Tiefe Repository-Analyse
Auf dieser Seite
Lektion aktualisiert am 3. November 2026 basierend auf dem Codex-Handbuch: „Deep Research for GitHub” ist keine Codex-Funktion. Repository-Analysen werden mit Codex im Lese-only-Modus durchgeführt, während Deep Research eine Funktion von ChatGPT Work ist, deren Verfügbarkeit von Ihrem Konto und Ihrem Arbeitsbereich abhängt. Die unbelegte Vergleichstabelle zu Laufzeiten der vorherigen Version wurde entfernt. Quellen: Codex CLI · Nicht-interaktiver Modus.
Tiefe Repository-Analyse
Bevor Sie Code ändern, müssen Sie ihn oft zuerst verstehen: die Architektur eines Legacy-Projekts, seine Abhängigkeiten und seine technische Schuld. Zwei Tools eignen sich dafür. Codex analysiert ein Repository von innen heraus – es liest Dateien, untersucht die Git-Historie und führt Diagnosebefehle aus –, ohne dabei Änderungen vorzunehmen. Das Deep Research von ChatGPT Work führt Untersuchungen über mehrere Quellen hinweg durch und liefert einen belegten Bericht; es ist das richtige Werkzeug für Fragen, die über das Repository hinausgehen, wie beispielsweise die Bewertung einer externen Bibliothek.
Analysieren ohne Änderungen vorzunehmen
Eine Standard-Codex-Aufgabe führt eine Aktion aus: Code schreiben, einen Fehler beheben oder Tests generieren. Für Analysen bitten Sie Codex, ohne Änderungen zu synthetisieren, und geben Sie ihm die Mittel, um sich an diese Einschränkung zu halten. Stellen Sie die Sitzung auf Lese-only (/permissions, Modus read-only) ein, oder führen Sie die Analyse mit codex exec aus, der standardmäßig eine Lese-only-Sandbox verwendet. Es kann Hunderte von Dateien scannen, die Git-Historie untersuchen und einen detaillierten Bericht erstellen. Dieser Unterschied zeigt sich sofort in Ihrem Prompt, der sich auf das Verständnis statt auf die Änderung konzentrieren sollte:
"Analysieren Sie die Architektur dieses Projekts, ohne Dateien zu ändern.
Wie fließt die Daten von der API zur Datenbank? Welche Muster werden verwendet?
Wo liegen die Schwachstellen?"
Das Ergebnis ist kein Commit, sondern ein strukturiertes Dokument, das Verweise auf relevante Dateien und Empfehlungen enthält. Sie prüfen es, besprechen es in einem technischen Meeting und korrigieren es, wo es falsch liegt.
Technische Einarbeitung beschleunigen
Wenn sich ein Entwickler einem Team anschließt, verbringt er in den ersten zwei Wochen meist Zeit damit, eine Karte mental zu rekonstruieren, die niemand jemals niedergeschrieben hat: Welche Service-Aufrufe was tun, warum ein Modul einen Namen hat, der nicht mehr zu seinem Inhalt passt, oder wo die Abrechnungslogik versteckt liegt. Codex kann diese Karte für sie zeichnen:
"Analysieren Sie dieses Repository und generieren Sie eine Einarbeitungsanleitung
für einen neuen Entwickler. Behandeln Sie:
- Allgemeine Architektur und Schichten
- Namens- und Strukturkonventionen
- End-to-End-Fluss einer typischen Anfrage
- Die wichtigsten Dateien, die zuerst gelesen werden müssen
- Häufige Fallstricke und projektspezifische Eigenheiten"
Das resultierende Dokument dient als Referenz in den ersten Wochen und wird korrigiert, sobald das Team Feedback gibt. Diese Korrekturaufgabe hat einen unerwarteten Vorteil: Sie deckt Blindstellen auf, die niemand dokumentiert hat, weil „jeder weiß, wie es funktioniert”.
