht nicht, interaktiv zu sein.The Bell System Technical Journal. Bell Laboratories. M. D. McIlroy, E. N. Pinson und B. A. Tague. „Unix Time-Sharing System Forward“. 1978. 57 (6, Teil 2). S. 1902.
- DevOps
- AI
Subscribe to our newsletter
Related blogs
