✦ Neu • Kostenloser KI-Skill

Erstelle und validiere GitLab-CI-Pipelines, ohne den Editor zu verlassen.

Ein kostenloser KI-Skill, der deine .gitlab-ci.yml in deinem lokalen Editor erstellt und validiert. Funktioniert mit Cursor, VS Code, Claude Code und mehr.

Skill holen Powered by glci (experimentell)
0GitLab-Konten nötig für lokale Validierung
6+unterstützte KI-Agenten und Editoren
MITOpen Source (Skill und CLI)
Der Umstieg

Von committen-und-dann-validieren zu validieren-und-dann-committen

Pipelines sind der einzige Teil des modernen Entwicklungsstacks, den du immer noch nicht lokal validieren kannst. Der Skill erstellt das YAML im Editor. glci (ein experimentelles GitLab-Projekt) führt es vor dem Push gegen den echten Runner aus. Deine Remote-Pipeline ist nicht länger der Debugger und dein Git-Verlauf nicht länger das Tippfehler-Protokoll.

Vorher

Committen. Pushen. Warten. Fehlschlagen. Wiederholen.

  • YAML aus dem Gedächtnis oder mithilfe der Dokumentation von Hand verfassen
  • Committen und auf einen Branch pushen, um zu sehen, ob es funktioniert
  • 8–12 Minuten auf einen Remote-Runner warten
  • Fehlschlag wegen Tippfehler, fehlender Variable oder falsch benanntem Job
  • Bearbeiten, pushen, 3–4 Mal wiederholen
  • Eine Spur von „fix CI“-Commits im Verlauf hinterlassen
Mit dem Skill + glci

Entwerfen. Validieren. Pushen, wenn alles grün ist.

  • Den Agenten bitten, eine Pipeline aus deinem Repo zu entwerfen
  • glci show ausführen, um den Job-Graphen zu überprüfen
  • glci run ausführen, um jeden Job im echten Docker auszuführen
  • Beheben, was fehlschlägt – in Sekunden statt Minuten
  • Einmal pushen, mit einer Pipeline, von der du weißt, dass sie funktioniert
  • Git-Verlauf betrifft den Code, nicht dein YAML

Beim Umstieg geht es nicht um eine schnellere Pipeline, sondern um ein anderes Verhältnis zur Pipeline – dasselbe Verhältnis, das du zu deinem Anwendungscode längst hast.

Loslegen

Zwei Schritte. Etwa fünf Minuten

Für die lokale Validierung ist kein GitLab-Konto nötig. Gepusht wird erst, wenn du es entscheidest.

01~1 Minute

Skill zum Editor hinzufügen

Lege den Skill in Claude Code, Cursor, VS Code, OpenCode oder Codex ab. Der Agent kennt nun GitLab CI/CD – Syntax, Best Practices, deinen Stack.

Reine Markdown-Spezifikation. Von Grund auf portabel konzipiert.
02~3 Minuten

Fragen, ausführen, Code pushen

„Schreibe eine CI-Pipeline für dieses Projekt.“ Prüfe das YAML, das der Agent entwirft. Führe glci run aus. Pushe den Code, wenn alles grün ist.

Dieselbe binäre gitlab-runner-Datei wie in der Produktion

Was du brauchst

  • Einen kompatiblen Editor oder AgentenClaude Code, Cursor, VS Code, OpenCode, Codex oder alles, was Markdown-Skills laden kann.
  • Ein ProjektEine beliebige Codebase, die irgendwo gehostet sein kann. Der Agent liest aus deinem lokalen Arbeitsverzeichnis und entwirft automatisch eine passende Pipeline.
  • Lokal laufender DockerDamit glci Jobs in echten Containern validieren und ausführen kann.
  • Ein GitLab-Projekt(wenn du bereit bist, CI bei jedem Push laufen zu lassen)Der Skill und glci brauchen kein Projekt für die lokale Validierung. Du brauchst es erst, wenn die Pipelines in der Cloud laufen sollen.
Installieren

Funktioniert mit deinen bestehenden KI-Agenten

Eine CLI, um Pipelines lokal auszuführen, und ein Skill, um sie im Editor zu entwerfen. In beliebiger Reihenfolge installierbar.

Skill zum Editor hinzufügen

Wähle deinen Agenten

Lade den Skill herunter und sieh dir an, wo du Dateien ablegen musst, damit Cursor sie findet.

git clone https://gitlab.com/gitlab-org/ci-cd/gitlab-ci-skill.git ~/.cursor/skills/gitlab-ci-skill

Lade Cursor neu. Der Agent nutzt den Skill automatisch beim entsprechenden Prompt: "Write a CI pipeline for this project."

