---
type: "BlogPosting"
title: "Pi vs. Claude Code: zwei Agent-Frameworks im Betriebsvergleich"
description: "Pi vs. Claude Code im Betriebsvergleich: 3041 Cron-Läufe, 87 Prozent Erfolgsquote, 393 Fehlerläufe, 149 s Median – was dünner Agent-Loop und schwerer"
resource: "https://www.contextstudios.ai/de/blog/pi-vs-claude-code-zwei-agent-frameworks-im-betriebsvergleich"
language: "de"
tags: ["Agent-Frameworks", "Claude Code", "KI-Agenten", "Entwicklung", "Betrieb"]
generated:
  by: "process:contextstudios-md/1"
  at: "2026-10-23T05:33:47.128Z"
status: "stable"
---

# Pi vs. Claude Code: zwei Agent-Frameworks im Betriebsvergleich

Published: 2026-10-21
Tags: Agent-Frameworks, Claude Code, KI-Agenten, Entwicklung, Betrieb

![Pi vs. Claude Code: zwei Agent-Frameworks im Betriebsvergleich](https://wary-platypus-754.convex.cloud/api/storage/3d74c23d-a7d2-472e-b5ed-ac0fec2c1c9a)

# Pi vs. Claude Code: zwei Agent-Frameworks im Betriebsvergleich

TL;DR: Pi und Claude Code sind keine Konkurrenten um denselben Platz, sondern zwei Architekturen: ein dünner, modellagnostischer Agent-Loop gegen ein integriertes Agent-System. Wir haben beide Ansätze nicht am Feature-Checklist verglichen, sondern im eigenen Betrieb: In den letzten 30 Tagen liefen bei uns 3041 Cron-Läufe mit einer Erfolgsquote von 87 Prozent, 393 Fehlerläufe und eine Median-Laufzeit von 149 Sekunden. Diese Zahlen zeigen, wo ein Agent-Stack im Dauerbetrieb bricht und was ein dünner Loop gegenüber einem schweren Harness real kostet.

Agent-Frameworks werden normalerweise als Feature-Liste verkauft: Wer hat mehr Tools, wer kann mehr autonom, wer hat die schönere IDE-Integration? Diese Liste beantwortet nicht die Frage, die im Betrieb zählt: Was passiert mit dem Stack, wenn er 24/7 läuft, tausende Jobs abarbeitet und irgendwann Fehler produziert, die niemand mehr sieht?

Genau das haben wir bei uns gemessen. Wir betreiben einen Agent-Betrieb auf OpenClaw mit 84 konfigurierten Cron-Jobs, davon 51 aktiv, alle auf dem Modell gx10/qwen3.8-flash-next-nvfp4. Die letzten 30 Tage davon stehen als Datenbasis bereit, und sie erlauben einen Blick auf beide Framework-Klassen, der nicht aus Marketing-Folien stammt.

## Was die beiden Frameworks überhaupt sind

Pi ist ein minimaler Coding-Agent: vier Tools (read, write, edit, bash) in einem engen Loop, modellagnostisch, über eine simple Config an das Modell deiner Wahl angebunden. Die Philosophie: Der Agent ist ein Werkzeug, das der Entwickler vollständig kontrolliert. Kein Dashboard, kein Vendor-Lock-in, kein proprietäres Modell im Nacken.

Claude Code ist das Gegenteil: ein integrierter Agent, der viel von der Orchestrierung selbst übernimmt. Review-Flows, Permissions, Cost-Limits, Multi-Agent-Trust-Boundaries: Das alles ist eingebaut und vorkonfiguriert. Die Frage ist nicht, ob der Agent viel kann, sondern wie viel er dem Nutzer abnimmt.

Die beiden Ansätze werden oft als Konkurrenz um denselben Platz erzählt. Sie sind es nicht. Es sind zwei Antworten auf zwei Fragen: Willst du den Agent im Griff behalten oder willst du, dass der Agent Arbeit von dir nimmt? Unser Betriebsdatenmaterial erlaubt es, diese Frage mit Zahlen statt mit Meinungen zu beantworten.

