← Alle Artikel

Vergleich

Claude Code vs Codex vs Cursor: Der 10-Minuten-Test für deine eigene Rechnung

Jeder Vergleich, den du findest, beantwortet dieselbe Frage — welches schreibt besseren Code — mit derselben Evidenz: ein Nachmittag, eine Aufgabe, ein Autor. Die Frage, die über deine Rechnung entscheidet, ist enger und messbar.

Geschrieben von Ted Mavera, Product Manager bei HarnessUp, dem Unternehmen, das das hier beschriebene Werkzeug herstellt. Die Texte dieses Blogs werden mit Unterstützung künstlicher Intelligenz geschrieben und vor der Veröffentlichung vom Team geprüft.

Drei Monitore nebeneinander auf bemalten Schreibtischen, jeder mit einem Zeichen – ein korallenroter Stern, ein weißer Knoten und ein schwarzer Würfel –, davor je ein abgehaktes Blatt, ein Bon und Münzstapel, im Vordergrund eine Stoppuhr.

Warum noch ein Vergleich

Die drei Werkzeuge haben wirklich unterschiedliche Formen. Claude Code ist ein terminalnativer Agent, der auch in einer Desktop-App und in IDE-Erweiterungen läuft. Codex ist OpenAIs Coding-Agent, verfügbar als CLI, in der IDE und als Cloud-Worker, der an einen ChatGPT-Tarif gebunden ist. Cursor ist die IDE, die Agenten im Editor nativ gemacht hat und sie aus einem gemeinsamen Nutzungspool bepreist. Diese Unterschiede sind real und wissenswert.

Sie sind auch nicht das, worauf deine Rechnung reagiert. Verschiebe dieselbe Aufgabe zwischen zwei von ihnen, und die Rechnung kann sich um den Faktor drei ändern, ohne dass eine Zeile Code sich ändert — weil die Kosten darin liegen, wie viele Züge die Aufgabe braucht, wie viel Kontext jeder Zug erneut sendet und wie viel Nacharbeit passiert, bevor die Aufgabe wirklich fertig ist. Statt die Agenten also an einer Aufgabe zu ranken, die du nicht ausgeführt hast, gibt dir dieser Artikel ein Protokoll, das du an einer Aufgabe ausführen kannst, die du ausgeführt hast. Zehn Minuten, ein Repository, drei Zahlen.

Was sich tatsächlich zwischen ihnen unterscheidet

Drei strukturelle Unterschiede zählen für einen Vergleich, der Rest ist Vorliebe.

Wo der Agent lebt. Ein Terminal-Agent sieht das Repository durch die Befehle, die du ihn laufen lässt. Ein IDE-Agent sieht den Zustand des Editors, offene Dateien und Diagnosen. Ein Cloud-Agent sieht den Branch, den du ihm gibst. Jeder Blickwinkel verändert die ersten zehn Minuten einer Aufgabe stärker als die letzten zehn, und in den ersten zehn wird der Kontext geladen.

Wie Nutzung gemessen wird. Claude-Code-Tarife werden in Fenstern gemessen, mit einem Fünf-Stunden-Block und einer Wochenobergrenze. ChatGPTs Coding-Nutzung kommt mit der Tarifstufe. Cursor misst einen gemeinsamen Pool aus Anfragen und Modellnutzung. Drei verschiedene Zähler, drei verschiedene Arten, an einem Donnerstag um 16 Uhr an eine Wand zu stoßen — und die Wand ist das, wonach die meisten eigentlich fragen, wenn sie fragen, welches billiger ist.

Wie Kontext behandelt wird. Das ist die, die niemand in die Vergleichstabelle schreibt, und sie verschiebt die Rechnung stärker als die Modellwahl. Ob eine große Datei ganz geliefert wird, ob ein wiederholtes Lesen verweigert wird, ob ein Log gekürzt wird: das sind Harness-Entscheidungen, und jeder der drei trifft sie anders. Es sind auch die Entscheidungen, die du messen kannst.

Eine einzelne Karteikarte auf einem Holztisch mit einer Stoppuhr, einem Bleistift und drei kleinen identischen Tokens in einer Reihe, von oben fotografiert.
Dieselbe Aufgabe, derselbe Start-Commit, drei Läufe. Die Karte ist das ganze Protokoll.

Der Test

Nimm eine Aufgabe, die du letzte Woche schon erledigt hast. Kein Benchmark-Rätsel — etwas aus deinem eigenen Backlog, mit dem Durcheinander intakt: ein Bug mit vager Beschreibung, ein kleines Feature mit zwei zu berührenden Dateien, ein Refactor, der etwas kaputt gemacht hat. Dann mach das.

1. Friere den Startpunkt ein. Checke den Commit aus, an dem die Aufgabe begann, in einem sauberen Worktree. Die drei Läufe müssen vom selben Baum starten, sonst vergleichst du den Zustand deines Repositories statt das Werkzeug.

2. Schreib denselben Prompt. Ein Absatz, der, den du sowieso geschrieben hättest. Stimme ihn nicht pro Werkzeug ab — die Abstimmung ist Teil dessen, was du misst, und sie ist nicht kostenlos.

3. Führe sie einmal pro Werkzeug aus, in der Reihenfolge, in der du normalerweise arbeitest. Rette keinen Lauf, der taumelt. Das Taumeln sind Daten. Stopp, wenn die Aufgabe fertig ist oder wenn du im echten Leben aufgegeben hättest, und notiere, welcher Fall es war.

