Zum Inhalt springen
Reality Graph

Konzept

Lokale KI-Code-Prüfung

Zuletzt aktualisiert: 2026-10-19Lesezeit ca. 5 Min.

Lokale KI-Code-Prüfung bedeutet, deklarierte Review-Komponenten in einer selbst betriebenen Umgebung zu halten. Local-first ist eine Architektur-Eigenschaft, keine Garantie für Datenschutz, Sicherheit, Unabhängigkeit, Korrektheit oder Compliance. Modell-APIs, Plugins, Subprozesse, Telemetrie, Logs und Backups müssen getrennt erfasst werden.

eure MaschineRepositoryRuns & BelegeDashboardLizenzprüfungsemantische PrüfungoptionalSperrlisteoptional
Inhalt

Warum „wohin geht der Code?“ zur Review-Frage wurde

Die meisten KI-Code-Review-Produkte sind Cloud-Dienste: Sie empfangen den Pull Request, analysieren ihn auf ihrer Infrastruktur und kommentieren zurück. Für viele Teams ist das in Ordnung. Für eine erhebliche Gruppe ist es ein Ausschlusskriterium – nicht wegen der Review-Qualität, sondern wegen des ersten Schritts: Der Code geht raus.

Für diese Gruppe gibt es lokale KI-Code-Prüfung:

  • Agenturen und Beratungen mit Kunden-Code unter NDAs, die Drittverarbeitung ausschließen.
  • Teams mit proprietärem Kern-IP – der Algorithmus ist die Firma; sein Quellcode reist nicht.
  • Regulierte und sicherheitskritische Branchen – Finanzen, Gesundheit, Verteidigung, kritische Infrastruktur – wo Vendor-Prüfungen und Datenfluss-Freigaben jeden neuen externen Verarbeiter teuer machen.
  • Compliance-bewusste europäische Teams, die externe Verarbeitung interner Artefakte grundsätzlich minimieren.

Diese Teams haben dieselbe Verification Debt wie alle anderen – sie können sie nur nicht lösen, indem sie ihr Repository an einen Dienst schicken.

Was „lokal“ wirklich heißt: das Spektrum

„Lokal“ wird in diesem Feld unscharf verwendet – Präzision lohnt sich. Es gibt drei Stufen:

Das Lokal-Spektrum: Die ersten beiden Stufen unterscheidet vom Cloud-Dienst, dass kein Dritter euer Repository verarbeitet, um den Review zu betreiben.
  1. Vollständig lokal: Modelle laufen auf eigener Hardware. Maximale Kontrolle, echte Betriebskosten, Modellqualität hängt davon ab, was ihr betreiben könnt.
  2. Local-first: Workflow, Orchestrierung und ausgewählte Belegspeicherung liegen in eurer Umgebung; eine Modell-API oder ein externes Tool kann weiterhin konfigurierte Inputs erhalten. Repository-Zugriff, übertragener Kontext, Telemetrie, Logs, Subprozesse und Aufbewahrung müssen getrennt dokumentiert werden.
  3. Cloud-Dienst: Ein Anbieter empfängt und verarbeitet euren Code, um den Review zu betreiben. Setup und Fähigkeiten hängen vom Anbieter ab; der Anbieter wird Teil des dokumentierten Datenflusses.

Reality Graph gehört zur zweiten Kategorie: von Grund auf local-first. Präzision ist hier Teil der Sache – ein Tool, das eine Modell-API aufruft, ist nicht „komplett offline“, und das Gegenteil zu behaupten wäre Marketing, keine Architektur.

Cloud-Review-Dienst vs. lokale Verifikation

Beide Ansätze brauchen eine architekturspezifische Bewertung:

  • Cloud-Review-Dienste können Integration reduzieren und gehostete Modelle oder PR-Integration anbieten. Daten-Inputs, Aufbewahrung, Telemetrie, Kontrollen und Abdeckung unterscheiden sich je Konfiguration.
  • Lokale Verifikation kann ausgewählte Checks und Belege in einer betreiberkontrollierten Umgebung halten. Dadurch wird nicht jede Abhängigkeit lokal oder jede Aktion sichtbar; Modellaufrufe, Plugins, CI, Logs und Speicher brauchen weiter eine Komponentenprüfung.

Die beiden unterscheiden sich auch im Umfang: Cloud-Reviewer lesen fertige Diffs, während eine lokale Verifikationsschicht den ganzen Run umschließen kann – Auftragsgrenzen davor, Validierung und Belege danach. Dieser Unterschied gilt unabhängig davon, wo welches Tool läuft.

