Communitygithub.com

Architektur-Entscheidungsprotokolle

Erfasse Architekturentscheidungen, die während Claude Code-Sitzungen getroffen werden, als strukturierte ADRs. Erkennt Entscheidungsmomente automatisch, dokumentiert Kontext, Alternativen und Gründe. Führt ein ADR-Protokoll, damit zukünftige Entwickler verstehen, warum die Codebasis so geformt ist, wie sie ist.

Was ist Architektur-Entscheidungsprotokolle?

Diese Fertigkeit (Skill) für KI-gestützte Entwicklungsassistenten wie Claude Code automatisiert die Erfassung und Verwaltung von Architecture Decision Records (ADRs). Sie erkennt sowohl explizite als auch implizite Entscheidungssignale während einer Codierungssitzung – z. B. wenn ein Entwickler zwischen zwei Frameworks wählt oder eine Datenbankarchitektur festlegt. Anstatt dass diese Entscheidungen nur in Slack-Threads oder PR-Kommentaren existieren, erstellt die Fertigkeit standardisierte ADR-Markdown-Dokumente, die im Verzeichnis `docs/adr/` abgelegt werden. Der Workflow umfasst die automatische Generierung eines ADR-Entwurfs mit Kontext, Entscheidung, Alternativen und Konsequenzen, der dem Benutzer zur Genehmigung vorgelegt wird. Nur nach expliziter Bestätigung werden Dateien geschrieben und das ADR-Index-README aktualisiert. Die Fertigkeit unterstützt auch das Nachschlagen bestehender ADRs, wenn ein Entwickler fragt: „Warum haben wir uns für X entschieden?“. Sie folgt dem bewährten ADR-Format von Michael Nygard und behandelt den vollständigen Lebenszyklus von Statusübergängen (vorgeschlagen → akzeptiert → veraltet/ersetzt). Entwicklerteams profitieren von einer nachvollziehbaren, versionierten Historie architektonischer Entscheidungen, die das Onboarding neuer Teammitglieder erheblich erleichtert und technische Schulden reduziert, da Entscheidungsgründe nicht verloren gehen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/architecture-decision-records

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Architecture Decision Records (Architektur-Entscheidungsprotokolle)

Halte Architekturentscheidungen fest, sobald sie während Codierungssitzungen getroffen werden. Anstatt dass Entscheidungen nur in Slack-Threads, PR-Kommentaren oder der Erinnerung von jemandem existieren, erzeugt diese Fertigkeit strukturierte ADR-Dokumente, die zusammen mit dem Code leben.

Wann aktivieren

  • Benutzer sagt explizit: „Lass uns diese Entscheidung aufzeichnen“ oder „ADR das“
  • Benutzer wählt zwischen bedeutenden Alternativen (Framework, Bibliothek, Muster, Datenbank, API-Design)
  • Benutzer sagt: „Wir haben uns entschieden...“ oder „Der Grund, warum wir X statt Y machen, ist...“
  • Benutzer fragt: „Warum haben wir X gewählt?“ (bestehende ADRs lesen)
  • Während Planungsphasen, wenn architektonische Abwägungen diskutiert werden

ADR-Format

Verwende das schlanke ADR-Format, vorgeschlagen von Michael Nygard, angepasst für KI-gestützte Entwicklung:

# ADR-NNNN: [Entscheidungstitel]

**Datum**: YYYY-MM-DD
**Status**: vorgeschlagen | akzeptiert | veraltet | ersetzt durch ADR-NNNN
**Entscheider**: [wer beteiligt war]

## Kontext

Was ist das Problem, das wir sehen und das diese Entscheidung oder Änderung motiviert?

[2-5 Sätze, die die Situation, Einschränkungen und wirkenden Kräfte beschreiben]

## Entscheidung

Was ist die Änderung, die wir vorschlagen und/oder durchführen?