4. Notiere vier Zahlen pro Lauf. Züge (Hin und Zurück zum Modell), Eingabe-Tokens, Ausgabe-Tokens und ob das Ergebnis eine zweite Runde brauchte. Wenn das Werkzeug Cache-Lesen getrennt anzeigt, behalte das auch — das ist die Zeile, die lange Sitzungen erklärt.

5. Bepreise den Lauf so, wie du zahlst. Wenn du ein Abonnement hast, ist die Zahl zum Vergleichen, wie viel des Fensters der Lauf verbraucht hat, nicht Dollar pro Token. Wenn du über die API zahlst, multipliziere die Tokens mit den Bändern deines Modells. Mische die beiden nicht; ein Abonnement-Lauf und ein API-Lauf sind nicht dieselbe Einheit.

Was du aufschreiben solltest

Fünf Felder reichen, und sie passen auf eine Karteikarte: Aufgabe, Züge, Tokens rein, Tokens raus, Nacharbeit. Behalte die Karte. In einem Monat hast du sechs Karten und ein Bild deiner eigenen Arbeit, das dir kein veröffentlichter Vergleich geben kann, weil kein veröffentlichter Vergleich dein Repository hat.

Das Feld, das Leute vergessen, ist die Nacharbeit. Ein Lauf, der in acht Zügen fertig wird und einen Bug ausliefert, ist nicht billiger als einer, der in zwölf Zügen fertig wird und den Fix liefert. Zähle die zweite Runde, die Korrektur, die Nachricht „eigentlich nicht“. Dort versteckt sich der echte Kostenunterschied zwischen Agenten, und deshalb ist ein Preis pro Token ein schlechter Stellvertreter für Wert.

Wie du das Ergebnis liest

Teile durch erledigte Aufgaben, nicht durch Prompts. Die Zahl, auf die es ankommt, sind die Kosten pro Aufgabe, die repariert blieb, und sie sortiert die Werkzeuge meist anders als ein Leaderboard. Zwei Muster tauchen oft genug auf, um benannt zu werden. Das erste: das Werkzeug mit der besseren ersten Antwort gewinnt bei einfachen Aufgaben und verliert bei unordentlichen, weil es pro Zug mehr Kontext erneut liest. Das zweite: das Werkzeug mit dem billigeren Token-Preis verliert, sobald Nacharbeit gezählt wird, weil die billige Version die Korrektur brauchte.

Die einzige Schlussfolgerung, die der Test nicht stützt, ist „dieses Modell ist besser“. Er stützt „dieses Modell, in diesem Harness, bei dieser Aufgabe, hat mich so viel gekostet“. Dieser Satz ist weniger zitierbar und viel nützlicher.

Der Teil, den Vergleiche überspringen: das Harness um den Agenten

Zwischen deinem Prompt und dem Modell liegt eine Schicht von Entscheidungen — welche Datei ganz gelesen wird, welches Log gekürzt wird, ob ein wiederholtes Lesen verweigert wird, ob der Build vor dem nächsten Zug läuft. Diese Entscheidungen gehören zum Harness, und sie erklären einen großen Teil der Varianz im Test oben. Sie sind auch der einzige Teil des Stacks, den du ändern kannst, während du den Agenten behältst, den du schon magst.

Das ist die These unseres Produkts, also behandle sie als Behauptung zum Prüfen, nicht als Tatsache. HarnessUp ist eine lokale zweite Schicht, die über die offiziellen Hooks von Claude Code und Codex handelt, mit 151 Werkzeugen über zehn Fronts; es ist kein Proxy, kein MCP-Server und kein Plugin, und es liest niemals deinen Token oder deinen Schlüssel. Zwei Werkzeuge aus dem Front Savings passen direkt zu diesem Artikel: Renew Session, das den Zug markiert, in dem Weiterzumachen mehr kostet als Neustarten, und First Pass, das direkt nach einer Änderung kompiliert, damit ein kaputter Build mit dem nächsten Zug reist, statt einen eigenen zu kaufen. Das Panel betreibt außerdem HarnessUp Bench, eine öffentliche Rangliste von Modellen und Efforts nach Genauigkeit, Optimierung und Ausgabe, gebaut aus anonymen Messungen echter Installationen — einschließlich derer, die dir sagen würden, dass wir bei einem Modell falsch liegen.

Und die ehrliche Grenze: heute integriert die Schicht Claude Code und Codex automatisch. Cursor steht auf der Roadmap, nicht im Kasten. Wenn dein Test sagt, Cursor gewinnt für deine Arbeit, ist der richtige Schritt, Cursor zu behalten und uns zu überspringen.

Ein Urteil, das du verteidigen kannst

Führe den Test an drei Aufgaben statt an einer durch — ein Bug, ein Feature und ein Refactor — und du hast ein Urteil mit einer Stichprobe von neun Läufen, mehr als die meisten veröffentlichten Vergleiche haben. Schreib die Zahlen auf, behalte die Karten, und sieh sie wieder an, wenn eine Modellversion wechselt. Der letzte Punkt ist der Grund, warum diese Methode besser altert als ein Leaderboard: das Werkzeug, das heute gewinnt, wird nicht für immer gewinnen, aber deine Methode zum Prüfen wird noch funktionieren.

Führe den Test mit deinen eigenen Zahlen aus. HarnessUp misst deine Claude-Code- und Codex-Sitzungen lokal und kostenlos — dieselben vier Felder, ohne Karteikarte.

Kostenlos installieren