Human Review

Was Human Review ist

Human Review (github.com/petergyang/human-review) ist eine kleine JavaScript-CLI unter MIT-Lizenz, erstmals veröffentlicht Ende Juli 2026. Du installierst sie als Skill, den dein Agent aufrufen kann, oder startest sie direkt mit npx, und richtest sie dann auf eine Datei — `/human-review (deine Datei)` — worauf diese Datei als bearbeitbare Seite im Browser aufgeht. Das benannte Problem ist vertraut: Einem Agenten im Chat Feedback zu geben heißt, einen Absatz zu schreiben wie "ändere im dritten Abschnitt X zu Y, streiche die Karte, die den ersten Punkt wiederholt, schreibe den Handlungsaufruf neu", und danach die ganze Datei erneut zu lesen, um zu prüfen, was das Modell verstanden hat.

• Die Ausgabe direkt bearbeiten. Text an Ort und Stelle ändern samt Grundformatierung, Aufzählungen und nummerierte Listen anlegen, Links per Tastenkürzel setzen oder ändern, Bilder an einer Ecke skalieren, Bilder verschieben und ganze Blöcke ziehen, um die Seite umzustellen.
• Kommentieren wie in einem Dokument. Eine Passage markieren und einen Kommentar an genau diesem Text verankern, oder ein Bild, ein Diagramm oder einen Abschnitt anklicken, um das Element zu kommentieren. Etwas zu löschen braucht keine Erklärung im Chat — du entfernst es einfach.
• Alles auf einmal senden. Ein Send übergibt deinem Agenten sämtliche Änderungen und Kommentare gemeinsam, er wendet sie auf die Quelle an und lädt die Seite für den nächsten Durchgang neu. Mit Befehlsklick auf Links prüfst du mehrere Seiten in einer Sitzung, ohne unterwegs Feedback zu verlieren.
• Eine laufende App prüfen, nicht nur eine Datei. Auf eine localhost-URL gerichtet, prüft das Werkzeug die Live-Seite. Das README ist beim Unterschied genau: Bei HTML-Dateien werden direkte Änderungen und Größenanpassungen automatisch gespeichert, während Markdown und localhost ein Send brauchen, damit der Agent sie in die Quelle übernimmt.

Wo es in den Stack einer Gründerin passt

Dies ist kein Growth-Werkzeug, und das sollte man klar sagen. Es sitzt eine Schicht früher, in dem Hin und Her, das jeder KI-Workflow erzeugt und fast keiner löst: der Lücke zwischen der Agent hat etwas produziert und das ist richtig. Änderungen in Prosa zu beschreiben verliert in beide Richtungen Information — du brauchst länger, eine Änderung zu spezifizieren, als sie vorzunehmen, und musst danach prüfen, ob sie gelandet ist. Das Artefakt direkt zu bearbeiten streicht den Spezifikationsschritt vollständig.

Am deutlichsten passt es bei Marketingseiten, also genau dort, wo die Ausgabe eines Agenten am ehesten fertig aussieht und falsch ist. Wenn du ein Modell eine Landingpage bauen lässt, ist der Prüfdurchgang der ganze Unterschied zwischen Entwurf und Website — siehe sollte ich meine Website mit KI bauen für die konkreten Fehler, nach denen es sich zu jagen lohnt. Das Repository ist jung und aktiv in Entwicklung statt abgeschlossen: erstellt im Juli 2026, mit v0.5.0 und v0.6.0 im Abstand eines Tages Anfang August und v0.6.1 am 2026-08-15. Rechne damit, dass sich die Oberfläche weiter bewegt.

Der Fehlermodus, den eine Prüfung hinzufügt

Einen Menschen in die Schleife zu setzen ist der richtige Instinkt, und es ist nicht umsonst: Es bringt einen neuen Weg mit sich, Arbeit zu verlieren — die Prüfung, die nie stattfindet. Wir wissen das von unserer eigenen Plattform, wo jede nach außen gerichtete Aktion, die ein Agent vorschlägt, auf die Freigabe durch einen Menschen wartet, und dieses Tor im Code durchgesetzt und nicht per Prompt erbeten wird, denn eine Regel auf Prompt-Ebene ist eine Bitte und eine auf Code-Ebene nicht. Von den ersten zwei Dutzend Freigabeanfragen, die unser System je erzeugt hat, wurde genau die Hälfte nie zu einer abgeschlossenen Aktion: Fünf scheiterten am anderen Ende, und sieben wurden schlicht nie angeklickt.

Die sieben sind die interessante Zahl. Niemand hat sie abgelehnt; die Warteschlange hat einfach den Moment überlebt, in dem es jemanden interessierte. Das ist die Steuer, die ein Prüfschritt erhebt, und deshalb zählen die Designdetails mehr als das Prinzip: Die Warteschlange muss sichtbar sein, das Paket klein genug, um es in einer Sitzung zu leeren, und das Werkzeug muss zurückmelden, was tatsächlich passiert ist. Den letzten Teil mussten wir nachrüsten, denn ein Agent, der den Ausgang seiner eigenen Freigabe nicht sehen kann, erzählt einer Kundin fröhlich, etwas sei veröffentlicht worden, obwohl es das nicht wurde.

Diese Grenze ist das gesamte Design von AgentCeres — dem AI Growth Officer auf agentceres.com. Ein Team von Spezialisten entwirft die SEO-Seiten, Social-Posts, Anzeigen und Ansprachen; alles, was nach draußen geht, wartet darauf, dass ein Mensch auf Freigeben klickt. Ein lokaler Editor wie Human Review macht diesen Klick besser informiert, weil das Prüfen des Artefakts besser ist als das Prüfen einer Beschreibung davon. Der Entwurf ist ohnehin die billige Hälfte — siehe was ein KI-Marketingteam wirklich leisten kann.