[1-3 Sätze, die die Entscheidung klar benennen]

## Alternativen erwogen

### Alternative 1: [Name]
- **Vorteile**: [Nutzen]
- **Nachteile**: [Nachteile]
- **Warum nicht**: [spezifischer Grund für die Ablehnung]

### Alternative 2: [Name]
- **Vorteile**: [Nutzen]
- **Nachteile**: [Nachteile]
- **Warum nicht**: [spezifischer Grund für die Ablehnung]

## Konsequenzen

Was wird durch diese Änderung einfacher oder schwieriger?

### Positiv
- [Vorteil 1]
- [Vorteil 2]

### Negativ
- [Zielkonflikt 1]
- [Zielkonflikt 2]

### Risiken
- [Risiko und Minderung]

Arbeitsablauf

Erfassen eines neuen ADR

Wenn ein Entscheidungsmoment erkannt wird:

  1. Initialisieren (nur beim ersten Mal) – falls docs/adr/ nicht existiert, frage den Benutzer um Bestätigung, bevor das Verzeichnis, eine README.md mit dem Index-Tabellenkopf (siehe ADR-Index-Format unten) und eine leere template.md zur manuellen Verwendung erstellt werden. Erstelle keine Dateien ohne explizite Zustimmung.
  2. Entscheidung identifizieren – extrahiere die grundlegende architektonische Wahl, die getroffen wird.
  3. Kontext sammeln – welches Problem hat dazu geführt? Welche Einschränkungen gibt es?
  4. Alternativen dokumentieren – welche anderen Optionen wurden erwogen? Warum wurden sie abgelehnt?
  5. Konsequenzen benennen – was sind die Abwägungen? Was wird einfacher/schwieriger?
  6. Nummer zuweisen – durchsuche bestehende ADRs in docs/adr/ und erhöhe den Zähler.
  7. Bestätigen und schreiben – lege den ADR-Entwurf dem Benutzer zur Überprüfung vor. Schreibe nur nach expliziter Genehmigung in docs/adr/NNNN-entscheidungstitel.md. Wenn der Benutzer ablehnt, verwerfe den Entwurf, ohne Dateien zu schreiben.
  8. Index aktualisieren – hänge an docs/adr/README.md an.

Vorhandene ADRs lesen

Wenn ein Benutzer fragt: „Warum haben wir X gewählt?“:

  1. Prüfe, ob docs/adr/ existiert – falls nicht, antworte: „In diesem Projekt wurden keine ADRs gefunden. Möchten Sie beginnen, Architekturentscheidungen aufzuzeichnen?“
  2. Wenn es existiert, durchsuche den Index docs/adr/README.md nach relevanten Einträgen.
  3. Lese die passenden ADR-Dateien und präsentiere die Abschnitte Kontext und Entscheidung.
  4. Wenn keine Übereinstimmung gefunden wird, antworte: „Für diese Entscheidung wurde kein ADR gefunden. Möchten Sie jetzt einen aufzeichnen?“

ADR-Verzeichnisstruktur

docs/
└── adr/
    ├── README.md              ← Index aller ADRs
    ├── 0001-use-nextjs.md
    ├── 0002-postgres-over-mongo.md
    ├── 0003-rest-over-graphql.md
    └── template.md            ← leere Vorlage zur manuellen Verwendung

ADR-Index-Format

# Architecture Decision Records (Architektur-Entscheidungsprotokolle)

| ADR | Titel | Status | Datum |
|-----|-------|--------|-------|
| [0001](0001-use-nextjs.md) | Verwende Next.js als Frontend-Framework | akzeptiert | 2026-01-15 |
| [0002](0002-postgres-over-mongo.md) | PostgreSQL statt MongoDB als primären Datenspeicher | akzeptiert | 2026-01-20 |
| [0003](0003-rest-over-graphql.md) | REST-API statt GraphQL | akzeptiert | 2026-02-01 |

