ThinkRail von JetBrains erklärt: die IDE um den Agenten pi

ThinkRail ist eine Entwicklungsumgebung, die JetBrains um den Coding-Agenten pi herum gebaut hat. Sie bündelt Chat mit dem Agenten, Editor, Dateibaum, Terminal und GitGit ist ein Versionskontrollsystem, das jede Änderung am Code einer Software oder Website mit Zeitpunkt, Autor und Beschreibung speichert. Damit lassen sich…Mehr erfahren → in einer Oberfläche und legt für jede Aufgabe automatisch einen isolierten Arbeitsbereich an.

Damit steht ThinkRail zwischen zwei bekannten Welten: den klassischen IDEs wie IntelliJ oder VS Code, in die man einen Agenten einbaut, und reinen Kommandozeilen-Agenten wie Claude Code. Einen Überblick über diese Werkzeuge gibt unser Vergleich von Cursor, Windsurf und Claude Code.

Warum ThinkRail gerade so gefragt ist

Das Repository JetBrains/thinkrail wurde am 08.07.2026 angelegt und hat 7'542 Sterne, laut GitHub-Trending rund 3'900 davon in der letzten Woche (Stand 04.11.2026, Quelle GitHub). Öffentlich vorgestellt wurde ThinkRail laut Blog am 19.08.2026. Der aktuelle Schub fällt mit dichten Releases zusammen: Version 0.2.0 am 18.10., 0.3.0 am 29.10. und 0.3.1 am 01.11.2026. Dazu kommt der Name JetBrains, auch wenn das Repository ausdrücklich als «JetBrains incubator project» markiert ist, also als Experiment.

Was ist pi? pi ist ein Open-Source-Coding-Agent für die Kommandozeile, veröffentlicht als npm-Paket @earendil-works/pi-coding-agent unter MIT-Lizenz, laut npm von Mario Zechner. ThinkRail nennt sich laut Blog «on purpose a thin layer on top of Pi»: Modelle, Skills, Kontextverwaltung und Sitzungen übernimmt pi, ThinkRail liefert die Oberfläche.

So funktioniert es

Laut README hat ThinkRail drei Schichten:

1. Engine-Host: ein lokaler ServerEin Server ist ein Computer oder ein Programm, das anderen Geräten Dienste bereitstellt: Er liefert Websites aus, speichert Daten, verschickt E-Mails oder…Mehr erfahren → auf Basis von Bun, der pro Chat eine pi-Sitzung im selben Prozess startet.
2. Protokoll: eine typisierte, versionierte Schnittstelle zwischen Host und Oberfläche.
3. Web-Oberfläche: React-Anwendung, die als Desktop-App oder im Browser läuft.

Die wichtigsten Funktionen für den Alltag:

• Workspaces: Jede Aufgabe bekommt einen eigenen Git-Worktree mit eigenem Branch. Mehrere Agenten arbeiten so parallel, ohne den Hauptordner zu berühren.
• Specs: Verknüpfte SPEC.md-Dateien neben dem Code dienen als dauerhaftes Projektwissen, das der Agent liest und pflegt.
• Review: Kommentare direkt an Dateien und Diffs, die als Kontext an den Chat gehen.
• Modellwahl: JetBrains AI, rund 40 Anbieter per Abo oder API-Schlüssel und eigene Server, etwa Ollama oder LM Studio.
• MCP-Server: Externe Werkzeuge über das Model Context Protocol, mit Rückfrage vor schreibenden Aufrufen. Mehr dazu in MCP erklärt.

Installation

Laut README gibt es eine Desktop-App als DMG und ein Kommandozeilenprogramm, das die Oberfläche im Browser öffnet:

curl -fsSL https://raw.githubusercontent.com/JetBrains/thinkrail/main/install.sh | bash
thinkrail ~/code/mein-repo

Das Installationsskript ändert den Suchpfad im Home-Verzeichnis. Wir haben stattdessen die Programmdatei direkt geladen, die Prüfsumme kontrolliert und ThinkRail mit eigenem Home-Verzeichnis gestartet:

gh release download v0.3.1 -R JetBrains/thinkrail -p 'thinkrail-darwin-arm64' -p 'SHA256SUMS'
grep " thinkrail-darwin-arm64$" SHA256SUMS | shasum -a 256 -c -
chmod +x thinkrail-darwin-arm64
./thinkrail-darwin-arm64 --port 24299 --no-open --no-analytics ./holzwerk-website

Die Programmdatei ist 228 MB gross. Laut README ist die macOS-Variante signiert, aber noch nicht notarisiert.

Unser Test

Als Projekt diente ein kleines Git-Repository «holzwerk-website» einer fiktiven Schreinerei. Nach dem Start lief die Oberfläche unter localhost im Browser.

