AI-assisted Software Development
Generative KI systematisch in der Softwareentwicklung einsetzen
01 Intro
Generative KI kann heute in nahezu allen Phasen der Softwareentwicklung
unterstützen – von der Analyse einer bestehenden Codebasis über Entwurf und
Implementierung bis zu Tests, Dokumentation und Refactoring. Der produktive
Einsatz geht dabei deutlich über das Erzeugen einzelner Codefragmente im
Chat hinaus.
Der Kurs zeigt, wie Large Language Models und AI-Coding-Werkzeuge in einen
professionellen Entwicklungsprozess integriert werden können. Die Teilnehmer
arbeiten mit bestehenden und neuen Codebasen, formulieren
Entwicklungsaufgaben für KI-Systeme, prüfen erzeugten Code und entwickeln
Arbeitsweisen, bei denen Geschwindigkeit, Nachvollziehbarkeit und
Softwarequalität zusammenpassen.
Kurs-ID
AI-003
Dauer
4 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Praktische Erfahrung in der Softwareentwicklung und sicherer Umgang mit mindestens einer Programmiersprache
02 Trainingsprogramm
Inhalte
AI-assisted Software Development einordnen
- vom Code Completion zum AI Coding
- Chat, IDE-Assistent und Coding Agent
- typische Einsatzgebiete im Entwicklungsprozess
- Stärken und Schwächen aktueller Modelle
- Greenfield und bestehende Systeme
- Entwicklerrolle und Verantwortung
Werkzeuge und Arbeitsumgebung
- AI-Funktionen in IDE, CLI und Chat
- agentische Coding-Werkzeuge
- Zugriff auf Repository, Dateien und Terminal
- Modell- und Werkzeugauswahl
- lokale und cloudbasierte Ansätze
- geeignete Aufgaben nach Werkzeug und Risiko auswählen
Bestehende Codebasen erschließen
- Repository-Struktur und Einstiegspunkte analysieren
- Architektur, Abhängigkeiten und Datenflüsse erfassen
- Konventionen und vorhandene Patterns erkennen
- relevante Dateien gezielt identifizieren
- unbekannten Code erklären und hinterfragen lassen
- Modellannahmen gegen den tatsächlichen Code prüfen
Kontext für Entwicklungsaufgaben
- benötigten Kontext bestimmen
- Code, Dokumentation und Anforderungen kombinieren
- relevante Dateien statt maximalen Kontext bereitstellen
- Projektregeln und Architekturentscheidungen einbeziehen
- Kontextgrenzen erkennen
- Kontext bei längeren Aufgaben kontrolliert erhalten
Anforderungen und Aufgaben schneiden
- fachliche Anforderung und technische Aufgabe unterscheiden
- Akzeptanzkriterien und Definition of Done
- vorhandenes und gewünschtes Verhalten
- Randbedingungen, Nicht-Ziele und technische Constraints
- große Änderungen in kontrollierbare Schritte zerlegen
- Analyse und Planung vor der Implementierung
Code mit AI entwickeln
- neuen Code erzeugen und bestehende Funktionen erweitern
- APIs, Datenverarbeitung und Fehlerbehandlung
- bestehende Patterns und Konventionen übernehmen
- Boilerplate gezielt automatisieren
- Zwischenstände prüfen und Änderungen begrenzen
- erzeugten Code verstehen statt nur übernehmen
Softwaredesign und Refactoring
- Designvorschläge erzeugen und vergleichen
- Verantwortlichkeiten, Schnittstellen, Kopplung und Kohäsion
- bestehende Architektur respektieren
- unnötige Abstraktionen und Overengineering erkennen
- kleine verhaltensneutrale Refactorings
- Refactoring durch Tests absichern
AI-assisted Testing und TDD
- Testfälle aus Anforderungen und Akzeptanzkriterien ableiten
- Unit Tests, Parametrisierung und Fehlerfälle
- Testdaten erzeugen und bestehende Tests erweitern
- Red-Green-Refactor mit AI-Unterstützung
- Tests nicht an eine fehlerhafte Implementierung anpassen
- AI-generierte Tests unabhängig prüfen
Fehleranalyse und Debugging
- Fehlermeldungen und Stacktraces analysieren
- Hypothesen bilden und systematisch eingrenzen
- Logging und Diagnoseinformationen nutzen
- minimale Reproduktionsfälle entwickeln
- vorgeschlagene Fixes verifizieren
