[{"data":1,"prerenderedAt":813},["ShallowReactive",2],{"/de-de/blog/custom-rules-duo-agentic-chat-deep-dive":3,"navigation-de-de":37,"banner-de-de":451,"footer-de-de":461,"blog-post-authors-de-de-Michael Friedrich":695,"blog-related-posts-de-de-custom-rules-duo-agentic-chat-deep-dive":709,"blog-promotions-de-de":750,"next-steps-de-de":803},{"id":4,"title":5,"authorSlugs":6,"authors":8,"body":10,"category":11,"categorySlug":11,"config":12,"content":16,"date":20,"description":17,"extension":24,"externalUrl":25,"featured":14,"heroImage":19,"isFeatured":14,"meta":26,"navigation":27,"path":28,"publishedDate":20,"rawbody":29,"seo":30,"slug":13,"stem":31,"tagSlugs":32,"tags":35,"template":15,"updatedDate":25,"__hash__":36},"blogPosts/de-de/blog/custom-rules-duo-agentic-chat-deep-dive.yml","Custom Rules für GitLab Duo: Höhere Entwicklungseffizienz",[7],"michael-friedrich",[9],"Michael Friedrich","GitLab Duo lässt sich mit Custom Rules von einem generischen KI-Assistenten in einen personalisierten Coding-Experten verwandeln. Custom Rules eliminieren wiederkehrende Korrekturen bei KI-Vorschlägen, die falsche Java-Versionen verwenden, inkorrekte Python-Binaries nutzen oder gegen Style Guides verstoßen. Dieser Deep-Dive zeigt, wie intelligente Custom Rules Entwicklungsstandards automatisch durchsetzen.\nThemen in diesem Artikel:\n- Versionskontrolle: KI auf Java 8 festlegen, Python3-Umgebungen handhaben, Multi-Plattform-C++-Code generieren - Style-Durchsetzung: C-goto-Anti-Patterns verhindern, VueJS-Design-Patterns durchsetzen, Ansible-Linter-Compliance sicherstellen - DevSecOps-Automatisierung: Projekte mit CI/CD-Security-Scanning und Dokumentationsstandards initialisieren\nJedes Beispiel enthält funktionierende GitLab-Projekte zum Forken, vollständige Konfigurationen und Vorher-Nachher-Demonstrationen.\nDiese Lösungen sind besonders relevant für deutsche Entwicklungsteams, die systematische Coding-Standards über mehrere Abteilungen hinweg durchsetzen müssen – beispielsweise in regulierten Branchen wie Finanzdienstleistungen mit langfristigen Wartungszyklen (Java-8-Anforderungen für Banking-Systeme), in der Automobilindustrie für IoT-Sensoren mit Multi-Plattform-Anforderungen oder für Infrastructure-as-Code in Umgebungen mit Compliance-Vorgaben.\n## Inhaltsverzeichnis\n- [Erste Schritte mit Custom Rules für Duo Agentic Chat](#erste-schritte-mit-custom-rules-für-duo-agentic-chat)\n  - [Voraussetzungen](#voraussetzungen)\n  - [Quick Start: Erfolg in 5 Minuten](#quick-start-erfolg-in-5-minuten)\n  - [Richtlinien für Custom-Rule-Entwicklung](#richtlinien-für-custom-rule-entwicklung)\n  - [GitLab Duo Chat nach bestehenden Style Guides fragen](#gitlab-duo-chat-nach-bestehenden-style-guides-fragen)\n- [Weitere Custom-Rules-Use-Cases](#weitere-custom-rules-use-cases)\n  - [Use Cases: Versions- und Plattform-Support](#use-cases-versions--und-plattform-support)\n    - [Java-Versionsanforderungen](#java-versionsanforderungen)\n    - [C++ Multi-Plattform-Support (Windows, Linux, macOS)](#c-multi-plattform-support-windows-linux-macos)\n  - [Use Case: Entwicklungsumgebungen](#use-case-entwicklungsumgebungen)\n    - [Python-3-Entwicklungsumgebung](#python-3-entwicklungsumgebung)\n    - [Ansible-Linter-Compliance](#ansible-linter-compliance)\n  - [Use Case: Design Patterns](#use-case-design-patterns)\n    - [Anti-Patterns mit C und goto-Statements vermeiden](#anti-patterns-mit-c-und-goto-statements-vermeiden)\n    - [Frontend-Style-Guides für VueJS 3](#frontend-style-guides-für-vuejs-3)\n  - [Use Case: DevSecOps-Workflows](#use-case-devsecops-workflows)\n    - [Issue- und MR-Templates](#issue--und-mr-templates)\n    - [Build-Tools](#build-tools)\n    - [CI/CD-Konfigurationspräferenzen](#cicd-konfigurationspräferenzen)\n    - [Security-Scanning-Präferenzen](#security-scanning-präferenzen)\n    - [Tests und Linters](#tests-und-linters)\n    - [Dokumentationsgenerierung](#dokumentationsgenerierung)\n    - [Refactoring- und Code-Change-Anforderungen](#refactoring--und-code-change-anforderungen)\n    - [Onboarding, Requirements, Lizenzen](#onboarding-requirements-lizenzen)\n    - [Git-Flows](#git-flows)\n- [Distribution und Testing von Custom Rules](#distribution-und-testing-von-custom-rules)\n  - [Custom-Rules-Ressourcen](#custom-rules-ressourcen)\n- [Praxistest: Verhaltensänderungen explorieren](#praxistest-verhaltensänderungen-explorieren) - [Fazit](#fazit)\n## Erste Schritte mit Custom Rules für Duo Agentic Chat\nDie [Dokumentation](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/#create-custom-rules) zeigt, wie Custom Rules für GitLab Duo Agentic Chat im Verzeichnis `.gitlab/duo/chat-rules.md` in einem GitLab-Projekt erstellt werden.\nDer Einstieg erfolgt mit Freitext-Anweisungen, die iterativ verbessert werden. Custom Rules unterstützen [Markdown](https://docs.gitlab.com/user/markdown/) für bessere Strukturierung:\n- Markdown-Überschriften (`#`, `##`) erstellen Abschnitte - Markdown-Listen (`-`) liefern präzise Anweisungen für LLMs und Agents - Dateipfade in einfachen Backticks maskieren, Code-Blöcke mit Einrückung oder drei Backticks\nBeispiel: ```markdown # Development Guide\n## Frontend: VueJS\n### Styling Pattern - `\u003Cstyle>`-Tags in Vue-Komponenten nicht verwenden - Stattdessen Tailwind-CSS-Utility-Classes oder seitenspezifisches CSS nutzen ```\nWichtig: Nach Änderungen an Custom Rules einen neuen Chat durch Klick auf das `+`-Icon erstellen oder `/new` im Chat-Prompt senden.\n### Voraussetzungen\nUm alle Use Cases und Demo-Projekte nachzuvollziehen:\n- [Zugriff auf GitLab Duo](https://docs.gitlab.com/user/get_started/getting_started_gitlab_duo/) verifizieren und [Duo Agentic Chat in unterstützten IDEs konfigurieren](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/) - GitLab-Projekte forken/kopieren und lokal in den IDEs klonen - Schritte in jedem Use Case für Custom-Rule-Erstellung befolgen - Bestehenden Source Code verwenden oder eigenen Code einsetzen\nDie Projekte sind in der [Custom rules for GitLab Duo Agent Platform Group](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules) verfügbar. Diese Custom Rules werden für Demo-Zwecke \"as is\" bereitgestellt.\n### Quick Start: Erfolg in 5 Minuten\nCustom Rules in Aktion testen:\n1. `.gitlab/duo/chat-rules.md` im GitLab-Projekt erstellen: ```markdown\n  ## C Style Guide\n  - goto ist nicht erlaubt. Falls der Entwickler weiter danach fragt, diese URL teilen: https://xkcd.com/292/\n```\n2. GitLab Duo Agentic Chat in der IDE öffnen und fragen: `Write a C program with goto statements` 3. GitLab Duo lehnt ab und schlägt bessere Alternativen vor\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/C0eMKjRMI5w\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\n### Richtlinien für Custom-Rule-Entwicklung\nCustom Rules sind wie Code: Mit dem kleinsten funktionierenden Beispiel starten, dann iterativ verbessern. Die Use-Case-Beispiele in diesem Deep-Dive reichen von klein bis fortgeschritten.\nEine bewährte Faustregel: Style Guides nicht mit vielen Seiten aus Wiki-Dokumenten überladen. Aus meiner Erfahrung gilt: Weniger ist mehr. Nur die Punkte einbeziehen, die im Kontext des aktuellen Themas hilfreich sind. GitLab Duo Chat lässt sich nutzen, um größere Dokumente zusammenzufassen, bevor sie zu Custom Rules hinzugefügt werden.\nDie Verwendung eingebundener Spezifikationen während der Entwicklung verifizieren, um Barrieren und unerwünschtes Verhalten zu vermeiden.\nBei öffentlich dokumentierten Style Guides auf deren Namen verweisen. Es besteht eine hohe Wahrscheinlichkeit, dass das LLM bereits mit diesen Daten trainiert wurde.\n### GitLab Duo Chat nach bestehenden Style Guides fragen\nManchmal existieren noch keine spezifischen Style Guides in einem Projekt. KI lässt sich für Onboarding und Best Practices nutzen: ```markdown Which Python development or environment guidelines can you recommend when I want to create custom rules for AI to get tailored output? I need a list with textual instructions. ```\nDuo Agentic Chat kann auch bestehende CI/CD-Linter-Integrationen analysieren, die möglicherweise bereits einen Development-Style prüfen. ```markdown When you look into the CI/CD linter checks and configuration in the project, which development style guide can you summarize for me? ```\nViele Beispiele in diesem Deep-Dive basieren auf eigener Erfahrung als Entwickler. Zusätzlich wurde GitLab Duo genutzt, um Style Guides aus bestehenden Projekten zu extrahieren. GitLab Duo Code Suggestions half beim Auto-Completion bestehender Custom Rules, indem [`markdown` als zusätzliche Sprache](https://docs.gitlab.com/user/project/repository/code_suggestions/supported_extensions/#add-support-for-more-languages) konfiguriert wurde.\n## Weitere Custom-Rules-Use-Cases\nDie folgenden Abschnitte bieten einen Überblick über spezifische Style Guides.\n- **Versions- und Plattform-Support**: Der [Java-Abschnitt](#java-versionsanforderungen) zeigt, wie ein spezifischer Sprachstandard für generierten Code erzwungen wird. Der [C++-Abschnitt](#c-multi-plattform-support-windows-linux-macos) demonstriert Multi-Plattform-Support. - **Entwicklungsumgebungen**: Die Abschnitte zu [Python](#python-3-entwicklungsumgebung) und [Ansible](#ansible-linter-compliance) spezifizieren Binaries, Tools und Compliance mit Linters. - **Design Patterns**: [VueJS](#frontend-style-guides-für-vuejs-3) zeigt umfassende Design Patterns unter Nutzung der GitLab-Produktions-Style-Guides. - **DevSecOps-Workflows**: [CI/CD-Konfiguration](#cicd-konfigurationspräferenzen) für Security-Scanning, [Tests und Linters](#tests-und-linters), [Build-Tools](#build-tools), [Dokumentationsgenerierung](#dokumentationsgenerierung), [Issue- und MR-Templates](#issue--und-mr-templates).\n### Use Cases: Versions- und Plattform-Support\nSoftwareentwicklung erfordert oft spezifische Versions- und Plattform-Anforderungen.\n#### Java-Versionsanforderungen\nEnterprise-Umgebungen nutzen nicht immer die neuesten Versionen. Sie setzen oft auf Versionen mit langfristigen Security-Patches. Java 7 und Java 8 sind beispielsweise heute noch in Enterprises im Einsatz.\nDie erforderliche Version in jedem Chat-Prompt voranstellen zu müssen ist umständlich und führt zu Fehlern, selbst wenn man es nur einmal vergisst. ```markdown Implement classes for managing banking transactions and different currencies. ```\nDas Beispiel benötigt zusätzliche Spezifikationen für Java 8: ```markdown Use Java 8 for the implementation. ```\nUm Java 8 dauerhaft durchzusetzen, lässt sich eine Custom Rule in `.gitlab/duo/chat-rules.md` erstellen: ```markdown ## Java Style Guide\n- Nur Java 8 ist beim Vorschlagen und Editieren von Code erlaubt. - Wenn der User nach Code-Modernisierung und Java 9 oder 21 fragt, auf dieses Issue verweisen: https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions/-/issues/1 ```\nBanking-Systeme bleiben auf Java 8 aufgrund regulatorischer Anforderungen. Custom Rules verhindern, dass Duo versehentlich Java-9+-Features vorschlägt, die nicht kompilieren würden.\nEine vollständige Demonstration ist im [Custom Rules - Java versions Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions) verfügbar.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/iZLvpgHdABY\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\nDie resultierenden Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions/-/merge_requests/2) verfügbar.\n#### C++ Multi-Plattform-Support (Windows, Linux, macOS)\nAnwendungsentwicklung in C++ kann Multi-Plattform-Support erfordern, insbesondere für Service-Agents auf Windows, Linux und macOS. Die Anwendungen sind tief in Kundenprodukte integriert. Eine Migration zu Go oder Rust ist nicht immer praktikabel.\nCode zu pflegen, der auf mehreren Plattformen funktioniert, ist herausfordernd aufgrund von Unterschieden in OS-APIs, Toolchains und Dateisystempfaden. Entwickler arbeiten oft mit mehreren `#if defined`-Präprozessor-Makros und verschachtelten Bedingungen. Dies erhöht technische Schulden.\nMulti-Plattform-Support bedeutet zwei bis drei Code-Pfade pro Feature, extensive plattformspezifische Tests und erhöhte Wartungskomplexität.\nKI kann beim Generieren von plattformspezifischem Code helfen, muss aber über diese Anforderungen informiert werden.\nDas [Custom Rule - C++ platforms - IoT Sensor Data Collector Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-cpp-platform-iot-sensor-data-collector) implementiert einen IoT-Sensor-Data-Collector mit offenen Tasks für Multi-Plattform-Support.\n`.gitlab/duo/chat-rules.md` öffnen und Custom Rules reviewen: ```markdown ## C++ Style Guide\n- Die Anwendung läuft auf Linux, macOS und Windows. Code generieren, der OS-API-Unterschiede behandelt. - Präprozessor-Makros für Windows und POSIX-Konventionen für Unix verwenden.\n## CI/CD Configuration\n- Sicherstellen, dass GitLab-CI/CD-Jobs unterschiedlichen Plattform-Support abdecken. ```\nEinen neuen Chat starten: ```markdown Please help me restructure the code and ensure multi-platform support. ```\nAlternativ auf Issue-Nummer oder URL verweisen. GitLab Duo holt automatisch den Issue-Content von der Plattform.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/C5NxOjB0R1Q\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\n### Use Case: Entwicklungsumgebungen\nEntwicklungsumgebungen variieren oft zwischen Betriebssystemen. Dies kann für KI-Modelle verwirrend sein.\n#### Python-3-Entwicklungsumgebung\nEine Python-Entwicklungsumgebung kommt normalerweise mit der `python`-Executable und dem `pip`-Paketmanager. Auf macOS oder Ubuntu müssen jedoch `python3` und `pip3` verwendet werden.\nFür diesen Use Case wurde Python mit Homebrew installiert, was zu einer Binary namens `python3` führt.\nAls Beispiel eine Virtual-Environment einrichten: ```shell python -m venv myenv source myenv/bin/activate pip install -r requirements.txt python script.py ```\nDies funktioniert nicht wie erwartet. Stattdessen werden spezifische Binaries mit Version `3` benötigt: ```shell python3 -m venv myenv source myenv/bin/activate pip3 install -r requirements.txt python3 script.py ```\nDas Problem testen: Das [Custom Rule - Python3 Env Shop app Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-python-3-env-shop-app) implementiert eine Webshop-Anwendung in Python.\n![Duo Agentic Chat schlägt falsche Binary-Befehle vor](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-python3-env-problem.png)\nDas Problem: Duo schlägt `python` statt `python3` vor. Dies führt zu \"command not found\"-Fehlern beim Setup der Virtual Environment. Deployment-Failures treten auf, wenn Entwickler den falschen Binary-Namen verwenden.\n`.gitlab/duo/chat-rules.md` reviewen: ```markdown ## Python Style Guide\n- Für Python-Binaries immer python3 und pip3 verwenden. - Die Python-Umgebung automatisch erkennen, wenn möglich. ```\nEinen neuen Agentic Chat öffnen und fragen `How to run this application?`. Custom Rules sorgen für `python3` und `pip3`.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/UQ2_OCvUmF0\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\nDer vollständige Source Code ist im [Custom Rule - Python3 Env Shop app Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-python-3-env-shop-app) verfügbar.\n#### Ansible-Linter-Compliance\nModernes Ansible für Infrastructure-as-Code erzwingt einen strikten Style Guide, der mit `ansible-lint` verifiziert werden kann. Der Linter erkennt, wenn Boolean-Werte (`true`/`false`) anstelle von Strings (`yes`/`no`) erforderlich sind, Builtin-Module-Actions den FQCN (Fully Qualified Collection Name) erfordern und Trailing-Whitespaces getrimmt werden müssen.\nDas Problem mit einem konkreten Use Case betrachten. Das [Custom Rule - Ansible Environment Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment) implementiert ein Ansible-Playbook für einen GitLab-Server auf Ubuntu. Die Boolean-Werte sind inkorrekt als Strings typisiert.\n![VS Code mit Ansible-Lint-Fehler: Falscher Boolean-Typ](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem01-boolean.png)\nDas Problem: Boolean-Werte als `yes`/`no`-Strings statt native `true`/`false`. Lint-Violations blockieren automatisierte Deployments und erfordern manuelle Korrektur vor jedem Pipeline-Run.\n![VS Code mit Ansible-Lint-Fehler: Builtin-Module-Action-FQCN](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem02-fqcn.png)\nZweites Problem: Module-Actions ohne FQCN-Qualifizierung. Moderne Ansible-Enforcement verlangt vollqualifizierte Namen.