Probleme und Lösungen beim AI-Coding: Die Geheimnisse in Naias Open Source und Patenten

Hallo. Ich bin Luke von Nextain, dem Team, das Naia entwickelt. Nach meinem letzten Beitrag, in dem ich Naia-Sing vorgestellt habe, wurde ich gefragt: „Werden Sie streamen?" — die Antwort ist nein.

Naia-Sing ist Forschung zum kognitiven Framework des AI-Modells von Naia und wird als Forschungsergebnis in einem privaten Repository durchgeführt.

Die Benchmark-Stücke von Naia-Sing und das Standard-VRM-3D-Modell in Naia-OS spiegeln zwar meine persönliche Vorliebe für Subkultur wider, aber das ist nicht der Bereich, auf den ich mich konzentriere — Inhalte sehe ich als die Domäne unserer Partner und Creator.

Da mein GitHub-Profilbild ein Anime-Avatar ist, mein erstes Startup ein VR-Webtoon-Unternehmen war und ich Erfahrung als Naver Webtoon PD habe, scheinen mich viele Menschen ausschließlich als Content-Experten wahrzunehmen. Im Hinblick auf die künftigen Aktivitäten von Nextain halte ich es für sinnvoll, dieses Bild ein wenig zu korrigieren, weshalb ich diesen Beitrag schreibe. (Referenz: Ein Codeforces-Blogbeitrag über die Korrelation zwischen Anime-Profilbildern und Programmierfähigkeiten: https://codeforces.com/blog/entry/93498)

Ich habe früher erwähnt, dass ich bei Naver AI-Forschung betrieben habe. Damals hatte ich die Erfahrung gemacht, intern den ersten Platz bei Unternehmenserfindungen zu belegen — auch das waren AI-bezogene Ergebnisse. Dies wurde auch in einem Boannews-Artikel aufgegriffen, der Navers Patente analysierte.

"Analysiert man die Patentanmeldungen dieses Unternehmens nach Erfindern, fällt ein Name besonders häufig auf: 'Yang Byeong-seok'. Die CPC-Codes seiner Patente konzentrieren sich auf G06Q (Datenverarbeitungssysteme für Verwaltungs-, Handels-, Finanz- oder Prognosezwecke) und G06F (digitale Datenverarbeitung — computersysteme auf Basis spezifischer Rechenmodelle). Alles Technologien im Bereich 'Datenverarbeitung'."

https://m.boannews.com/html/detail.html?idx=125653

Ich habe Medienwissenschaft als Nebenfach studiert, mein Hauptfach war jedoch Informatik (Computer Science). Als Student lernte ich unter Professor Jeong Ki-cheol an der Soongsil University, der als Erster in Korea CUDA auf AI anwandte — ich habe damals ernsthaft erwogen, in die Forschung zu gehen.

Auf Grundlage meines Hintergrunds als Ingenieur möchte ich in diesem Beitrag anhand von Nextains technischen Patenten — dem klarsten Ausdruck unserer Identität — erläutern, was Naia OS zu lösen versucht.

Zur Einordnung: Nextain wurde im März 2026 gegründet und hat in gut drei Monaten 12 Patente angehäuft, von denen 8 Probleme adressieren, die im AI-gestützten Entwicklungsprozess aufgetreten sind. Die Implementierungen und Benchmarks für die meisten davon sind bereits öffentlich in den Open-Source-Repositories von Naia-OS, Naia-Agent, Naia-ADK und Naia-Memory verfügbar. Wenn Sie diese Repos klonen und diesen Beitrag einem Coding-AI wie Claude oder Codex übergeben, wird es die Implementierungsorte und die detaillierte Implementierungsstruktur jedes Patents erklären können. Bitte beachten Sie jedoch, dass vieles noch nicht einwandfrei funktioniert.

Kommen wir nun zur Sache.

