Developer Productivity | The .NET Blog

Azure DevOps MCP Server April Update: WIQL-Abfragen, PAT-Auth und experimentelle MCP Apps

Emiliano Montesdeoca — Mon, 27 Apr 2026 00:00:00 +0000

Dieser Beitrag wurde automatisch übersetzt. Zur Originalversion hier klicken.

Der Azure DevOps MCP Server verbessert sich kontinuierlich. Das April-Update von Dan Hellem deckt beide Server ab.

WIQL-Abfrageunterstützung

Das neue wit_query_by_wiql-Tool ermöglicht Work Item Query Language Abfragen direkt aus deinem MCP-Client.

Personal Access Tokens

PAT-Authentifizierung am lokalen Server — wichtig für Integrationsszenarien ohne interaktive Authentifizierung.

MCP-Annotationen

Metadaten-Tags für Read-only-, Destructive- und Open-World-Tools — grundlegend für Agent-Zuverlässigkeit.

Wiki-Tool-Konsolidierung

5 separate Wiki-Tools → 2 fähigere Tools. Weniger Tools = bessere LLM-Performance.

Experimentell: MCP Apps

Paketierte Workflows innerhalb der MCP-Server-Umgebung. Die Richtung stimmt.

Originalpost von Dan Hellem: Azure DevOps MCP Server April Update.

Aspire 13.2: Bun-Support, bessere Container und weniger Debug-Reibung

Emiliano Montesdeoca — Fri, 24 Apr 2026 00:00:00 +0000

Dieser Beitrag wurde automatisch übersetzt. Zur Originalversion hier klicken.

Wenn du .NET-Backends mit JavaScript-Frontends in Aspire baust, ist 13.2 das Update, das deinen Alltag leise besser macht. Keine neuen Paradigmen. Nur solide Verbesserungen an Dingen, die leicht nervig waren.

Bun ist jetzt erstklassig

await builder
 .addViteApp("frontend", "./frontend")
 .withBun();

Wenn dein Team Bun bereits verwendet, zwingt Aspire dich nicht mehr gegen den Strom zu schwimmen.

Yarn wurde zuverlässiger

Yarn-Nutzer bekommen etwas mindestens genauso Wichtiges: weniger mysteriöse Fehler bei withYarn() mit addViteApp().

Container-Verbesserungen

Explizite Pull Policy

const worker = await builder.addContainer("worker", "myorg/worker:latest")
 .withImagePullPolicy(ImagePullPolicy.Never);

Perfekt für Workflows, wo du lokal Images baust und Compose genau dieses verwenden soll.

PostgreSQL 18+ funktioniert korrekt

PostgreSQL 18 änderte sein internes Verzeichnislayout, was das Volume-Mapping still brach. 13.2 behebt das.

Debugging-Verbesserungen

DebuggerDisplayAttribute auf Core-Typen — nützliche Werte statt tiefer Objektbäume
Bessere Fehlermeldungen für WaitFor
BeforeResourceStartedEvent feuert zum richtigen Zeitpunkt

Fazit

Aspire 13.2 ist ein fokussiertes Qualitäts-Release. Originalpost von David Pine: Aspire 13.2: Bun Support and Container Enhancements.

68 Minuten täglich damit verbracht, Code neu zu erklären? Es gibt eine Lösung

Emiliano Montesdeoca — Thu, 23 Apr 2026 00:00:00 +0000

Dieser Beitrag wurde automatisch übersetzt. Zur Originalversion hier klicken.

Kennst du den Moment, wenn deine Copilot-Sitzung /compact trifft und der Agent komplett vergisst, woran du gearbeitet hast? Die nächsten fünf Minuten verbringst du damit, die Dateistruktur, den fehlschlagenden Test und die drei Ansätze, die du bereits versucht hast, neu zu erklären. Dann passiert es wieder. Und wieder.

Desi Villanueva hat es gemessen: 68 Minuten pro Tag — nur für Neuorientierung. Kein Code schreiben. Keine PRs reviewen. Nur die KI über Dinge auf den neuesten Stand bringen, die sie bereits wusste.

Es stellt sich heraus, dass es dafür einen konkreten Grund gibt — und eine konkrete Lösung.

Die Kontextfenster-Lüge

Dein Agent kommt mit einer großen Zahl auf der Verpackung. 200K Tokens. Klingt riesig. In der Praxis ist es eine Obergrenze, keine Garantie.

Hier ist die tatsächliche Rechnung:

200K Gesamtkontext
Minus ~65K für MCP-Tools beim Start (~33%)
Minus ~10K für Instruktionsdateien wie AGENTS.md oder copilot-instructions.md

Das hinterlässt dir etwa 125K bevor du ein einziges Wort schreibst. Und es wird schlimmer — LLMs degradieren nicht graceful wenn der Kontext voll wird. Sie stoßen an eine Wand bei etwa 60% Auslastung. Das Modell verliert Dinge, die vor 30 Runden erwähnt wurden, widerspricht früheren Antworten und halluziniert Dateinamen, die es vor 10 Minuten noch selbstsicher angegeben hatte.

Effektives Limit: 45K Tokens bevor die Qualität degradiert. Das sind vielleicht 20-30 Runden aktiver Konversation bevor der Agent anfängt abzudriften.

Die Kompaktierungssteuer

Jedes /compact kostet dich deinen Flow-Zustand. Du bist tief in einer Debugging-Sitzung. Gemeinsamer Kontext über 30 Minuten aufgebaut. Der Agent kennt die Dateistruktur, den fehlschlagenden Test, die Hypothese. Dann kommt die Warnung.

Ignorieren → Agent wird progressiv dümmer
/compact ausführen → Agent hat eine 2-Absatz-Zusammenfassung einer 30-minütigen Untersuchung

So oder so verlierst du. So oder so erzählst du dein eigenes Projekt einem neuen Mitarbeiter am ersten Tag nach.

Das Grausame: Die Erinnerung existiert bereits. Copilot CLI schreibt jede Sitzung in eine lokale SQLite-Datenbank bei ~/.copilot/session-store.db. Der Agent kann sie nur nicht lesen.

auto-memory: Eine Recall-Schicht, Kein Gedächtnissystem

pip install auto-memory

~1.900 Zeilen Python. Null Abhängigkeiten. In 30 Sekunden installiert.

Anstatt den Kontext mit Grep-Ergebnissen zu fluten, gibst du dem Agenten chirurgischen Zugriff auf das, was wirklich wichtig ist — 50 Tokens statt 10.000.

Fazit

Context Rot ist eine reale architektonische Einschränkung. auto-memory umgeht sie, indem es deinem Agenten einen günstigen, präzisen Recall-Mechanismus gibt. Wenn du ernsthaftes KI-unterstütztes Entwickeln mit GitHub Copilot CLI machst, ist die 30-Sekunden-Installation es wert.

Schau es dir an: auto-memory auf GitHub. Original-Post von Desi Villanueva: I Wasted 68 Minutes a Day.