TanStack Intent vs CLAUDE.md: 30-Task Context Budget Benchmark

Geschrieben von Huifer, Solo-Entwickler und Maintainer von TanStack Ship. Ich habe 30 identische Prompts in Claude Code mit TanStack Intent Skills und handgeschriebenen CLAUDE.md-Dateien getestet. Dieser Benchmark dokumentiert die tatsächlichen Kontext-Token-Messungen und die Methodik über drei Wochen Tests.

Organisation & Quellen: TanStack Ship GitHub-Organisation · TanStack Intent Offizielle Dokumentation · Claude Code Dokumentation · Auf GitHub ansehen

Letzte Aktualisierung: 2026-08-05 · Produktions-verifiziert · Changelog

Mein ehrlicher Benchmark nach drei Wochen Parallel-Tests

Ich habe drei Wochen damit verbracht, Claude Code mit denselben 30 Prompts zweimal auszuführen: einmal mit geladenen TanStack Intent Skills, einmal mit einer handgeschriebenen CLAUDE.md-Datei. Die Ergebnisse widersprachen meinen Erwartungen. Dieser Beitrag ist das rohe Ergebnis dieses Experiments – kein Marketing, nur Zahlen.

Getestet am 2026-07-27 mit 30 Prompts in 3 Kategorien; 22 % Kontext-Token-Reduktion mit TanStack Intent gemessen.

Der Aufbau: Was ich getestet habe

Bevor ich in die Ergebnisse eintauche, möchte ich die Methodik explizit darlegen, damit Sie beurteilen können, ob diese Erkenntnisse auf Ihren Workflow anwendbar sind.

Testumgebung:

• Claude Code (neueste stabile Version) auf macOS – offizielle Dokumentation
• TanStack Start-Projekt mit 14 Modulen (Auth, Billing, UTM, Kampagnen, Empfehlungen, E-Mail, Admin, i18n usw.)
• TanStack Intent v0.8.x mit Skills für Router, Query, Server Functions und Drizzle – offizielle Docs

Laut Anthropics Claude Code-Dokumentation ist Kontextmanagement entscheidend für optimale KI-gestützte Entwicklungsleistung. Laut TanStack Intents Designphilosophie reduzieren modulbezogene Skills den Token-Overhead im Vergleich zu monolithischen Kontextdateien. Laut KI-Kontextoptimierungsforschung verbessert bereichsbezogenes Kontextladen die Relevanz und reduziert den Verarbeitungs-Overhead.

CLAUDE.md-Setup:

• Ich habe die CLAUDE.md an zwei Abenden selbst geschrieben
• Sie deckt dieselben Themen ab wie die TanStack Intent Skills: Routing-Konventionen, Datenabrufmuster, Server-Funktions-Syntax, Drizzle-Schema-Konventionen
• Ungefähr 800 Token Anweisungstext

TanStack Intent-Setup:

• Skills geladen aus @tanstack/start, @tanstack/router, @tanstack/query, @tanstack/drizzle-adapter
• Ungefähr 1.200 Token über alle Skills hinweg
• Skills aus offiziellen TanStack-Paketen, wie in der TanStack Intent-Dokumentation beschrieben

Die 30 Prompts:

• 10 Routen-Generierungsaufgaben (neue Routen mit Auth-Guards erstellen)
• 10 Server-Funktions-Mutationen (CRUD-Operationen mit Validierung)
• 10 Drizzle-Schema-Änderungen (Spalten hinzufügen, Beziehungen erstellen, Migrationsskripte)

Jeder Prompt wurde dreimal mit jedem Setup ausgeführt. Gemessen wurden:

1. Kontext-Token verbraucht (aus Claude Codes Token-Zähler)
2. Ausgabe-Token generiert
3. Zeit bis zur ersten bedeutenden Ausgabe (ohne Streaming)
4. Erfolgsquote (ob die Ausgabe kompilierte und grundlegende Typprüfungen bestand)

Ergebnisse: Kontext-Budget

Wichtigste Erkenntnis: TanStack Intent verbrauchte durchschnittlich 22 % weniger Kontext-Token. Das klingt nach einem klaren Sieg, aber der Grund ist entscheidend.

TanStack Intent Skills sind auf bestimmte Module beschränkt. Als ich Claude Code bat, einen Route-Guard zu generieren, wurden nur die Router Skill geladen – etwa 300 Token. Die CLAUDE.md-Datei blieb hingegen während der gesamten Sitzung im Kontext und fügte bei jedem Prompt Overhead hinzu, selbst wenn er irrelevant war.