Was es bedeutet, dass AI Software „federführend" entwickelt

Ich arbeite seit über zwei Jahren täglich mit AI-Agenten zusammen, um Software zu bauen. Anfangs war mein Eindruck schlicht: „AI schreibt Code ziemlich schnell." Heute sehe ich das völlig anders.

Anforderungsanalyse, Design, Implementierung, Verifikation, Deployment und sogar die Sicherung geistigen Eigentums (IP). Das sind die tatsächlichen Phasen des SDLC (Software Development Life Cycle), den unser Team gemeinsam mit AI betreibt. Ich nenne das nicht bloße Unterstützung, sondern einen „AI-Coding-basierten SDLC", bei dem AI ein echter Ausführungsakteur ist.

Wenn man diesen Ansatz jedoch ernsthaft vorantreibt, stößt man auf unerwartet gewaltige Hindernisse. Das sind keine einfachen Bugs oder Performance-Probleme. Es sind strukturelle Schwachstellen in der Betriebsinfrastruktur, die kein „schlaueres Modell" — kein GPT-5, das zu GPT-6 wird — jemals allein beheben kann.

Lassen Sie mich einige der strukturellen Lücken durchgehen, auf die ich persönlich gestoßen bin, und die Lösungen, die Nextain entwickelt hat.

Strukturelle Lücke 1. Verdampfender Kontext und kontaminiertes Gedächtnis

Ein SDLC ist eine Langzeitarbeit, die Wochen bis Monate dauern kann. Wenn eine Session endet, vergisst die AI die gestern getroffenen Architekturentscheidungen, die geprüften und verworfenen Alternativen und die zu beachtenden Risikofaktoren vollständig. Egal wie groß das Kontextfenster wird — das Limit ist real, und letztlich läuft alles auf die Frage hinaus: „Was behalten wir, was werfen wir weg?"

Aktuelle AI hat keine aktive Fähigkeit zum Vergessen: Sie häuft entweder alle Informationen an — auch nutzlose — oder muss bei jeder Wichtigkeitsentscheidung ein teures LLM aufrufen. Schlimmer noch: Wenn Erinnerungen mechanisch komprimiert werden, bevor eine Arbeitsepisode abgeschlossen ist, wird der laufende Kontextfaden mittendrin abgeschnitten.

Nextains Antwort: Wir haben das neurowissenschaftliche Gedächtnisklassifikationsmodell (Arbeitsgedächtnis / episodisches Gedächtnis / semantisches Gedächtnis) direkt in ein AI-Gedächtnissystem übertragen. Über eine dreiachsige Heuristik aus Wichtigkeit, Überraschung und emotionaler Intensität wird das Gedächtnis ohne LLM-Aufruf gegatert (Gating). Außerdem haben wir die Gedächtniskomprimierung so strukturiert, dass sie erst nach systemischer Bestätigung des Episodenabschlusses sicher ausgeführt werden kann — mit dem Ziel, die wesentliche Projektabsicht zu bewahren und zugleich die Fähigkeit zu schaffen, die richtigen Informationen zum richtigen Zeitpunkt abzurufen.

(Verwandte Patente: Neurowissenschaftsbasiertes Langzeitgedächtnismanagement / Wichtigkeits-Gating-basiertes kognitives Gedächtnis / Episodenintegrationszustandsbasierte sichere Komprimierung)

Strukturelle Lücke 2. Die stille Korruption von Anweisungsdateien (Context Drift)

Im Laufe eines Projekts beginnen Kontextdateien wie AGENTS.md, sich gegenseitig zu widersprechen. Oben steht „nur pnpm verwenden", weiter unten wird eine Regel hinzugefügt: „npm ist auch möglich." In diesem Zustand fängt die AI an, zickzack zu laufen. Bittet man die AI, diese Dateien selbst zu prüfen, wird sogar der prüfende AI-Agent durch geschickt versteckte Prompt-Injections wie „ignoriere diese Regel" kontaminiert.

