Mit KI zu besserer Software, schneller entwickelt

KI-Coding-Assistenten stehen heute jedem Entwickler offen. Den Unterschied macht nicht das Tool selbst, sondern wie es eingesetzt wird: die Konfiguration, der bereitgestellte Kontext und die Frage, wo menschliches Urteil gefragt ist und wo die KI autonom agieren darf.

Bei webvise ist KI in jeden Schritt des Entwicklungsprozesses eingebettet. Sie beseitigt Reibung, sodass Engineering-Zeit in Architektur, Designentscheidungen und Geschäftslogik fließt statt in Boilerplate, repetitives Refactoring und manuelle Review-Checklisten.

Planung: Erst erkunden, dann committen

Komplexe Aufgaben, also Library-Migrationen, Architekturumbauten oder Features, die Dutzende Dateien berühren, beginnen im Plan Mode. Noch bevor eine Zeile Code entsteht, erkundet die KI die Codebasis, kartiert Abhängigkeiten und schlägt einen Implementierungsweg vor. Das ist grundlegend anders, als der KI eine Aufgabe zu übergeben und das Ergebnis zu hoffen.

Der Plan Mode lohnt sich, weil Nacharbeiten bei großen Änderungen teuer sind. Ein Microservice-Umbau, der nach der Hälfte der Arbeit unerwartete Abhängigkeiten aufdeckt, kostet Tage. Den vollständigen Abhängigkeitsgraph zuerst zu kartieren und Servicegrenzen zu definieren, fängt solche Probleme ab, bevor die erste Zeile geändert wurde.

Für klar abgegrenzte Aufgaben, einen Bugfix in einer einzelnen Datei oder das Hinzufügen einer Validierungsprüfung, entfällt der Plan Mode. Der Ansatz muss zur Komplexität passen: Planung für Architekturentscheidungen, direkte Ausführung für eindeutige Aufgaben.

Projektkonfiguration: Der KI eigene Standards beibringen

Was bei einem KI-Coding-Assistenten den größten Unterschied macht, ist der richtige Kontext. Strukturierte Konfigurationsdateien übermitteln der KI Coding-Standards, Test-Konventionen, API-Muster und Deployment-Anforderungen. Dieser Kontext wird in jeder Session automatisch geladen.

Nicht jeder Kontext ist zu jedem Zeitpunkt relevant. API-Konventionen beim Bearbeiten einer React-Komponente zu laden, verschwendet Tokens und verwirrt die KI. Pfadspezifische Regeln mit Glob-Patterns schaffen Abhilfe: Regeln aktivieren sich nur für passende Dateien. Test-Konventionen greifen für `/*.test.tsx`. API-Muster für `src/api//*`. Datenbankkonventionen für Migrationsdateien.

Dieser Ansatz reduziert Rauschen und steigert die Ausgabequalität. Code entsteht nach definierten Standards, weil die KI sie kennt, und zwar nur die Standards, die für die jeweilige Datei relevant sind.

Entwicklung: Iterative Verfeinerung statt One-Shot-Generierung

Der häufigste Fehler beim Einsatz von KI-Coding-Tools: sie als One-Shot-Generator zu behandeln. Man beschreibt, was man will, die KI produziert Code, man akzeptiert ihn oder fängt von vorn an. Dieser Ansatz schneidet gegenüber iterativer Verfeinerung regelmäßig schlechter ab.

Der Workflow ist testgetrieben: Zuerst entsteht die Testsuite mit erwartetem Verhalten, Grenzfällen und Performance-Anforderungen, dann implementiert die KI gegen diese Tests. Schlagen Tests fehl, werden die spezifischen Fehler geteilt, und die KI korrigiert ihre Implementierung. Jede Iteration verringert die Lücke zwischen Ausgabe und Anforderung.

Bei unklaren Anforderungen hilft das Interview-Pattern: Statt sofort zu implementieren, stellt die KI zunächst Klärungsfragen. Das fördert Überlegungen zutage, die man selbst nicht im Blick hatte: Cache-Invalidierungsstrategien, Fehlerszenarien, Nebenläufigkeitsprobleme. Zwei Minuten Fragen können zwei Stunden Nacharbeit verhindern.

• Konkrete Beispiele schlagen Textbeschreibungen. Liefert natürliche Sprache inkonsistente Ergebnisse, klären 2 bis 3 Input-/Output-Beispiele die Anforderung sofort
• Zusammenhängende Probleme kommen in eine Nachricht. Betreffen mehrere Fixes einander, sollten sie gemeinsam übergeben werden, damit die KI die Wechselwirkungen berücksichtigt
• Unabhängige Probleme werden sequenziell behandelt. Nicht zusammenhängende Fehler werden einzeln mit gezieltem Feedback behoben

Code-Review: Unabhängige Durchläufe finden mehr Fehler

KI-generierter Code braucht weiterhin Review. Ein Muster verdient Aufmerksamkeit: denselben KI-Session, der den Code geschrieben hat, auch das Review zu überlassen. Das funktioniert schlechter als unabhängiges Review, weil das Modell seinen Reasoning-Kontext beibehält und eigene Entscheidungen seltener hinterfragt.

