Coding-Tools
Wahl eines Modells für Coding-Agents
Vergleichen Sie Coding-Modelle basierend auf der Arbeit, dem Kontext, der Geschwindigkeit und dem Budget, die für Sie wichtig sind
Es gibt kein einzelnes „bestes“ Coding-Modell. Ein Modell, das hervorragend für kleine Patches geeignet ist, kann für Änderungen am gesamten Repository ungeeignet sein, und Ergebnisse in Leaderboards lassen nicht darauf schließen, wie gut es Ihren eigenen Anweisungen und Tools folgt.
Nutzen Sie die Models-Seite für aktuelle Modell-IDs, Kontextlimits, API-Formate und TokenLab-Preise. Kopieren Sie keine dauerhafte Empfehlungsliste in Ihre Konfiguration.
Das Modell an die Aufgabe anpassen
| Arbeit | Was am wichtigsten ist |
|---|---|
| Kleine Änderungen und Autocomplete | Schnelle Antworten, niedrige Kosten, zuverlässiges Befolgen von Anweisungen |
| Debugging | Gemeinsames Lesen von Logs und Code, Testen von Hypothesen, Einhalten des Scopes |
| Code-Review | Finden konkreter Fehler, ohne das Review mit Spekulationen zu überfluten |
| Große Refactorings | Ausreichend Kontext, konsistente Änderungen über Dateien hinweg und starke Tool-Nutzung |
| Architektur | Klare Abwägungen, Belege aus dem Repository und gute, ausführliche Argumentation |
Verwenden Sie einen kleineren Kontext für fokussierte Arbeit, selbst wenn das Modell ein sehr großes Fenster unterstützt. Mehr Kontext kostet mehr und kann den relevanten Code verdecken.
Kandidaten anhand eigener Aufgaben vergleichen
Wählen Sie einige reale Aufgaben aus, die Ihre Arbeit repräsentieren. Geben Sie jedem Kandidaten denselben Repository-Status, dieselben Anweisungen, Tools und dasselbe Zeitlimit. Vergleichen Sie:
- ob die Änderung korrekt und vollständig ist
- ob Tests bestanden wurden und ob Regressionen eingeführt wurden
- ob unnötige Dateien oder Code geändert wurden
- die Gesamtzahl der Tokens und die endgültigen TokenLab-Kosten
- die Zeit bis zu einem nutzbaren Ergebnis
- wie oft eine Person den Agenten korrigieren musste
Bewahren Sie die Ergebnisse nach Aufgabentyp auf. Ein Modell kann Ihr bester Reviewer sein, während ein anderes besser für die Implementierung oder schnelle Änderungen geeignet ist.
Modelländerungen sichtbar halten
Legen Sie das Modell explizit im Coding-Tool fest. Wenn Ihre Anwendung ein Fallback bietet, informieren Sie den Benutzer, wenn sich das Modell ändert. Ein Fallback kann einen anderen Preis, ein anderes Kontextlimit, ein anderes Tool-Format oder einen anderen Ausgabestil haben.
Das API-Format ist ebenfalls wichtig:
| Tool- oder Modellanforderung | Format | Basis-URL |
|---|---|---|
| OpenAI-kompatibler Chat | Chat Completions | https://api.tokenlab.sh/v1 |
| Antwort-Events oder Tools | Responses | https://api.tokenlab.sh/v1 |
| Claude Messages-Funktionen | Anthropic Messages | https://api.tokenlab.sh |
| Gemini-Inhalte und Tools | Gemini | https://api.tokenlab.sh |
Überprüfen Sie accepted_request_formats für das ausgewählte Modell, anstatt das Format aus dessen Namen abzuleiten.
Anleitungen für Coding-Tools
Claude Code
Verwenden Sie die Anthropic Messages API und einen TokenLab API-Key.
Codex CLI
Konfigurieren Sie die TokenLab Basis-URL und überprüfen Sie die Responses-Unterstützung.
Cursor
Verwenden Sie Cursors benutzerdefinierte OpenAI-kompatible Einstellungen, sofern BYOK unterstützt wird.
OpenCode
Fügen Sie TokenLab als benutzerdefinierten Modellanbieter hinzu.
Für Kostenkontrollen, separate API-Keys und Nutzungsvergleiche fahren Sie mit Kosten für Coding-Agents kontrollieren fort.