Abhängigkeiten und technische Schuld auditten
Der zweite natürliche Anwendungsfall ist die Inventur. Ein Codebestand aus drei Jahren sammelt verlassene Bibliotheken, funktionale Duplikate und tote Imports, die niemand wagt zu löschen, mangels Überblick:
"Analysieren Sie alle Projektabhängigkeiten (package.json
und Lock-Datei). Identifizieren Sie:
- Veraltete Pakete (letzte Aktualisierung > 1 Jahr her)
- Bekannte Sicherheitslücken
- Duplizierte Pakete (gleiche Funktionalität)
- Unbenutzte Pakete (überall importiert)
- Pakete mit inkompatiblen Lizenzen"
Diese Analyse kreuzverweist package.json, die Lock-Datei und die Imports, die tatsächlich im Code vorhanden sind. Für bekannte Sicherheitslücken und den Wartungsstatus von Paketen benötigt es öffentliche Daten, sodass Sie explizit den Netzwerkzugriff erlauben oder die Audit-Tools Ihres Paketmanagers verwenden (wie npm audit). Die Bewertung der technischen Schuld folgt derselben Logik, mit einer zusätzlichen Anforderung – der letzten Zeile des Prompts. Ohne Sortierkriterien erhalten Sie eine Liste von vierzig Problemen, ohne zu wissen, wo Sie anfangen sollen.
"Bewerten Sie die technische Schuld dieses Projekts. Analysieren Sie:
- Zyklomatische Komplexität der Kernmodule
- Häufigste geänderte Dateien (Git-Hotspots)
- Muster der Code-Duplikation
- Unaufgelöste TODOs und FIXMEs
- Testabdeckung pro Modul
Ordnen Sie die Probleme nach Auswirkung und Aufwand zur Behebung."
Der Wert dieser Analysen liegt im Verhältnis von investierter Zeit zu erzielten Ergebnissen: wenige präzise Anweisungen ersetzen Tage des Lesens. Messen Sie dies an Ihren eigenen Projekten, statt sich auf generische Schätzungen zu verlassen, und prüfen Sie den Bericht stets: Das Agentensystem kann falsch liegen, besonders bezüglich dessen, was das Repository nicht enthält.
Ein externes Projekt vor der Übernahme bewerten
Bei einer Open-Source-Bibliothek, die Sie in Erwägung ziehen, geht die Frage über das Repository hinaus: Veröffentlichungshäufigkeit, Issue-Aktivität und Reputation. Dies ist das Gebiet des Deep Research von ChatGPT Work. In der Desktop-App wechseln Sie zu Work, öffnen Plugins und wählen Deep Research; im Web öffnen Sie das +-Menü in einem Work-Gespräch. Die Verfügbarkeit hängt von Ihrem Konto und Ihrem Arbeitsbereich ab:
"Analysieren Sie das Repository github.com/org/library.
Bewerten Sie seine Reife:
- Veröffentlichungshäufigkeit und Wartung
- Qualität der Dokumentation
- Community-Aktivität (Issues, PRs)
- Testabdeckung
- Empfehlung: Ist es sicher, dies in der Produktion zu übernehmen?"
Dies ist der ÜberprüfungsSchritt, den wir fast immer überspringen, weil wir uns eine halbe Tageszeit dafür nicht leisten können, doch sein Fehlen kostet uns zwei Jahre später: Die Bibliothek wird nicht mehr gewartet, ihr einziger Maintainer ist verschwunden, und Sie sind mit einer Abhängigkeit zurückgelassen, die Sie in Eile umschreiben müssen.
Handlungsfähige Berichte erhalten
Die Qualität des Berichts hängt direkt von der Präzision des Prompts ab. „Wo liegen die Schwachstellen?” liefert ein weit nützlicheres Ergebnis als „Analysieren Sie das Projekt”, weil die erste Formulierung einen Winkel vorschreibt und eine Hierarchie erzwingt. Fordern Sie zudem ein explizites Format an – „nach Priorität sortieren”, „nach Modul organisieren” –, um ein Dokument zu erhalten, das man überfliegen kann, statt es von vorne bis hinten zu lesen. Verfolgen Sie dann mit konkreten Codex-Aufgaben die Behebung der identifizierten Probleme. Zu diesem Zeitpunkt hört die Analyse auf, nur ein weiterer Bericht zu sein, und wird zum Ausgangspunkt eines Arbeitsplans. Teilen Sie diese Berichte schließlich mit Ihrem Team, da ihr Wert mit der Anzahl der Personen wächst, die sie täglich heranziehen.
Kernaussagen
- Um ein Repository zu analysieren, führen Sie Codex im Lese-only-Modus aus (
/permissionsodercodex exec, der standardmäßig Lese-only ist) - Ideal für Einarbeitung, Audits und die Bewertung der technischen Schuld
- Das Deep Research von ChatGPT Work eignet sich für Fragen mit mehreren Quellen, wie die Bewertung einer externen Bibliothek
- Ergebnisse fließen in konkrete Codex-Aufgaben ein, um identifizierte Probleme zu beheben
- Prüfen Sie jeden Bericht: Das Agentensystem kann falsch liegen, besonders bezüglich fehlender Inhalte