Coden mit KI 💻🤖

Verfasst von Nico Puhlmann

In den letzten Monaten habe ich viel mit KI-gestützten Coding-Tools wie Cursor und Claude Code experimentiert, um meine Arbeit als Entwickler zu beschleunigen. Und ich muss sagen: Die Tools sind beeindruckend. Sie können Code in Windeseile generieren, Fehler finden und ganze Strukturen aufbauen. Es ist fast so, als hätte man einen unermüdlichen Junior-Entwickler an seiner Seite. Aber, und das ist ein großes Aber: Man kann nicht einfach blind drauflos coden und erwarten, dass am Ende eine fertige App herauskommt.

Der Hype um KI-Tools mag suggerieren, dass jetzt jeder ohne Vorkenntnisse seine eigene Webseite oder App erstellen kann. Das stimmt nicht. KI ist kein Zauberstab, der alle Probleme löst. Es ist ein Werkzeug, und wie bei jedem Werkzeug ist die Qualität des Ergebnisses stark vom Handwerker abhängig. Die KI braucht klare Anweisungen und Richtlinien, um effektiv zu sein.

Wofür ich KI beim Coden nutze

Ich sehe die KI als einen extrem nützlichen Assistenten, der mir repetitive oder zeitaufwändige Aufgaben abnimmt. Hier sind ein paar Beispiele, wie ich sie in meinen Workflow integriert habe:

  • Projektanalyse und Onboarding: Wenn ich in ein neues Projekt einsteige, lasse ich mir von der KI die Codebasis analysieren und die wichtigsten Zusammenhänge erklären. Das spart mir Stunden an Einarbeitungszeit.

  • Commit Messages: Das Schreiben von guten, aussagekräftigen Commit Messages kann mühsam sein. Die KI kann basierend auf meinen Code-Änderungen präzise und informative Nachrichten vorschlagen.

  • Infrastruktur-Code: Ich bin Entwickler, kein DevOps-Experte. Wenn ich Terraform-Code oder ähnlichen Infrastruktur-Code benötige, kann die KI mir die Basis erstellen und viel manuelle Recherche ersparen.

  • Umgebungen einrichten: Das Einrichten von virtuellen Umgebungen für die Entwicklung ist oft eine lästige Pflicht. Die KI kann hierbei schnell helfen.

  • Tests schreiben: Test-getriebene Entwicklung (TDD) ist wichtig, aber das Schreiben der Tests kann zeitaufwändig sein. Die KI kann Unit Tests oder Integrationstests für meinen Code generieren.

  • Code generieren: Ich lasse die KI gezielt kleine Code-Snippets oder Funktionen generieren. Wichtig ist hierbei: nur in kleinen, überschaubaren Chunks. So behalte ich immer den Überblick und kann den Code schnell prüfen.

  • Versions-Upgrades: Das Upgrade von Dependencies oder Frameworks kann eine knifflige Angelegenheit sein. Die KI kann die Breaking Changes analysieren und bei der Migration helfen.

  • Brainstorming: Endlich antwortet der Rubber Duck! Manchmal braucht man einfach jemanden, mit dem man eine Idee oder ein Problem durchsprechen kann. Die KI ist hierfür ein fantastischer Sparringspartner.

4 Tipps für effektives Coden mit KI

Wie gelingt es, die KI optimal zu nutzen und nicht im Chaos zu versinken? Hier sind die wichtigsten Lehren, die ich in den letzten Monaten gezogen habe.

  1. Klare Regeln setzen: CURSOR Rules oder CLAUDE.md erstellen

    Für jedes größere Projekt erstelle ich eine separate .md Datei. Diese Datei enthält die Guidelines für die KI, den technischen Stack des Projekts, wichtige Namenskonventionen und den allgemeinen Zweck der Anwendung. Die KI kann sich so immer auf diese Datei beziehen, um den Kontext zu verstehen. Sie dient als eine Art "Projekthandbuch" für die KI und stellt sicher, dass sie konsistente und passende Vorschläge macht.

  2. Erst planen, dann umsetzen lassen

    Bevor ich die KI mit der Umsetzung beauftrage, lasse ich sie einen Plan erstellen. Zum Beispiel: "Generiere einen Plan, wie man einen Backend-Service für eine Benutzerverwaltung in Go implementieren kann. Der Plan soll folgende Schritte enthalten: Datenmodellierung, API-Endpunkte, Authentifizierung und Unit Tests." Sobald ich den Plan abgenickt habe, lasse ich die KI Schritt für Schritt die Umsetzung vornehmen. Das verhindert, dass die KI in die falsche Richtung läuft.

  3. Regelmäßig den Kontext leeren

    Gerade bei langen Gesprächen verliert die KI oft den Fokus. Sie beginnt, sich auf Details zu konzentrieren, die vor 20 Minuten relevant waren, aber jetzt nicht mehr. Ich leere den Kontext (im Chat) regelmäßig, damit die KI sich wieder voll auf das aktuelle Thema konzentrieren kann. Das hält die Konversation kurz und präzise.

  4. Präzise prompten

    Der größte Fehler ist es, vage zu sein. Jede Unklarheit im Prompt gibt der KI Spielraum für Interpretationen – und diese sind oft nicht das, was man sich vorgestellt hat.

    • Vage: "Schreib eine Funktion, die die Benutzerdaten abruft."

    • Präzise: "Erstelle eine asynchrone Python-Funktion namens fetch_user_data, die einen user_id als Parameter akzeptiert. Die Funktion soll einen GET-Request an den Endpunkt /api/users/{user_id} senden und bei Erfolg das JSON-Objekt des Benutzers zurückgeben. Verwende die aiohttp-Bibliothek und implementiere eine Fehlerbehandlung, die bei einem Fehler eine aussagekräftige Fehlermeldung ausgibt."

    Siehst du den Unterschied? Je genauer du bist, desto besser wird das Ergebnis.

Fazit

KI im Coding ist ein fantastisches Werkzeug, das uns Entwicklern helfen kann, effizienter zu arbeiten und uns auf die wirklich spannenden Probleme zu konzentrieren. Aber es ist kein Ersatz für Fachwissen und kritisches Denken. Sie ist ein Partner, kein Magier. Die besten Ergebnisse erzielst du, wenn du die KI klar leitest, ihr den richtigen Kontext gibst und immer genau prüfst, was sie liefert.

Nico Puhlmann
Weiter

Arbeiten mit LLMs