## Unsere Messung

Die folgende Tabelle stammt aus unserem eigenen Betrieb. Wir lesen `~/.openclaw/cron/jobs.json` (read-only), `~/.openclaw/cron/runs/*.jsonl` und `~/.openclaw/healer-metrics.sqlite` aus, ausgewertet am 2026-10-19 um 10:01 Uhr MESZ.

|  | letzte 30 Tage | 30 Tage davor |
|---|---|---|
| Cron-Läufe | 3041 | 3533 |
| Erfolgsquote | 0.871 | 0.82 |
| Fehlerläufe | 393 | 635 |
| Median-Laufzeit | 149 s | 138 s |

Drei Beobachtungen dazu, die für den Framework-Vergleich relevant sind:

Die Fehlerquote sinkt, aber nicht auf null. 393 Fehlerläufe in 30 Tagen sind rund 13 pro Tag. Die häufigsten Fehlerklassen: FallbackSummaryError (70), Agent couldn't generate a response (61), litellm.APIConnectionError (55) und FailoverError (49). Das sind klassische Betriebsthemen: Fallback-Logik, Verbindungsfehler, Failover-Kaskaden. Genau die Fehler, die ein dünner Loop dem Betreiber nicht abnimmt und ein schwerer Harness teilweise schon.

Der Auto-Healer ist Pflicht, nicht optional. In 30 Tagen: 365 Fehler der Klasse PATTERN, 268 FATAL, 56 CLUSTER, 55 TIMEOUT. Der Healer hat 206 Restarts dispatched, 56 Cluster-Advisories gegeben, 27 Timeout-Erhöhungen angewandt. 29 Eingriffe waren erfolgreich oder angewandt. Ohne diese Automatik wäre die Erfolgsquote deutlich niedriger.

Die jobs werden weniger, nicht besser. 3533 Läufe davor, 3041 jetzt. Der Rückgang korreliert damit, dass wir Jobs konsolidiert und deaktiviert haben (51 von 84 aktiv). Ein dünner Agent-Stack braucht mehr aktive Pflege pro Job; ein schwerer Stack verwaltet mehr Jobs, aber mit höherem Overhead pro Lauf.

## Wo ein dünner Loop im Betrieb bricht

Ein minimaler Agent wie Pi hat einen unschlagbaren Vorteil: du siehst alles. Jeder Read, jeder Write, jeder Bash-Aufruf ist nachvollziehbar. Der Preis: alles, was über den reinen Loop hinausgeht, musst du selbst bauen oder betreiben.

In unserem Stack sieht man das an den Fehlerklassen. FallbackSummaryError und FailoverError sind Symptome einer Failover-Kette, die wir selbst gebaut haben. litellm.APIConnectionError zeigt, wie anfällig die Verbindungsschicht ist, wenn man sie selbst zusammensetzt. Das sind keine Pi-spezifischen Probleme, sondern die Kosten der Kontrolle: Wer den Stack selbst baut, repariert ihn auch selbst.

Der Auto-Healer ist unsere Antwort darauf. 365 PATTERN-Fehler in 30 Tagen, die automatisch erkannt und größtenteils behoben wurden, wären in einem minimalen Setup Handarbeit. Die 268 FATAL-Fehler wären Eskalationen ans Team. Die 206 automatischen Restarts hätten jemand von Hand gefahren.

## Wo ein schwerer Harness Overhead produziert

Auf der anderen Seite steht das integrierte Modell. Claude Code und Verwandte bringen Orchestrierung, Review-Flows und Permissions mit. Der Preis ist der System-Prompt: Berichten zufolge liegen die System-Prompts der großen Coding-Agents bei 7000 bis 10000 Tokens, bevor die erste Nutzeranfrage gestellt wird. Diese Kosten fallen bei jedem API-Call an, nicht einmalig.

In unserem Betrieb sieht man den Unterschied an der Median-Laufzeit: 149 Sekunden pro Lauf. Ein Teil davon ist reiner Overhead: Modell-Aufrufe, die nur dazu dienen, den Agent-Kontext zu pflegen, Tools zu beschreiben, den bisherigen Verlauf zusammenzufassen. Ein dünner Loop mit vier Tools hat weniger Kontext zu pflegen und weniger Möglichkeiten, sich selbst zu verwirren.

Der Trade-off ist ehrlich: Der schwere Harness verwaltet mehr Jobs parallel und nimmt dem Team Arbeit ab. Der dünne Loop ist schneller pro Lauf, braucht aber mehr aktive Pflege. Unsere Zahlen legen nahe, dass der Schwerpunkt auf der Pflege liegen sollte, wenn die Zahl der Jobs wächst.

## Was wir daraus für die Auswahl ableiten

Die Entscheidung Pi oder Claude Code ist keine Liebeserklärung an ein Framework. Es ist eine Frage des Betriebsmodells:

- Du willst Kontrolle und Portabilität: nimm einen dünnen Agent. Du bringst dein eigenes Modell mit, du siehst jeden Schritt, du owns den Stack. Der Preis: Failover, Retry-Logik und Monitoring baust du selbst. Unser Auto-Healer ist genau diese Investition.
- Du willst Durchsatz und Convenience: nimm den integrierten Agent. Orchestrierung, Review, Permissions sind eingebaut, der Agent schafft mehr Jobs parallel. Der Preis: Token-Overhead auf jedem Call und weniger Granularheit bei der Fehlersuche.

