StarSling ist eine KI-native CI-Plattform für F&E-Teams, deren GitHub-Actions-Pipelines unter hoher Build-Last, langen Wartezeiten und komplexen Test-Workflows leiden. Ihr Ziel ist nicht nur eine schnellere CI, sondern eine CI, die sich selbst ständig verbessert: Läufe analysiert, Optimierungen vorschlägt, diese sicher testet und erfolgreiche Änderungen als produktionsreife Pull Requests einreicht. Um diese Schleife praktikabel zu machen, nutzt StarSling Novita Agent Sandbox als Ausführungsebene für isolierte MicroVMs, elastisches Rechnen, Agentenexperimente und reproduzierbare Bewertungen.
Diese Kombination ist wichtig, weil CI-Optimierung von Natur aus experimentell ist. Eine Änderung an Caching, Parallelisierung, Test-Sharding oder Workflow-Struktur kann dem einen Repository helfen und einem anderen schaden. StarSling braucht eine Möglichkeit, Änderungen unter realen Bedingungen zu testen, ohne Kundensysteme zu gefährden. Novita Agent Sandbox gibt jedem Experiment einen kontrollierten Arbeitsbereich und überlässt die Entscheidung über die Übernahme dann den Belegen und der Überprüfung.
In dieser Fallstudie erfahren Sie, warum die Automatisierung der CI-Optimierung schwierig ist, wie StarSling seine Agentenschleife betreibt, was die isolierte Ausführung verändert und wie sich dieselbe Architektur auf andere KI-Workflows übertragen lässt.
Warum CI-Optimierung schwer zu automatisieren ist
Viele Entwicklungsteams wissen bereits, was eine langsame CI kostet: verzögerte Merges, untätige Review-Zyklen, langsameres Feedback und weniger Zeit für die Produktarbeit. Die üblichen Lösungen sind ebenfalls bekannt. Abhängigkeiten cachen, Tests sharden, Jobs parallelisieren, redundante Arbeit reduzieren, flaky Checks entfernen und Pipelines so umstrukturieren, dass wichtiges Feedback früher eintrifft.
Das Schwierige ist nicht, diese Ideen zu benennen. Es ist der Nachweis, welche Änderung für ein bestimmtes Repository sicher und effektiv ist. Eine Workflow-Datei kodiert historische Einschränkungen, organisatorische Präferenzen, Timing-Annahmen und Abhängigkeiten, die aus den Logs allein nicht ersichtlich sein mögen. Zwei Teams mit ähnlichen Build-Zeiten benötigen möglicherweise unterschiedliche Lösungen. Das eine braucht besseres Caching, das andere Testisolierung, mehr Parallelisierung oder einen kleineren kritischen Pfad.
Manuelle Optimierung skaliert zudem nicht gut über viele Repositories und Kunden hinweg. Jemand muss Logs inspizieren, eine Hypothese aufstellen, den Workflow bearbeiten, Jobs neu ausführen, Ergebnisse vergleichen und wiederholen. Dieser Prozess verbraucht Expertenzeit und erschwert es, das Bewährte zu bewahren, während sich Pipelines weiterentwickeln.
Hier können KI-Agenten helfen, aber nur, wenn sie eine sichere Ausführungsgrenze haben. Die Agenten von StarSling inspizieren Workflows und Telemetriedaten, generieren Optimierungsänderungen und testen diese Änderungen, bevor sie sie vorschlagen. Diese Schleife direkt in der Produktions-CI auszuführen, würde Experimente riskant und schwer kontrollierbar machen. Ein Agent muss handeln, scheitern, wiederholen und messen können, ohne zu einer betrieblichen Gefahr zu werden.
Wie StarSling die Optimierungsschleife betreibt
StarSling behandelt CI als ein System, das sich selbst beobachten und verbessern kann. Der Workflow beginnt mit Belegen: Build-Zeiten, Testverhalten, Logs, Ressourcennutzung und Pipelinestruktur. Aus diesen Belegen kann StarSling mögliche Engpässe identifizieren, z. B. wiederholte Einrichtungsarbeit, schlecht geshardete Tests, unnötige Serialisierung oder Workflow-Schritte, die mehr Zeit in Anspruch nehmen als nötig.
