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 Debuggen helfen. Dennoch gibt es einige Einschränkungen, die Programmierer im Umgang mit KI beachten sollten.

Probleme mit Reihenfolge und Duplikation

KI-Agenten haben Schwierigkeiten mit der richtigen Reihenfolge des Codes. Sie können beispielsweise Initialisierungen am Ende einer Datei platzieren, was Laufzeitfehler verursacht. Außerdem kann KI ohne 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, Konsistenz in komplexen Projekten zu bewahren. Leider werden diese Funktionen nicht immer konsequent angewendet. Dadurch kann es vorkommen, dass die KI den Zusammenhang eines Projekts verliert und unerwünschte Duplikationen oder falsche Abhängigkeiten während des Programmierens einführt.

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

IDE-Erweiterungen sind unverzichtbar

Um KI-generierten Code besser zu verwalten, können Entwickler IDE-Erweiterungen verwenden, die die Code-Korrektheit überwachen. Werkzeuge wie Linter, Typprüfer und fortgeschrittene Code-Analysetools helfen, Fehler frühzeitig zu erkennen und zu korrigieren. Sie sind eine wesentliche Ergänzung zu KI-generiertem Code, um Qualität und Stabilität sicherzustellen.

Die Ursache wiederholter Fehler: Kontext und Rolle in APIs

Einer der Hauptgründe, warum KI-Agenten Fehler immer wieder 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, kann man die Prompts im Standardformat (MDC) speichern und standardmäßig an die KI senden. Das ist besonders nützlich für generische Programmierregeln, die man anwendet, sowie für die funktionalen und technischen Anforderungen und die Struktur des 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 dabei unterstützt, KI-generierten Code zu strukturieren und den Kontext innerhalb eines größeren Projekts zu bewahren. Auch hier kann man es optional lokal mit RAC-Datenbanken einrichten.

Fazit: Nützlich, aber noch nicht eigenständig

KI ist ein mächtiges Werkzeug für Programmierer und kann helfen, Entwicklungsprozesse zu beschleunigen. Dennoch ist sie noch nicht in der Lage, eigenständig eine komplexere Codebasis zu entwerfen und zu bauen, ohne menschliche Kontrolle. Programmierer sollten KI als Assistenten betrachten, der Aufgaben automatisieren und Ideen generieren kann, aber weiterhin Anleitung und Korrektur benötigt, um zu einem guten Ergebnis zu kommen.

Nehmen Sie Kontakt auf, um bei der Einrichtung der Entwicklungsumgebung zu helfen, damit Teams das Maximum aus der Entwicklungsumgebung herausholen und sich mehr mit Requirements Engineering und Design beschäftigen können als mit Debugging und Code-Schreiben.