intentguard

Was das Unternehmen zu sein scheint: IntentGuard ist ein Tool, das KI nutzt, um Code-Änderungen in GitHub-PRs mit dokumentierter Entwicklerabsicht (gespeichert in .context.md-Dateien) zu vergleichen und semantische Drift zu markieren – also Änderungen, die von den festgelegten Designentscheidungen abweichen, selbst wenn sie syntaktisch korrekt sind. Es wurde im Rahmen eines OpenAI-Hackathon-Projekts 2026 entwickelt.

Was sich geändert hat: Der Autor beschreibt eine Lücke, die er in der Code-Review beobachtet hat: Prüfer kontrollieren die Funktionalität, aber nicht die Übereinstimmung mit der Absicht. IntentGuard soll diesen Kreis schließen, indem es KI nutzt, um zu bewerten, ob Änderungen mit der dokumentierten Absicht übereinstimmen, insbesondere im Hinblick auf Sicherheits- und Umfangsentscheidungen.

Die wichtigste offene Frage: Gibt es Belege für Traction oder Adoption über den Hackathon hinaus? Die Beschreibung gibt an, dass es keine Einnahmen, Kunden oder Nutzungsdaten über das Demoszenario hinaus gibt.

• Die Beschreibung gibt an, dass IntentGuard eine GitHub-PR-URL übernimmt, den Diff abruft, .context.md-Dateien für geänderte Dateien liest und GPT-5.6 verwendet, um zu vergleichen, was der Code jetzt tut, mit dem, was der Entwickler ursprünglich gesagt hat, dass er tun sollte.
• Es gibt einen strukturierten Drift-Bericht pro Datei aus, mit einem Drift-Score von 0–10, einer Bewertung (ausgerichtet / geringe Drift / große Drift), spezifischen Markierungen für das, was abgewichen ist, und einer Zusammenfassung dessen, was noch mit der Absicht übereinstimmt.
• Das Tool integriert sich in die GitHub REST API, um PR-Diffs abzurufen und .context.md-Dateien direkt aus dem Repo zu lesen.
• Es wird mit Next.js 14 (App Router), GPT-5.6 und contextify-ai als upstream-Tool entwickelt, das Intent-Dateien generiert.

Hinweis: Das Produkt wird als Web-UI mit API-Routen beschrieben, erwähnt aber auch eine potenzielle zukünftige GitHub-Action-Integration für automatisierte PR-Prüfungen.

• Die Beschreibung gibt an, dass IntentGuard „Ihr PR-Reviewer ist, der nie vergisst, was Sie bauen wollten.“
• Es positioniert sich als Lösung für das Problem, dass Entwickler sorgfältige Entscheidungen in den Code schreiben, diese aber in späteren PRs stillschweigend rückgängig gemacht werden.
• Es behauptet, eine Lücke in der Standard-Code-Review zu schließen: Prüfer kontrollieren, ob der Code funktioniert, nicht ob er mit der Absicht übereinstimmt.
• Der Autor rahmt dies als einen Wandel von der syntaktischen Diff-Prüfung zur semantischen Drift-Erkennung – die Unterscheidung zwischen legitimen Refactors und Verstößen gegen die Absicht.

Schlussfolgerung: Die Positionierung impliziert einen Wandel hin zu absichtsvolleren, dokumentationsgestützten Entwicklungsworkflows. Es werden jedoch keine Belege für Marktdurchdringung oder Adoption vorgelegt.

• Die Beschreibung gibt an, dass der Autor als Senior Front-End Engineer fungiert und verteilte Teams über mehrere Produktlinien hinweg leitet.
• Es deutet darauf hin, dass das Tool Entwickler anspricht, die in Umgebungen arbeiten, in denen Absichtsdokumentation (über .context.md) bereits verwendet wird, wie z. B. bei denen, die contextify-ai nutzen.
• Das Tool scheint auf Engineering-Teams abzielen, die in Code-Reviews Wert auf Sicherheits- und Umfangskontrolle legen.

nicht belegt: Kein explizites ICP oder Kundensegment über die persönliche Erfahrung des Autors hinaus. Keine Daten zu Teamgröße, Branche oder Breite der Anwendungsfälle.