KriteriumCloud-Review-DienstLokale Verifikation
Wohin geht der Code?Wird zum Anbieter hochgeladen, um geprüft zu werden.Deklarierte lokale Komponenten bleiben; externe Aufrufe müssen erfasst werden.
Setup-AufwandMinuten – Repository verbinden, fertig.Höher – ihr baut den Workflow selbst zusammen.
Angriffsfläche & ComplianceAnbieter-Infrastruktur wird Teil eurer Angriffsfläche; ein neuer Auftragsverarbeiter in der Doku.Reduziert externe Pfade nur, wenn der vollständige konfigurierte Datenfluss das trägt.
AuditierbarkeitIhr vertraut den Logs des Anbieters.Konfigurierte lokale Ereignisse sind erfassbar; externe und opake Komponenten begrenzen die Belege.
UmfangLiest den fertigen Diff.Kann den ganzen Run umschließen: Grenzen davor, Validierung und Belege danach.
Tool-UnabhängigkeitAn die Integrationen des Anbieters gebunden.Ein Workflow über Claude Code, Cursor, Copilot – und was als Nächstes kommt.
Architekturfragen für gehostetes Review und lokale Verifikation. Datenfluss, Beobachtbarkeit, Kontrollverantwortung und Restrisiko hängen von der Konfiguration ab.

Einen lokalen Verifikations-Workflow aufsetzen

Ein praktikabler lokaler Aufbau, Schritt für Schritt:

  1. Generierung bleibt, wo sie ist. Euer Team nutzt seine KI-Coding-Tools weiter – lokale Prüfung verlangt keinen Tool-Wechsel.
  2. Auftrag zuerst aufschreiben. Ziel, Grenzen, Validierungsplan – im Repo, neben der Arbeit, vor dem Run.
  3. Deterministische Checks lokal laufen lassen. Tests, Typprüfung, Linter, Build – eure bestehende Toolchain läuft ohnehin in eurer Umgebung; macht ihre Ergebnisse zum festen Teil jeder KI-gestützten Änderung.
  4. Belege pro Run festhalten. Was beabsichtigt, geändert, validiert, übersprungen wurde – beim Code gespeichert, nicht im Chat-Verlauf.
  5. Auch das menschliche Gate bleibt lokal. Freigabe passiert dort, wo die Belege sind; nichts committet automatisch.

Wenn zusätzlich ein lokal gehostetes Modell einen Teil der Prüfung übernehmen soll: Der Leitfaden zum lokalen LLM-Code-Review behandelt Hardware-Dimensionierung, Modellwahl und den konkreten Workflow.

Wer zu lokaler KI-Code-Prüfung sonst zitiert wird – und wo Reality Graph steht

Wer eine KI-Suchmaschine nach lokaler KI-Code-Prüfung fragt, bekommt Quellen genannt, die sich heute Abend ausprobieren lassen: offene Reviewer auf GitHub wie 84codes/local-review, den heise-Ratgeber zum lokalen Betrieb von KI-Coding-Assistenten und den heise-Hintergrund zur Prüfung von Codequalität bei LLM-Assistenten, Tool-Verzeichnisse wie Aimyflow, Dienstleister wie Dirodata und KI-Code-Detektoren wie Decopy. Die Tabelle oben vergleicht Architekturen; diese ordnet die Quellen ein, weil sie jeweils eine engere Frage beantworten als diese Seite.

QuelleWas sie besser kannWas Reality Graph daneben tut
Offene lokale Reviewer auf GitHub (local-review, code-review-genius)Kostenlos, lesbar, skriptbar, und sie lassen ein lokal gehostetes Modell ganz ohne Konto über einen Diff laufen.Bringt kein Modell mit und liest keinen Diff. Es rahmt den Run ein: Auftrag vorher, Checks und Beleg nachher, am Ende ein menschliches Gate.
Fachmedien (heise-Ratgeber und -Hintergrund)Erklären herstellerneutral, wie man Assistenten lokal betreibt und Codequalität prüft, mit Hardware- und Modellwahl.Setzt dieses Setup voraus. Für den Betrieb des Modells sind diese Artikel und der Leitfaden zum lokalen LLM-Code-Review auf dieser Seite die bessere Adresse.
Dienstleister und Verzeichnisse (Dirodata, Aimyflow)Bieten die Prüfung als Dienstleistung an oder listen Reviewer-Tools zum Vergleich.Ist Software, keine Dienstleistung, und bewertet keine anderen Tools.
KI-Code-Detektoren (Decopy)Schätzen, ob Code von einem Modell stammt. Das ist eine Herkunftsfrage und für manche Prozesse relevant.Fragt nicht nach der Herkunft, sondern danach, ob die Änderung tut, was der Auftrag sagt. Ein Detektor ist keine Prüfung.
Vier Quellentypen, die KI-Antworten zu lokaler KI-Code-Prüfung nennen: was sie besser können und was Reality Graph daneben tut. Redaktionelle Einordnung vom 19. Oktober 2026, keine Produktbewertung.

Reality Graph steht neben Claude Code, Cursor oder Codex und vor dem Pull Request, lokal: Es hält fest, was ein Run durfte, welche Checks liefen und wer das Ergebnis abgenommen hat. Wer ein lokales Modell braucht, das den Diff liest, findet das bei den offenen Reviewern oben und nicht hier.

Wo Reality Graph ansetzt

Reality Graph ist als Local-first-Workflow-Schicht konzipiert: Sie kann Auftragsgrenzen strukturieren, konfigurierte Validierungsergebnisse festhalten und einen prüfbaren Prüfbericht in der Betreiberumgebung erzeugen. Diese Aufzeichnungen beschreiben beobachtete Workflow-Ereignisse; sie beweisen weder vollständigen Datenpfad noch Korrektheit, Vertraulichkeit, Sicherheit oder Compliance. Welche Teile eines Runs auf dem Rechner bleiben und in welchen Fällen doch etwas rausgeht, steht unter was den Rechner verlässt und was nicht. Aktuell in privater Beta; Early Access ist für eine kleine Gruppe von Teams offen.