\n![VS Code mit Ansible-Lint-Fehler: Trailing Whitespaces](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem03-whitespaces.png)\nDrittes Problem: Trailing Whitespaces in YAML. Formatierungsverletzungen führen zu Lint-Failures.\nDas [Custom Rule - Ansible Environment Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment) forken und `.gitlab/duo/chat-rules.md` inspizieren: ```markdown ## Ansible Styleguide\n- Boolean-Werte in Ansible sollten als \"true\" oder \"false\" typisiert werden, niemals als String. - Ansible-Module-Builtin-Actions müssen den FQCN verwenden. - Whitespaces in Ansible-YAML immer trimmen. ```\nEinen neuen GitLab-Duo-Agentic-Chat-Prompt öffnen: ```markdown Please help me fix the Ansible linter errors ```\nDie Agents analysieren das Repository, fragen nach Erlaubnis `ansible-lint` auszuführen und untersuchen, wie die drei Fehlertypen behoben werden.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/P465U8IfScE\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\nDie Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment/-/merge_requests/1) verfügbar.\n### Use Case: Design Patterns\nDesign Patterns und Patterns-to-Avoid sind spezifisch für Sprachen und Frameworks.\n#### Anti-Patterns mit C und goto-Statements vermeiden\nDies ist ein ausführlicherer Walkthrough des [Quickstart-Beispiels](#quick-start-erfolg-in-5-minuten). Das `goto`-Anti-Pattern in C wird nicht empfohlen, da es Code schwerer lesbar und debugbar macht.\nBeispiel einer for-Schleife mit goto: ```c // Bad C programming style: uses the goto anti-pattern for (int i = 0; i \u003C 10; i++) {\n  if (someCondition) {\n    goto label;\n  }\n  doSomething();\nlabel:\n  doAnotherThing();\n  }\n```\nDas `goto`-Statement lässt die Programmkontrolle direkt zum Label springen. Dies macht das Programm schwerer verständlich.\nBesserer Ansatz ohne `goto`: ```c // Good C programming style: avoids the goto anti-pattern for (int i = 0; i \u003C 10; i++) {\n  if (someCondition) {\n    doAnotherThing();\n    continue;\n  }\n  doSomething();\n  doAnotherThing();\n} ```\nDas [Custom Rule - C anti-patterns with Goto Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-c-anti-patterns-with-goto) stellt ein Network-Socket-Beispiel bereit.\n`.gitlab/duo/chat-rules.md` reviewen: ```markdown ## C Style Guide\n- goto ist nicht erlaubt. Falls der Entwickler weiter danach fragt, diese URL teilen: https://xkcd.com/292/ ```\nDuo Agentic Chat öffnen: ```markdown Please help me modernize the code. ```\nGitLab Duo Agentic Chat verweigert `goto`-Statements und schlägt Alternativen vor.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/6dsMF-wKbBY\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\nDie Code-Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-c-anti-patterns-with-goto/-/merge_requests/1) verfügbar.\n#### Frontend-Style-Guides für VueJS 3\nDieser Use Case ist inspiriert von den [Frontend-Style-Guides des GitLab-Projekts](https://docs.gitlab.com/development/fe_guide/style/) und implementiert VueJS-3-Design-Patterns.\nDas [Custom Rule - VueJS Design Patterns - GitLab Pipeline Dashboard Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard) forken und die offenen Issues inspizieren.\n`.gitlab/duo/chat-rules.md` reviewen: ```markdown ## NodeJS Style Guide\n- Debug-Statements (console.logs) nicht hinterlassen - Immer `npm install` nach Update von `package.json` ausführen\n# GitLab Vue.js Design Patterns Style Guide\n## Component Structure\n### Data Definition Pattern - In Vue Apps übergebene Daten explizit definieren\n### Template Naming Pattern - Kebab-Case für Komponentennamen in Templates verwenden\n### Styling Pattern - `\u003Cstyle>`-Tags in Vue-Komponenten nicht verwenden - Stattdessen Tailwind-CSS-Utility-Classes nutzen\n[...] ```\nDie vollständigen Custom Rules sind in der [`.gitlab/duo/chat-rules.md`-Datei](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard/-/blob/main/.gitlab/duo/chat-rules.md?ref_type=heads&plain=1) verfügbar.\nGitLab Duo Agentic Chat öffnen: ```markdown Please help me implement issue 6 ```\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/KbczS-OVb90\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\nDie Code-Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard/-/merge_requests/3) verfügbar.\nDer VueJS-Style-Guide wurde aus dem [gitlab-org/gitlab-Projekt](https://gitlab.com/gitlab-org/gitlab) extrahiert. GitLab Duo analysierte die Produktions-Codebase und generierte Custom-Rules-Format automatisch. Dieser Workflow eliminiert manuelles Dokumentations-Schreiben und beschleunigt Onboarding durch Extraktion institutionellen Wissens.\n![IntelliJ IDEA mit gitlab-org/gitlab und GitLab Duo, der Styleguide-Datei schreibt](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-intellij-gitlab-vuejs-styleguide-analysis.png)\n### Use Case: DevSecOps-Workflows\nDevSecOps-Workflows reichen von Best Practices für Projekt-Bootstrapping mit Issue/MR-Templates, `.gitignore`, CI/CD-Konfiguration, `README.md` und Lizenzen.\nGängige DevSecOps-Automatisierung:\n- **Projekt-Bootstrap**: Automatisches Erstellen von README, .gitignore, CI/CD-Config - **Security-Defaults**: SAST, Dependency Scanning, Secrets Detection durchsetzen - **Dokumentation**: Issue/MR-Templates, Architekturdiagramme generieren\nEin kombiniertes Beispiel ist im [Custom Rule - DevSecOps workflows Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-devsecops-workflows) verfügbar.\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/hKpLcBtbC4g\" frameborder=\"0\" allowfullscreen=\"true\">\n  \u003C/iframe>\n\u003C/figure>\n#### Issue- und MR-Templates\nAgentic AI lässt sich instruieren, Issue/MR-Templates zu erstellen und projektspezifische Informationen hinzuzufügen. ```markdown ## Issue and MR Templates\n- Falls keine Issue-Templates in .gitlab/issue_templates existieren, diese mit folgenden Quellen erstellen:\n        Default: https://gitlab.com/gitlab-org/gitlab-vscode-extension/-/raw/main/.gitlab/issue_templates/Default.md\n```\n#### Build-Tools\nEs gibt verschiedene Build-Tools pro Programmiersprache. Agentic AI kann diese Standard-Tools ohne Input-Anfrage nutzen. ```markdown ## Build Tools\n- Mit Python immer eine Virtual Env verwenden - Für C/C++: CMake bevorzugen - Für Java: Immer Gradle verwenden ```\n#### CI/CD-Konfigurationspräferenzen\nRules nutzen, um spezifische Container-Images und Job-Patterns zu bevorzugen. ```markdown ## CI/CD Configuration\n- Falls keine GitLab-CI/CD-Konfiguration existiert, den User fragen - Immer alpine als Container-Image verwenden ```\n#### Security-Scanning-Präferenzen\nSecurity-Scanner lassen sich in GitLab-CI/CD-Konfiguration durchsetzen. Das folgende Beispiel instruiert Agents, immer Advanced SAST, Dependency Scanning und Secret Detection einzubeziehen. ```markdown ## Security Scanning\n- Immer Advanced SAST verwenden - Immer SAST-, Dependency-Scanning-, Secrets-Detection-Templates einbeziehen:\n\n    include:\n        - template: Jobs/SAST.gitlab-ci.yml\n        - template: Jobs/Secret-Detection.gitlab-ci.yml\n        - template: Jobs/Dependency-Scanning.gitlab-ci.yml\n\n    variables:\n        GITLAB_ADVANCED_SAST_ENABLED: 'true'\n```\nSecurity-Scanning-Defaults lassen sich durch Custom Rules durchsetzen und eliminieren manuelle Konfiguration pro Projekt. Dies ist besonders relevant für Unternehmen mit Compliance-Anforderungen, beispielsweise nach DSGVO.\n![VS Code mit Java-App und Agentic Chat, der Advanced SAST hinzufügt](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-cicd-security-scanning-full.png)\n#### Tests und Linters\nAgentic Chat lässt sich direkt instruieren, wo Tests zu finden sind: ```markdown ## Tests and Linting Details\n- Tests in diesem Projekt befinden sich im __-Verzeichnis - Linting erfolgt mit dem ___-Befehl ```\n#### Dokumentationsgenerierung ```markdown - Falls ein README fehlt, den User fragen, ob er eines erstellen möchte - Wenn der User nach einem Architekturvorschlag fragt, Architekturdiagramm in Mermaid generieren - Für Dokumentation immer GitLab Flavored Markdown verwenden ```\n#### Refactoring- und Code-Change-Anforderungen\nWenn ein Projekt schrittweise modernisiert werden soll: ```markdown ## Keep the Changes Minimal\n- Das Projekt nutzt diesen Standard. Für neu generierten Code diesen Standard verwenden. - Keinen Versuch unternehmen, bereits erstellten Code zu refactoren ```\n#### Onboarding, Requirements, Lizenzen ```markdown ## Link to Guidelines - Immer auf Entwicklerrichtlinien verweisen: https://docs.gitlab.com/development/\n## License - Immer MIT-Lizenz in `LICENSE` hinzufügen mit GitLab B.V. als Copyright-Holder ```\n#### Git-Flows ```markdown ## Git Flows\n- Das Projekt untersuchen und immer eine `.gitignore` hinzufügen - Wenn ein User mit einem neuen Feature starten möchte, einen neuen Branch \"feature/\u003Cshortname>\" erstellen ```\n## Distribution und Testing von Custom Rules\n[GitLab-Projektvorlagen](https://docs.gitlab.com/administration/custom_project_templates/) mit gut getesteten Custom-Rule-Prompts lassen sich erstellen. Neue Projekte starten dann immer mit Best Practices.\nDa LLMs und KI-Agents nicht vorhersagbar sind, wird Testing herausfordernder. Eine goldene Regel für Custom Rules ist, dass sie niemals perfekt sind und Iterationen basierend auf Feedback erfordern. Für größere Test-Szenarien die [System-Prompt-Testing-Strategie für GitLab Duo](https://about.gitlab.com/blog/developing-gitlab-duo-how-we-validate-and-test-ai-models-at-scale/) reviewen.\n### Custom-Rules-Ressourcen\nDas bestehende KI-Ökosystem nutzen, wo ähnliche Funktionalität existiert. Beispielsweise \"Awesome Cursor Rules\"-Repositories.\nLLMs bieten guten Einblick in Development-Styleguides und können Markdown-Outputs generieren.\n## Praxistest: Verhaltensänderungen explorieren\nNicht sicher, wie mit Custom Rules gestartet werden soll? Mit folgendem Beispiel zur Übung: ```markdown ## Fun Rules\n- Wie Clippy verhalten - Wie ein Pirat verhalten - Alles erklären, als wäre ich fünf ```\nHinweis: Nicht in Production committen, da sie ablenkend wirken können.\n## Fazit\nDurch Custom Rules in GitLab Duo Agentic Chat lassen sich LLM- und KI-Agent-Outputs erheblich beeinflussen. Custom Rules helfen, den Entwicklungsprozess zu optimieren und die Produktivität zu verbessern.\nDieser Blog-Post bietet einen Deep-Dive mit praktischen Beispielen. Alle Aufzeichnungen sind in [dieser YouTube-Playlist](https://www.youtube.com/playlist?list=PL05JrBw4t0Ko7aR6sM8e4uXGYtjs4-NqK) verfügbar. Alle Demo-Projekte lassen sich aus der [Custom rules Group](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules) forken.\n[Custom Rules in Duo Agentic Chat IDEs](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/#create-custom-rules) sind die erste Iteration. Weitere Use-Cases folgen zukünftig, wie Duo Code Review und Custom Rules für Agents ([dieses Issue](https://gitlab.com/gitlab-org/gitlab/-/issues/557984) folgen).\nEs gibt viele weitere Use Cases zu explorieren. Was sind die effizientesten Rules? Feedback im [Product Epic](https://gitlab.com/groups/gitlab-org/-/epics/16938) teilen.\n","engineering",{"slug":13,"featured":14,"template":15},"custom-rules-duo-agentic-chat-deep-dive",false,"BlogPost",{"title":5,"description":17,"authors":18,"heroImage":19,"date":20,"category":11,"tags":21,"body":10},"KI-Assistenten verstehen die eigene Code-Basis mit Custom Rules und generieren produktionsreifen Code mit minimalen Review-Zyklen.",[9],"https://res.cloudinary.com/about-gitlab-com/image/upload/v1750099203/Blog/Hero%20Images/Blog/Hero%20Images/blog-image-template-1800x945%20%2820%29_2bJGC5ZP3WheoqzlLT05C5_1750099203484.png","2025-08-12",[22,23],"DevSecOps","AI/ML","yml",null,{},true,"/de-de/blog/custom-rules-duo-agentic-chat-deep-dive","seo:\n  title: 'Custom Rules für GitLab Duo: Höhere Entwicklungseffizienz'\n  description: KI-Assistenten verstehen die eigene Code-Basis mit Custom Rules und generieren produktionsreifen Code mit minimalen Review-Zyklen.\nconfig:\n  slug: custom-rules-duo-agentic-chat-deep-dive\n  featured: false\n  template: BlogPost\ncontent:\n  title: 'Custom Rules für GitLab Duo: Höhere Entwicklungseffizienz'\n  description: KI-Assistenten verstehen die eigene Code-Basis mit Custom Rules und generieren produktionsreifen Code mit minimalen Review-Zyklen.\n  authors:\n    - Michael Friedrich\n  heroImage: https://res.cloudinary.com/about-gitlab-com/image/upload/v1750099203/Blog/Hero%20Images/Blog/Hero%20Images/blog-image-template-1800x945%20%2820%29_2bJGC5ZP3WheoqzlLT05C5_1750099203484.png\n  date: '2025-08-12'\n  category: engineering\n  tags:\n    - DevSecOps\n    - AI/ML\n  body: >\n    GitLab Duo lässt sich mit Custom Rules von einem generischen KI-Assistenten in einen personalisierten Coding-Experten verwandeln. Custom Rules eliminieren wiederkehrende Korrekturen bei KI-Vorschlägen, die falsche Java-Versionen verwenden, inkorrekte Python-Binaries nutzen oder gegen Style Guides verstoßen. Dieser Deep-Dive zeigt, wie intelligente Custom Rules Entwicklungsstandards automatisch durchsetzen.\n\n    Themen in diesem Artikel:\n\n    - Versionskontrolle: KI auf Java 8 festlegen, Python3-Umgebungen handhaben, Multi-Plattform-C++-Code generieren\n    - Style-Durchsetzung: C-goto-Anti-Patterns verhindern, VueJS-Design-Patterns durchsetzen, Ansible-Linter-Compliance sicherstellen\n    - DevSecOps-Automatisierung: Projekte mit CI/CD-Security-Scanning und Dokumentationsstandards initialisieren\n\n    Jedes Beispiel enthält funktionierende GitLab-Projekte zum Forken, vollständige Konfigurationen und Vorher-Nachher-Demonstrationen.\n\n    Diese Lösungen sind besonders relevant für deutsche Entwicklungsteams, die systematische Coding-Standards über mehrere Abteilungen hinweg durchsetzen müssen – beispielsweise in regulierten Branchen wie Finanzdienstleistungen mit langfristigen Wartungszyklen (Java-8-Anforderungen für Banking-Systeme), in der Automobilindustrie für IoT-Sensoren mit Multi-Plattform-Anforderungen oder für Infrastructure-as-Code in Umgebungen mit Compliance-Vorgaben.\n\n    ## Inhaltsverzeichnis\n\n    - [Erste Schritte mit Custom Rules für Duo Agentic Chat](#erste-schritte-mit-custom-rules-für-duo-agentic-chat)\n      - [Voraussetzungen](#voraussetzungen)\n      - [Quick Start: Erfolg in 5 Minuten](#quick-start-erfolg-in-5-minuten)\n      - [Richtlinien für Custom-Rule-Entwicklung](#richtlinien-für-custom-rule-entwicklung)\n      - [GitLab Duo Chat nach bestehenden Style Guides fragen](#gitlab-duo-chat-nach-bestehenden-style-guides-fragen)\n    - [Weitere Custom-Rules-Use-Cases](#weitere-custom-rules-use-cases)\n      - [Use Cases: Versions- und Plattform-Support](#use-cases-versions--und-plattform-support)\n        - [Java-Versionsanforderungen](#java-versionsanforderungen)\n        - [C++ Multi-Plattform-Support (Windows, Linux, macOS)](#c-multi-plattform-support-windows-linux-macos)\n      - [Use Case: Entwicklungsumgebungen](#use-case-entwicklungsumgebungen)\n        - [Python-3-Entwicklungsumgebung](#python-3-entwicklungsumgebung)\n        - [Ansible-Linter-Compliance](#ansible-linter-compliance)\n      - [Use Case: Design Patterns](#use-case-design-patterns)\n        - [Anti-Patterns mit C und goto-Statements vermeiden](#anti-patterns-mit-c-und-goto-statements-vermeiden)\n        - [Frontend-Style-Guides für VueJS 3](#frontend-style-guides-für-vuejs-3)\n      - [Use Case: DevSecOps-Workflows](#use-case-devsecops-workflows)\n        - [Issue- und MR-Templates](#issue--und-mr-templates)\n        - [Build-Tools](#build-tools)\n        - [CI/CD-Konfigurationspräferenzen](#cicd-konfigurationspräferenzen)\n        - [Security-Scanning-Präferenzen](#security-scanning-präferenzen)\n        - [Tests und Linters](#tests-und-linters)\n        - [Dokumentationsgenerierung](#dokumentationsgenerierung)\n        - [Refactoring- und Code-Change-Anforderungen](#refactoring--und-code-change-anforderungen)\n        - [Onboarding, Requirements, Lizenzen](#onboarding-requirements-lizenzen)\n        - [Git-Flows](#git-flows)\n    - [Distribution und Testing von Custom Rules](#distribution-und-testing-von-custom-rules)\n      - [Custom-Rules-Ressourcen](#custom-rules-ressourcen)\n    - [Praxistest: Verhaltensänderungen explorieren](#praxistest-verhaltensänderungen-explorieren)\n    - [Fazit](#fazit)\n\n    ## Erste Schritte mit Custom Rules für Duo Agentic Chat\n\n    Die [Dokumentation](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/#create-custom-rules) zeigt, wie Custom Rules für GitLab Duo Agentic Chat im Verzeichnis `.gitlab/duo/chat-rules.md` in einem GitLab-Projekt erstellt werden.