Die nächste Stufe ist das Experimentieren. StarSling erstellt einen Optimierungsvorschlag und prüft, ob dieser die Pipeline tatsächlich verbessert. Verkürzt er die Wandzeit? Senkt er die Kosten? Bewahrt er die Korrektheit? Scheitert er sauber, wenn sich die Bedingungen ändern? Diese Fragen erfordern Ausführung, nicht nur statische Analyse.
Sobald ein Experiment erfolgreich ist, kann das Ergebnis in eine konkrete Änderung zur Überprüfung umgewandelt werden: ein Workflow-Update, eine Cache-Anpassung, eine Test-Sharding-Änderung oder eine andere Pipeline-Verbesserung. Die Ausgabe in einem Pull Request zu behalten, gibt Ingenieuren ein klares Artefakt zur Inspektion, bevor es in die Produktion geht.
StarSling berichtet, dass Kunden eine bis zu 6-mal schnellere und bis zu 13-mal günstigere CI erzielt haben. Dies sind Kundenergebnisse, keine universellen Garantien; die Ergebnisse hängen von der Repository-Form, der Testsuite, der Infrastruktur und der Art der vorhandenen Engpässe ab. Dennoch ist das Muster nützlich: Automatisierung mit Messung kombinieren, sodass Verbesserungen durch beobachtetes Pipeline-Verhalten gestützt werden, nicht durch Spekulation.
Was Novita Agent Sandbox bietet
Novita Agent Sandbox gibt StarSling isolierte MicroVMs für Agenten-Workloads. Anstatt die Ausführung direkt mit den CI-Systemen der Kunden oder internen Diensten zu teilen, kann jeder Agentenlauf seine eigene kontrollierte Umgebung haben. Diese Trennung verringert die Wahrscheinlichkeit, dass explorative Befehle, Abhängigkeiten oder fehlgeschlagene Experimente andere Arbeiten stören.
Die zweite Eigenschaft ist die Elastizität. CI-Optimierungsexperimente erfolgen stoßweise: Es kann viele Läufe während der Untersuchung geben und weniger, sobald eine Änderung zur Überprüfung bereit ist. Sandbox-Computing ermöglicht es StarSling, Experimente bei Bedarf auszuführen, ohne dass jede Kundenimplementierung auf eingeschränkte interne Ressourcen warten muss.
Die dritte Eigenschaft ist die Reproduzierbarkeit. Die Reproduktion eines Experiments hilft dabei, eine echte Verbesserung von Rauschen zu unterscheiden. Mit einer isolierten Umgebung kann StarSling Agentenaktionen unter konsistenten Bedingungen bewerten, Änderungen validieren und mit größerer Zuversicht entscheiden, wann eine Optimierung bereit ist, den nächsten Schritt zu gehen.
Zusammen verwandeln diese Eigenschaften die Agentenschleife in einen praktischen Produkt-Workflow statt in ein Ad-hoc-Skript. Die Sandbox ist nicht der Ort, an dem die menschliche Entscheidung verschwindet. Sie ist der Ort, an dem Kandidaten sicher genug getestet werden können, um eine fundierte Entscheidung zu treffen.
Ergebnisse für KI-native CI
Der Ansatz bringt drei verbundene Vorteile.
Schnellere Optimierungsexperimente. StarSling kann die Zeit zwischen der Identifizierung eines Engpasses und der Auslieferung einer Lösung verkürzen. Anstatt auf manuelle Untersuchungszyklen zu warten, durchlaufen Kandidatenänderungen eine strukturierte Schleife aus Vorschlag, Ausführung, Messung und Überprüfung.
Stabile Agentenausführung. Isolierte Umgebungen verringern das Betriebsrisiko, wenn die agentenbasierte Automatisierung skaliert. Agenten können wiederholt ausgeführt werden und sicher scheitern, was unerlässlich ist, wenn der Workflow selbst für das Testen von CI-Änderungen verantwortlich ist.
Einfachere Multi-Kunden-Skalierung. Novita Agent Sandbox senkt die Hürde für den Einsatz von KI-Optimierung in echten CI-Pipelines. StarSling kann mehr Kunden unterstützen, ohne die Ausführungsgrundlage für jedes neue Repository oder jeden neuen Anwendungsfall neu aufbauen zu müssen.
Daniel Worku, CTO von StarSling, beschrieb die betriebliche Wirkung:
„Novita Sandbox gab uns die isolierte Umgebung, um CI-Workloads sicher und reproduzierbar in großem Maßstab auszuführen. Ihre Ingenieure sind erstklassig und liefern alles, worum wir bitten, in Tagen, nicht Wochen."