• Nicht belegt. In der Beschreibung wird weder ein Preis, eine Monetarisierungsstrategie noch ein Geschäftsmodell erwähnt.

Schlussfolgerung: Das Tool scheint ein Proof-of-Concept zu sein, das für einen Hackathon entwickelt wurde und noch nicht kommerzialisiert ist.

• Entwickelt mit Next.js 14 (App Router), GPT-5.6, GitHub REST API und contextify-ai.
• Nutzt Prompt Engineering, um zwischen syntaktischen Änderungen und semantischer Drift zu unterscheiden.
• Der Kern-Prompt ist so konzipiert, dass er über Absichten nachdenkt, anstatt lediglich Code-Änderungen zu beschreiben.
• Codex wurde zur Generierung von Boilerplate-Code verwendet.
• Die UI enthält Datei-Karten, die standardmäßig zusammengeklappt sind und per Klick erweiterbar, um die Komplexität in großen PRs zu verwalten.

Schlussfolgerung: Der Stack und die Architektur deuten auf ein schlankes, entwicklerorientiertes Tool hin, das schnell erstellt wurde. Es gibt keine Hinweise auf Skalierbarkeit oder produktionsreife Infrastruktur.

• Nicht belegt. Es gibt keine Erwähnung von Nutzern, Kunden, Umsatz oder Nutzung über das Demoszenario hinaus.
• Das Projekt wurde einem OpenAI-Hackathon eingereicht, was darauf hindeutet, dass es sich in einer frühen Entwicklungsphase befindet.
• Der Autor merkt an, dass das Tool in weniger als 24 Stunden erstellt wurde und bereitstellbar, aber noch nicht produktionsreif ist.

Fehlen von Belegen: Keine Daten zu Adoption, Retention oder Product-Market-Fit.

• Nicht belegt. Es gibt keine Erwähnung von bestehenden Tools oder Wettbewerbern in diesem Bereich.
• Die Beschreibung impliziert eine Nische, in der Absichtsdokumentation bereits verwendet wird (via contextify-ai), aber es wird kein Vergleich zu anderen Code-Review- oder Drift-Erkennungstools gezogen.

Schlussfolgerung: IntentGuard scheint an der Schnittstelle von KI-gestütztem Code-Review und absichtsbasierter Entwicklung positioniert zu sein, einem aufkommenden Bereich mit begrenztem bekanntem Wettbewerb.

• Das Tool ist stark darauf angewiesen, dass .context.md-Dateien vorhanden sind – eine Lücke in der Abdeckung könnte zu übersehener Drift führen.
• Es wird mit GPT-5.6 entwickelt, das für den Enterprise-Einsatz ohne zusätzliche Infrastruktur möglicherweise nicht verfügbar oder skalierbar ist.
• Das Produkt wird als Hackathon-Projekt beschrieben, ohne Hinweise auf Kommerzialisierung oder eine langfristige Roadmap.
• Es gibt keine Anzeichen dafür, dass das Tool in realen Umgebungen über eine Demo hinaus getestet wurde.

Schlussfolgerung: Das Fehlen von Traction und kommerzieller Tragfähigkeit wirft Fragen hinsichtlich der Eignung für die Adoption durch Engineering-Teams auf.

1. Wie hoch ist die aktuelle Abdeckung von .context.md-Dateien in Ihrer Zielnutzerbasis?
2. Wie geht IntentGuard mit Fällen um, in denen Absichtsdokumentation fehlt oder unvollständig ist?
3. Gibt es Pläne zur Integration in GitHub Actions oder andere CI/CD-Pipelines?
4. Welche technischen und operativen Herausforderungen bestehen bei der Skalierung dieses Tools für den Enterprise-Einsatz?
5. Wurde das Prompt Engineering über verschiedene Arten von Codebasen oder Domänen hinweg validiert?