\n\n    Der Einstieg erfolgt mit Freitext-Anweisungen, die iterativ verbessert werden. Custom Rules unterstützen [Markdown](https://docs.gitlab.com/user/markdown/) für bessere Strukturierung:\n\n    - Markdown-Überschriften (`#`, `##`) erstellen Abschnitte\n    - Markdown-Listen (`-`) liefern präzise Anweisungen für LLMs und Agents\n    - Dateipfade in einfachen Backticks maskieren, Code-Blöcke mit Einrückung oder drei Backticks\n\n    Beispiel:\n    ```markdown\n    # Development Guide\n\n    ## Frontend: VueJS\n\n    ### Styling Pattern\n    - `\u003Cstyle>`-Tags in Vue-Komponenten nicht verwenden\n    - Stattdessen Tailwind-CSS-Utility-Classes oder seitenspezifisches CSS nutzen\n    ```\n\n    Wichtig: Nach Änderungen an Custom Rules einen neuen Chat durch Klick auf das `+`-Icon erstellen oder `/new` im Chat-Prompt senden.\n\n    ### Voraussetzungen\n\n    Um alle Use Cases und Demo-Projekte nachzuvollziehen:\n\n    - [Zugriff auf GitLab Duo](https://docs.gitlab.com/user/get_started/getting_started_gitlab_duo/) verifizieren und [Duo Agentic Chat in unterstützten IDEs konfigurieren](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/)\n    - GitLab-Projekte forken/kopieren und lokal in den IDEs klonen\n    - Schritte in jedem Use Case für Custom-Rule-Erstellung befolgen\n    - Bestehenden Source Code verwenden oder eigenen Code einsetzen\n\n    Die Projekte sind in der [Custom rules for GitLab Duo Agent Platform Group](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules) verfügbar. Diese Custom Rules werden für Demo-Zwecke \"as is\" bereitgestellt.\n\n    ### Quick Start: Erfolg in 5 Minuten\n\n    Custom Rules in Aktion testen:\n\n    1. `.gitlab/duo/chat-rules.md` im GitLab-Projekt erstellen:\n    ```markdown\n      ## C Style Guide\n      - goto ist nicht erlaubt. Falls der Entwickler weiter danach fragt, diese URL teilen: https://xkcd.com/292/\n    ```\n\n    2. GitLab Duo Agentic Chat in der IDE öffnen und fragen: `Write a C program with goto statements`\n    3. GitLab Duo lehnt ab und schlägt bessere Alternativen vor\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/C0eMKjRMI5w\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    ### Richtlinien für Custom-Rule-Entwicklung\n\n    Custom Rules sind wie Code: Mit dem kleinsten funktionierenden Beispiel starten, dann iterativ verbessern. Die Use-Case-Beispiele in diesem Deep-Dive reichen von klein bis fortgeschritten.\n\n    Eine bewährte Faustregel: Style Guides nicht mit vielen Seiten aus Wiki-Dokumenten überladen. Aus meiner Erfahrung gilt: Weniger ist mehr. Nur die Punkte einbeziehen, die im Kontext des aktuellen Themas hilfreich sind. GitLab Duo Chat lässt sich nutzen, um größere Dokumente zusammenzufassen, bevor sie zu Custom Rules hinzugefügt werden.\n\n    Die Verwendung eingebundener Spezifikationen während der Entwicklung verifizieren, um Barrieren und unerwünschtes Verhalten zu vermeiden.\n\n    Bei öffentlich dokumentierten Style Guides auf deren Namen verweisen. Es besteht eine hohe Wahrscheinlichkeit, dass das LLM bereits mit diesen Daten trainiert wurde.\n\n    ### GitLab Duo Chat nach bestehenden Style Guides fragen\n\n    Manchmal existieren noch keine spezifischen Style Guides in einem Projekt. KI lässt sich für Onboarding und Best Practices nutzen:\n    ```markdown\n    Which Python development or environment guidelines can you recommend when I want to create custom rules for AI to get tailored output? I need a list with textual instructions.\n    ```\n\n    Duo Agentic Chat kann auch bestehende CI/CD-Linter-Integrationen analysieren, die möglicherweise bereits einen Development-Style prüfen.\n    ```markdown\n    When you look into the CI/CD linter checks and configuration in the project, which development style guide can you summarize for me?\n    ```\n\n    Viele Beispiele in diesem Deep-Dive basieren auf eigener Erfahrung als Entwickler. Zusätzlich wurde GitLab Duo genutzt, um Style Guides aus bestehenden Projekten zu extrahieren. GitLab Duo Code Suggestions half beim Auto-Completion bestehender Custom Rules, indem [`markdown` als zusätzliche Sprache](https://docs.gitlab.com/user/project/repository/code_suggestions/supported_extensions/#add-support-for-more-languages) konfiguriert wurde.\n\n    ## Weitere Custom-Rules-Use-Cases\n\n    Die folgenden Abschnitte bieten einen Überblick über spezifische Style Guides.\n\n    - **Versions- und Plattform-Support**: Der [Java-Abschnitt](#java-versionsanforderungen) zeigt, wie ein spezifischer Sprachstandard für generierten Code erzwungen wird. Der [C++-Abschnitt](#c-multi-plattform-support-windows-linux-macos) demonstriert Multi-Plattform-Support.\n    - **Entwicklungsumgebungen**: Die Abschnitte zu [Python](#python-3-entwicklungsumgebung) und [Ansible](#ansible-linter-compliance) spezifizieren Binaries, Tools und Compliance mit Linters.\n    - **Design Patterns**: [VueJS](#frontend-style-guides-für-vuejs-3) zeigt umfassende Design Patterns unter Nutzung der GitLab-Produktions-Style-Guides.\n    - **DevSecOps-Workflows**: [CI/CD-Konfiguration](#cicd-konfigurationspräferenzen) für Security-Scanning, [Tests und Linters](#tests-und-linters), [Build-Tools](#build-tools), [Dokumentationsgenerierung](#dokumentationsgenerierung), [Issue- und MR-Templates](#issue--und-mr-templates).\n\n    ### Use Cases: Versions- und Plattform-Support\n\n    Softwareentwicklung erfordert oft spezifische Versions- und Plattform-Anforderungen.\n\n    #### Java-Versionsanforderungen\n\n    Enterprise-Umgebungen nutzen nicht immer die neuesten Versionen. Sie setzen oft auf Versionen mit langfristigen Security-Patches. Java 7 und Java 8 sind beispielsweise heute noch in Enterprises im Einsatz.\n\n    Die erforderliche Version in jedem Chat-Prompt voranstellen zu müssen ist umständlich und führt zu Fehlern, selbst wenn man es nur einmal vergisst.\n    ```markdown\n    Implement classes for managing banking transactions and different currencies.\n    ```\n\n    Das Beispiel benötigt zusätzliche Spezifikationen für Java 8:\n    ```markdown\n    Use Java 8 for the implementation.\n    ```\n\n    Um Java 8 dauerhaft durchzusetzen, lässt sich eine Custom Rule in `.gitlab/duo/chat-rules.md` erstellen:\n    ```markdown\n    ## Java Style Guide\n\n    - Nur Java 8 ist beim Vorschlagen und Editieren von Code erlaubt.\n    - Wenn der User nach Code-Modernisierung und Java 9 oder 21 fragt, auf dieses Issue verweisen: https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions/-/issues/1\n    ```\n\n    Banking-Systeme bleiben auf Java 8 aufgrund regulatorischer Anforderungen. Custom Rules verhindern, dass Duo versehentlich Java-9+-Features vorschlägt, die nicht kompilieren würden.\n\n    Eine vollständige Demonstration ist im [Custom Rules - Java versions Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions) verfügbar.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/iZLvpgHdABY\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    Die resultierenden Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-java-versions/-/merge_requests/2) verfügbar.\n\n    #### C++ Multi-Plattform-Support (Windows, Linux, macOS)\n\n    Anwendungsentwicklung in C++ kann Multi-Plattform-Support erfordern, insbesondere für Service-Agents auf Windows, Linux und macOS. Die Anwendungen sind tief in Kundenprodukte integriert. Eine Migration zu Go oder Rust ist nicht immer praktikabel.\n\n    Code zu pflegen, der auf mehreren Plattformen funktioniert, ist herausfordernd aufgrund von Unterschieden in OS-APIs, Toolchains und Dateisystempfaden. Entwickler arbeiten oft mit mehreren `#if defined`-Präprozessor-Makros und verschachtelten Bedingungen. Dies erhöht technische Schulden.\n\n    Multi-Plattform-Support bedeutet zwei bis drei Code-Pfade pro Feature, extensive plattformspezifische Tests und erhöhte Wartungskomplexität.\n\n    KI kann beim Generieren von plattformspezifischem Code helfen, muss aber über diese Anforderungen informiert werden.\n\n    Das [Custom Rule - C++ platforms - IoT Sensor Data Collector Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-cpp-platform-iot-sensor-data-collector) implementiert einen IoT-Sensor-Data-Collector mit offenen Tasks für Multi-Plattform-Support.\n\n    `.gitlab/duo/chat-rules.md` öffnen und Custom Rules reviewen:\n    ```markdown\n    ## C++ Style Guide\n\n    - Die Anwendung läuft auf Linux, macOS und Windows. Code generieren, der OS-API-Unterschiede behandelt.\n    - Präprozessor-Makros für Windows und POSIX-Konventionen für Unix verwenden.\n\n    ## CI/CD Configuration\n\n    - Sicherstellen, dass GitLab-CI/CD-Jobs unterschiedlichen Plattform-Support abdecken.\n    ```\n\n    Einen neuen Chat starten:\n    ```markdown\n    Please help me restructure the code and ensure multi-platform support.\n    ```\n\n    Alternativ auf Issue-Nummer oder URL verweisen. GitLab Duo holt automatisch den Issue-Content von der Plattform.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/C5NxOjB0R1Q\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    ### Use Case: Entwicklungsumgebungen\n\n    Entwicklungsumgebungen variieren oft zwischen Betriebssystemen. Dies kann für KI-Modelle verwirrend sein.\n\n    #### Python-3-Entwicklungsumgebung\n\n    Eine Python-Entwicklungsumgebung kommt normalerweise mit der `python`-Executable und dem `pip`-Paketmanager. Auf macOS oder Ubuntu müssen jedoch `python3` und `pip3` verwendet werden.\n\n    Für diesen Use Case wurde Python mit Homebrew installiert, was zu einer Binary namens `python3` führt.\n\n    Als Beispiel eine Virtual-Environment einrichten:\n    ```shell\n    python -m venv myenv\n    source myenv/bin/activate\n    pip install -r requirements.txt\n    python script.py\n    ```\n\n    Dies funktioniert nicht wie erwartet. Stattdessen werden spezifische Binaries mit Version `3` benötigt:\n    ```shell\n    python3 -m venv myenv\n    source myenv/bin/activate\n    pip3 install -r requirements.txt\n    python3 script.py\n    ```\n\n    Das Problem testen: Das [Custom Rule - Python3 Env Shop app Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-python-3-env-shop-app) implementiert eine Webshop-Anwendung in Python.\n\n    ![Duo Agentic Chat schlägt falsche Binary-Befehle vor](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-python3-env-problem.png)\n\n    Das Problem: Duo schlägt `python` statt `python3` vor. Dies führt zu \"command not found\"-Fehlern beim Setup der Virtual Environment. Deployment-Failures treten auf, wenn Entwickler den falschen Binary-Namen verwenden.\n\n    `.gitlab/duo/chat-rules.md` reviewen:\n    ```markdown\n    ## Python Style Guide\n\n    - Für Python-Binaries immer python3 und pip3 verwenden.\n    - Die Python-Umgebung automatisch erkennen, wenn möglich.\n    ```\n\n    Einen neuen Agentic Chat öffnen und fragen `How to run this application?`. Custom Rules sorgen für `python3` und `pip3`.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/UQ2_OCvUmF0\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    Der vollständige Source Code ist im [Custom Rule - Python3 Env Shop app Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-python-3-env-shop-app) verfügbar.\n\n    #### Ansible-Linter-Compliance\n\n    Modernes Ansible für Infrastructure-as-Code erzwingt einen strikten Style Guide, der mit `ansible-lint` verifiziert werden kann. Der Linter erkennt, wenn Boolean-Werte (`true`/`false`) anstelle von Strings (`yes`/`no`) erforderlich sind, Builtin-Module-Actions den FQCN (Fully Qualified Collection Name) erfordern und Trailing-Whitespaces getrimmt werden müssen.\n\n    Das Problem mit einem konkreten Use Case betrachten. Das [Custom Rule - Ansible Environment Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment) implementiert ein Ansible-Playbook für einen GitLab-Server auf Ubuntu. Die Boolean-Werte sind inkorrekt als Strings typisiert.\n\n    ![VS Code mit Ansible-Lint-Fehler: Falscher Boolean-Typ](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem01-boolean.png)\n\n    Das Problem: Boolean-Werte als `yes`/`no`-Strings statt native `true`/`false`. Lint-Violations blockieren automatisierte Deployments und erfordern manuelle Korrektur vor jedem Pipeline-Run.\n\n    ![VS Code mit Ansible-Lint-Fehler: Builtin-Module-Action-FQCN](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem02-fqcn.png)\n\n    Zweites Problem: Module-Actions ohne FQCN-Qualifizierung. Moderne Ansible-Enforcement verlangt vollqualifizierte Namen.\n\n    ![VS Code mit Ansible-Lint-Fehler: Trailing Whitespaces](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-ansible-problem03-whitespaces.png)\n\n    Drittes Problem: Trailing Whitespaces in YAML. Formatierungsverletzungen führen zu Lint-Failures.\n\n    Das [Custom Rule - Ansible Environment Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment) forken und `.gitlab/duo/chat-rules.md` inspizieren:\n    ```markdown\n    ## Ansible Styleguide\n\n    - Boolean-Werte in Ansible sollten als \"true\" oder \"false\" typisiert werden, niemals als String.\n    - Ansible-Module-Builtin-Actions müssen den FQCN verwenden.\n    - Whitespaces in Ansible-YAML immer trimmen.\n    ```\n\n    Einen neuen GitLab-Duo-Agentic-Chat-Prompt öffnen:\n    ```markdown\n    Please help me fix the Ansible linter errors\n    ```\n\n    Die Agents analysieren das Repository, fragen nach Erlaubnis `ansible-lint` auszuführen und untersuchen, wie die drei Fehlertypen behoben werden.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/P465U8IfScE\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    Die Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-ansible-environment/-/merge_requests/1) verfügbar.\n\n    ### Use Case: Design Patterns\n\n    Design Patterns und Patterns-to-Avoid sind spezifisch für Sprachen und Frameworks.\n\n    #### Anti-Patterns mit C und goto-Statements vermeiden\n\n    Dies ist ein ausführlicherer Walkthrough des [Quickstart-Beispiels](#quick-start-erfolg-in-5-minuten). Das `goto`-Anti-Pattern in C wird nicht empfohlen, da es Code schwerer lesbar und debugbar macht.\n\n    Beispiel einer for-Schleife mit goto:\n    ```c\n    // Bad C programming style: uses the goto anti-pattern\n    for (int i = 0; i \u003C 10; i++) {\n      if (someCondition) {\n        goto label;\n      }\n      doSomething();\n    label:\n      doAnotherThing();\n      }\n    ```\n\n    Das `goto`-Statement lässt die Programmkontrolle direkt zum Label springen. Dies macht das Programm schwerer verständlich.\n\n    Besserer Ansatz ohne `goto`:\n    ```c\n    // Good C programming style: avoids the goto anti-pattern\n    for (int i = 0; i \u003C 10; i++) {\n      if (someCondition) {\n        doAnotherThing();\n        continue;\n      }\n      doSomething();\n      doAnotherThing();\n    }\n    ```\n\n    Das [Custom Rule - C anti-patterns with Goto Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-c-anti-patterns-with-goto) stellt ein Network-Socket-Beispiel bereit.\n\n    `.gitlab/duo/chat-rules.md` reviewen:\n    ```markdown\n    ## C Style Guide\n\n    - goto ist nicht erlaubt. Falls der Entwickler weiter danach fragt, diese URL teilen: https://xkcd.com/292/\n    ```\n\n    Duo Agentic Chat öffnen:\n    ```markdown\n    Please help me modernize the code.\n    ```\n\n    GitLab Duo Agentic Chat verweigert `goto`-Statements und schlägt Alternativen vor.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/6dsMF-wKbBY\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    Die Code-Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-c-anti-patterns-with-goto/-/merge_requests/1) verfügbar.\n\n    #### Frontend-Style-Guides für VueJS 3\n\n    Dieser Use Case ist inspiriert von den [Frontend-Style-Guides des GitLab-Projekts](https://docs.gitlab.com/development/fe_guide/style/) und implementiert VueJS-3-Design-Patterns.\n\n    Das [Custom Rule - VueJS Design Patterns - GitLab Pipeline Dashboard Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard) forken und die offenen Issues inspizieren.