TL;DR: KI-Coding-Assistenten generieren beobachtbar häufiger RPC-artige POST-Endpoints als saubere RESTful APIs – eine HackerNews-Diskussion beleuchtet die wahrscheinlichen Ursachen und was das für AI-unterstützte Projekte bedeutet.
Eine aktuelle Diskussion auf HackerNews greift eine Beobachtung auf, die viele Entwickler kennen, aber selten explizit benennen: KI-Coding-Tools wie GitHub Copilot, Cursor oder Claude Code tendieren dazu, RPC-artige POST-Endpoints zu generieren – selbst dann, wenn ein einfaches GET semantisch korrekt und ausreichend wäre. Der Thread-Autor fasst es prägnant zusammen: „Ist das Absicht? Oder ein Nebenprodukt von Token-Effizienz?”
Was ist neu?
Die Diskussion liefert drei plausible Erklärungsansätze, die sich gegenseitig nicht ausschließen. Erstens der Trainingsdaten-Bias: REST-APIs sind in der Praxis notorisch inkonsistent implementiert – unterschiedliche Teams handhaben Auth, Pagination und Fehlerbehandlung komplett verschieden. KI-Modelle haben demnach keine einheitliche „korrekte” REST-Vorlage internalisiert, sondern ein breites Spektrum divergierender Muster. Zweitens der Token-Effizienz-Faktor: POST-Requests mit JSON-Body sind strukturell vorhersagbarer und konsistenter zu generieren als die ressourcenorientierte Logik von REST mit ihren unterschiedlichen HTTP-Verben und URL-Strukturen. Drittens – und das ist der interessanteste Punkt – könnte es sich um eine implizite Modellpräferenz für strikte Contracts handeln: GraphQL und gRPC haben formal definierte Schemata, die für Sprachmodelle einfacher zu „verstehen” und zu replizieren sind als das flexible, aber uneinheitliche REST-Paradigma.
Ein Community-Kommentar bringt es auf den Punkt: „REST hat keine Standards – und genau deshalb hat REST auch so viele Sicherheitslücken.”
Was bedeutet das für Automation Engineers?
Wer KI-Coding-Tools produktiv in API-Projekten einsetzt – ob über Cursor, Claude Code oder n8n-Workflow-Generierung – sollte dieses Verhalten als Default-Bias verstehen, nicht als Fehler. Das hat konkrete Implikationen für den Stack: Generierte Backends, die intern ausschließlich über POST kommunizieren, funktionieren technisch einwandfrei, können aber API-Gateways, Caching-Layers und Tool-Integrationen (z. B. Zapier, Make) belasten, die auf HTTP-Semantik (GET für lesende Operationen, idempotente Requests) angewiesen sind. Die Gegenmaßnahme ist simpel, aber erfordert bewusstes Prompting: Explizite Constraints wie „use RESTful conventions, GET for read operations, resource-based URL structure” im System-Prompt oder in der Regel-Datei des jeweiligen Tools (.cursor/rules/*.mdc, CLAUDE.md) verankern das gewünschte Muster zuverlässig – wie mehrere HN-Kommentatoren bestätigen.
Quellen & Weiterführende Links
- 📰 HackerNews-Diskussion: Why don’t AI coding tools like REST?
- 📚 POST-only debate: RPC vs. REST im Überblick
- 🎓 Workshops & Kurse (verifiziert via API):
- KI Software Engineer: Modul 1 – Language Models, Agents, Workflows — LLMs verstehen und Prompting-Strategien für Engineering-Kontext 💡 Passende Kurse zu Claude Agents und Workflows befinden sich aktuell in Planung – informiere dich auf workshops.de über neue Angebote.