Warum GitLab

Mehr als ein Runner. Mehr als dieser Skill

Niemand möchte sich in der UI anmelden, um eine Pipeline zu schreiben. Mit diesem Skill bleibst du so lange wie möglich im Editor. Manchmal muss man trotzdem zurückgehen – wegen einer fehlgeschlagenen CI/CD-Pipeline, eines MR-Reviews, einer fehlgeschlagenen Bereitstellung … Dann ist die Plattform aber bereits verdrahtet. Code, Pipelines, Registry, Geheimnisse und Deployments befinden sich am selben Ort. Welchen Editor oder Agenten du auch nutzt – er klinkt sich ein. Über KI-geschriebenen Code laufen dieselben Sicherheitsprüfungen wie über deinen eigenen.

Ein Datenmodell. Offen an den Rändern.

Code, Pipelines, Pakete, erkannte Sicherheitsrisiken, Deployments, Veröffentlichungen – alles im selben System, verbunden statt synchronisiert. Welchen Editor, Agenten oder welches Modell du auch nutzt – sie klinken sich über MCP ein und arbeiten mit derselben verbindlichen Sicht. Offen an den Rändern, reguliert in der Mitte.

Kontext unterscheidet schnelle KI von vertrauenswürdiger KI.

Agenten ohne Kontext schreiben Code, der richtig aussieht und in der Produktion fehlschlägt, weil sie nicht erkennen, was von einer Änderung abhängt oder was bereits vorhanden ist. Der Knowledge Graph von GitLab kann live abbilden, wie Code, Pipelines, Deployments und erkannte Sicherheitsrisiken zusammenhängen. So lassen sich Fragen nach Auswirkungsradius oder Downstream-Effekten in Sekunden statt Tagen beantworten. Jeder Agent kann darin lesen.

Governance als Struktur, nicht aufgesetzt.

KI-geschriebener Code durchläuft dieselben Sicherheits-Scans, dieselben Approvals und denselben Audit-Trail wie der Code, den du selbst schreibst. Agenten haben begrenzte Identitäten, eigene Richtlinien für ihr Verhalten und eine vollständige Überwachungskette. Bring dein eigenes Modell, deine eigene Cloud, deinen eigenen Agenten mit – alles wird vom selben Gefüge reguliert.

Ob traditionell oder autonom: immer dieselbe Plattform

Einige Teams werden weiter Code von Hand schreiben. Andere werden Agenten gezielt für bestimmte Aufgaben nutzen. Einige wenige werden Agenten autonom an Aufgaben mit geringerem Risiko laufen lassen. Alle drei Optionen beruhen auf demselben Datenmodell und derselben Governance, sodass Teams in ihrem eigenen Tempo fortschreiten können – ohne Replatforming, wenn sich ihre KI-Reife ändert.

Wir bauen diesen Skill aktiv weiter aus, und das Team dahinter möchte, dass er zu deiner Arbeitsweise passt. Sag uns, was gut funktioniert und was eher hinderlich ist. Teile dein Feedback mit uns.

Weitere Möglichkeiten

Zwei weitere Stellen, an denen die KI von GitLab auf deine CI trifft

Der GitLab CI-Skill wurde eigens dafür entwickelt, neue Pipelines im Editor zu entwerfen und zu validieren. Wenn sich die CI/CD-Arbeit ändert, hat GitLab auch für andere Gelegenheiten die passenden Produkte.

Kostenloser KI-Skill · Migration

Du kommst von GitHub Actions?

Der Skill für die Migration von GitHub Actions liest dein .github/workflows/-Verzeichnis und übersetzt es in idiomatisches GitLab CI/CD. Alles, was eine manuelle Entscheidung erfordert, wird markiert. Dieselben Editoren, derselbe Workflow.

Migrations-Skill ansehen
GitLab Duo Agent Platform

Wird die Pipeline zu komplex?

Der CI Expert Agent ist in die GitLab Duo Agent Platform mit vollem Projektkontext integriert: Er liest Job-Protokolle live, optimiert Build-Zeiten, übernimmt das Debugging instabiler Jobs und arbeitet über Pipelines mehrerer Projekte hinweg. Für den Moment, wenn du vom Schreiben zum Betreiben deiner Pipelines übergehst.

CI Expert Agent kennenlernen

Schluss mit dem Debugging in der Produktion

Pipeline entwerfen. Lokal ausführen. Pushen, wenn alles grün ist.

Skill holen Quellcode ansehen