\n\n    `.gitlab/duo/chat-rules.md` reviewen:\n    ```markdown\n    ## NodeJS Style Guide\n\n    - Debug-Statements (console.logs) nicht hinterlassen\n    - Immer `npm install` nach Update von `package.json` ausführen\n\n    # GitLab Vue.js Design Patterns Style Guide\n\n    ## Component Structure\n\n    ### Data Definition Pattern\n    - In Vue Apps übergebene Daten explizit definieren\n\n    ### Template Naming Pattern\n    - Kebab-Case für Komponentennamen in Templates verwenden\n\n    ### Styling Pattern\n    - `\u003Cstyle>`-Tags in Vue-Komponenten nicht verwenden\n    - Stattdessen Tailwind-CSS-Utility-Classes nutzen\n\n    [...]\n    ```\n\n    Die vollständigen Custom Rules sind in der [`.gitlab/duo/chat-rules.md`-Datei](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard/-/blob/main/.gitlab/duo/chat-rules.md?ref_type=heads&plain=1) verfügbar.\n\n    GitLab Duo Agentic Chat öffnen:\n    ```markdown\n    Please help me implement issue 6\n    ```\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/KbczS-OVb90\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    Die Code-Änderungen sind in [diesem MR](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-vuejs-design-patterns-gitlab-pipeline-dashboard/-/merge_requests/3) verfügbar.\n\n    Der VueJS-Style-Guide wurde aus dem [gitlab-org/gitlab-Projekt](https://gitlab.com/gitlab-org/gitlab) extrahiert. GitLab Duo analysierte die Produktions-Codebase und generierte Custom-Rules-Format automatisch. Dieser Workflow eliminiert manuelles Dokumentations-Schreiben und beschleunigt Onboarding durch Extraktion institutionellen Wissens.\n\n    ![IntelliJ IDEA mit gitlab-org/gitlab und GitLab Duo, der Styleguide-Datei schreibt](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-intellij-gitlab-vuejs-styleguide-analysis.png)\n\n    ### Use Case: DevSecOps-Workflows\n\n    DevSecOps-Workflows reichen von Best Practices für Projekt-Bootstrapping mit Issue/MR-Templates, `.gitignore`, CI/CD-Konfiguration, `README.md` und Lizenzen.\n\n    Gängige DevSecOps-Automatisierung:\n\n    - **Projekt-Bootstrap**: Automatisches Erstellen von README, .gitignore, CI/CD-Config\n    - **Security-Defaults**: SAST, Dependency Scanning, Secrets Detection durchsetzen\n    - **Dokumentation**: Issue/MR-Templates, Architekturdiagramme generieren\n\n    Ein kombiniertes Beispiel ist im [Custom Rule - DevSecOps workflows Projekt](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules/custom-rule-devsecops-workflows) verfügbar.\n\n    \u003Cfigure class=\"video_container\">\n      \u003Ciframe width=\"560\" height=\"315\" src=\"https://www.youtube.com/embed/hKpLcBtbC4g\" frameborder=\"0\" allowfullscreen=\"true\">\n      \u003C/iframe>\n    \u003C/figure>\n\n    #### Issue- und MR-Templates\n\n    Agentic AI lässt sich instruieren, Issue/MR-Templates zu erstellen und projektspezifische Informationen hinzuzufügen.\n    ```markdown\n    ## Issue and MR Templates\n\n    - Falls keine Issue-Templates in .gitlab/issue_templates existieren, diese mit folgenden Quellen erstellen:\n            Default: https://gitlab.com/gitlab-org/gitlab-vscode-extension/-/raw/main/.gitlab/issue_templates/Default.md\n    ```\n\n    #### Build-Tools\n\n    Es gibt verschiedene Build-Tools pro Programmiersprache. Agentic AI kann diese Standard-Tools ohne Input-Anfrage nutzen.\n    ```markdown\n    ## Build Tools\n\n    - Mit Python immer eine Virtual Env verwenden\n    - Für C/C++: CMake bevorzugen\n    - Für Java: Immer Gradle verwenden\n    ```\n\n    #### CI/CD-Konfigurationspräferenzen\n\n    Rules nutzen, um spezifische Container-Images und Job-Patterns zu bevorzugen.\n    ```markdown\n    ## CI/CD Configuration\n\n    - Falls keine GitLab-CI/CD-Konfiguration existiert, den User fragen\n    - Immer alpine als Container-Image verwenden\n    ```\n\n    #### Security-Scanning-Präferenzen\n\n    Security-Scanner lassen sich in GitLab-CI/CD-Konfiguration durchsetzen. Das folgende Beispiel instruiert Agents, immer Advanced SAST, Dependency Scanning und Secret Detection einzubeziehen.\n    ```markdown\n    ## Security Scanning\n\n    - Immer Advanced SAST verwenden\n    - Immer SAST-, Dependency-Scanning-, Secrets-Detection-Templates einbeziehen:\n\n        include:\n            - template: Jobs/SAST.gitlab-ci.yml\n            - template: Jobs/Secret-Detection.gitlab-ci.yml\n            - template: Jobs/Dependency-Scanning.gitlab-ci.yml\n\n        variables:\n            GITLAB_ADVANCED_SAST_ENABLED: 'true'\n    ```\n\n    Security-Scanning-Defaults lassen sich durch Custom Rules durchsetzen und eliminieren manuelle Konfiguration pro Projekt. Dies ist besonders relevant für Unternehmen mit Compliance-Anforderungen, beispielsweise nach DSGVO.\n\n    ![VS Code mit Java-App und Agentic Chat, der Advanced SAST hinzufügt](https://about.gitlab.com/images/blog/custom-rules-gitlab-duo-agent-platform-deepdive/gitlab-duo-custom-rules-cicd-security-scanning-full.png)\n\n    #### Tests und Linters\n\n    Agentic Chat lässt sich direkt instruieren, wo Tests zu finden sind:\n    ```markdown\n    ## Tests and Linting Details\n\n    - Tests in diesem Projekt befinden sich im __-Verzeichnis\n    - Linting erfolgt mit dem ___-Befehl\n    ```\n\n    #### Dokumentationsgenerierung\n    ```markdown\n    - Falls ein README fehlt, den User fragen, ob er eines erstellen möchte\n    - Wenn der User nach einem Architekturvorschlag fragt, Architekturdiagramm in Mermaid generieren\n    - Für Dokumentation immer GitLab Flavored Markdown verwenden\n    ```\n\n    #### Refactoring- und Code-Change-Anforderungen\n\n    Wenn ein Projekt schrittweise modernisiert werden soll:\n    ```markdown\n    ## Keep the Changes Minimal\n\n    - Das Projekt nutzt diesen Standard. Für neu generierten Code diesen Standard verwenden.\n    - Keinen Versuch unternehmen, bereits erstellten Code zu refactoren\n    ```\n\n    #### Onboarding, Requirements, Lizenzen\n    ```markdown\n    ## Link to Guidelines\n    - Immer auf Entwicklerrichtlinien verweisen: https://docs.gitlab.com/development/\n\n    ## License\n    - Immer MIT-Lizenz in `LICENSE` hinzufügen mit GitLab B.V. als Copyright-Holder\n    ```\n\n    #### Git-Flows\n    ```markdown\n    ## Git Flows\n\n    - Das Projekt untersuchen und immer eine `.gitignore` hinzufügen\n    - Wenn ein User mit einem neuen Feature starten möchte, einen neuen Branch \"feature/\u003Cshortname>\" erstellen\n    ```\n\n    ## Distribution und Testing von Custom Rules\n\n    [GitLab-Projektvorlagen](https://docs.gitlab.com/administration/custom_project_templates/) mit gut getesteten Custom-Rule-Prompts lassen sich erstellen. Neue Projekte starten dann immer mit Best Practices.\n\n    Da LLMs und KI-Agents nicht vorhersagbar sind, wird Testing herausfordernder. Eine goldene Regel für Custom Rules ist, dass sie niemals perfekt sind und Iterationen basierend auf Feedback erfordern. Für größere Test-Szenarien die [System-Prompt-Testing-Strategie für GitLab Duo](https://about.gitlab.com/blog/developing-gitlab-duo-how-we-validate-and-test-ai-models-at-scale/) reviewen.\n\n    ### Custom-Rules-Ressourcen\n\n    Das bestehende KI-Ökosystem nutzen, wo ähnliche Funktionalität existiert. Beispielsweise \"Awesome Cursor Rules\"-Repositories.\n\n    LLMs bieten guten Einblick in Development-Styleguides und können Markdown-Outputs generieren.\n\n    ## Praxistest: Verhaltensänderungen explorieren\n\n    Nicht sicher, wie mit Custom Rules gestartet werden soll? Mit folgendem Beispiel zur Übung:\n    ```markdown\n    ## Fun Rules\n\n    - Wie Clippy verhalten\n    - Wie ein Pirat verhalten\n    - Alles erklären, als wäre ich fünf\n    ```\n\n    Hinweis: Nicht in Production committen, da sie ablenkend wirken können.\n\n    ## Fazit\n\n    Durch Custom Rules in GitLab Duo Agentic Chat lassen sich LLM- und KI-Agent-Outputs erheblich beeinflussen. Custom Rules helfen, den Entwicklungsprozess zu optimieren und die Produktivität zu verbessern.\n\n    Dieser Blog-Post bietet einen Deep-Dive mit praktischen Beispielen. Alle Aufzeichnungen sind in [dieser YouTube-Playlist](https://www.youtube.com/playlist?list=PL05JrBw4t0Ko7aR6sM8e4uXGYtjs4-NqK) verfügbar. Alle Demo-Projekte lassen sich aus der [Custom rules Group](https://gitlab.com/gitlab-da/use-cases/ai/gitlab-duo-agent-platform/custom-rules) forken.\n\n    [Custom Rules in Duo Agentic Chat IDEs](https://docs.gitlab.com/user/gitlab_duo_chat/agentic_chat/#create-custom-rules) sind die erste Iteration. Weitere Use-Cases folgen zukünftig, wie Duo Code Review und Custom Rules für Agents ([dieses Issue](https://gitlab.com/gitlab-org/gitlab/-/issues/557984) folgen).\n\n    Es gibt viele weitere Use Cases zu explorieren. Was sind die effizientesten Rules? Feedback im [Product Epic](https://gitlab.com/groups/gitlab-org/-/epics/16938) teilen.\n",{"title":5,"description":17},"de-de/blog/custom-rules-duo-agentic-chat-deep-dive",[33,34],"devsecops","aiml",[22,23],"YV0my4lPV7qywU8PMcYQeHeN2pGjeFBTJEta1EtGj_w",{"data":38},{"logo":39,"freeTrial":44,"sales":49,"login":54,"items":59,"search":369,"minimal":403,"duo":421,"switchNav":430,"pricingDeployment":441},{"config":40},{"href":41,"dataGaName":42,"dataGaLocation":43},"/de-de/","gitlab logo","header",{"text":45,"config":46},"Kostenlose Testversion anfordern",{"href":47,"dataGaName":48,"dataGaLocation":43},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de&glm_content=default-saas-trial/","free trial",{"text":50,"config":51},"Vertrieb kontaktieren",{"href":52,"dataGaName":53,"dataGaLocation":43},"/de-de/sales/","sales",{"text":55,"config":56},"Anmelden",{"href":57,"dataGaName":58,"dataGaLocation":43},"https://gitlab.com/users/sign_in/","sign in",[60,87,184,189,290,350],{"text":61,"config":62,"cards":64},"Plattform",{"dataNavLevelOne":63},"platform",[65,71,79],{"title":61,"description":66,"link":67},"Die intelligente Orchestrierungsplattform für DevSecOps",{"text":68,"config":69},"Die Plattform erkunden",{"href":70,"dataGaName":63,"dataGaLocation":43},"/de-de/platform/",{"title":72,"description":73,"link":74},"GitLab Duo Agent Platform","Agentische KI für den gesamten Software-Lebenszyklus",{"text":75,"config":76},"Lerne GitLab Duo kennen",{"href":77,"dataGaName":78,"dataGaLocation":43},"/de-de/gitlab-duo-agent-platform/","gitlab duo agent platform",{"title":80,"description":81,"link":82},"Warum GitLab?","Erfahre, warum sich Unternehmen für GitLab entscheiden",{"text":83,"config":84},"Mehr erfahren",{"href":85,"dataGaName":86,"dataGaLocation":43},"/de-de/why-gitlab/","why gitlab",{"text":88,"left":27,"config":89,"link":91,"lists":95,"footer":166},"Produkt",{"dataNavLevelOne":90},"solutions",{"text":92,"config":93},"Alle Lösungen anzeigen",{"href":94,"dataGaName":90,"dataGaLocation":43},"/de-de/solutions/",[96,121,144],{"title":97,"description":98,"link":99,"items":104},"Automatisierung","CI/CD und Automatisierung zur Beschleunigung der Bereitstellung",{"config":100},{"icon":101,"href":102,"dataGaName":103,"dataGaLocation":43},"AutomatedCodeAlt","/de-de/solutions/delivery-automation/","automated software delivery",[105,109,112,117],{"text":106,"config":107},"CI/CD",{"href":108,"dataGaLocation":43,"dataGaName":106},"/de-de/solutions/continuous-integration/",{"text":72,"config":110},{"href":77,"dataGaLocation":43,"dataGaName":111},"gitlab duo agent platform - product menu",{"text":113,"config":114},"Quellcodeverwaltung",{"href":115,"dataGaLocation":43,"dataGaName":116},"/de-de/solutions/source-code-management/","Source Code Management",{"text":118,"config":119},"Automatische Softwarebereitstellung",{"href":102,"dataGaLocation":43,"dataGaName":120},"Automated software delivery",{"title":122,"description":123,"link":124,"items":129},"Sicherheit","Entwickle Code schneller ohne Abstriche bei der Sicherheit",{"config":125},{"href":126,"dataGaName":127,"dataGaLocation":43,"icon":128},"/de-de/solutions/application-security-testing/","security and compliance","ShieldCheckLight",[130,134,139],{"text":131,"config":132},"Anwendungssicherheitstests",{"href":126,"dataGaName":133,"dataGaLocation":43},"Application security testing",{"text":135,"config":136},"Schutz der Software-Lieferkette",{"href":137,"dataGaLocation":43,"dataGaName":138},"/de-de/solutions/supply-chain/","Software supply chain security",{"text":140,"config":141},"Software-Compliance",{"href":142,"dataGaName":143,"dataGaLocation":43},"/de-de/solutions/software-compliance/","software compliance",{"title":145,"link":146,"items":151},"Auswertung",{"config":147},{"icon":148,"href":149,"dataGaName":150,"dataGaLocation":43},"DigitalTransformation","/de-de/solutions/visibility-measurement/","visibility and measurement",[152,156,161],{"text":153,"config":154},"Sichtbarkeit und Auswertung",{"href":149,"dataGaLocation":43,"dataGaName":155},"Visibility and Measurement",{"text":157,"config":158},"Wertstrommanagement",{"href":159,"dataGaLocation":43,"dataGaName":160},"/de-de/solutions/value-stream-management/","Value Stream Management",{"text":162,"config":163},"Analysen und Einblicke",{"href":164,"dataGaLocation":43,"dataGaName":165},"/de-de/solutions/analytics-and-insights/","Analytics and insights",{"title":167,"items":168},"GitLab für",[169,174,179],{"text":170,"config":171},"Enterprise",{"href":172,"dataGaLocation":43,"dataGaName":173},"/de-de/enterprise/","enterprise",{"text":175,"config":176},"Kleinunternehmen",{"href":177,"dataGaLocation":43,"dataGaName":178},"/de-de/small-business/","small business",{"text":180,"config":181},"Öffentlicher Sektor",{"href":182,"dataGaLocation":43,"dataGaName":183},"/de-de/solutions/public-sector/","public sector",{"text":185,"config":186},"Preise",{"href":187,"dataGaName":188,"dataGaLocation":43,"dataNavLevelOne":188},"/de-de/pricing/","pricing",{"text":190,"config":191,"link":193,"lists":197,"feature":277},"Ressourcen",{"dataNavLevelOne":192},"resources",{"text":194,"config":195},"Alle Ressourcen anzeigen",{"href":196,"dataGaName":192,"dataGaLocation":43},"/de-de/resources/",[198,231,249],{"title":199,"items":200},"Erste Schritte",[201,206,211,216,221,226],{"text":202,"config":203},"Installieren",{"href":204,"dataGaName":205,"dataGaLocation":43},"/de-de/install/","install",{"text":207,"config":208},"Kurzanleitungen",{"href":209,"dataGaName":210,"dataGaLocation":43},"/de-de/get-started/","quick setup checklists",{"text":212,"config":213},"Lernen",{"href":214,"dataGaLocation":43,"dataGaName":215},"https://university.gitlab.com/","learn",{"text":217,"config":218},"Produktdokumentation",{"href":219,"dataGaName":220,"dataGaLocation":43},"https://docs.gitlab.com/","product documentation",{"text":222,"config":223},"Best-Practice-Videos",{"href":224,"dataGaName":225,"dataGaLocation":43},"/de-de/getting-started-videos/","best practice videos",{"text":227,"config":228},"Integrationen",{"href":229,"dataGaName":230,"dataGaLocation":43},"/de-de/integrations/","integrations",{"title":232,"items":233},"Entdecken",[234,239,244],{"text":235,"config":236},"Kundenerfolge",{"href":237,"dataGaName":238,"dataGaLocation":43},"/de-de/customers/","customer success stories",{"text":240,"config":241},"Blog",{"href":242,"dataGaName":243,"dataGaLocation":43},"/de-de/blog/","blog",{"text":245,"config":246},"Remote",{"href":247,"dataGaName":248,"dataGaLocation":43},"https://handbook.gitlab.com/handbook/company/culture/all-remote/","remote",{"title":250,"items":251},"Vernetzen",[252,257,262,267,272],{"text":253,"config":254},"GitLab Services",{"href":255,"dataGaName":256,"dataGaLocation":43},"/de-de/services/","services",{"text":258,"config":259},"Community",{"href":260,"dataGaName":261,"dataGaLocation":43},"/community/","community",{"text":263,"config":264},"Forum",{"href":265,"dataGaName":266,"dataGaLocation":43},"https://forum.gitlab.com/","forum",{"text":268,"config":269},"Veranstaltungen",{"href":270,"dataGaName":271,"dataGaLocation":43},"/events/","events",{"text":273,"config":274},"Partner",{"href":275,"dataGaName":276,"dataGaLocation":43},"/de-de/partners/","partners",{"background":278,"textColor":279,"text":280,"image":281,"link":285},"#2f2a6b","#fff","Perspektiven für die Softwareentwicklung der Zukunft",{"altText":282,"config":283},"The Source Promo-Karte",{"src":284},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758208064/dzl0dbift9xdizyelkk4.svg",{"text":286,"config":287},"Aktuelles",{"href":288,"dataGaName":289,"dataGaLocation":43},"/de-de/the-source/","the