Mainplane: Open-Source-Agent steuert mehrere PCs und kommt ohne Kontext-Kompression aus

Worum es geht

Mainplane ist ein Open-Source-„Agent Harness“ – also die Software-Hülle um ein Sprachmodell, die aus einem reinen Textgenerator einen Arbeiter macht, der Werkzeuge aufruft, Dateien bearbeitet und Aufgaben abarbeitet. Entwickelt hat es Alexander Yue; veröffentlicht wurde es laut der japanischen Übersicht des Autors npaka am 26. Oktober 2026. Es ist in Go implementiert und steht unter der MIT-Lizenz, darf also frei genutzt und verändert werden.

Der Unterschied zu üblichen KI-Coding-Agenten: Die laufen meist auf dem Rechner, an dem du gerade sitzt. Mainplane ist dafür gedacht, dass ein ständig laufender Server mehrere PCs steuert. Außerdem geht es beim Thema Kontextverwaltung, das bei langen Aufgaben oft zum Problem wird, einen eigenen Weg.

Server, Worker und mehrere PCs

Mainplane trennt zwischen Server und Worker. Ein Beispiel aus der Quelle: Ein Linux-Rechner zu Hause läuft dauerhaft als Server, dein Mac oder Windows-Entwicklungsrechner meldet sich als Worker an. Beide können über das Internet oder ein privates Netzwerk verbunden sein, sodass du Aufgaben auch an entfernte PCs vergeben kannst.

Dazu gibt es ein gemeinsames Dateisystem, das mehrere Rechner gleichzeitig nutzen können. Wer es hosten will, braucht allerdings einen dafür geeigneten Linux-Rechner. Mehrere PCs sind aber keine Pflicht: Server und Worker lassen sich auf derselben Maschine betreiben.

Agenten und Werkzeuge

Die Agenten arbeiten, indem das Sprachmodell (LLM) Werkzeuge aufruft. Mainplane hält diese Werkzeuge bewusst einfach und überlässt dem Modell, wie es sie einsetzt. Möglich sind laut Quelle nicht nur Code-Änderungen, sondern auch Informationssuche im Browser und die Bedienung von Programmen mit grafischer Oberfläche. Mehrere Sitzungen lassen sich verwalten; je nach Aufgabe wählst du Modell und Ziel-PC.

Modellseitig ist Mainplane nicht an einen Anbieter gebunden. Laut offiziellem README funktionieren neben API-Schlüsseln auch Claude-Code- und ChatGPT-Abonnements innerhalb ihrer üblichen Nutzungsgrenzen. Über sogenannte Connectors können externe Dienste Nachrichten an den Agenten schicken und so Aufgaben anstoßen – du erreichst ihn also nicht nur über das Terminal.

Context Retrieval statt Compaction

Agenten wie Claude Code oder Codex nutzen bei langen Gesprächen oft Compaction: Der bisherige Verlauf wird vom Modell zusammengefasst, und mit dieser Zusammenfassung geht die Arbeit weiter. Das kostet Zeit und Tokens (die Abrechnungseinheit für Text), und Details können verloren gehen.

Mainplane speichert stattdessen den kompletten Originalverlauf und holt nur die jeweils nötigen Informationen heraus („Context Retrieval“). Der Entwickler verglich beide Ansätze mit Claude Opus 5.5 bei einer Sitzung von etwa 400.000 Tokens; Mainplane war dabei schneller und günstiger. Die konkreten Zahlen nennt die Quelle nicht, und sie betont, dass es sich um Messungen unter bestimmten Bedingungen handelt, die nicht für alle Aufgaben gelten müssen. Es handelt sich zudem um Herstellerangaben, nicht um unabhängige Tests.

Sicherheit und Datenschutz

Weil ein Agent mehrere Rechner bedienen kann, sind Zugriffsrechte entscheidend. Erlaubst du Shell-Befehle oder Dateioperationen, drohen ungewollte Änderungen oder Datenabfluss. Laut README werden Nutzerdaten standardmäßig nicht an den Entwickler übermittelt; Datenteilung ist optional. Allerdings nutzt die Standardkonfiguration einen externen Dienst, um Verbindungsziele zu finden, und Cloudflare Tunnel für die Kommunikation. Hinzu kommt, dass Daten an den jeweiligen LLM-Anbieter fließen – dessen Datenschutzregeln gelten separat.

Auch Context Retrieval hat Grenzen: Es garantiert nicht, dass alle nötigen Informationen gefunden werden. Besonders bei Wissen, das über mehrere frühere Sitzungen verstreut ist, kann eine unzureichende Suche wichtige Details übersehen. Da das Projekt neu ist, sind Stabilität und Langzeitbewährung laut Quelle noch nicht belegt.

Hintergrund: Warum das „Harness“ zählt

Ein Forbes-Beitrag von Rohan Pinto (1Kosmos) fasst eine Studie zusammen, die 11 Coding-Agenten zerlegte: Alle bestanden aus denselben sieben Teilen – Schleife, Modellschicht, Werkzeuge, Gedächtnis, Sicherheitskontrollen, Orchestrierung und Erweiterungen. Die These: Agent = Modell + Harness, und ein besseres Modell hebt die Decke, ein besseres Harness den Boden. Das Gedächtnis ist dabei genau der Bereich, in dem Mainplane ansetzt. Pinto empfiehlt etwa, bewusst festzulegen, was der Agent behält und vergisst, da lange Verläufe bremsen und Geld kosten.

Zur Abgrenzung: Der Firmenname Harness aus zwei weiteren Quellen (Code-Repository mit KI-Review, „Agent DLC“) bezeichnet eine Software-Delivery-Plattform und hat mit Mainplane nichts zu tun.

Einordnung

Mainplane ist interessant für Entwickler, die Agenten auf einem Heimserver dauerhaft laufen lassen und mehrere Rechner einspannen wollen – ohne sich an einen Modellanbieter zu binden. Der Ansatz, Verläufe nicht zusammenzufassen, sondern gezielt abzufragen, adressiert ein reales Problem langer Agentensitzungen. Offen bleibt, wie robust das in der Praxis ist: Die Benchmark stammt vom Entwickler selbst, Zahlen fehlen in der Quelle, und das Projekt ist erst wenige Tage alt. Wer es testet, sollte Berechtigungen eng fassen, in Containern oder auf Testrechnern arbeiten und beachten, dass Verbindungen standardmäßig über externe Dienste laufen. Gewichte eines Modells gibt es hier nicht – es ist ein Werkzeug, kein Modell-Release.