Repository-Aktivität
Zeigt, womit auf Plattformen wie GitHub gebaut wird. Open Source und neue Projekte sind überrepräsentiert.
Frage: Wo entsteht gerade Code?
L10 · Forschungsbasierter Praxis-Kompass · Stand August 2026
Nicht die beste Sprache. Die richtige für das Problem.
Python, TypeScript, Rust, Java, C, Go — sie konkurrieren nicht um einen einzigen Pokal. Jede tauscht Geschwindigkeit, Kontrolle, Sicherheit, Plattform und Ökosystem anders. Hier findest Du heraus, welche Werkzeuge 2026 wirklich tragen und wie Coding-Agenten die Wahl verändern.
24 wichtige Werkzeuge
6 Problemfamilien
14 vertonte Kapitel
11 Forschungsarbeiten
01
Erst die Messmethode, dann das Ranking
„Beliebt“ ist keine einzelne Zahl
Ein Ranking kann Repositories, Entwickler:innen, Webseiten, Suchanfragen oder installierte Systeme zählen. Diese Sensoren beantworten verschiedene Fragen. Darum kombiniert dieser Kompass mehrere Signale und macht keine Siegerliste daraus.
Entwickler-Umfragen
Zeigen Nutzung, Wunsch und Zufriedenheit. Stichprobe, Selbstselektion und Definitionen bleiben wichtig.
Frage: Was sagen Menschen, dass sie nutzen?Produktions-Fussabdruck
Webseiten, Apps und Unternehmenssysteme zeigen langlebige Realität — aber oft unsichtbar hinter Firewalls.
Frage: Was hält die Welt heute am Laufen?Momentum
Neue Repositories oder Adoptionswünsche zeigen Richtung, nicht automatisch Reife oder langfristigen Wert.
Frage: Was wächst schneller als sein Umfeld?
GitHub 2025
TypeScript führte im August 2025 bei monatlich Mitwirkenden.
Stack Overflow 2025
Python legte in der Befragung sieben Prozentpunkte zu.
Die richtige Lesart
Beides sind Signale — keines beweist eine universell „beste“ Sprache.
02
Interaktive Trade-off-Landkarte
Die Mission verschiebt den sinnvollen Werkzeugkasten
Wähle eine Mission. Die Karte zeigt keine Rangliste, sondern den groben Raum zwischen schneller Iteration, Laufzeitkontrolle und Plattformspezialisierung. Die Textliste unter dem Canvas trägt dieselbe Information barrierefrei.
03
Der browsable Atlas
Sprachen nach Problemfamilie
Filtere nach dem, was Du bauen willst. Jede Karte nennt den starken Einsatz, den Grund dafür und einen ehrlichen Fall, in dem Du besser ein anderes Werkzeug nimmst.
04
Drei Entscheidungen statt Glaubenskrieg
Mission-Picker: ein sinnvoller Startstack
Der Picker ersetzt kein Architekturgespräch. Er macht die ersten harten Constraints sichtbar und liefert einen begründeten Startpunkt mit Alternative.
Faustregel: Ein bestehendes, gut getestetes Team-Ökosystem schlägt oft einen theoretisch besseren Neustart. Migration ist ein eigenes Produkt.
05
Agent Reality Check · Mitte 2026
Wie gut lösen Agents echte Aufgaben je Sprach-Track?
Der Benchmark nutzt echte Issue-Resolution-Aufgaben: Ein Agent erhält Repository und Issue, ändert Code und muss neue sowie bestehende Tests bestehen. Schalte zwischen einem kontrollierten Agent-/Modell-Setup und dem publizierten Frontier um. Die Balken zeigen Lösungsraten — keine kausale Sprachqualität.
SWE-bench Live · MultiLang
Primärdaten ↗
Der Juni-Lauf mit GPT-5.5 bleibt als klar datierter Vergleich erhalten — nicht als Ersatzwert für GPT-5.6.
Repositories, Issue-Schwierigkeit, Tests, Toolchains und Stichprobengrösse ändern sich zusammen mit der Sprache.
Fixiere Agent, Modell, Budget und Sandbox; miss korrekte Lösungen, Zeit, Kosten, Review und unabhängige Hidden Tests.
06
Ein Jahr Agentenfortschritt · gleiche Messreihe
Der Sprung ist gross. „Fast alles“ ist trotzdem nicht gemessen.
Die METR Time Horizon fragt nicht, wie lange ein Agent läuft. Sie schätzt, wie lange ein menschlicher Profi für Aufgaben braucht, die der Agent mit einer bestimmten Wahrscheinlichkeit löst. Wähle 50 oder 80 Prozent Erfolg und erkunde Punkte, Unsicherheit und Messgrenze.
GPT-5 → letzter unmarkierter 50%-Punkt
Menschenzeit, nicht Agenten-Laufzeit
Dashboard 8. Mai; Modellpunkte bis 7. April 2026
METR Time Horizon 1.1 · logarithmische Minutenachse
Primärdaten ↗
50%-Erfolgshorizont
Der belastbare Vergleich steigt von GPT-5 mit 203 Minuten auf Opus 4.6 mit 719 Minuten.
Frontier-Verlauf
weitere gemessene Modelle
95%-Unsicherheit
16-h-Messgrenze
Alle Werte als barrierefreie Datentabelle
| Modell | Release | Schätzung | 95%-Intervall | Status |
|---|
Keine Extrapolationslinie: METR warnt, dass 50%-Messungen über 16 Stunden mit der heutigen Suite unzuverlässig sind. Der frühe Mythos-Punkt wird deshalb markiert statt als Prognoseanker benutzt.