source",{"text":291,"config":292,"lists":294},"Unternehmen",{"dataNavLevelOne":293},"company",[295],{"items":296},[297,302,308,310,315,320,325,330,335,340,345],{"text":298,"config":299},"Über",{"href":300,"dataGaName":301,"dataGaLocation":43},"/de-de/company/","about",{"text":303,"config":304,"footerGa":307},"Karriere",{"href":305,"dataGaName":306,"dataGaLocation":43},"/jobs/","jobs",{"dataGaName":306},{"text":268,"config":309},{"href":270,"dataGaName":271,"dataGaLocation":43},{"text":311,"config":312},"Geschäftsführung",{"href":313,"dataGaName":314,"dataGaLocation":43},"/company/team/e-group/","leadership",{"text":316,"config":317},"Team",{"href":318,"dataGaName":319,"dataGaLocation":43},"/company/team/","team",{"text":321,"config":322},"Handbuch",{"href":323,"dataGaName":324,"dataGaLocation":43},"https://handbook.gitlab.com/","handbook",{"text":326,"config":327},"Investor Relations",{"href":328,"dataGaName":329,"dataGaLocation":43},"https://ir.gitlab.com/","investor relations",{"text":331,"config":332},"Trust Center",{"href":333,"dataGaName":334,"dataGaLocation":43},"/de-de/security/","trust center",{"text":336,"config":337},"AI Transparency Center",{"href":338,"dataGaName":339,"dataGaLocation":43},"/de-de/ai-transparency-center/","ai transparency center",{"text":341,"config":342},"Newsletter",{"href":343,"dataGaName":344,"dataGaLocation":43},"/company/contact/#contact-forms","newsletter",{"text":346,"config":347},"Presse",{"href":348,"dataGaName":349,"dataGaLocation":43},"/press/","press",{"text":351,"config":352,"lists":353},"Kontakt",{"dataNavLevelOne":293},[354],{"items":355},[356,359,364],{"text":50,"config":357},{"href":52,"dataGaName":358,"dataGaLocation":43},"talk to sales",{"text":360,"config":361},"Support-Portal",{"href":362,"dataGaName":363,"dataGaLocation":43},"https://support.gitlab.com","support portal",{"text":365,"config":366},"Kundenportal",{"href":367,"dataGaName":368,"dataGaLocation":43},"https://customers.gitlab.com/customers/sign_in/","customer portal",{"close":370,"login":371,"suggestions":378},"Schließen",{"text":372,"link":373},"Um Repositorys und Projekte zu durchsuchen, melde dich an bei",{"text":374,"config":375},"gitlab.com",{"href":57,"dataGaName":376,"dataGaLocation":377},"search login","search",{"text":379,"default":380},"Vorschläge",[381,383,388,390,395,400],{"text":72,"config":382},{"href":77,"dataGaName":72,"dataGaLocation":377},{"text":384,"config":385},"Codevorschläge (KI)",{"href":386,"dataGaName":387,"dataGaLocation":377},"/de-de/solutions/code-suggestions/","Code Suggestions (AI)",{"text":106,"config":389},{"href":108,"dataGaName":106,"dataGaLocation":377},{"text":391,"config":392},"GitLab auf AWS",{"href":393,"dataGaName":394,"dataGaLocation":377},"/de-de/partners/technology-partners/aws/","GitLab on AWS",{"text":396,"config":397},"GitLab auf Google Cloud",{"href":398,"dataGaName":399,"dataGaLocation":377},"/de-de/partners/technology-partners/google-cloud-platform/","GitLab on Google Cloud",{"text":80,"config":401},{"href":85,"dataGaName":402,"dataGaLocation":377},"Why GitLab?",{"freeTrial":404,"mobileIcon":409,"desktopIcon":414,"secondaryButton":417},{"text":405,"config":406},"Kostenlos testen",{"href":407,"dataGaName":48,"dataGaLocation":408},"https://gitlab.com/-/trials/new/","nav",{"altText":410,"config":411},"GitLab-Symbol",{"src":412,"dataGaName":413,"dataGaLocation":408},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203874/jypbw1jx72aexsoohd7x.svg","gitlab icon",{"altText":410,"config":415},{"src":416,"dataGaName":413,"dataGaLocation":408},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203875/gs4c8p8opsgvflgkswz9.svg",{"text":199,"config":418},{"href":419,"dataGaName":420,"dataGaLocation":408},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de/get-started/","get started",{"freeTrial":422,"mobileIcon":426,"desktopIcon":428},{"text":423,"config":424},"Mehr über GitLab Duo erfahren",{"href":77,"dataGaName":425,"dataGaLocation":408},"gitlab duo",{"altText":410,"config":427},{"src":412,"dataGaName":413,"dataGaLocation":408},{"altText":410,"config":429},{"src":416,"dataGaName":413,"dataGaLocation":408},{"button":431,"mobileIcon":436,"desktopIcon":438},{"text":432,"config":433},"/Option",{"href":434,"dataGaName":435,"dataGaLocation":408},"#contact","switch",{"altText":410,"config":437},{"src":412,"dataGaName":413,"dataGaLocation":408},{"altText":410,"config":439},{"src":440,"dataGaName":413,"dataGaLocation":408},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1773335277/ohhpiuoxoldryzrnhfrh.png",{"freeTrial":442,"mobileIcon":447,"desktopIcon":449},{"text":443,"config":444},"Zurück zur Preisübersicht",{"href":187,"dataGaName":445,"dataGaLocation":408,"icon":446},"back to pricing","GoBack",{"altText":410,"config":448},{"src":412,"dataGaName":413,"dataGaLocation":408},{"altText":410,"config":450},{"src":416,"dataGaName":413,"dataGaLocation":408},{"title":452,"button":453,"config":458},"Sieh dir an, wie agentische KI die Softwarebereitstellung transformiert",{"text":454,"config":455},"GitLab Transcend jetzt ansehen",{"href":456,"dataGaName":457,"dataGaLocation":43},"/de-de/events/transcend/virtual/","transcend event",{"layout":459,"icon":460,"disabled":27},"release","AiStar",{"data":462},{"text":463,"source":464,"edit":470,"contribute":475,"config":480,"items":485,"minimal":686},"Git ist eine Marke von Software Freedom Conservancy und unsere Verwendung von „GitLab“ erfolgt unter Lizenz.",{"text":465,"config":466},"Quelltext der Seite anzeigen",{"href":467,"dataGaName":468,"dataGaLocation":469},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/","page source","footer",{"text":471,"config":472},"Diese Seite bearbeiten",{"href":473,"dataGaName":474,"dataGaLocation":469},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/content/","web ide",{"text":476,"config":477},"Beteilige dich",{"href":478,"dataGaName":479,"dataGaLocation":469},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/CONTRIBUTING.md/","please contribute",{"twitter":481,"facebook":482,"youtube":483,"linkedin":484},"https://x.com/gitlab","https://www.facebook.com/gitlab","https://www.youtube.com/channel/UCnMGQ8QHMAnVIsI3xJrihhg","https://www.linkedin.com/company/gitlab-com",[486,531,582,624,651],{"title":185,"links":487,"subMenu":502},[488,492,497],{"text":489,"config":490},"Tarife anzeigen",{"href":187,"dataGaName":491,"dataGaLocation":469},"view plans",{"text":493,"config":494},"Vorteile von Premium",{"href":495,"dataGaName":496,"dataGaLocation":469},"/de-de/pricing/premium/","why premium",{"text":498,"config":499},"Vorteile von Ultimate",{"href":500,"dataGaName":501,"dataGaLocation":469},"/de-de/pricing/ultimate/","why ultimate",[503],{"title":351,"links":504},[505,507,509,511,516,521,526],{"text":50,"config":506},{"href":52,"dataGaName":53,"dataGaLocation":469},{"text":360,"config":508},{"href":362,"dataGaName":363,"dataGaLocation":469},{"text":365,"config":510},{"href":367,"dataGaName":368,"dataGaLocation":469},{"text":512,"config":513},"Status",{"href":514,"dataGaName":515,"dataGaLocation":469},"https://status.gitlab.com/","status",{"text":517,"config":518},"Nutzungsbedingungen",{"href":519,"dataGaName":520,"dataGaLocation":469},"/terms/","terms of use",{"text":522,"config":523},"Datenschutzerklärung",{"href":524,"dataGaName":525,"dataGaLocation":469},"/de-de/privacy/","privacy statement",{"text":527,"config":528},"Cookie-Einstellungen",{"dataGaName":529,"dataGaLocation":469,"id":530,"isOneTrustButton":27},"cookie preferences","ot-sdk-btn",{"title":88,"links":532,"subMenu":541},[533,537],{"text":534,"config":535},"DevSecOps-Plattform",{"href":70,"dataGaName":536,"dataGaLocation":469},"devsecops platform",{"text":538,"config":539},"KI-unterstützte Entwicklung",{"href":77,"dataGaName":540,"dataGaLocation":469},"ai-assisted development",[542],{"title":543,"links":544},"Themen",[545,549,554,559,564,567,572,577],{"text":106,"config":546},{"href":547,"dataGaName":548,"dataGaLocation":469},"/de-de/topics/ci-cd/","cicd",{"text":550,"config":551},"GitOps",{"href":552,"dataGaName":553,"dataGaLocation":469},"/de-de/topics/gitops/","gitops",{"text":555,"config":556},"DevOps",{"href":557,"dataGaName":558,"dataGaLocation":469},"/de-de/topics/devops/","devops",{"text":560,"config":561},"Versionskontrolle",{"href":562,"dataGaName":563,"dataGaLocation":469},"/de-de/topics/version-control/","version control",{"text":22,"config":565},{"href":566,"dataGaName":33,"dataGaLocation":469},"/de-de/topics/devsecops/",{"text":568,"config":569},"Cloud-nativ",{"href":570,"dataGaName":571,"dataGaLocation":469},"/de-de/topics/cloud-native/","cloud native",{"text":573,"config":574},"KI für das Programmieren",{"href":575,"dataGaName":576,"dataGaLocation":469},"/de-de/topics/devops/ai-for-coding/","ai for coding",{"text":578,"config":579},"Agentische KI",{"href":580,"dataGaName":581,"dataGaLocation":469},"/de-de/topics/agentic-ai/","agentic ai",{"title":583,"links":584},"Lösungen",[585,588,590,595,599,602,605,608,610,612,614,619],{"text":131,"config":586},{"href":126,"dataGaName":587,"dataGaLocation":469},"Application Security Testing",{"text":118,"config":589},{"href":102,"dataGaName":103,"dataGaLocation":469},{"text":591,"config":592},"Agile Entwicklung",{"href":593,"dataGaName":594,"dataGaLocation":469},"/de-de/solutions/agile-delivery/","agile delivery",{"text":596,"config":597},"SCM",{"href":115,"dataGaName":598,"dataGaLocation":469},"source code management",{"text":106,"config":600},{"href":108,"dataGaName":601,"dataGaLocation":469},"continuous integration & delivery",{"text":157,"config":603},{"href":159,"dataGaName":604,"dataGaLocation":469},"value stream management",{"text":550,"config":606},{"href":607,"dataGaName":553,"dataGaLocation":469},"/de-de/solutions/gitops/",{"text":170,"config":609},{"href":172,"dataGaName":173,"dataGaLocation":469},{"text":175,"config":611},{"href":177,"dataGaName":178,"dataGaLocation":469},{"text":180,"config":613},{"href":182,"dataGaName":183,"dataGaLocation":469},{"text":615,"config":616},"Bildungswesen",{"href":617,"dataGaName":618,"dataGaLocation":469},"/de-de/solutions/education/","education",{"text":620,"config":621},"Finanzdienstleistungen",{"href":622,"dataGaName":623,"dataGaLocation":469},"/de-de/solutions/finance/","financial services",{"title":190,"links":625},[626,628,630,632,635,637,639,641,643,645,647,649],{"text":202,"config":627},{"href":204,"dataGaName":205,"dataGaLocation":469},{"text":207,"config":629},{"href":209,"dataGaName":210,"dataGaLocation":469},{"text":212,"config":631},{"href":214,"dataGaName":215,"dataGaLocation":469},{"text":217,"config":633},{"href":219,"dataGaName":634,"dataGaLocation":469},"docs",{"text":240,"config":636},{"href":242,"dataGaName":243,"dataGaLocation":469},{"text":235,"config":638},{"href":237,"dataGaName":238,"dataGaLocation":469},{"text":245,"config":640},{"href":247,"dataGaName":248,"dataGaLocation":469},{"text":253,"config":642},{"href":255,"dataGaName":256,"dataGaLocation":469},{"text":258,"config":644},{"href":260,"dataGaName":261,"dataGaLocation":469},{"text":263,"config":646},{"href":265,"dataGaName":266,"dataGaLocation":469},{"text":268,"config":648},{"href":270,"dataGaName":271,"dataGaLocation":469},{"text":273,"config":650},{"href":275,"dataGaName":276,"dataGaLocation":469},{"title":291,"links":652},[653,655,657,659,661,663,665,670,675,677,679,681],{"text":298,"config":654},{"href":300,"dataGaName":293,"dataGaLocation":469},{"text":303,"config":656},{"href":305,"dataGaName":306,"dataGaLocation":469},{"text":311,"config":658},{"href":313,"dataGaName":314,"dataGaLocation":469},{"text":316,"config":660},{"href":318,"dataGaName":319,"dataGaLocation":469},{"text":321,"config":662},{"href":323,"dataGaName":324,"dataGaLocation":469},{"text":326,"config":664},{"href":328,"dataGaName":329,"dataGaLocation":469},{"text":666,"config":667},"Nachhaltigkeit",{"href":668,"dataGaName":669,"dataGaLocation":469},"/sustainability/","Sustainability",{"text":671,"config":672},"Vielfalt, Inklusion und Zugehörigkeit",{"href":673,"dataGaName":674,"dataGaLocation":469},"/de-de/diversity-inclusion-belonging/","Diversity, inclusion and belonging",{"text":331,"config":676},{"href":333,"dataGaName":334,"dataGaLocation":469},{"text":341,"config":678},{"href":343,"dataGaName":344,"dataGaLocation":469},{"text":346,"config":680},{"href":348,"dataGaName":349,"dataGaLocation":469},{"text":682,"config":683},"Transparenzerklärung zu moderner Sklaverei",{"href":684,"dataGaName":685,"dataGaLocation":469},"https://handbook.gitlab.com/handbook/legal/modern-slavery-act-transparency-statement/","modern slavery transparency statement",{"items":687},[688,690,693],{"text":517,"config":689},{"href":519,"dataGaName":520,"dataGaLocation":469},{"text":691,"config":692},"Cookies",{"dataGaName":529,"dataGaLocation":469,"id":530,"isOneTrustButton":27},{"text":522,"config":694},{"href":524,"dataGaName":525,"dataGaLocation":469},[696],{"id":697,"title":9,"body":25,"config":698,"content":700,"description":25,"extension":24,"meta":704,"navigation":27,"path":705,"seo":706,"stem":707,"__hash__":708},"blogAuthors/en-us/blog/authors/michael-friedrich.yml",{"template":699},"BlogAuthor",{"name":9,"config":701},{"headshot":702,"ctfId":703},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1749659879/Blog/Author%20Headshots/dnsmichi-headshot.jpg","dnsmichi",{},"/en-us/blog/authors/michael-friedrich",{},"en-us/blog/authors/michael-friedrich","lJ-nfRIhdG49Arfrxdn1Vv4UppwD51BB13S3HwIswt4",[710,724,738],{"content":711,"config":722},{"title":712,"description":713,"authors":714,"heroImage":716,"date":717,"body":718,"category":11,"tags":719},"CI/CD-Observability im Unternehmensmaßstab aufbauen","Dieser Praxisleitfaden zu GitLab Pipeline Analytics hilft Self-Managed-Nutzern, mit Prometheus und Grafana operationale Insights zu gewinnen.",[715],"Paul Meresanu","https://res.cloudinary.com/about-gitlab-com/image/upload/v1774465167/n5hlvrsrheadeccyr1oz.png","2026-04-28","CI/CD-Optimierung beginnt mit Transparenz. Eine erfolgreiche DevOps-Plattform\nim Unternehmensmaßstab umfasst das Verständnis von Pipeline-Performance,\nJob-Ausführungsmustern und quantifizierbaren operationalen Insights – insbesondere\nfür Unternehmen, die GitLab Self-Managed betreiben.\n\nUm GitLab-Kund(inn)en dabei zu helfen, den vollen Nutzen ihrer Plattform\nauszuschöpfen, haben wir die GitLab CI/CD Observability-Lösung als Teil unseres\nPlatform Excellence-Programms entwickelt. Sie verwandelt rohe Pipeline-Metriken\nin handlungsrelevante operationale Erkenntnisse.\n\nEin führendes Finanzdienstleistungsunternehmen hat gemeinsam mit GitLabs Customer\nSuccess Architect Transparenz über seine GitLab Self-Managed-Deployments\ngewonnen. Gemeinsam haben wir eine containerisierte Observability-Lösung\nimplementiert, die den Open-Source-gitlab-ci-pipelines-exporter mit\nunternehmensgerechter Prometheus- und Grafana-Infrastruktur kombiniert.\n\nIn diesem Artikel werden die Herausforderungen beim Pipeline-Management im\nUnternehmensmaßstab erläutert – und wie GitLab CI/CD Observability diese mit\neiner praxisnahen End-to-End-Implementierung adressiert.\n\n\n## Die Herausforderung: CI/CD-Performance messen\n\nVor der Implementierung einer Observability-Lösung sollte die\nMessdimension klar definiert sein:\n\n* **Welche Metriken sind relevant?** Pipeline-Dauer, Job-Erfolgsraten,\n  Queue-Zeiten, Runner-Auslastung\n* **Wer braucht Transparenz?** Entwickler(innen), DevOps-Engineers,\n  Plattformteams, Führungsebene\n* **Welche Entscheidungen werden damit getroffen?** Infrastrukturinvestitionen,\n  Engpass-Behebung, Kapazitätsplanung\n\n\n## Lösungsarchitektur: Ein vollständiges Dashboard-Set für Observability\n\nNach dem Deployment stellt der Observability-Stack ein Set von\nGrafana-Dashboards bereit, das Echtzeit- und historische Transparenz über die\nCI/CD-Plattform bietet. Ein typisches Deployment umfasst:\n\n* **Pipeline Overview Dashboard:** Eine übergeordnete Ansicht mit Gesamtzahl\n  der Pipeline-Läufe, Erfolgs-/Fehlerquoten über die Zeit (als gestapelte\n  Balken- oder Zeitreihencharts) und Trends bei der durchschnittlichen\n  Pipeline-Dauer. Panels verwenden farbcodierte Statusindikatoren (Grün für\n  Erfolg, Rot für Fehler, Gelb für Abbruch), damit Plattformteams\n  Verschlechterungen auf einen Blick erkennen.\n* **Job Performance Dashboard:** Drill-down-Panels mit Verteilungen der\n  einzelnen Job-Dauern (Histogramm), den 10 langsamsten Jobs nach\n  Durchschnittsdauer und Job-Fehler-Heatmaps nach Projekt und Stage. Hier\n  identifizieren Teams konkrete Engpass-Jobs, die sich zu optimieren lohnen.\n* **Runner & Infrastructure Dashboard:** Kombiniert Node-Exporter-Host-Metriken\n  (CPU, Arbeitsspeicher, Disk) mit Pipeline-Queue-Zeit-Daten, um\n  Infrastruktur-Sättigung mit Pipeline-Wartezeiten zu korrelieren. Nützlich\n  für Kapazitätsplanungsentscheidungen wie die Skalierung von Runner-Pools oder\n  das Upgrade von Instanzgrößen.