- Symptomkorrektur von Ursachenbehebung unterscheiden
Code Review und Dokumentation
- Diffs und Änderungen erklären lassen
- Fehler, fehlende Tests und Regelverstöße suchen
- Security- und Architektur-Aspekte prüfen
- Review-Vorschläge gegen den Code verifizieren
- README, API-Dokumentation und Docstrings aktualisieren
- Dokumentation gegen die Implementierung prüfen
Git, Bibliotheken und externe APIs
- Änderungen und Commits überschaubar halten
- Diffs und Repository-Historie als Kontrollinstrument
- Bibliotheken und Frameworks bewusst auswählen
- Versionen und Herstellerdokumentation prüfen
- erfundene oder veraltete APIs erkennen
- unnötige neue Abhängigkeiten vermeiden
Halluzinationen und ausführbare Verifikation
- erfundene APIs, Dateien und Funktionen
- falsche Parameter, Signaturen und Codeannahmen
- scheinbar plausible, aber falsche Implementierungen
- veraltetes Modellwissen
- Compiler, Interpreter und Tests als Gegenprüfung
- ausführbare Evidenz statt Vertrauen in Modellantworten
Security und vertraulicher Code
- Secrets, Zugangsdaten und personenbezogene Daten
- Authentifizierung, Autorisierung und Eingabevalidierung
- Dependency-Risiken und unsichere Codebeispiele
- externe Inhalte und Prompt Injection
- Cloudmodelle, lokale Modelle und Unternehmensrichtlinien
- kritische Änderungen menschlich reviewen
Coding Agents kontrolliert einsetzen
- Dateien untersuchen, verändern und Werkzeuge ausführen
- mehrstufige Aufgaben und Autonomiegrade
- Arbeitsbereich und Berechtigungen begrenzen
- kritische Aktionen vor Ausführung reviewen
- Shell-, Tool- und externe Zugriffe kontrollieren
- nachvollziehbare Arbeitsschritte und Zero-Trust-Prinzipien
Projektregeln und Tool-Nutzung
- Coding Conventions und Architekturregeln
- Testanforderungen, Build-Kommandos und Definition of Done
- persistente Projektinstruktionen
- Compiler, Tests, Linter und statische Analyse
- Browser, Datenbanken, APIs und Dokumentation als Werkzeuge
- Regeln unterstützen die Arbeit, ersetzen aber keine Sicherheitsgrenze
MCP und erweiterte Tool-Anbindung
- Model Context Protocol als Schnittstelle
- MCP Server, Tools und strukturierte Aufrufe
- Entwicklungswerkzeuge und eigenen Kontext verfügbar machen
- eigene Werkzeuge integrieren
- Berechtigungen und Vertrauensgrenzen
- Tool-Ergebnisse für Verifikation einsetzen
Qualitätssicherung und CI/CD
- AI-generierten Code wie fremden Code behandeln
- Tests, statische Analyse und Security-Prüfungen
- reproduzierbare Builds
- Qualitäts-Gates als verbindliche Grenze
- AI-generierte Änderungen durch die normale Pipeline führen
- keine Sonderbehandlung für AI-Code
Ein professioneller AI-Coding-Workflow
- Anforderung verstehen und Codebasis analysieren
- Änderung planen und begrenzen
- Tests und Akzeptanzkriterien festlegen
- Implementierung kontrolliert durchführen
- automatisch verifizieren und Diff reviewen
- dokumentieren und versionieren
Praxis: AI-assisted Development im Repository
- bestehendes Repository mit AI erschließen
- Entwicklungsaufgabe formulieren und zerlegen
- Code und Tests mit AI entwickeln
- Fehler analysieren und Refactoring durchführen
- Coding Agent kontrolliert einsetzen
- vollständigen Workflow mit Verifikation durchführen
03 Durchführung
Rahmen und Organisation
Dauer
4 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Entwicklungsumgebung, Git und Zugang zu einem aktuellen Sprachmodell
Inhouse-Schulungen
Programmiersprachen, Repositories, Entwicklungswerkzeuge, Testframeworks
und vorhandene AI-Coding-Werkzeuge können in die Übungen einbezogen
werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Der Kurs richtet sich an Softwareentwickler, Softwarearchitekten, technische Consultants und andere Personen, die generative KI professionell in der Softwareentwicklung einsetzen möchten.