Wochenlange Arbeit — mit ausführbarer Spezifikation
MirrorCode zeigt, dass Opus 4.6 ein Bioinformatik-CLI mit rund 16'000 Originalzeilen und über 40 Befehlen autonom nachbauen konnte. Vier Fachleute schätzten 2–17 Wochen Menschenarbeit.
Original ausführen→Ausgabe prüfen→Tests verbessern
Aber: präziser Output-Orakel, bis zu 1 Milliarde Tokens; die 61'000-Zeilen-Sprache Pkl blieb ungelöst.
Sechs Gates, nicht eine Prozentzahl
- BreiteWeb, Geräte, Datenbanken, Grafik, Security, Ops
- KontextCodegeschichte, Teamwissen, Produktabsicht
- UnklarheitAnforderungen mit Menschen entdecken
- GanzheitTests, Doku, Wartung, Deployment, Betrieb
- Zuverlässigkeitnahe 99%, kalibriertes Stoppen und Recovery
- ÖkonomieCompute, Reviewlast und Fehlerkosten
Technisch denkbar. Empirisch nicht gezeigt.
Agents bewegen sich schnell von Patch-Generatoren zu begrenzten autonomen Engineering-Systemen. Heute beweisen Benchmarks Stunden auf sauberen Aufgaben und einzelne Wochen-Projekte mit exaktem Feedback — nicht den gesamten, unordentlichen Software-Lebenszyklus.
Bounded autonomy
Fast alles?
07
Was Agents wirklich verändern
Code wird billiger. Beweise werden wertvoller.
Coding-Agenten schreiben inzwischen ganze Änderungen. Das macht Syntax weniger knapp — aber Korrektheit, Kontext und Rückmeldung nicht. Ein agentenfreundlicher Stack ist kein bestimmter Sprachname, sondern ein schneller, deterministischer Prüfkreislauf.
1SpezifizierenVerträge, Typen, Beispiele
→
2GenerierenKleine, prüfbare Änderung
→
3PrüfenBuild, Lint, Tests, Scanner
→
4BeobachtenDiff, Logs, Laufzeit
→
5VerfeinernFehler als neuer Kontext
Was stärker zählt
- explizite Typen und Schemas an Systemgrenzen;
- schnelle Compiler, Tests und reproduzierbare Builds;
- kleine Module, klare APIs und beobachtbare Laufzeitpfade;
- reife Paketquellen, Lockfiles und Supply-Chain-Prüfung.
Was nicht verschwindet
- Plattformgrenzen wie Browser, JVM, iOS oder Mikrocontroller;
- Latenz, Speicher, Energie und Echtzeit-Anforderungen;
- Lizenz, Sicherheitsmodell, Hiring und Betriebswissen;
- menschliche Verantwortung für Architektur und Freigabe.
Die ehrliche Evidenz
Frühe 2025er Tools machten erfahrene Open-Source-Entwickler:innen in einer METR-Studie im Mittel langsamer. Spätere Daten deuten auf Beschleunigung, sind aber durch Auswahl- und Messprobleme unsicher. Deshalb lehrt dieser Kompass keine pauschale Produktivitätszahl.
Praktischer SchlussWähle keine Sprache nur, weil ein Modell darin viel Code gesehen hat. Wähle den Stack, in dem Mensch und Agent Fehler schnell sichtbar machen und sicher korrigieren können.
08
180 Jahre in sechs Übergängen
Geschichte erklärt, warum die Vielfalt bleibt
Logik wird Maschine
Lovelace, Boole, Turing und Shannon verbinden Algorithmen, Wahrheit und elektrische Schalter.
Hochsprachen
Fortran macht Wissenschaft produktiver; COBOL beschreibt Geschäftsdaten näher an der Fachwelt.
Systeme & Daten
C trägt Unix; Smalltalk prägt Objekte; SQL trennt die gewünschte Abfrage vom Ausführungsweg.
Web & VMs
Java, JavaScript, Python, PHP und Ruby wachsen mit Internet, Portabilität und schneller Produktentwicklung.
Sicherheit & Plattformen
Rust, Go, Kotlin, Swift und TypeScript reagieren auf Cloud, Parallelität, Mobile und grosse Codebasen.
Agentische Werkzeuge
Natürlichsprachige Delegation steigt eine Abstraktionsstufe höher — das Laufzeitfundament bleibt bestehen.
Die volle Zeitreise wartet in L9
Interaktiver Stammbaum, 70+ Sprachen, Logikgatter und Halbaddierer.
Zeitreise öffnen →
09
Nachprüfbar statt trendig
Quellen, Grenzen und Forschungsakten
Die Seite wurde aus elf versionierten Forschungsarbeiten synthetisiert. Die Karten sind Empfehlungen, keine universellen Benchmarks. Einzelne Plattform- Entscheidungen und Sprachversionen können sich ändern; die Quellen tragen ein Abrufdatum.
Nutzungs- und Agentik-Signale
Sprachen und Plattformen
Die elf kanonischen Papers
01-usage-metrics— wie Nutzung sauber gemessen wird02-agentic-era— was Agents an der Sprachauswahl verändern03-web-app-product— Web, Apps, Enterprise und Produktentwicklung04-systems-cloud— Systeme, Cloud und Performance05-data-embedded-legacy— Daten, Geräte, Wissenschaft und Legacy06-history-decision— Stammbaum und Entscheidungsmodell07-agent-language-benchmark— archivierter erster Agenten-Benchmark-Snapshot08-agent-benchmark-july-update— GPT-5.6-Evidenzlücke und Quellenkonflikt09-language-job-cards-product-data— konkrete Jobs und Visuals für Produkt-/Datensprachen10-language-job-cards-systems-platforms— konkrete Jobs und Visuals für Systeme/Plattformen11-agent-autonomy-progress— ein Jahr Time-Horizon-Fortschritt, MirrorCode und der fehlende Weg zu „fast alles“