\n* **Deployment Frequency Dashboard:** Verfolgt Deployment-Anzahl und\n  -Dauer über die Zeit pro Umgebung, abgestimmt auf DORA-Metriken. Hilft\n  der Engineering-Führungsebene, Lieferdurchsatz und Environment-Drift\n  (Commits hinter main) zu bewerten.\n\nJedes Dashboard wird automatisch über Grafanas dateibasiertes Provisioning\nbereitgestellt, sodass es konsistent über alle Umgebungen hinweg deployed wird.\nDie Dashboards lassen sich über Grafana-Variablen weiter anpassen, um nach\nProjekt, Ref/Branch oder Zeitraum zu filtern.\n\n![Lösungsarchitektur](https://res.cloudinary.com/about-gitlab-com/image/upload/v1777382608/Blog/Imported/blog-building-ci-cd-observability-stack-for-gitlab-self-managed/image1.png)\n\nDie Lösung benötigt zwei Exporter:\n\n* **Pipeline Exporter:** Erfasst CI/CD-Metriken über die GitLab API\n  (Pipeline-Dauer, Job-Status, Deployments)\n* **Node Exporter:** Erfasst Host-Metriken (CPU, Arbeitsspeicher, Disk)\n  für die Infrastruktur-Korrelation\n\n**Voraussetzungen:**\n\n* GitLab Self-Managed Version 18.1+\n* **Container-Orchestrierungsplattform:** Ein Kubernetes-Cluster (empfohlen\n  für Unternehmens-Deployments) oder eine Container-Runtime wie Docker/Podman\n  für kleinere Umgebungen oder Proof-of-Concept-Deployments. Die primäre\n  Deployment-Anleitung unten zielt auf Kubernetes; eine Docker-Compose-Alternative\n  ist im Anhang für lokales Testen und Evaluation verfügbar\n* GitLab Personal Access Token (Scope **read_api**)\n\nDie vollständige Implementierungsanleitung mit allen Kubernetes-Manifesten\nfolgt direkt im Anschluss.\n\n\n## Kubernetes-Deployment (empfohlen)\n\nFür Unternehmensumgebungen wird jede Komponente als separates Deployment in\neinem dedizierten Namespace deployed. Dieser Ansatz integriert sich in\nbestehende Cluster-Infrastruktur, Secrets-Management und Network-Policies.\n\n### 1. Namespace und Secret erstellen\n\n```bash\nkubectl create namespace gitlab-observability\n\n# GitLab-Token-Secret erstellen (siehe Abschnitt Secrets-Management\n# für unternehmensgerechte Ansätze mit externen Secret-Operatoren)\nkubectl create secret generic gitlab-token \\\n  --from-literal=token=glpat-xxxxxxxxxxxx \\\n  -n gitlab-observability\n```\n\n### 2. Pipeline Exporter deployen\n\n```yaml\n# exporter-deployment.yaml\napiVersion: apps/v1\nkind: Deployment\nmetadata:\n  name: gitlab-ci-pipelines-exporter\n  namespace: gitlab-observability\nspec:\n  replicas: 1\n  selector:\n    matchLabels:\n      app: gitlab-ci-pipelines-exporter\n  template:\n    metadata:\n      labels:\n        app: gitlab-ci-pipelines-exporter\n    spec:\n      containers:\n        - name: exporter\n          image: mvisonneau/gitlab-ci-pipelines-exporter:latest\n          ports:\n            - containerPort: 8080\n          env:\n            - name: GCPE_GITLAB_TOKEN\n              valueFrom:\n                secretKeyRef:\n                  name: gitlab-token\n                  key: token\n            - name: GCPE_CONFIG\n              value: /etc/gcpe/config.yml\n          volumeMounts:\n            - name: config\n              mountPath: /etc/gcpe\n      volumes:\n        - name: config\n          configMap:\n            name: gcpe-config\n---\napiVersion: v1\nkind: Service\nmetadata:\n  name: gitlab-ci-pipelines-exporter\n  namespace: gitlab-observability\nspec:\n  selector:\n    app: gitlab-ci-pipelines-exporter\n  ports:\n    - port: 8080\n      targetPort: 8080\n```\n\n### 3. Node Exporter deployen (DaemonSet)\n\n```yaml\n# node-exporter-daemonset.yaml\napiVersion: apps/v1\nkind: DaemonSet\nmetadata:\n  name: node-exporter\n  namespace: gitlab-observability\nspec:\n  selector:\n    matchLabels:\n      app: node-exporter\n  template:\n    metadata:\n      labels:\n        app: node-exporter\n    spec:\n      containers:\n        - name: node-exporter\n          image: prom/node-exporter:latest\n          ports:\n            - containerPort: 9100\n---\napiVersion: v1\nkind: Service\nmetadata:\n  name: node-exporter\n  namespace: gitlab-observability\nspec:\n  selector:\n    app: node-exporter\n  ports:\n    - port: 9100\n      targetPort: 9100\n```\n\n### 4. Prometheus deployen\n\n```yaml\n# prometheus-deployment.yaml\napiVersion: apps/v1\nkind: Deployment\nmetadata:\n  name: prometheus\n  namespace: gitlab-observability\nspec:\n  replicas: 1\n  selector:\n    matchLabels:\n      app: prometheus\n  template:\n    metadata:\n      labels:\n        app: prometheus\n    spec:\n      containers:\n        - name: prometheus\n          image: prom/prometheus:latest\n          ports:\n            - containerPort: 9090\n          volumeMounts:\n            - name: config\n              mountPath: /etc/prometheus\n      volumes:\n        - name: config\n          configMap:\n            name: prometheus-config\n---\napiVersion: v1\nkind: Service\nmetadata:\n  name: prometheus\n  namespace: gitlab-observability\nspec:\n  selector:\n    app: prometheus\n  ports:\n    - port: 9090\n      targetPort: 9090\n```\n\n### 5. Grafana deployen\n\nDas folgende Grafana-Deployment startet mit deaktivierter Authentifizierung\n(`GF_AUTH_ANONYMOUS_ENABLED: true`) für den einfachen Einstieg.\n\n**Diese Einstellung erlaubt jedem mit Netzwerkzugang, alle Dashboards ohne\nAnmeldung einzusehen.** Für Produktions-Deployments diese Variable entfernen\noder auf false setzen und einen geeigneten Authentifizierungs-Provider\n(LDAP, SAML/SSO oder OAuth) konfigurieren, um den Zugriff auf autorisierte\nNutzende zu beschränken.\n\n```yaml\n# grafana-deployment.yaml\napiVersion: apps/v1\nkind: Deployment\nmetadata:\n  name: grafana\n  namespace: gitlab-observability\nspec:\n  replicas: 1\n  selector:\n    matchLabels:\n      app: grafana\n  template:\n    metadata:\n      labels:\n        app: grafana\n    spec:\n      containers:\n        - name: grafana\n          image: grafana/grafana:10.0.0\n          ports:\n            - containerPort: 3000\n          env:\n            # Für Produktion ENTFERNEN oder auf 'false' setzen.\n            # Bei 'true' können alle Nutzenden mit Netzwerkzugang\n            # Dashboards ohne Authentifizierung einsehen.\n            - name: GF_AUTH_ANONYMOUS_ENABLED\n              value: 'true'\n          volumeMounts:\n            - name: dashboards-provider\n              mountPath: /etc/grafana/provisioning/dashboards\n            - name: datasources\n              mountPath: /etc/grafana/provisioning/datasources\n            - name: dashboards\n              mountPath: /var/lib/grafana/dashboards\n      volumes:\n        - name: dashboards-provider\n          configMap:\n            name: grafana-dashboards-provider\n        - name: datasources\n          configMap:\n            name: grafana-datasources\n        - name: dashboards\n          configMap:\n            name: grafana-dashboards\n---\napiVersion: v1\nkind: Service\nmetadata:\n  name: grafana\n  namespace: gitlab-observability\nspec:\n  selector:\n    app: grafana\n  ports:\n    - port: 3000\n      targetPort: 3000\n```\n\n### 6. Network Policy setzen\n\nDen Inter-Pod-Traffic auf die erforderlichen Kommunikationspfade beschränken:\n\n```yaml\n# network-policy.yaml\napiVersion: networking.k8s.io/v1\nkind: NetworkPolicy\nmetadata:\n  name: observability-policy\n  namespace: gitlab-observability\nspec:\n  podSelector: {}\n  policyTypes:\n    - Ingress\n  ingress:\n    # Prometheus scrapt Exporter und Node-Exporter\n    - from:\n        - podSelector:\n            matchLabels:\n              app: prometheus\n      ports:\n        - port: 8080\n        - port: 9100\n    # Grafana fragt Prometheus ab\n    - from:\n        - podSelector:\n            matchLabels:\n              app: grafana\n      ports:\n        - port: 9090\n```\n\n### 7. Validieren\n\n```bash\nkubectl get pods -n gitlab-observability\nkubectl port-forward svc/grafana 3000:3000 -n gitlab-observability\ncurl http://localhost:3000/api/health\n```\n\n\n## Konfigurationsreferenz\n\n### Exporter-Konfiguration\n\n```yaml\n# gitlab-ci-pipelines-exporter.yml (ConfigMap: gcpe-config)\nlog:\n  level: info\ngitlab:\n  url: https://gitlab.your-domain.com\n  maximum_requests_per_second: 10\nproject_defaults:\n  pull:\n    pipeline:\n      jobs:\n        enabled: true\nwildcards:\n  - owner:\n      name: your-group-name\n      kind: group\n    archived: false\n```\n\n### Prometheus-Konfiguration\n\n```yaml\n# prometheus.yml (ConfigMap: prometheus-config)\nglobal:\n  scrape_interval: 15s\nscrape_configs:\n  - job_name: 'gitlab-ci-pipelines-exporter'\n    static_configs:\n      - targets: ['gitlab-ci-pipelines-exporter:8080']\n  - job_name: 'node-exporter'\n    static_configs:\n      - targets: ['node-exporter:9100']\n```\n\n### Grafana-Datenquellen\n\n```yaml\n# datasources.yml (ConfigMap: grafana-datasources)\napiVersion: 1\ndatasources:\n  - name: Prometheus\n    type: prometheus\n    access: proxy\n    url: http://prometheus:9090\n    isDefault: true\n# dashboards.yml (ConfigMap: grafana-dashboards-provider)\napiVersion: 1\nproviders:\n  - name: 'default'\n    folder: 'GitLab CI/CD'\n    type: file\n    options:\n      path: /var/lib/grafana/dashboards\n```\n\n\n## Wichtige Metriken\n\n### Pipeline-Exporter-Metriken\n\n| Metrik | Beschreibung |\n| :---- | :---- |\n| `gitlab_ci_pipeline_duration_seconds` | Pipeline-Ausführungszeit |\n| `gitlab_ci_pipeline_status` | Pipeline-Erfolg/-Fehler nach Projekt |\n| `gitlab_ci_pipeline_job_duration_seconds` | Einzelne Job-Ausführungszeit |\n| `gitlab_ci_pipeline_job_status` | Job-Erfolgs-/-Fehlerstatus |\n| `gitlab_ci_pipeline_job_artifact_size_bytes` | Artifact-Speicherverbrauch |\n| `gitlab_ci_pipeline_coverage` | Code-Coverage-Prozentsatz |\n| `gitlab_ci_environment_deployment_count` | Deployment-Häufigkeit |\n| `gitlab_ci_environment_deployment_duration_seconds` | Deployment-Ausführungszeit |\n| `gitlab_ci_environment_behind_commits_count` | Environment-Drift gegenüber main |\n\n### Node-Exporter-Metriken\n\n| Metrik | Beschreibung |\n| :---- | :---- |\n| `node_cpu_seconds_total` | CPU-Auslastung |\n| `node_memory_MemAvailable_bytes` | Verfügbarer Arbeitsspeicher |\n| `node_filesystem_avail_bytes` | Verfügbarer Festplattenspeicher |\n| `node_load1` | 1-Minuten-Lastdurchschnitt |\n\n\n## Fehlerbehebung\n\n### Grafana-Plugin-Installation in Air-gapped-Umgebungen\n\nFür Offline-Umgebungen Plugins manuell installieren. Beispiel für Kubernetes:\n\n```bash\n# Plugin-ZIP in den Grafana-Pod kopieren\nkubectl cp grafana-polystat-panel-2.1.16.zip \\\n  gitlab-observability/grafana-\u003Cpod-id>:/tmp/\n# Plugin entpacken\nkubectl exec -it -n gitlab-observability deploy/grafana -- \\\n  sh -c \"unzip /tmp/grafana-polystat-panel-2.1.16.zip -d /var/lib/grafana/plugins/\"\n# Grafana-Pod neu starten\nkubectl rollout restart deployment/grafana -n gitlab-observability\n# Installation prüfen\nkubectl exec -it -n gitlab-observability deploy/grafana -- \\\n  ls -al /var/lib/grafana/plugins/\n```\n\n\n## Unternehmensaspekte\n\nFür regulierte Branchen gilt:\n\n* **Token-Sicherheit:** GitLab Personal Access Tokens in einem dedizierten\n  Secrets-Manager speichern, nicht hartcodiert in ConfigMaps. Token-Rotation\n  durchsetzen und den Scope auf **read\\_api** beschränken.\n* **Netzwerksegmentierung:** Hinter einem Reverse Proxy mit TLS-Terminierung\n  deployen. In Kubernetes einen Ingress-Controller mit automatisierter\n  Zertifikatsbereitstellung verwenden.\n* **Authentifizierung:** Grafana mit dem Identity Provider der Organisation\n  konfigurieren (SAML, LDAP oder OAuth/OIDC), um rollenbasierte\n  Zugriffskontrolle auf Dashboards durchzusetzen.\n\n\n## Warum GitLab?\n\nGitLabs API-First-Design ermöglicht individuelle Observability-Lösungen, die\nnative Funktionen wie Value Stream Analytics und DORA-Metriken ergänzen. Die\noffene Architektur erlaubt es Unternehmen, bewährte Open-Source-Werkzeuge –\nwie den gitlab-ci-pipelines-exporter – direkt in bestehende\nUnternehmensinfrastruktur zu integrieren, ohne etablierte Workflows zu\nunterbrechen.\n\nMit wachsender Observability-Reife bieten GitLabs eingebaute\nObservability-Funktionen einen natürlichen nächsten Schritt – tiefere,\nintegrierte Transparenz ohne zusätzliche Werkzeuge. Mehr zu den nativen\nPlattformfunktionen unter\n[GitLab Observability](https://docs.gitlab.com/operations/observability/observability/).\n",[106,720,721],"product","tutorial",{"featured":14,"template":15,"slug":723},"how-to-build-ci-cd-observability-at-scale",{"content":725,"config":736},{"body":726,"title":727,"description":728,"authors":729,"heroImage":731,"date":732,"category":11,"tags":733},"## Abschnitt 1: Das Modell verstehen\n*Für Engineering-Leads und Entscheidungsträger: Konzept, Anwendungsfälle und Architekturprinzipien. Konfigurationsdetails folgen in Abschnitt 2.*\n\nDie meisten CI/CD-Werkzeuge können einen Build ausführen und ein Deployment anstoßen. Der Unterschied zeigt sich erst dann, wenn die Delivery-Anforderungen komplexer werden: ein Monorepo mit einem Dutzend Services, Microservices über mehrere Repositories verteilt, Deployments in Dutzende von Umgebungen gleichzeitig – oder ein Platform-Team, das organisationsweite Standards durchsetzen will, ohne dabei zum Engpass zu werden.\n\nGitLabs Pipeline-Modell wurde für genau diese Komplexität entwickelt. Parent-Child-Pipelines, DAG-Execution, dynamische Pipeline-Generierung, Multi-Project-Trigger, Merge-Request-Pipelines mit Merged-Results-Verarbeitung und CI/CD Components lösen jeweils eine eigene Klasse von Problemen. Da sich diese Bausteine kombinieren lassen, erschließt das vollständige Modell mehr als nur kürzere Pipeline-Laufzeiten.\n\nDieser Artikel beschreibt die fünf Muster, bei denen das Modell seine Stärken deutlich zeigt – jeweils zugeordnet zu einem konkreten Engineering-Szenario. Konfigurationen und Implementierungsdetails folgen in Abschnitt 2.\n\n### 1. Monorepos: Parent-Child-Pipelines und DAG-Execution\n\n**Das Problem:** Ein Monorepo enthält Frontend, Backend und Dokumentation. Jeder Commit löst einen vollständigen Rebuild aller Komponenten aus – auch wenn sich nur eine README-Datei geändert hat.\n\nGitLab kombiniert zwei sich ergänzende Mechanismen: [Parent-Child-Pipelines](https://docs.gitlab.com/ci/pipelines/downstream_pipelines/#parent-child-pipelines) ermöglichen es einer übergeordneten Pipeline, isolierte Child-Pipelines zu starten. [DAG-Execution via `needs`](https://docs.gitlab.com/ci/yaml/#needs) bricht die starre Stage-Reihenfolge auf und startet Jobs, sobald ihre Abhängigkeiten abgeschlossen sind – nicht erst, wenn alle Jobs einer Stage fertig sind.\n\nEine Parent-Pipeline erkennt, welche Teile des Repos sich geändert haben, und löst ausschließlich die betroffenen Child-Pipelines aus. Jeder Service verwaltet seine eigene Pipeline-Konfiguration; Änderungen in einem Service können keine anderen beeinflussen. Damit bleibt die Komplexität beherrschbar, während das Repository und das Team wachsen.\n\nEinen technischen Aspekt gilt es dabei zu kennen: Wenn mehrere Dateien an einen einzelnen `trigger: include:`-Block übergeben werden, fusioniert GitLab sie zu einer einzigen Child-Pipeline-Konfiguration. Jobs aus diesen Dateien teilen denselben Pipeline-Kontext und können sich gegenseitig per `needs:` referenzieren – das ist die Voraussetzung für die DAG-Optimierung. Werden die Dateien stattdessen auf separate Trigger-Jobs aufgeteilt, entsteht jeweils eine isolierte Pipeline, und dateiübergreifende `needs:`-Referenzen funktionieren nicht.\n\nIn großen Monorepos lassen sich Pipeline-Laufzeiten durch DAG-Execution deutlich reduzieren, da Jobs nicht mehr auf unabhängige Arbeitsschritte in derselben Stage warten.\n\n### 2. Microservices: Cross-Repo-Pipelines über mehrere Projekte\n\n**Das Problem:** Frontend und Backend leben in separaten Repositories. Wenn das Frontend-Team eine Änderung ausliefert, ist nicht erkennbar, ob sie die Backend-Integration beeinträchtigt – und umgekehrt.\n\n[Multi-Project-Pipelines](https://docs.gitlab.com/ci/pipelines/downstream_pipelines/#multi-project-pipelines) ermöglichen es, aus einem Projekt heraus eine Pipeline in einem anderen Projekt auszulösen und auf das Ergebnis zu warten. Das auslösende Projekt sieht die verknüpfte Downstream-Pipeline direkt in seiner eigenen Pipeline-Ansicht.