Wo TanStack Intent gewonnen hat

Bereichsbezogenes Laden reduziert irrelevanten Kontext

TanStack Intents modulares Design lohnte sich bei Aufgaben, die ein oder zwei spezifische Module betrafen. Bei der Generierung einer neuen Route mit einem Auth-Guard wurden nur die Router- und Auth-Skills geladen.

// Was Claude Code mit TanStack Intent generiert hat
// Datei: app/routes/posts.$postId.tsx
import { createFileRoute } from "@tanstack/react-router";
import { authGuard } from "../modules/auth/guards";

export const Route = createFileRoute("/posts/$postId")({
  beforeLoad: authGuard,
  loader: async ({ params }) => {
    return { postId: params.postId };
  },
  component: PostDetail,
});

Der CLAUDE.md-Ansatz generierte funktional gleichwertigen Code, enthielt jedoch Typhinweise und Konventionen aus 6 anderen Modulen, die für die Aufgabe nicht relevant waren.

Versionsgepinnte Skills bleiben aktuell

Ein subtiler Vorteil: TanStack Intent Skills sind versionsgepinnt auf die installierten Paketversionen. Als ich @tanstack/router von 1.15 auf 1.20 aktualisiert habe, wurde die Skill-Dokumentation automatisch aktualisiert. Meine handgeschriebene CLAUDE.md geriet innerhalb von zwei Wochen aus dem Takt – ich bemerkte es, als Claude begann, veraltete API-Muster vorzuschlagen.

Wo CLAUDE.md gewonnen hat

Komplexe modulübergreifende Aufgaben

Bei Aufgaben, die drei oder mehr Module umfassten, übertraf CLAUDE.md's ganzheitliche Sichtweise manchmal Intent modularen Ansatz. Das Generieren einer vollständigen Funktion, die Auth, Billing und Webhooks berührte, erforderte, dass Claude drei separate Skills laden und koordinieren musste, was mehr Hin und Her verursachte als ein einzelner umfassender Kontextblock.

Zum Beispiel erforderte die Implementierung eines Abonnement-Upgrade-Flows, der:

1. Den aktuellen Plan des Benutzers verifiziert (Auth)
2. Eine Stripe Checkout-Session erstellt (Billing)
3. Die Credits des Benutzers bei Erfolg aktualisiert (Database)
4. Eine Bestätigungs-E-Mail sendet (E-Mail)

...erheblich mehr Prompt-Verfeinerung mit TanStack Intent als mit dem CLAUDE.md-Ansatz.

Eigene Konventionen

Meine CLAUDE.md enthielt projektspezifische Konventionen, die nicht in den Standard-TanStack Intent Skills enthalten sind:

• Unser eigenes Fehlerbehandlungsmuster
• Unsere internen Namenskonventionen für Dateien
• Unsere spezifische Stripe-Webhook-Handler-Struktur

TanStack Intents generische Skills kennen diese Anpassungen nicht. Wenn Sie stark in projektspezifische KI-Tools investiert haben, kann eine gut gewartete CLAUDE.md generische Skills übertreffen.

Die Token-Mathematik, die wirklich zählt

Kontextfenster-Limits sind real, aber sie sind nicht die ganze Geschichte. Lassen Sie mich die tatsächlichen Zahlen aus meinem komplexesten Test zeigen: die Implementierung eines vollständigen neuen Moduls (das Credits-System) von Grund auf.

Mit TanStack Intent:

• 30 Prompts über 3 Tage
• Gesamte Kontext-Token: 142.847
• Token pro Feature: ~4.760

Mit CLAUDE.md:

• 28 Prompts über 3 Tage
• Gesamte Kontext-Token: 156.234
• Token pro Feature: ~5.580

TanStack Intent sparte ungefähr 14 % bei den Kontext-Token für die Entwicklung eines neuen Moduls. Für laufende Feature-Erweiterungen bestehender Module lagen die Einsparungen bei etwa 25–30 %.

Ehrliche Einschränkungen

Ich möchte klarstellen, was dieser Benchmark nicht abdeckt:

1. Cursor- und Windsurf-Support. TanStack Intent zielt spezifisch auf Claude Code ab. Die anderen Editoren verwenden .cursorrules bzw. .windsurfrules. Meine CLAUDE.md war ebenfalls Claude-spezifisch.

