ArtCraft, dessen KI-gebauter Open-Source-Klonen von sieben Adobe-Anwendungen im Oktober auf GitHub trendeten, wendet denselben Ansatz nun auf GitHub-Issue-Backlogs an.
Das Argument ist simpel: Die meisten großen Repositories tragen ein Backlog, das schneller wächst, als Maintainer es sortieren können. Issues stauen sich, Dubletten gehen unter, veraltete Berichte liegen monatelang, und die Warteschlange wird zum Ort, an dem Nutzergoodwill stirbt. ArtCraft behauptet, ein Agent könne diese Schlange abarbeiten — Berichte reproduzieren, Dubletten markieren, Nicht-Reproduzierbares schließen und Restliche mit Fixes vorschlagen.
Das ist ein glaubwürdigerer Einsatz für Coding-Agenten als die Adobe-Klonen. Ein gut spezifiziertes Produkt zu klonen ist eine Demo; einen Issue-Tracker zu räumen ist Arbeit, die sonst jemand erledigt, mit einem leicht prüfbaren Ergebnis: Entweder die Schlange schrumpft und die geschlossenen Issues waren korrekt geschlossen, oder sie schrumpft nicht.
Das Risiko ist das, das jede KI-generierte Änderung trägt — gebündelt an einem Ort, an dem Fehler öffentlich sind. Ein Agent, der das falsche Issue schließt oder einen echten Fehler als nicht reproduzierbar markiert, beschädigt das Vertrauen in den Tracker — und anders als ein schlechter Pull Request bemerkt ein falsch geschlossenes Issue der Einreicher, kaum der Schließer.
Ob Maintainer das Tool übernehmen, hängt genau davon ab: Wie viel der Schlange unbeaufsichtigt berührt werden darf und wie ein Projekt sich erholt, wenn es falsch rät.