Signale zur Entscheidungserkennung

Achte auf diese Muster im Gespräch, die auf eine Architekturentscheidung hindeuten:

Explizite Signale

  • „Lass uns mit X gehen“
  • „Wir sollten X anstelle von Y verwenden“
  • „Der Zielkonflikt ist es wert, weil...“
  • „Zeichne dies als ADR auf“

Implizite Signale (schlafe die Aufzeichnung eines ADR vor – erstelle nicht automatisch ohne Benutzerbestätigung)

  • Vergleichen von zwei Frameworks oder Bibliotheken und Erreichen einer Schlussfolgerung
  • Treffen einer Datenbankschema-Designentscheidung mit begründeter Begründung
  • Wählen zwischen Architekturmustern (Monolith vs. Microservices, REST vs. GraphQL)
  • Entscheiden über Authentifizierungs-/Autorisierungsstrategie
  • Auswählen der Bereitstellungsinfrastruktur nach Bewertung von Alternativen

Was einen guten ADR ausmacht

Tun

  • Sei spezifisch – „Verwende Prisma ORM“, nicht „verwende ein ORM“
  • Halte das Warum fest – die Begründung ist wichtiger als das Was
  • Schließe abgelehnte Alternativen ein – zukünftige Entwickler müssen wissen, was erwogen wurde
  • Formuliere Konsequenzen ehrlich – jede Entscheidung hat Abwägungen
  • Halte es kurz – ein ADR sollte in 2 Minuten lesbar sein
  • Verwende die Gegenwartsform – „Wir verwenden X“, nicht „Wir werden X verwenden“

Nicht tun

  • Triviale Entscheidungen aufzeichnen – Variablennamen oder Formatierungsentscheidungen brauchen keine ADRs
  • Aufsätze schreiben – wenn der Kontextabschnitt 10 Zeilen überschreitet, ist er zu lang
  • Alternativen weglassen – „wir haben es einfach ausgewählt“ ist keine gültige Begründung
  • Nachträglich ohne Kennzeichnung ausfüllen – wenn eine vergangene Entscheidung aufgezeichnet wird, notiere das ursprüngliche Datum
  • ADRs veralten lassen – ersetzte Entscheidungen sollten auf ihre Ersetzung verweisen

ADR-Lebenszyklus

vorgeschlagen → akzeptiert → [veraltet | ersetzt durch ADR-NNNN]
  • vorgeschlagen: Entscheidung wird diskutiert, noch nicht umgesetzt
  • akzeptiert: Entscheidung ist in Kraft und wird befolgt
  • veraltet: Entscheidung ist nicht mehr relevant (z. B. Feature entfernt)
  • ersetzt: ein neuerer ADR ersetzt diesen (immer auf die Ersetzung verlinken)

Kategorien von Entscheidungen, die es wert sind, aufgezeichnet zu werden

KategorieBeispiele
TechnologieentscheidungenFramework, Sprache, Datenbank, Cloud-Anbieter
ArchitekturmusterMonolith vs. Microservices, ereignisgesteuert, CQRS
API-DesignREST vs. GraphQL, Versionierungsstrategie, Authentifizierungsmechanismus
DatenmodellierungSchema-Design, Normalisierungsentscheidungen, Caching-Strategie
InfrastrukturBereitstellungsmodell, CI/CD-Pipeline, Monitoring-Stack
SicherheitAuth-Strategie, Verschlüsselungsansatz, Geheimnisverwaltung
TestenTest-Framework, Abdeckungsziele, E2E- vs. Integrations-Balance
ProzessBranching-Strategie, Review-Prozess, Release-Rhythmus

Integration mit anderen Fertigkeiten

  • Planer-Agent: Wenn der Planer Architekturänderungen vorschlägt, schlage die Erstellung eines ADR vor
  • Code-Reviewer-Agent: Markiere PRs, die Architekturänderungen ohne entsprechenden ADR einführen

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills