Sie erhalten grundlegende Informationen zum Thema Agentic Coding. Ziel ist es, Sie zu befähigen, KI‑gestützte Workflows sinnvoll in die Entwicklung von Quellcode und Skripten zu integrieren.
Was ist Agentic Coding?
Agentic Coding beschreibt einen Paradigmenwechsel in der KI-gestützten Softwareentwicklung
- Statt Sprachmodelle (LLMs) lediglich auf einzelne Anweisungen in einer Chat-Umgebung reagieren zu lassen, lässt man sie als (mehr oder weniger!) autonomer Agent arbeiten, der übergeordnete Ziele versteht, diese in Teilziele zerlegt, mit der Umgebung interagiert (z. B. bestehende Codebasis, Kommandozeile, APIs) und seine Arbeit anhand von Feedback iterativ verbessert.
- Im Gegensatz zu schon länger verfügbaren Codevervollständigungs-Tools wie Github Copilot ist der Fokus nicht auf isolierte Codevorschläge beschränkt, sondern auf ganzheitliche Aufgabenbearbeitung – vom Planen über Implementieren bis hin zum Testen.
Ein solcher Agent kann beispielsweise folgende Schritte durchführen:
- Analyse einer Aufgabenstellung
- Generierung eines detaillierten Umsetzungsplans
- Automatisierte Bearbeitung mehrerer Dateien
- Ggfls. Ausführen von Tests zur Validierung
- Anpassung des Codes bei Fehlschlägen
Dieser Prozess wird durch die Fähigkeiten moderner LLMs ermöglicht, die über erweiterte Reasoning-Fähigkeiten und Werkzeugnutzung (Tool Use / Function Calling) verfügen. Die KI-Plattform der JGU unterstützt diese Funktionalität über ihre API und Modelle wie "Qwen3 235B (Thinking)", die besonders leistungsfähig in STEM- und Coding-Anwendungen sind.
Best Practices für Agentic Coding
Um effektives und zuverlässiges Agentic Coding zu gewährleisten, beachten Sie folgende bewährte Praktiken:
Klare Zieldefinition
- Beginnen Sie immer mit einer präzisen Beschreibung der Aufgabe.
- Formulieren Sie Ziele so konkret wie möglich.
- Beispiel: „Erstelle eine REST-API-Route für Benutzerregistrierung mit E-Mail-Validierung“ statt „Baue Login“
Plan vor Aktion
- Fordern Sie zunächst einen expliziten Plan vom Agenten an, bevor Sie Änderungen am Code vornehmen.
- Dies ermöglicht eine manuelle Überprüfung der Vorgehensweise und verhindert unerwünschte oder fehlerhafte Aktionen.
- Für die Planungsphase verwenden Sie unbedingt ein Reasoning-Modell.
Aktive Korrektur
- Obwohl der Agent autonom arbeiten kann, führt aktive Einbindung der Nutzenden oft zu besseren Ergebnissen.
- Geben Sie Feedback bei Rückfragen oder beim Review von generiertem Code und leiten Sie den Agenten ggfls. neu.
Kontextmanagement
- Stellen Sie sicher, dass der Agent Zugriff auf relevanten Kontext hat.
- Während moderne Tools den LLMs auch in großen Codebasen die Orientierung ermöglichen, sollte man sich mit Hinweisen zu relevanten Dateien nicht zurückhalten.
- Auch aktuelle Referenzen zu APIs und ähnlichem sollte man entweder direkt bereitstellen oder ein Tool zum Abruf anbieten.
Regelmäßiges Refactoring
- LLMs tendieren bei der Implementierung von Code zunächst dazu, möglichst einfache Wege zu gehen.
- Lässt man schnell viel Code von LLMs generieren, kommt dabei gerne schlecht strukturierter (Spaghetti-)Code heraus.
- Deshalb ist es wichtig, von vorneherein eine Struktur einzufordern und regelmäßig Refactoring anzuordnen.
Sicherheit und Kontrolle
- Nutzen Sie eine engmaschige Versionskontrolle (z. B. mit git).
- Überprüfen Sie alle vom Agenten vorgeschlagenen Änderungen kritisch, entweder sofort oder vor dem nächsten Commit.
- Nutzen Sie "dry-run"-Funktionen beim erstmaligen Ausführen des Codes.
- Um Agenten vollautonom arbeiten zu lassen, nutzen Sie eine isolierte Umgebung.
❗ Für das Endergebnis ist stets der menschliche Entwickler verantwortlich!