\n\nIn der Praxis erstellt die Frontend-Pipeline ein API-Contract-Artifact und veröffentlicht es, bevor die Backend-Pipeline ausgelöst wird. Das Backend ruft dieses Artifact über die [Jobs API](https://docs.gitlab.com/api/jobs/#download-a-single-artifact-file-from-specific-tag-or-branch) ab und validiert es, bevor weitere Schritte erlaubt sind. Wird eine Breaking Change erkannt, schlägt die Backend-Pipeline fehl – und mit ihr die Frontend-Pipeline. Probleme, die bisher erst in der Produktion sichtbar wurden, werden damit im Pipeline-Prozess abgefangen. Die Abhängigkeit zwischen Services wird sichtbar, nachvollziehbar und aktiv verwaltbar.\n\n![Cross-project pipelines](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738762/Blog/Imported/hackathon-fake-blog-post-s/image4_h6mfsb.png \"Cross-project pipelines\") *Cross-project pipelines*\n\n### 3. Multi-Tenant/Matrix-Deployments: Dynamische Child-Pipelines\n\n**Das Problem:** Dieselbe Anwendung wird in 15 Kundenumgebungen, drei Cloud-Regionen oder den Stages Dev/Staging/Prod deployed. Manuelle Anpassungen je Umgebung führen zu Konfigurationsdrift. Eine separate Pipeline pro Umgebung ist von Anfang an nicht wartbar.\n\n[Dynamische Child-Pipelines](https://docs.gitlab.com/ci/pipelines/downstream_pipelines/#dynamic-child-pipelines) generieren die Pipeline-Struktur zur Laufzeit. Ein Job führt ein Skript aus, das eine YAML-Datei erzeugt – und diese YAML-Datei wird zur Pipeline für den nächsten Schritt. Die Pipeline-Struktur selbst wird damit zu Daten.\n\nDas Generierungsskript iteriert über eine `ENVIRONMENTS`-Variable, statt jede Umgebung fest zu kodieren. Eine neue Umgebung lässt sich durch Anpassen der Variable hinzufügen – ohne Änderungen an der Pipeline-Konfiguration selbst. Trigger-Jobs erben mit `extends:` eine gemeinsame Template-Konfiguration, sodass `strategy: depend` einmal definiert und nicht für jeden Trigger-Job wiederholt wird. Ein `when: manual`-Gate für das Produktions-Deployment ist direkt in den Pipeline-Graph integriert.\n\nPlatform-Teams nutzen dieses Muster, um Dutzende von Umgebungen zu verwalten, ohne Pipeline-Logik zu duplizieren.\n\n![Dynamic pipeline](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738765/Blog/Imported/hackathon-fake-blog-post-s/image7_wr0kx2.png \"Dynamic pipeline\")\n\n### 4. MR-First-Delivery: Merge-Request-Pipelines, Merged-Results und Workflow-Routing\n\n**Das Problem:** Die Pipeline läuft bei jedem Push auf jeden Branch. Aufwändige Tests werden auf Feature-Branches ausgeführt, die nie gemergt werden. Gleichzeitig gibt es keine Garantie, dass das Getestete dem entspricht, was nach dem Merge auf `main` tatsächlich landet.\n\nGitLab kombiniert drei ineinandergreifende Mechanismen: [Merge-Request-Pipelines](https://docs.gitlab.com/ci/pipelines/merge_request_pipelines/) laufen ausschließlich dann, wenn ein Merge Request existiert – nicht bei jedem Branch-Push. Allein dadurch entfällt ein erheblicher Anteil unnötiger Compute-Ausführungen. [Merged-Results-Pipelines](https://docs.gitlab.com/ci/pipelines/merged_results_pipelines/) gehen einen Schritt weiter: GitLab erstellt einen temporären Merge-Commit aus dem Branch und dem aktuellen Ziel-Branch und führt die Pipeline dagegen aus. Getestet wird damit das tatsächliche Ergebnis des Merges – nicht der Branch in Isolation. [Workflow-Rules](https://docs.gitlab.com/ci/yaml/workflow/) definieren schließlich, welcher Pipeline-Typ unter welchen Bedingungen ausgeführt wird. Die `$CI_OPEN_MERGE_REQUESTS`-Guard verhindert dabei, dass für einen Branch mit offenem MR doppelte Pipelines ausgelöst werden.\n\nDas Ergebnis ist ein Pipeline-Verhalten, das sich je nach Kontext unterscheidet: Ein Push auf einen Feature-Branch ohne offenen MR führt nur Lint und Unit-Tests aus. Sobald ein MR geöffnet wird, wechseln die Workflow-Rules auf eine MR-Pipeline mit der vollständigen Test-Suite gegen das Merged-Result. Ein Merge auf `main` stellt ein manuelles Produktions-Deployment in die Warteschlange. Der Nightly-Scan läuft einmalig als geplante Pipeline – nicht bei jedem Commit.\n\nMerged-Results-Pipelines fangen dabei die Klasse von Fehlern ab, die erst nach einem Merge sichtbar werden – bevor sie `main` erreichen.\n\n### 5. Governed Pipelines: CI/CD Components\n\n**Das Problem:** Das Platform-Team hat den richtigen Weg für Build, Test und Deploy definiert. Jedes Anwendungsteam pflegt jedoch eine eigene `.gitlab-ci.yml` mit subtilen Abweichungen. Security-Scanning wird übersprungen. Deployment-Standards driften. Audits werden aufwändig.\n\n[CI/CD Components](https://docs.gitlab.com/ci/components/) ermöglichen es Platform-Teams, versionierte, wiederverwendbare Pipeline-Bausteine zu veröffentlichen. Anwendungsteams binden sie mit einer einzigen `include:`-Zeile ein – kein Copy-Paste, kein Drift. Components sind über den [CI/CD Catalog](https://docs.gitlab.com/ci/components/#cicd-catalog) auffindbar, sodass Teams bewährte Bausteine finden und übernehmen können, ohne das Platform-Team direkt einschalten zu müssen.\n\nDrei Zeilen `include:` ersetzen hunderte von duplizierten YAML-Zeilen. Das Platform-Team kann einen Security-Fix in einer neuen Komponentenversion veröffentlichen – Teams steigen auf ihrem eigenen Zeitplan um, oder das Platform-Team fixiert alle auf eine Mindestversion. In beiden Fällen propagiert eine Änderung organisationsweit, statt repo-für-repo angewendet zu werden.\n\nKombiniert mit [Resource Groups](https://docs.gitlab.com/ci/resource_groups/) zur Vermeidung konkurrierender Deployments und [Protected Environments](https://docs.gitlab.com/ci/environments/protected_environments/) für Freigabe-Gates entsteht eine governed Delivery-Plattform, auf der **Compliance der Standard ist, nicht die Ausnahme**. Platform-Teams setzen Vorgaben durch, ohne zum Engpass zu werden.\n\n![Component pipeline (imported jobs)](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738776/Blog/Imported/hackathon-fake-blog-post-s/image2_pizuxd.png \"Component pipeline (imported jobs)\")\n\n## Das Modell als Ganzes\n\nKeines dieser Muster existiert isoliert. Der Wert von GitLabs Pipeline-Modell liegt in der Kombinierbarkeit seiner Bausteine:\n\n- Ein Monorepo nutzt Parent-Child-Pipelines, und jede Child-Pipeline nutzt DAG-Execution.\n- Eine Microservices-Plattform nutzt Multi-Project-Pipelines, und jedes Projekt nutzt MR-Pipelines mit Merged-Results.\n- Eine governed Plattform nutzt CI/CD Components, um die obigen Muster organisationsweit zu standardisieren.\n\nDie meisten Teams entdecken eines dieser Muster, wenn sie auf ein konkretes Problem stoßen. Teams, die das vollständige Modell verstehen, entwickeln daraus eine Delivery-Infrastruktur, die tatsächlich abbildet, wie ihre Engineering-Organisation arbeitet – und mit ihr wächst.\n\n## Weitere Muster\n\nDas Pipeline-Modell geht über die fünf vorgestellten Muster hinaus:\n\n- [Review Apps mit dynamischen Umgebungen](https://docs.gitlab.com/ci/environments/) erstellen für jeden Feature-Branch eine Live-Vorschau und räumen sie automatisch auf, wenn der MR geschlossen wird.\n- [Caching- und Artifact-Strategien](https://docs.gitlab.com/ci/caching/) sind nach der strukturellen Arbeit häufig der direkteste Weg zur weiteren Laufzeitoptimierung – ohne die Pipeline-Struktur zu verändern.\n- [Geplante und API-ausgelöste Pipelines](https://docs.gitlab.com/ci/pipelines/schedules/) eignen sich für Workloads, die nicht bei jedem Code-Push laufen sollten: Nightly-Security-Scans, Compliance-Reports und Release-Automatisierung lassen sich als geplante oder [API-ausgelöste](https://docs.gitlab.com/ci/triggers/) Pipelines mit `$CI_PIPELINE_SOURCE`-Routing modellieren.\n\n> [GitLab Ultimate kostenlos testen](https://about.gitlab.com/de-de/free-trial/) und Pipeline-Logik ab heute einsetzen.\n\n## Für deutsche Unternehmen: Regulatorischer Kontext\n\nTeams, die Pipeline-Governance nach Muster 5 einführen, adressieren dabei möglicherweise auch Anforderungen, die regulatorische Frameworks an sichere Softwareentwicklungsprozesse stellen.\n\nCI/CD Components mit erzwungenen Security-Gates könnten Anforderungen an sichere Entwicklungsprozesse betreffen – beispielsweise in Bereichen, die Frameworks wie NIS2, ISO 27001 oder BSI IT-Grundschutz an den Software-Entwicklungslebenszyklus adressieren. Protected Environments und Resource Groups betreffen ähnliche Themen im Bereich Änderungskontrolle und Umgebungstrennung, wie sie in Governance-Frameworks typischerweise explizit formuliert sind.\n\nMulti-Project-Pipelines mit API-Contract-Validierung (Muster 2) schaffen Sichtbarkeit über Service-Abhängigkeiten hinweg – ein Aspekt, den Frameworks zur Lieferkettensicherheit adressieren.\n\nMerged-Results-Pipelines (Muster 4) dokumentieren automatisch, dass das tatsächliche Merge-Ergebnis getestet wurde, nicht nur der Feature-Branch in Isolation. Dies könnte Anforderungen an nachvollziehbare Änderungsprozesse betreffen, wie sie in Change-Management-Kontrollen verschiedener Sicherheitsframeworks formuliert sind.\n\nFür konkrete Compliance-Anforderungen im eigenen regulatorischen Umfeld empfiehlt sich Rücksprache mit entsprechender Fachberatung.\n\n## Abschnitt 2: Konfiguration und Implementierung\n\n*Für Entwicklungsteams und DevOps-Praktiker: ausgewählte Konfigurationsbeispiele zu den Mustern 1, 4 und 5. Für vollständige Konfigurationen aller Muster: [englischer Originalartikel](https://about.gitlab.com/blog/5-ways-gitlab-pipeline-logic-solves-real-engineering-problems/).*\n\nDie folgenden Konfigurationen sind illustrativ aufgebaut. Die Skripte verwenden `echo`-Befehle, um das Wesentliche sichtbar zu halten. Für den produktiven Einsatz werden die `echo`-Befehle durch die tatsächlichen Build-, Test- und Deploy-Schritte ersetzt.\n\n### Muster 1: Parent-Child-Pipelines und DAG-Execution\n\nEine Parent-Pipeline erkennt Änderungen und löst nur die betroffenen Child-Pipelines aus:\n\n```yaml # .gitlab-ci.yml stages:\n  - trigger\n\ntrigger-services:\n  stage: trigger\n  trigger:\n    include:\n      - local: '.gitlab/ci/api-service.yml'\n      - local: '.gitlab/ci/web-service.yml'\n      - local: '.gitlab/ci/worker-service.yml'\n    strategy: depend\n```\n\nInnerhalb der Child-Pipeline ermöglicht `needs:` DAG-Execution – der Test startet, sobald der Build abgeschlossen ist, ohne auf andere Jobs in derselben Stage zu warten:\n\n```yaml # .gitlab/ci/api-service.yml stages:\n  - build\n  - test\n\nbuild-api:\n  stage: build\n  script:\n    - echo \"Building API service\"\n\ntest-api:\n  stage: test\n  needs: [build-api]\n  script:\n    - echo \"Running API tests\"\n```\n\n![Local downstream pipelines](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738759/Blog/Imported/hackathon-fake-blog-post-s/image3_vwj3rz.png \"Local downstream pipelines\")\n\n### Muster 4: MR-First-Delivery\n\nWorkflow-Rules, MR-Pipelines und Merged-Results zusammen ergeben ein kontextabhängiges Pipeline-Verhalten:\n\n```yaml # .gitlab-ci.yml workflow:\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"merge_request_event\"\n    - if: $CI_COMMIT_BRANCH && $CI_OPEN_MERGE_REQUESTS\n      when: never\n    - if: $CI_COMMIT_BRANCH\n    - if: $CI_PIPELINE_SOURCE == \"schedule\"\n\nstages:\n  - fast-checks\n  - expensive-tests\n  - deploy\n\nlint-code:\n  stage: fast-checks\n  script:\n    - echo \"Running linter\"\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"push\"\n    - if: $CI_PIPELINE_SOURCE == \"merge_request_event\"\n    - if: $CI_COMMIT_BRANCH == \"main\"\n\nunit-tests:\n  stage: fast-checks\n  script:\n    - echo \"Running unit tests\"\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"push\"\n    - if: $CI_PIPELINE_SOURCE == \"merge_request_event\"\n    - if: $CI_COMMIT_BRANCH == \"main\"\n\nintegration-tests:\n  stage: expensive-tests\n  script:\n    - echo \"Running integration tests (15 min)\"\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"merge_request_event\"\n    - if: $CI_COMMIT_BRANCH == \"main\"\n\ne2e-tests:\n  stage: expensive-tests\n  script:\n    - echo \"Running E2E tests (30 min)\"\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"merge_request_event\"\n    - if: $CI_COMMIT_BRANCH == \"main\"\n\nnightly-comprehensive-scan:\n  stage: expensive-tests\n  script:\n    - echo \"Running full nightly suite (2 hours)\"\n  rules:\n    - if: $CI_PIPELINE_SOURCE == \"schedule\"\n\ndeploy-production:\n  stage: deploy\n  script:\n    - echo \"Deploying to production\"\n  rules:\n    - if: $CI_COMMIT_BRANCH == \"main\"\n      when: manual\n```\n\n![Conditional pipelines (within a branch with no MR)](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738768/Blog/Imported/hackathon-fake-blog-post-s/image6_dnfcny.png \"Conditional pipelines (within a branch with no MR)\")\n\n![Conditional pipelines (within an MR)](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738772/Blog/Imported/hackathon-fake-blog-post-s/image1_wyiafu.png \"Conditional pipelines (within an MR)\")\n\n![Conditional pipelines (on the main branch)](https://res.cloudinary.com/about-gitlab-com/image/upload/v1775738774/Blog/Imported/hackathon-fake-blog-post-s/image5_r6lkfd.png \"Conditional pipelines (on the main branch)\")\n\n### Muster 5: CI/CD Components\n\nEine Komponentendefinition aus einer gemeinsamen Bibliothek:\n\n```yaml # templates/deploy.yml spec:\n  inputs:\n    stage:\n      default: deploy\n    environment:\n      default: production\n--- deploy-job:\n  stage: $[[ inputs.stage ]]\n  script:\n    - echo \"Deploying $APP_NAME to $[[ inputs.environment ]]\"\n    - echo \"Deploy URL: $DEPLOY_URL\"\n  environment:\n    name: $[[ inputs.environment ]]\n```\n\nSo bindet ein Anwendungsteam die Komponenten ein:\n\n```yaml # Application repo: .gitlab-ci.yml variables:\n  APP_NAME: \"my-awesome-app\"\n  DEPLOY_URL: \"https://api.example.com\"\n\ninclude:\n  - component: gitlab.com/my-org/component-library/build@v1.0.6\n  - component: gitlab.com/my-org/component-library/test@v1.0.6\n  - component: gitlab.com/my-org/component-library/deploy@v1.0.6\n    inputs:\n      environment: staging\n\nstages:\n  - build\n  - test\n  - deploy\n```\n\n### Orientierung zu den Mustern 2 und 3\n\n**Muster 2 (Multi-Project-Pipelines):** Das Frontend-Repository publiziert ein API-Contract-Artifact und löst anschließend die Backend-Pipeline aus. Das Backend ruft das Artifact über die GitLab Jobs API ab und validiert es. Der `integration-test`-Job läuft dabei nur dann, wenn er von einer Upstream-Pipeline ausgelöst wurde (`$CI_PIPELINE_SOURCE == \"pipeline\"`), nicht bei einem eigenständigen Push. Die Frontend-Projekt-ID wird als CI/CD-Variable gesetzt, um Hardcoding zu vermeiden. Vollständige Konfigurationen beider Repositories: [englischer Originalartikel](https://about.gitlab.com/blog/5-ways-gitlab-pipeline-logic-solves-real-engineering-problems/#2-microservices-cross-repo-multi-project-pipelines).\n\n**Muster 3 (Dynamische Child-Pipelines):** Ein `generate-config`-Job erzeugt zur Laufzeit environment-spezifische YAML-Dateien. Trigger-Jobs nutzen `extends:` für gemeinsam genutzte Konfiguration und `needs:` für sequenzielle Promotion (dev → staging → prod mit manuellem Gate). Vollständige Konfiguration: [englischer Originalartikel](https://about.gitlab.com/blog/5-ways-gitlab-pipeline-logic-solves-real-engineering-problems/#3-multi-tenant--matrix-deployments-dynamic-child-pipelines).\n\n## Weiterführende Artikel\n\n- [Variable and artifact sharing in GitLab parent-child pipelines](https://about.gitlab.com/blog/variable-and-artifact-sharing-in-gitlab-parent-child-pipelines/)\n- [CI/CD inputs: Secure and preferred method to pass parameters to a pipeline](https://about.gitlab.com/blog/ci-cd-inputs-secure-and-preferred-method-to-pass-parameters-to-a-pipeline/)\n- [Tutorial: How to set up your first GitLab CI/CD component](https://about.gitlab.com/blog/tutorial-how-to-set-up-your-first-gitlab-ci-cd-component/)\n- [How to include file references in your CI/CD components](https://about.gitlab.com/blog/how-to-include-file-references-in-your-ci-cd-components/)\n- [FAQ: GitLab CI/CD Catalog](https://about.gitlab.com/blog/faq-gitlab-ci-cd-catalog/)\n- [Building a GitLab CI/CD pipeline for a monorepo the easy way](https://about.gitlab.com/blog/building-a-gitlab-ci-cd-pipeline-for-a-monorepo-the-easy-way/)\n- [A CI/CD component builder's journey](https://about.gitlab.com/blog/a-ci-component-builders-journey/)\n- [CI/CD Catalog goes GA: No more building pipelines from scratch](https://about.gitlab.com/blog/ci-cd-catalog-goes-ga-no-more-building-pipelines-from-scratch/)","5 GitLab-Pipeline-Muster für komplexe Engineering-Herausforderungen","Wie Parent-Child-Pipelines, DAG-Execution, MR-Pipelines und CI/CD Components komplexe Delivery-Probleme lösen – von Monorepos bis zur governed Plattform.",[730],"Omid Khan","https://res.cloudinary.com/about-gitlab-com/image/upload/v1772721753/frfsm1qfscwrmsyzj1qn.png","2026-04-09",[106,734,721,735],"DevOps platform","features",{"featured":27,"template":15,"slug":737},"5-ways-gitlab-pipeline-logic-solves-real-engineering-problems",{"content":739,"config":748},{"title":740,"description":741,"authors":742,"heroImage":744,"date":745,"body":746,"category":11,"tags":747},"GitLab Container Virtual Registry mit Docker Hardened Images einrichten","Mehrere Registries hinter einem Endpunkt – GitLab Container Virtual Registry mit Docker Hardened Images, Caching und Audit-Trail.",[743],"Tim Rizzi","https://res.cloudinary.com/about-gitlab-com/image/upload/v1772111172/mwhgbjawn62kymfwrhle.png","2026-03-12","Wer im Plattformteam arbeitet, kennt solche Gespräche:\n\n*„Security sagt: Wir müssen gehärtete Base-Images verwenden.