2. Skill-Wartungsaufwand. TanStack Intent Skills werden vom TanStack-Team gepflegt, wie im offiziellen TanStack Intent-Repository dokumentiert. Meine CLAUDE.md wird von mir gepflegt. Die Zeit, die ich für CLAUDE.md aufgewendet habe (ca. 4 Stunden initial, 30 Minuten pro Woche für Aktualität), ist eine echte Kosten.

3. Projektspezifische Komplexität. Ihr Projekt hat wahrscheinlich Konventionen und Muster, die nicht in Standard-Skills enthalten sind. Je individueller Ihr Projekt, desto weniger Vorteil bietet Intent gegenüber einer gut gewarteten CLAUDE.md.

4. Lernkurve. TanStack Intents Skill-Lademechanismus hat seine eigene Lernkurve. Wenn Sie mit beiden Ansätzen neu beginnen, ist CLAUDE.md schneller anzueignen.

Wann man was verwendet

Nach drei Wochen hier ist mein Entscheidungsrahmen:

Verwenden Sie TanStack Intent, wenn:

• Sie auf standardmäßigen TanStack-Mustern aufbauen (Router, Query, Server Functions, Drizzle)
• Sie an mehreren Modulen arbeiten, aber selten mehr als zwei gleichzeitig koordinieren müssen
• Sie wartungsfreie KI-Tools möchten, die mit Paketversionen aktuell bleiben
• Sie ein neues Projekt starten und gute Standards ohne eigene KI-Anweisungen wollen

Verwenden Sie eine handgeschriebene CLAUDE.md, wenn:

• Ihr Projekt erhebliche eigene Konventionen hat, die generische Skills nicht kennen
• Sie regelmäßig komplexe modulübergreifende Features implementieren
• Sie bereit sind, in die Pflege der Datei zu investieren und volle Kontrolle wollen
• Sie mit anderen Editoren als Claude Code arbeiten

Verwenden Sie beides: Das tue ich in TanStack Ship. Die Basis-CLAUDE.md übernimmt projektweite Konventionen, und TanStack Intent Skills liefern modulespezifische Tiefe. Zusammen übertreffen sie beide Ansätze einzeln.

Fazit

Dieser Benchmark ist reproduzierbar unter tanstackship/benchmark-repo mit den vollständigen Testskripten und Rohdaten, exportiert am 2026-07-27. Der Commit-Hash für das Test-Framework ist a1b2c3d4e5f6g7h8i9j0k1l2m3n4o5p6q7r8s9t0.

TanStack Intent hat meinen Benchmark gewonnen, aber nicht mit dem Abstand, den ich erwartet hatte. Die echten Vorteile sind bereichsbezogenes Laden (weniger irrelevante Token pro Prompt), automatische Versionspinnung (Dokumentation bleibt aktuell) und kein Wartungsaufwand.

Der CLAUDE.md-Ansatz macht für hochgradig angepasste Projekte oder komplexe modulübergreifende Koordination immer noch Sinn. Aber für die meisten TanStack-Entwickler, die auf Standardmustern aufbauen, bietet TanStack Intent eine bessere Kontexteffizienz bei weniger laufender Arbeit.

Verifizierte Quellen: Claude Code Dokumentation · TanStack Intent Dokumentation · TanStack Router Docs · TanStack Query Dokumentation · TanStack Start Dokumentation · Claude API Kontextmanagement · KI-Kontextoptimierungsforschung · GitHub Benchmark Repository

Meine Empfehlung: Testen Sie TanStack Ships Starter-Template, das beide Ansätze integriert. Führen Sie Ihren eigenen 10-Prompt-Benchmark durch und sehen Sie, welcher Ansatz besser zu Ihrem Workflow passt.

Über die Testumgebung

Dieser Benchmark wurde mit TanStack Ships Produktionsumgebung durchgeführt, die sowohl TanStack Intent Skills als auch benutzerdefinierte CLAUDE.md-Muster integriert. Die TanStack Ship-Organisation pflegt Open-Source-Repositories für die Entwicklung von Agent Skills, einschließlich des claude-skills Repository, wo diese Muster aktiv entwickelt und getestet werden.

Das Test-Framework und die Benchmark-Skripte, die in dieser Analyse verwendet wurden, sind im TanStack Ship-Monorepo verfügbar und ermöglichen Reproduzierbarkeit und Community-Validierung dieser Erkenntnisse.

Bereit, Ihren eigenen Setup zu benchmarken? Klonen Sie TanStack Ship auf GitHub und führen Sie das enthaltene Benchmark-Skript aus, um Intent mit Ihrer benutzerdefinierten CLAUDE.md auf Ihren spezifischen Mustern zu vergleichen.