Programmieren mit einem KI-Agenten

Künstliche Intelligenz (KI) hat die Art und Weise, wie wir programmieren, grundlegend verändert. KI-Agenten können Code generieren, optimieren und sogar beim Debugging helfen. Dennoch gibt es einige Einschränkungen, die Programmierer bei der Arbeit mit KI beachten sollten.

Probleme mit Reihenfolge und Duplizierung

KI-Agenten haben Schwierigkeiten mit der richtigen Reihenfolge des Codes. Sie können beispielsweise Initialisierungen am Ende einer Datei platzieren, was zu Laufzeitfehlern führt. Darüber hinaus kann KI ohne zu zögern mehrere Versionen derselben Klasse oder Funktion innerhalb eines Projekts definieren, was zu Konflikten und Verwirrung führt.

Eine Codeplattform mit Speicher und Projektstruktur hilft

Eine Lösung hierfür ist die Verwendung von KI-Codeplattformen, die Speicher und Projektstrukturen verwalten können. Dies hilft bei der Aufrechterhaltung der Konsistenz in komplexen Projekten. Leider werden diese Funktionen nicht immer konsequent angewendet. Dies kann dazu führen, dass die KI den Zusammenhang eines Projekts verliert und beim Programmieren unerwünschte Duplikate oder falsche Abhängigkeiten einführt.

Die meisten KI-Coding-Plattformen arbeiten mit sogenannten Tools, die das Large Language Model aufrufen kann. Diese Tools basieren auf einem offenen Standardprotokoll (MCP). Es ist daher möglich, eine IDE wie Visual Code mit einem KI-Coding-Agenten zu verknüpfen. Optional können Sie lokal ein LLM mit llama oder ollama einrichten und einen MCP-Server zur Integration auswählen. Modelle finden Sie auf huggingface.

IDE-Erweiterungen sind unverzichtbar

Um KI-generierten Code besser zu verwalten, können Entwickler IDE-Erweiterungen nutzen, die auf Code-Korrektheit achten. Tools wie Linter, Typ-Checker und fortschrittliche Code-Analyse-Tools helfen, Fehler frühzeitig zu erkennen und zu beheben. Sie sind eine wesentliche Ergänzung zu KI-generiertem Code, um Qualität und Stabilität zu gewährleisten.

Die Ursache für wiederkehrende Fehler: Kontext und Rolle in APIs

Einer der Hauptgründe, warum KI-Agenten weiterhin Fehler machen, liegt in der Art und Weise, wie KI APIs interpretiert. KI-Modelle benötigen Kontext und eine klare Rollenbeschreibung, um effektiven Code zu generieren. Das bedeutet, dass Prompts vollständig sein müssen: Sie sollten nicht nur die funktionalen Anforderungen enthalten, sondern auch das erwartete Ergebnis und die Randbedingungen explizit machen. Um dies zu erleichtern, können Sie die Prompts in einem Standardformat (MDC) speichern und standardmäßig an die KI senden. Dies ist besonders nützlich für generische Programmierregeln, die Sie anwenden, sowie für die funktionalen und technischen Anforderungen und die Struktur Ihres Projekts.

Tools wie FAISS und LangChain helfen

Produkte wie FAISS und LangChain bieten Lösungen, um KI besser mit Kontext umgehen zu lassen. FAISS hilft beispielsweise bei der effizienten Suche und dem Abruf relevanter Codefragmente, während LangChain bei der Strukturierung von KI-generiertem Code und der Aufrechterhaltung des Kontexts innerhalb eines größeren Projekts hilft. Aber auch hier können Sie es optional selbst lokal mit RAC-Datenbanken einrichten.

Fazit: Nützlich, aber noch nicht eigenständig

KI ist ein leistungsstarkes Werkzeug für Programmierer und kann zur Beschleunigung von Entwicklungsprozessen beitragen. Dennoch ist sie noch nicht wirklich in der Lage, eine komplexere Codebasis ohne menschliche Kontrolle eigenständig zu entwerfen und zu erstellen. Programmierer sollten KI als Assistenten betrachten, der Aufgaben automatisieren und Ideen generieren kann, der aber immer noch Anleitung und Korrektur benötigt, um zu einem guten Ergebnis zu gelangen.

Nehmen Sie Kontakt auf, um Hilfe bei der Einrichtung der Entwicklungsumgebung zu erhalten, damit Teams das Beste aus der Entwicklungsumgebung herausholen und sich mehr mit Requirements Engineering und Design beschäftigen können als mit Debugging und Code schreiben.