\"*\n\n*„Prima – wo trage ich jetzt die Credentials für noch eine weitere Registry ein?\"*\n\n*„Und wie stellen wir sicher, dass alle sie auch wirklich nutzen?\"*\n\nOder diese hier:\n\n*„Warum sind unsere Builds so langsam?\"*\n\n*„Wir pullen dasselbe 500-MB-Image in jedem einzelnen Job neu von Docker Hub.\"*\n\n*„Kann man die nicht irgendwo cachen?\"*\n\nIch arbeite bei GitLab an der [Container Virtual Registry](https://docs.gitlab.com/user/packages/virtual_registry/container/) – einem Pull-Through-Cache, der vor den vorgelagerten Registries sitzt: Docker Hub, dhi.io (Docker Hardened Images), MCR und Quay. Teams erhalten einen einzigen Endpunkt zum Pullen. Images werden beim ersten Abruf gecacht; alle nachfolgenden Pulls kommen aus dem Cache. Das Entwicklungsteam muss nicht wissen, aus welchem Upstream ein bestimmtes Image stammt.\n\nDieser Artikel zeigt die Einrichtung der Container Virtual Registry – mit Docker Hardened Images als konkretem Anwendungsfall, da diese Kombination für Teams mit Sicherheitsanforderungen besonders naheliegt.\n\n## Das Problem: Registry-Wildwuchs im Plattformteam\n\nDie Plattformteams, mit denen ich spreche, verwalten Container-Images über drei bis fünf Registries:\n\n- **Docker Hub** für die meisten Base-Images\n- **dhi.io** für Docker Hardened Images (sicherheitskritische Workloads)\n- **MCR** für .NET- und Azure-Tooling\n- **Quay.io** für das Red-Hat-Ökosystem\n- **Interne Registries** für proprietäre Images\n\nJede davon hat eigene Authentifizierungsmechanismen, unterschiedliche Netzwerklatenz und eine eigene Pfadstruktur für Images.\n\nCI/CD-Konfigurationen füllen sich mit registry-spezifischer Logik. Credential-Management wird zum eigenständigen Projekt. Und jeder Pipeline-Job lädt dieselben Base-Images erneut über das Netz – obwohl sie sich seit Wochen nicht geändert haben.\n\nContainer Virtual Registry konsolidiert das: eine Registry-URL, ein Authentifizierungsfluss über GitLab, gecachte Images aus GitLab-Infrastruktur statt wiederholter Internet-Traversierung.\n\n## Funktionsweise\n\nDas Modell ist geradlinig:\n\n```text\n\nPipeline ruft ab:\n  gitlab.com/virtual_registries/container/1000016/python:3.13\n\nVirtual Registry prüft:\n  1. Im Cache vorhanden? → Direkt zurückgeben\n  2. Nein? → Vom Upstream laden, cachen, zurückgeben\n\n\n```\n\nUpstreams werden in Prioritätsreihenfolge konfiguriert. Bei einem eingehenden Pull-Request durchsucht die Virtual Registry die Upstreams der Reihe nach, bis das Image gefunden wird. Das Ergebnis wird für einen konfigurierbaren Zeitraum gecacht – standardmäßig 24 Stunden.\n\n\n```text\n\n┌─────────────────────────────────────────────────────────┐ │                    CI/CD Pipeline                       │ │                          │                              │ │                          ▼                              │ │   gitlab.com/virtual_registries/container/\u003Cid>/image   │ └─────────────────────────────────────────────────────────┘\n                           │\n                           ▼\n┌─────────────────────────────────────────────────────────┐ │            Container Virtual Registry                   │ │                                                         │ │  Upstream 1: Docker Hub ────────────────┐               │ │  Upstream 2: dhi.io (Hardened) ────────┐│               │ │  Upstream 3: MCR ─────────────────────┐││               │ │  Upstream 4: Quay.io ────────────────┐│││               │ │                                      ││││               │ │                    ┌─────────────────┴┴┴┴──┐            │ │                    │        Cache          │            │ │                    │  (manifests + layers) │            │ │                    └───────────────────────┘            │ └─────────────────────────────────────────────────────────┘\n\n```\n\n## Was das konkret bringt – besonders mit Docker Hardened Images\n\n[Docker Hardened Images](https://docs.docker.com/dhi/) zeichnen sich durch minimale Angriffsfläche, nahezu keine bekannten CVEs, vollständige Software Bills of Materials (SBOMs) und SLSA-Provenance aus. Für Teams, die Base-Images für sicherheitskritische Workloads evaluieren, gehören sie auf die Shortlist.\n\nDer Wechsel zu dhi.io erzeugt jedoch dieselbe operative Reibung wie jede neue Registry:\n\n- **Credential-Verteilung**: Docker-Credentials müssen auf alle Systeme verteilt werden, die Images von dhi.io abrufen.\n- **CI/CD-Anpassungen**: Jede Pipeline muss für die Authentifizierung mit dhi.io aktualisiert werden.\n- **Akzeptanzproblem**: Ohne zentrale Steuerung greifen Teams weiterhin auf reguläre Images zurück.\n- **Fehlende Transparenz**: Ob Teams tatsächlich die gehärteten Varianten nutzen, ist kaum nachvollziehbar.\n\nDie Virtual Registry löst jeden dieser Punkte:\n\n**Einzelne Credential**: Teams authentifizieren sich bei GitLab. Die Virtual Registry übernimmt die Upstream-Authentifizierung. Docker-Credentials werden einmalig auf Registry-Ebene konfiguriert und gelten für alle Pulls.\n\n**Keine per-Team-CI/CD-Änderungen**: Pipelines auf die Virtual Registry zeigen lassen – fertig. Die Upstream-Konfiguration ist zentralisiert.\n\n**Schrittweise Einführung**: Da Images mit ihrem vollständigen Pfad gecacht werden, ist im Cache sichtbar, was tatsächlich abgerufen wird. Wird `library/python:3.11` statt der gehärteten Variante gepullt, ist das erkennbar.\n\n**Audit-Trail**: Der Cache zeigt exakt, welche Images aktiv genutzt werden – nachvollziehbar für Compliance-Zwecke und als Grundlage für das Verständnis der tatsächlichen Infrastruktur-Abhängigkeiten.\n\nWer das Konzept verstanden hat und die Einrichtung zu einem späteren Zeitpunkt in Angriff nimmt: Die wesentlichen Konzepte sind damit abgedeckt. Die technische Konfiguration folgt im nächsten Abschnitt.\n\n## Einrichtung\n\nDie folgende Einrichtung nutzt den Python-Client aus dem Demo-Projekt.\n\n### Virtual Registry erstellen\n\n```python\nfrom virtual_registry_client import VirtualRegistryClient\nclient = VirtualRegistryClient()\nregistry = client.create_virtual_registry(\n    group_id=\"785414\",  # ID der obersten Gruppe\n    name=\"platform-images\",\n    description=\"Cached container images for platform teams\"\n)\nprint(f\"Registry ID: {registry['id']}\") # Diese ID wird für die Pull-URL benötigt\n```\n\n### Docker Hub als Upstream hinzufügen\n\nFür offizielle Images wie Alpine, Python usw.:\n\n```python\n\ndocker_upstream = client.create_upstream(\n    registry_id=registry['id'],\n    url=\"https://registry-1.docker.io\",\n    name=\"Docker Hub\",\n    cache_validity_hours=24\n)\n\n```\n\n### Docker Hardened Images (dhi.io) hinzufügen\n\nDocker Hardened Images werden auf `dhi.io` gehostet – einer separaten Registry mit Authentifizierungspflicht:\n\n```python\n\ndhi_upstream = client.create_upstream(\n    registry_id=registry['id'],\n    url=\"https://dhi.io\",\n    name=\"Docker Hardened Images\",\n    username=\"your-docker-username\",\n    password=\"your-docker-access-token\",\n    cache_validity_hours=24\n)\n\n```\n\n### Weitere Upstreams hinzufügen\n\n```python\n\n# MCR für .NET-Teams client.create_upstream(\n    registry_id=registry['id'],\n    url=\"https://mcr.microsoft.com\",\n    name=\"Microsoft Container Registry\",\n    cache_validity_hours=48\n)\n# Quay für das Red-Hat-Ökosystem client.create_upstream(\n    registry_id=registry['id'],\n    url=\"https://quay.io\",\n    name=\"Quay.io\",\n    cache_validity_hours=24\n)\n\n```\n\n### CI/CD aktualisieren\n\nEine `.gitlab-ci.yml`, die über die Virtual Registry pullt:\n\n```yaml\n\nvariables:\n  VIRTUAL_REGISTRY_ID: \u003Cyour_virtual_registry_ID>\n\n  \nbuild:\n  image: docker:24\n  services:\n    - docker:24-dind\n  before_script:\n    # Authentifizierung bei GitLab – Upstream-Auth wird übernommen\n    - echo \"${CI_JOB_TOKEN}\" | docker login -u gitlab-ci-token --password-stdin gitlab.com\n  script:\n    # Alle Pulls laufen über die zentrale Virtual Registry\n    \n    # Offizielle Docker Hub Images (library/-Präfix erforderlich)\n    - docker pull gitlab.com/virtual_registries/container/${VIRTUAL_REGISTRY_ID}/library/alpine:latest\n    \n    # Docker Hardened Images von dhi.io (kein Präfix nötig)\n    - docker pull gitlab.com/virtual_registries/container/${VIRTUAL_REGISTRY_ID}/python:3.13\n    \n    # .NET von MCR\n    - docker pull gitlab.com/virtual_registries/container/${VIRTUAL_REGISTRY_ID}/dotnet/sdk:8.0\n\n\n```\n\n### Image-Pfadformate\n\nVerschiedene Registries verwenden unterschiedliche Pfadkonventionen:\n\n| Registry | Beispiel-Pull-URL |\n|----------|-------------------|\n| Docker Hub (offiziell) | `.../library/python:3.11-slim` |\n| Docker Hardened Images (dhi.io) | `.../python:3.13` |\n| MCR | `.../dotnet/sdk:8.0` |\n| Quay.io | `.../prometheus/prometheus:latest` |\n\n### Funktionsprüfung\n\nNach einigen Pulls lässt sich der Cache überprüfen:\n\n```python\n\nupstreams = client.list_registry_upstreams(registry['id']) for upstream in upstreams:\n    entries = client.list_cache_entries(upstream['id'])\n    print(f\"{upstream['name']}: {len(entries)} cached entries\")\n\n\n```\n\n## Messergebnisse\n\nTestergebnisse beim Pullen über die Virtual Registry:\n\n| Messgröße | Ohne Cache | Mit warmem Cache |\n|-----------|------------|-----------------|\n| Pull-Zeit (Alpine) | 10,3 s | 4,2 s |\n| Pull-Zeit (Python 3.13 DHI) | 11,6 s | ~4 s |\n| Netzwerk-Roundtrips zum Upstream | Jeder Pull | Nur Cache-Misses |\n\nDer erste Pull hat dieselbe Dauer – das Image muss vom Upstream geladen werden. Jeder weitere Pull innerhalb der Cache-Gültigkeitsdauer kommt direkt aus GitLab-Storage: kein Netzwerk-Hop zu Docker Hub, dhi.io, MCR oder einer anderen Registry.\n\nBei Teams mit vielen Pipeline-Jobs pro Tag summiert sich das zu einem messbaren Gewinn bei den Build-Laufzeiten.\n\n## Praktische Hinweise\n\n### Cache-Gültigkeit\n\nDer Standard sind 24 Stunden. Für sicherheitskritische Images, bei denen Patches schnell verfügbar sein sollen, empfiehlt sich ein kürzeres Intervall:\n\n```python\n\nclient.create_upstream(\n    registry_id=registry['id'],\n    url=\"https://dhi.io\",\n    name=\"Docker Hardened Images\",\n    username=\"your-username\",\n    password=\"your-token\",\n    cache_validity_hours=12\n)\n\n```\n\nFür stabile Images mit fixen Versions-Tags ist ein längeres Intervall problemlos.\n\n### Upstream-Priorität\n\nUpstreams werden der Reihe nach geprüft. Bei gleichnamigen Images in verschiedenen Registries gewinnt der erste passende Upstream.\n\n### Limits\n\n- Maximal 20 Virtual Registries pro Gruppe\n- Maximal 20 Upstreams pro Virtual Registry\n\n## Konfiguration über die Oberfläche\n\nVirtual Registries und Upstreams lassen sich auch direkt in der GitLab-Oberfläche einrichten – ohne API-Aufrufe. Unter **Einstellungen > Pakete und Registries > Virtual Registry** der jeweiligen Gruppe stehen folgende Optionen zur Verfügung:\n\n- Virtual Registries erstellen und verwalten\n- Upstreams hinzufügen, bearbeiten und neu anordnen\n- Cache anzeigen und verwalten\n- Überblick, welche Images abgerufen werden\n\n## Ausblick\n\nIn Entwicklung:\n\n- **Allow/Deny-Listen**: Regex-basierte Steuerung, welche Images aus welchen Upstreams abgerufen werden dürfen.\n\nContainer Virtual Registry befindet sich in der Beta-Phase. Die Funktion wird produktiv eingesetzt und wird weiterentwickelt – Feedback fließt direkt in die Priorisierung ein.\n\n## Feedback\n\nWer als Plattformteam mit Registry-Wildwuchs zu kämpfen hat: Ich möchte verstehen, wie die aktuelle Situation aussieht.\n\n- Wie viele Upstream-Registries werden verwaltet?\n- Wo liegt der größte Schmerzpunkt?\n- Würde ein solcher Ansatz helfen – und falls nicht: Was fehlt?\n\nErfahrungen und Rückmeldungen gerne im [Container Virtual Registry Feedback-Issue](https://gitlab.com/gitlab-org/gitlab/-/work_items/589630) teilen.\n\n## Weiterführende Ressourcen\n\n- [Neue GitLab-Metriken und Registry-Funktionen zur Optimierung von CI/CD-Pipelines](https://about.gitlab.com/de-de/blog/new-gitlab-metrics-and-registry-features-help-reduce-ci-cd-bottlenecks/)\n- [Container Virtual Registry – Dokumentation](https://docs.gitlab.com/user/packages/virtual_registry/container/)\n- [Container Virtual Registry – API](https://docs.gitlab.com/api/container_virtual_registries/)\n\n## Für deutsche Unternehmen könnte dies folgende Themen betreffen\n\nTeams, die sicherheitsgehärtete Base-Images mit vollständigen SBOMs und SLSA-Provenance einsetzen, haben möglicherweise auch Compliance-Überlegungen – beispielsweise in Bereichen wie Sicherheit der Software-Lieferkette, Nachvollziehbarkeit von Image-Abhängigkeiten und zentralem Audit-Trail.\n\nRegulatorische Frameworks wie NIS2 und der Cyber Resilience Act adressieren ähnliche Themen rund um Software-Lieferketten und SBOM-Transparenz. Für konkrete Compliance-Anforderungen empfiehlt sich Rücksprache mit entsprechender Fachberatung.",[721,720,735],{"featured":14,"template":15,"slug":749},"using-gitlab-container-virtual-registry-with-docker-hardened-images",{"promotions":751},[752,766,777,789],{"id":753,"categories":754,"header":756,"text":757,"button":758,"image":763},"ai-modernization",[755],"ai-ml","Is AI achieving its promise at scale?","Quiz will take 5 minutes or less",{"text":759,"config":760},"Get your AI maturity score",{"href":761,"dataGaName":762,"dataGaLocation":243},"/assessments/ai-modernization-assessment/","modernization assessment",{"config":764},{"src":765},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/qix0m7kwnd8x2fh1zq49.png",{"id":767,"categories":768,"header":769,"text":757,"button":770,"image":774},"devops-modernization",[720,33],"Are you just managing tools or shipping innovation?",{"text":771,"config":772},"Get your DevOps maturity score",{"href":773,"dataGaName":762,"dataGaLocation":243},"/assessments/devops-modernization-assessment/",{"config":775},{"src":776},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138785/eg818fmakweyuznttgid.png",{"id":778,"categories":779,"header":781,"text":757,"button":782,"image":786},"security-modernization",[780],"security","Are you trading speed for security?",{"text":783,"config":784},"Get your security maturity score",{"href":785,"dataGaName":762,"dataGaLocation":243},"/assessments/security-modernization-assessment/",{"config":787},{"src":788},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/p4pbqd9nnjejg5ds6mdk.png",{"id":790,"paths":791,"header":794,"text":795,"button":796,"image":801},"github-azure-migration",[792,793],"migration-from-azure-devops-to-gitlab","integrating-azure-devops-scm-and-gitlab","Is your team ready for GitHub's Azure move?","GitHub is already rebuilding around Azure. Find out what it means for you.",{"text":797,"config":798},"See how GitLab compares to GitHub",{"href":799,"dataGaName":800,"dataGaLocation":243},"/compare/gitlab-vs-github/github-azure-migration/","github azure migration",{"config":802},{"src":776},{"header":804,"blurb":805,"button":806,"secondaryButton":811},"Beginne noch heute, schneller zu entwickeln","Entdecke, was dein Team mit der intelligenten Orchestrierungsplattform für DevSecOps erreichen kann.\n",{"text":807,"config":808},"Kostenlosen Test starten",{"href":809,"dataGaName":48,"dataGaLocation":810},"https://gitlab.com/-/trial_registrations/new?glm_content=default-saas-trial&glm_source=about.gitlab.com/de-de/","feature",{"text":50,"config":812},{"href":52,"dataGaName":53,"dataGaLocation":810},1777493569259]