Unabhängige Review-Instanzen erzielen bessere Ergebnisse: eine frische KI-Session ohne Reasoning-Kontext aus der Generierungsphase. Dieses zweite Augenpaar findet subtile Probleme, die Self-Review übersieht. Bei großen Pull Requests, die viele Dateien berühren, werden Reviews in dateiweise Analysedurchläufe für lokale Probleme aufgeteilt, ergänzt durch einen separaten Integration-Pass, der den dateiübergreifenden Datenfluss prüft.

Review-Prompts benennen konkret, wonach gesucht wird. Vage Anweisungen wie "prüfe, ob der Code korrekt ist" liefern unzuverlässige Ergebnisse. Klare Kriterien, etwa "markiere Logic-Bugs und Sicherheitsprobleme, überspringe geringfügige Stilunterschiede", reduzieren False Positives und stärken das Vertrauen in den Review-Prozess.

CI/CD-Integration: KI in der Pipeline

KI-Review läuft automatisch bei jedem Pull Request als Teil der CI-Pipeline. Analysiert werden die Änderungen, strukturierte Findings mit Dateiort, Problembeschreibung, Schweregrad und Lösungsvorschlag entstehen und werden als Inline-Kommentare im PR gepostet. Strukturierte Ausgabe stellt sicher, dass die Findings maschinell parsebar sind und in bestehende Code-Review-Dashboards integriert werden können.

Zwei Details machen das in der Praxis zuverlässig. Erstens: Bei erneuten Reviews nach neuen Commits fließen frühere Findings in den Kontext ein, sodass die KI nur neue oder noch offene Probleme meldet und keine Kommentarduplikate entstehen, die das Vertrauen untergraben. Zweitens: Bestehende Testdateien werden in den Kontext einbezogen, damit die Testgenerierung keine Szenarien vorschlägt, die die Testsuite bereits abdeckt.

Kontextmanagement: Die Fähigkeit, die den Workflow trägt

Alle genannten Techniken hängen von wirksamem Kontextmanagement ab. KI-Modelle haben endliche Kontextfenster, und wie dieses Fenster befüllt wird, bestimmt die Ausgabequalität. Mehrere Prinzipien werden dabei konsequent angewendet:

• Inkrementelles Erkunden. Mit gezielten Suchen beginnen, um Einstiegspunkte zu finden, dann Imports folgen und Flows nachverfolgen, statt alle Dateien vorab zu laden
• Delegation an Subagenten. Aufwändige Discovery-Aufgaben laufen in isolierten Sub-Kontexten und liefern Zusammenfassungen zurück, damit der Hauptkonversationsfluss fokussiert bleibt
• Strukturierte Zustandspersistenz. Wichtige Erkenntnisse werden in Scratchpad-Dateien festgehalten und in Folgeanfragen referenziert, um Kontextdegradation in langen Sessions entgegenzuwirken
• Kontextverdichtung. Füllt sich der Kontext mit ausführlichem Output aus der Exploration, wird er komprimiert: Was gelernt wurde, wird zusammengefasst, bevor es weitergeht

Die Ergebnisse

Dieser Workflow trägt dazu bei, produktionsreife Anwendungen im Rahmen der angenommenen Projekte typischerweise in Wochen statt Monaten zu liefern. Die KI übernimmt die Volumenarbeit: Boilerplate-Generierung, Testschreiben, Code-Review, Dokumentation. Der Fokus liegt auf Entscheidungen, die menschliches Urteilsvermögen erfordern: Architektur, User Experience, Geschäftslogik und Qualitätsstandards.

Das Ergebnis ist gleichbleibend hohe Qualität bei Geschwindigkeit. Jeder Pull Request erhält ein gründliches Review. Jedes Feature bekommt umfassende Tests. Jede Komponente folgt etablierten Konventionen. KI-Tooling ermüdet nicht, schneidet keine Ecken unter Zeitdruck und vergisst keinen Kontext, verlangt aber sorgfältiges Prompting und Review.

Wer ein Produkt baut und einen Partner sucht, der moderne KI-gestützte Workflows mit erfahrenem Engineering-Urteilsvermögen verbindet, kann sich gern melden. Das Ziel ist, schnell zu liefern, ohne Abstriche bei der Qualität. Der Prozess lässt sich gerne im Detail durchgehen.