Beim ersten Start fragte ein Dialog nach zusätzlichen Nutzungsdaten. Der Schalter «Share additional usage data» war bereits eingeschaltet, obwohl wir ThinkRail mit --no-analytics gestartet hatten. Wir haben ihn ausgeschaltet. Danach zeigte die Projektseite den Hinweis, dass kein Modellanbieter verbunden ist, und drei Startwege: Projekt mit Specs aufsetzen, isolierten Arbeitsbereich starten oder direkt im Projektordner arbeiten.

Mit «Start building» und «Create workspace» legte ThinkRail einen Git-Worktree unter ~/.thinkrail/worktrees/ mit eigenem Branch an. Die Arbeitsfläche zeigt dann Chat, Editor mit HTML-Vorschau, Dateibaum, Specs, eine Aufgabenliste und ein Terminal im Worktree. Das Titelbild oben zeigt diesen Zustand.

Was wir nicht getestet haben: den Agenten selbst. Ohne Modell bleibt der Chat leer. Wir hätten ein Anthropic- oder OpenAI-Abo verbinden oder einen API-Schlüssel hinterlegen müssen. Das haben wir für diesen Test bewusst nicht gemacht. Aussagen zur Qualität der Agentenarbeit, zu den Specs im Einsatz und zu Kosten pro Aufgabe können wir deshalb nicht machen.

Unsere Bewertung: Die Oberfläche wirkt aufgeräumt und schnell, der Worktree-Ansatz ist konsequent umgesetzt. Für ein Projekt im Inkubator mit Version 0.3 ist das solide. Ob es den Wechsel aus einer etablierten IDE lohnt, entscheidet sich erst im Alltag mit echtem Modell.

Zwei Details sind uns positiv aufgefallen. Die HTML-Vorschau im Editor schaltet Skripte und externe Ressourcen standardmässig ab, eine fremde Seite kann also nicht unbemerkt nachladen. Und die Arbeitsbereiche sind normale Git-Worktrees: Man kann sie mit jedem anderen Werkzeug öffnen, und das Terminal in ThinkRail läuft direkt im jeweiligen Ordner. Weniger schön: ThinkRail legt im Worktree einen Ordner .thinkrail/context an, den man in eigenen Projekten bewusst in die Git-Ignore-Liste aufnehmen oder versionieren sollte.

Beispiele aus der Praxis

• Agentur, die mehrere Modelle vergleicht: Ein Werkzeug, in dem man pro Chat das Modell wählt und Kosten sieht, erleichtert faire Vergleiche zwischen Anbietern.
• Firmen mit eigenem Modellserver: Wer aus Datenschutzgründen ein Modell im eigenen Netz betreibt, kann es laut README über die Einstellung «Custom servers» anbinden.
• Projekte mit Spezifikation zuerst: Teams, die vor dem Bauen Ziele und Anforderungen festhalten, finden mit den SPEC.md-Dateien einen Rahmen dafür. Mehr zur Arbeitsweise in Vibe Coding erklärt.

Grenzen, Risiken, Lizenz

Lizenz: Apache-2.0, kommerzielle Nutzung erlaubt. pi steht unter MIT.

Datenschutz: Laut Abschnitt «Analytics & privacy» im README sendet ThinkRail immer Basis-Nutzungsereignisse (Starts, neue Chats, gesendete Nachrichten, Anbieterverbindungen) und Fehlerberichte mit einer zufälligen Installations-ID an PostHog Inc. Prompts, Code und Dateien seien nicht enthalten. Zusätzliche Daten nur mit Zustimmung. Unabhängig davon gehen Prompts und Code natürlich an den gewählten Modellanbieter. Für Personendaten in Kundenprojekten ist das nach DSG zu prüfen, ein eigener Modellserver ist die datenschutzfreundlichste Variante.

Sicherheit: Der Agent führt Befehle im Terminal aus. Die Worktrees schützen den Hauptordner vor Änderungen, nicht aber das System. Eingebundene MCP-Server und pi-Pakete sind fremder Code.

Reife: Version 0.3.1, nächtliche Vorabversionen fast täglich. Funktionen und Oberfläche ändern sich schnell.

Für wen lohnt sich ThinkRail?

Für Entwickler, die mit mehreren Agenten und Modellen experimentieren und eine eigenständige, leichte Oberfläche statt einer schweren IDE suchen. Wer produktiv in IntelliJ oder VS Code arbeitet, sollte ThinkRail vorerst parallel ausprobieren, nicht ersetzen. Wenn Sie wissen wollen, welche KI-Werkzeuge zu Ihrem Team passen, hilft unsere KI-Beratung für Schweizer KMU.

Weitere Werkzeuge aus diesem Monat finden Sie in der Übersicht alle 20 GitHub-Trends vom November 2026.