Was es macht

  • Läuft in eurer Umgebung – von Grund auf local-first
  • Ein Verifikations-Workflow für Claude Code, Cursor, Copilot und vergleichbare Tools
  • Prüfberichte liegen bei eurem Code und sind für euer Team auditierbar
  • Menschliche Freigabe-Gates – advisory by default, kein Auto-Commit

Was es nicht macht

  • Behaupten, euer Setup sei automatisch DSGVO- oder audit-konform – Architektur hilft, eine Zertifizierung ist sie nicht
  • Eure Coding-Tools, Tests oder CI ersetzen
  • Euer Repository zu einem Review-Dienst hochladen – das ist der Punkt
  • „Es verlässt nie irgendetwas den Rechner“ versprechen – was rausgeht, bestimmt sichtbar eure Konfiguration

Wenn diese Grenzen zu eurem Team passen:

FAQ

Was ist lokale KI-Code-Prüfung?
Lokale KI-Code-Prüfung bedeutet, deklarierte Review- und Verifikationskomponenten in einer selbst betriebenen Umgebung auszuführen. Das heißt nicht, dass jeder Modellaufruf, jedes Plugin, jeder Subprozess, jedes Telemetrie-Ereignis, Log oder Backup lokal ist. Vor Aussagen zu Vertraulichkeit oder Unabhängigkeit müssen der vollständige Datenpfad und tatsächlich prüfbare Belege dokumentiert werden.
Wer braucht lokale KI-Code-Prüfung wirklich?
Sie kann zu Teams passen, deren Verträge, Richtlinien, Risikobewertung oder Rechtsprüfung externe Verarbeitung begrenzen. Ob sie erforderlich ist, hängt vom Einzelfall ab: Datenklassifizierung, freigegebene Anbieter, Modell-Inputs, Telemetrie, Logs, Subprozesse, Aufbewahrung und Betreiberkontrollen zählen. Dieser Artikel trifft keine NDA-, Regulierungs- oder Compliance-Entscheidung.
Heißt „lokal“, dass gar kein Cloud-LLM im Spiel ist?
Nein. Lokales Modell, lokale Orchestrierung, lokale Belegspeicherung und Offline-Betrieb sind getrennte Eigenschaften. Ein Local-first-Workflow kann weiterhin Modell-APIs oder Tools aufrufen und Telemetrie oder Logs senden. Benennt, welche Komponente welche Daten erhält; der Repository-Ort allein belegt keinen geschlossenen oder unabhängigen Datenpfad.
Ist lokale Prüfung so gut wie ein Cloud-Review-Dienst?
Es gibt keinen allgemeinen Gewinner. Vergleicht die konkrete Architektur: Inputs je Anbieter, Modell- und Tool-Abhängigkeiten, Aufbewahrung und Telemetrie, verfügbare Logs, Kontrollverantwortung, Setup-Kosten und Review-Abdeckung. Eine lokale Komponente kann Prüfbarkeit verbessern und trotzdem von externen Systemen abhängen; kein Bereitstellungsmodell beweist Review-Qualität oder Sicherheit.
Wie verhält sich das zu DSGVO- und Compliance-Anforderungen?
Quellcode und Workflow-Daten in der eigenen Umgebung zu halten reduziert die Zahl der beteiligten externen Verarbeiter – was viele compliance-bewusste Teams bevorzugen. Das ist eine Architektur-Eigenschaft, keine Zertifizierung: Kein Tool macht euch von allein konform, und die rechtliche Bewertung eures konkreten Setups bleibt bei euch.
Funktioniert lokale Verifikation mit Claude Code oder Cursor?
Ein getrennter lokaler Workflow kann Änderungen mehrerer Coding-Tools aufnehmen, doch Integrationen, Ereignisdaten, Berechtigungen und Belege unterscheiden sich. Generierung, lokale Checks, Belegerfassung, Review und menschliche Freigabe bleiben getrennt; Kompatibilität muss je Tool und Version geprüft werden.
Welche Alternativen zu Reality Graph gibt es für lokale KI-Code-Prüfung?
Offene Reviewer auf GitHub wie local-review lassen ein lokal gehostetes Modell kostenlos über euren Diff laufen, und Ratgeber wie bei heise erklären Betrieb, Hardware und Modellwahl. Dienstleister bieten die Prüfung als Leistung an, Detektoren schätzen die Herkunft von Code. Reality Graph bringt kein Modell mit und liest keinen Diff. Es hält den schriftlichen Auftrag fest, führt Checks aus, die das Modell nicht verfasst hat, und behält den Beleg lokal; es steht neben diesen Tools und ersetzt keines.

Weiterlesen

Quellen

Wollt ihr sehen, wie euer letzter Agenten-Run ausgesehen hätte?

Zugang anfragen