Eine wachsende Zahl von Teams wird beides fahren: den dünnen Agent für sensitive oder kostenkritische Workloads, den integrierten Agent für den Rest. Die eigentliche Fähigkeit ist nicht, einem Framework treu zu bleiben, sondern zu wissen, welcher Job in welchen Stack gehört.

## Häufige Fragen

Was ist der praktische Unterschied zwischen Pi und Claude Code?

Pi ist ein minimaler Agent-Loop mit vier Tools, den du vollständig kontrollierst und an ein Modell deiner Wahl anbindest. Claude Code ist ein integrierter Agent, der Orchestrierung, Review und Permissions mitbringt und mehr Arbeit abnimmt. Im Betrieb zeigt sich der Unterschied an Fehlerklassen und Overhead, nicht an der Feature-Liste.

Was kosten die System-Prompts der großen Coding-Agents real?

Berichten zufolge 7000 bis 10000 Tokens, bevor die erste Nutzeranfrage gestellt wird. Diese Kosten sind nicht einmalig, sondern fallen bei jedem API-Call an und schmälern den verfügbaren Context. Ein dünner Loop wie Pi reduziert diesen Overhead auf ein Minimum.

Wie sieht die Fehlerrealität eines Agent-Betriebs aus?

In unserem Stack: 3041 Läufe in 30 Tagen, 393 Fehler, häufigste Klassen FallbackSummaryError, Verbindungsfehler und Failover-Probleme. Ein Agent-Betrieb ohne Auto-Healing und Monitoring produziert diese Fehler unsichtbar. Die Erfolgsquote liegt bei 87 Prozent, nicht bei 100.

Brauche ich einen Auto-Healer für einen dünnen Agent-Stack?

Wenn der Stack rund um die Uhr läuft: ja. Wir hatten in 30 Tagen 365 PATTERN-Fehler, 268 FATAL-Fehler und 55 Timeouts, die der Healer automatisch erkannt hat. 206 Restarts wurden dispatched. Ohne diese Automatik wäre das Handarbeit oder Ausfallzeit gewesen.

Wann fährt man besser beide Frameworks parallel?

Dann, wenn unterschiedliche Workloads unterschiedliche Anforderungen haben: sensitive oder kostenkritische Jobs auf den dünnen Agent, hochfrequente oder orchestrierte Jobs auf den integrierten. Die Entscheidung fällt pro Job, nicht pro Team. Unser Betriebsdatenmaterial legt nahe, dass die Mischform in der Praxis häufiger ist als die Reinform.

## Quellen

1. earendil-works/pi, GitHub-Repository: [https://github.com/earendil-works/pi](https://github.com/earendil-works/pi)
2. Pi offizielle Seite: [https://pi.dev](https://pi.dev/)
3. Owain Lewis, Is Pi better than Claude Code?: [https://newsletter.owainlewis.com/p/is-pi-better-than-claude-code](https://newsletter.owainlewis.com/p/is-pi-better-than-claude-code)
4. Pawel Jozefiak, AI coding harness agents 2026: [https://thoughts.jock.pl/p/ai-coding-harness-agents-2026](https://thoughts.jock.pl/p/ai-coding-harness-agents-2026)
5. byteiota, Pi coding agent minimal harness: [https://byteiota.com/pi-coding-agent-minimal-harness](https://byteiota.com/pi-coding-agent-minimal-harness)
6. MCPlato, Pi Hermes Codex Claude Code: [https://mcplato.com/en/blog/pi-agent-hermes-codex-claude-code-mcplato](https://mcplato.com/en/blog/pi-agent-hermes-codex-claude-code-mcplato)
7. Eigene Betriebsdaten: ~/.openclaw/cron/jobs.json, ~/.openclaw/cron/runs/*.jsonl, ~/.openclaw/healer-metrics.sqlite, ausgewertet 2026-10-19 10:01 MESZ.


## Related

- [KI-Agent-Entwicklung](https://www.contextstudios.ai/de/ki-agent-entwicklung.md)
- [KI-Entwicklung](https://www.contextstudios.ai/de/ki-entwicklung.md)
- [Multi-Agent-Systeme](https://www.contextstudios.ai/de/multi-agent-systeme.md)
- [KI-Software-Entwicklung](https://www.contextstudios.ai/de/ki-software-entwicklung.md)