Dieses Zitat weist auf die übergeordnete Lektion hin: Die Agenteninfrastruktur muss zuverlässig sein, bevor agentische Automatisierung nützlich sein kann. Isolation, Elastizität und Wiederholbarkeit sind keine Implementierungsdetails; sie sind die Bedingungen, die es KI-Workflows ermöglichen, nahe an Produktionssystemen zu operieren.
So wenden Sie diese Architektur an
Sie können dieses Muster für jeden Agenten-Workflow wiederverwenden, der reale Systeme sicher verändern muss.
Trennen Sie zunächst die Analyseebene von der Ausführungsebene. Logs und Metriken können eine Kandidatenänderung informieren, aber die Änderung sollte in einer begrenzten Umgebung getestet werden, bevor sie in die Produktion gelangt.
Zweitens definieren Sie das zu prüfende Artefakt. Bei der CI-Optimierung ist dies normalerweise ein Workflow-Diff oder eine Konfigurationsänderung. Bei der Codegenerierung kann es ein Patch sein. Bei Datenarbeit kann es eine Abfrage, ein Notebook oder ein Bericht sein. Ein überprüfbares Artefakt macht die Arbeit des Agenten auditierbar.
Drittens messen Sie vorher und nachher. Verfolgen Sie für CI die Dauer, Kosten, Fehlerrate, flaky Tests, Wartezeit und Zeit bis zum Feedback. Eine einzelne Geschwindigkeitszahl kann Regressionen an anderer Stelle verbergen.
Viertens halten Sie die Berechtigungen eng. Ein Optimierungsagent benötigt keinen uneingeschränkten Netzwerkzugriff, keine Produktionsgeheimnisse und keine Berechtigung zum Mergen. Geben Sie ihm den minimalen Zugriff, der zum Ausführen des Experiments und zum Erbringen von Belegen erforderlich ist.
Fünftens behalten Sie eine menschliche Kontrollinstanz für die Übernahme bei. Eine Sandbox kann überprüfen, ob sich eine Änderung unter Testbedingungen wie erwartet verhalten hat. Menschen und bestehende Überprüfungsprozesse sollten weiterhin entscheiden, ob diese Änderung für die Produktion geeignet ist.
FAQ
Was ist StarSling?
StarSling ist eine KI-native CI-Plattform. Sie analysiert CI-Workloads, schlägt Verbesserungen wie Caching, Parallelisierung und Test-Sharding vor und generiert Optimierungs-Pull-Requests für Entwicklungsteams.
Wie nutzt StarSling Novita Agent Sandbox?
StarSling nutzt Novita Agent Sandbox, um Agenten-Workflows in isolierten MicroVMs auszuführen, elastisches Computing für wiederholte Experimente zu nutzen und CI-Optimierungsänderungen unter reproduzierbaren Bedingungen zu bewerten.
Gilt die 6-fache Beschleunigung für jede CI-Pipeline?
Nein. StarSling berichtet, dass einige Kunden eine bis zu 6-mal schnellere und bis zu 13-mal günstigere CI erzielt haben. Die Ergebnisse hängen von der Pipeline, der Testsuite, der Repository-Struktur und den beteiligten Engpässen ab.
Warum benötigen CI-Optimierungsagenten eine Sandbox?
Eine Sandbox gibt Agenten einen Ort, an dem sie Befehle ausführen und Änderungen testen können, ohne direkt in die CI-Systeme der Kunden oder die gemeinsame Infrastruktur einzugreifen. Sie unterstützt auch sauberere Vergleiche zwischen Experimenten.
Empfohlene Artikel
- Codex oder einen Codierungsagenten in einer sicheren Sandbox ausführen
- Open-Source-KI-Agent-Sandbox-Optionen: Was Sie vor dem Selbsthosting prüfen sollten
- Erstellen eines Codierungsagenten mit Novitas Agent Sandbox
Quellen
- StarSling, „CI Harness v2: The Agent Loop That Shipped a 5.4x Speedup" — geprüft am 17. September 2026: https://starsling.dev/blog/ci-harness-v2-the-agent-loop-that-shipped-a-5-4x-speedup
- Novita Agent Sandbox Übersicht — geprüft am 17. September 2026: https://novita.ai/docs/guides/sandbox-overview
