Quelle: How Seasoned Developers Can Achieve Great Results with AI Coding Agents von Manuel Kiessling
In den letzten Monaten hat Manuel Kiessling intensiv mit KI-gestützten Entwicklungstools experimentiert - sowohl in privaten als auch in beruflichen Projekten. Die Erfahrungen waren durchweg positiv, sowohl für ihn als auch für sein Team von Softwareentwicklern. Sie haben bessere Ergebnisse in kürzerer Zeit erzielt, und in vielen Fällen hat sich die Qualität ihrer Arbeit deutlich verbessert.
Interessanterweise steht diese Erfahrung im Kontrast zu den Rückmeldungen einiger Kollegen, die berichten, dass KI-Tools für sie nicht gut funktionieren. Kiessling ist mittlerweile überzeugt, dass KI-gestützte Softwareentwicklung das Potenzial hat, das Handwerk in Bezug auf Produktivität auf die nächste Stufe zu heben.
Der KI-Assistent: Ein Senior-Entwickler mit Junior-Erfahrung
Die beste Metapher für KI-gestützte Entwicklung ist laut Kiessling: “Ein absoluter Senior, wenn es um Programmierkenntnisse geht, aber ein absoluter Junior, wenn es um architektonische Überlegungen im spezifischen Kontext geht.”
Das bedeutet, dass es strategischer Anstrengungen bedarf, um die KI effektiv einzusetzen. Und wer könnte diese Anstrengungen besser investieren als ein erfahrener Softwareentwickler?
Drei Schlüsselbereiche für erfolgreiche KI-Kollaboration
1. Gut strukturierte Anforderungen
Der Grundstein jeder erfolgreichen KI-Entwicklungssitzung ist ein umfassendes Anforderungsdokument. Dieses sollte eine klare hierarchische Struktur aufweisen:
- Top-Level: Kernanforderungen in einem Satz
- High-Level: Anwendungsfall und Motivation
- Mid-Level: Prozesse und Arbeitsmechanismen
- Mid-Level: Architektur, Tech-Stack und Einschränkungen
- Low-Level: Detaillierte Prozessschritte
2. Tool-basierte Leitplanken
Während Anforderungen das Ziel definieren, stellen tool-basierte Leitplanken sicher, dass wir den direktesten Weg dorthin nehmen. Dazu gehören:
- Code-Formatierung (z.B. mit black und isort)
- Linting (z.B. mit ruff)
- Typenprüfung (z.B. mit mypy)
- Sicherheitsanalyse (z.B. mit bandit)
- Umfassende Testsuite
3. Dateibasierte Keyframing
Ähnlich wie in Animationsstudios, wo Master-Animatoren Schlüsselbilder erstellen und Junior-Animatoren die Zwischenbilder ausfüllen, können wir mit KI arbeiten, indem wir “leere Hüllen” von Dateien im Codebase erstellen, bevor die Bearbeitung beginnt.
Diese Stubs sind minimal, aber unglaublich effektiv. Sie geben der KI wichtigen Kontext über:
- Dateiorganisation
- Namespace-Struktur
- Namenskonventionen
- Codemuster
Praktische Beispiele
Beispiel 1: Platform Problem Monitoring
Ein Greenfield-Projekt, bei dem die Kernimplementierung von Cursor/Claude geschrieben wurde, mit minimaler manueller Code-Intervention. Besonders bemerkenswert: Das Projekt wurde in Python implementiert, einer Sprache, die Kiessling nicht beherrscht.
Beispiel 2: Prozessmanagement UI-Integration
Ein Brownfield-Projekt, bei dem eine Legacy-PHP/Symfony-Anwendung um eine Benutzeroberfläche erweitert wurde. Die KI implementierte die gesamte Funktionalität, einschließlich:
- HTTP-API-Integration
- Datenübertragung zwischen Systemen
- Intuitive UI gemäß Design-System
- Generalisierter API-Client
Fazit
Die Beispiele und Techniken zeigen, dass KI-Coding-Assistenten, wenn sie richtig geführt werden, die Entwicklungseffizienz dramatisch steigern können. Der Schlüssel zum Erfolg liegt in der Anwendung traditioneller Best Practices der Softwareentwicklung auf diese neue Technologie.
Durch die Bereitstellung gut strukturierter Anforderungen, die Implementierung geeigneter Leitplanken und die Verwendung von dateibasiertem Keyframing können wir die Kraft der KI nutzen und gleichzeitig Codequalität und architektonische Integrität erhalten. Diese bewährten Praktiken sind im Zeitalter der KI-gestützten Entwicklung wertvoller denn je.