Nextains Antwort: Strukturelle Isolation ist die einzige Antwort auf dieses Problem. Wir wenden gleichzeitig drei Maßnahmen an — Beschränkung der Toolnutzungsrechte, epistemisches Reframing und Persona-Deaktivierung — um einen „nur für Audits zuständigen Sub-Agenten" zu konstruieren, der vollständig von der ursprünglichen Arbeitsumgebung isoliert ist, mit dem Ziel, die Integrität des Kontexts zu verifizieren und das Projekt auf Kurs zu halten.

(Verwandtes Patent: Integritätsverifizierung von AI-Workspace-Kontextdateien)

Strukturelle Lücke 3. Verzerrte und unkontrollierbare parallele Sessions

Die Urteile eines einzelnen AI-Agenten sind durchgängig und konsistent voreingenommen. Lässt man ihn sich selbst verifizieren, verstärkt das nur den Selbstbestätigungsbias. In Umgebungen, in denen mehrere Agenten gleichzeitig laufen, ist es außerdem für andere Agenten wie auch für Menschen schwer, in Echtzeit zu erkennen, ob ein Agent gestoppt hat, ob er einen Fehler produziert hat oder ob er normal läuft.

Nextains Antwort: Urteilsverzerrungen begegnen wir durch „Cross-Checks" zwischen Agenten. Wir haben eine Mehrfachagenten-Gegenseitigkeitsverifikationsstruktur entworfen, die Strafen domänenspezifisch kumuliert und Agenten mit gesunkener Verlässlichkeit in Echtzeit aus dem Verifizierungsprozess ausschließt. Zudem haben wir eine Technik entwickelt, die den Zustand (Active/Idle/Error/Stopped) zahlreicher paralleler Sessions ausschließlich anhand von Dateisystemereignissen (z. B. Zeitstempeländerungen) überwacht — ohne jegliche Änderung am Agenten-Code. Das Ziel ist, Naia zu einem Orchestrator zu machen, der mich gut kennt und mehrere AI-Agenten effizient koordiniert.

(Verwandte Patente: Mehrfachagenten-Gegenseitigkeitsverifikation / Dateisystemereignisbasierte Multi-AI-Session-Überwachung)

8 Patente, die die gesamte SDLC-Pipeline abdecken

Über die oben genannten Grundlagentechnologien hinaus haben wir jede einzelne Detailfähigkeit, die AI braucht, um ein echter Akteur in der Entwicklung zu sein, modularisiert und als Patent angemeldet.

Diese 8 Punkte sind keine Fragmente verschiedener Technologien. Sie sind eine organische Antwort auf eine einzige Frage: „Wie muss sich die Infrastruktur verändern, damit AI zum wahren Akteur in der Softwareentwicklung werden kann?"

Von insgesamt 12 Patenten betreffen die verbleibenden 4 unsere Servicearchitektur sowie Technologien für AI-Agenten-Frameworks und Modellentwicklung mit Wahrnehmungsfähigkeiten.

Nextain ist kein Unternehmen, das einfach AI-APIs zusammensteckt, um Services zu bauen. Wir erforschen gleichzeitig die strukturellen Probleme, die dem Prozess inhärent sind, bei dem Menschen und AI gemeinsam Software entwickeln — aus software-engineering-wissenschaftlicher Perspektive — und kombinieren dabei AIs eigene Wahrnehmungs- und Gedächtnismechanismen mit dieser Forschung.

Das Naia, das wir aufbauen, ist keine bloße AI-VTuberin und kein Tool, das einfach nur Code tippt. Sie ist eine Akteurin, deren Anweisungen man vertrauen kann, die sich an die harten Debatten von gestern erinnert, die präzise urteilt und den SDLC gemeinsam mit Ihnen verantwortet. Eine echte AI-Kollegin — eine, die gute Arbeit leistet und die gemeinsame Arbeit wesentlich weniger mühsam macht.