Er eignet sich sowohl für Entwickler, die bisher hauptsächlich Code Completion oder Chat-basierte Werkzeuge verwenden, als auch für Teilnehmer, die Coding Agents und stärker automatisierte Entwicklungsworkflows einsetzen möchten.
Voraussetzungen
Praktische Erfahrung in der Softwareentwicklung und sicherer Umgang mit
mindestens einer Programmiersprache werden vorausgesetzt. Grundkenntnisse
in Git, automatisierten Tests und typischen Entwicklungswerkzeugen sind
hilfreich. Spezielle Vorkenntnisse zu Large Language Models oder Coding
Agents sind nicht erforderlich.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- geeignete Aufgaben für AI-assisted Software Development identifizieren
- bestehende Codebasen mit AI-Unterstützung systematisch erschließen
- Entwicklungsaufgaben mit geeignetem Kontext und klaren Randbedingungen formulieren
- komplexe Änderungen in kontrollierbare Arbeitsschritte zerlegen
- AI für Implementierung, Refactoring, Testing, Debugging und Dokumentation einsetzen
- AI-generierten Code systematisch überprüfen
- Tests und TDD als Leitplanken für AI Coding einsetzen
- typische Halluzinationen und Fehler beim AI Coding erkennen
- Security- und Datenschutzaspekte berücksichtigen
- Coding Agents kontrolliert einsetzen
- Berechtigungen und Tool-Zugriffe angemessen begrenzen
- MCP und andere Tool-Anbindungen einordnen
- automatisierte Qualitätsmechanismen zur Verifikation einsetzen
- AI-generierte Änderungen in bestehende Entwicklungs- und CI/CD-Prozesse integrieren
- einen nachvollziehbaren und kontrollierten AI-Coding-Workflow etablieren
06 FAQ
Häufige Fragen
Für welche Programmiersprachen ist der Kurs geeignet?
Die grundlegenden Arbeitsweisen sind weitgehend unabhängig von einer bestimmten Programmiersprache. Übungen können an die im Unternehmen eingesetzten Sprachen und Technologien angepasst werden.
Ist der Kurs ein Training für ein bestimmtes AI-Coding-Produkt?
Nein. Werkzeuge können praktisch eingesetzt und verglichen werden, der Kurs ist jedoch nicht als Produktschulung konzipiert. Im Mittelpunkt stehen übertragbare Arbeitsweisen für AI-assisted Software Development.
Werden Coding Agents behandelt?
Ja. Der Kurs geht über einfache Code Completion und Chat-Nutzung hinaus. Agentische Werkzeuge, Tool-Zugriffe, Berechtigungen und kontrollierte autonome Arbeitsschritte sind Bestandteil des Trainings.
Werden auch Tests und TDD behandelt?
Ja. Tests sind ein zentraler Bestandteil des Kurses. Gerade bei AI-generiertem Code dienen sie als ausführbare Anforderungen und unabhängige Qualitätskontrolle.
Wird MCP behandelt?
Ja. Das Model Context Protocol wird im Zusammenhang mit der Anbindung von Entwicklungswerkzeugen und eigenen Tools behandelt. Der Schwerpunkt liegt auf der praktischen Einordnung und Nutzung im Entwicklungsworkflow.
Geht es auch um Sicherheit von Coding Agents?
Ja. Berechtigungen, Tool-Zugriffe, sensible Daten, Prompt Injection und die Begrenzung autonomer Aktionen werden behandelt.
Muss ich bereits Erfahrung mit AI-Coding-Werkzeugen haben?
Nein. Erfahrung mit ChatGPT, Claude, GitHub Copilot oder ähnlichen Werkzeugen ist hilfreich, aber nicht erforderlich. Softwareentwicklungserfahrung wird dagegen vorausgesetzt.
Warum dauert der Kurs vier Tage?
Der Kurs behandelt nicht nur das Erzeugen von Code. Die Teilnehmer arbeiten praktisch mit Codebasen, Tests, Refactoring, Debugging, Reviews, Coding Agents und Qualitätsmechanismen. Für diese Übungen und einen vollständigen AI-assisted Entwicklungsworkflow sind vier Tage realistisch.
Kann der Kurs an unsere Entwicklungsumgebung angepasst werden?
Ja. Bei Inhouse-Schulungen können Programmiersprachen, Repositories, Entwicklungswerkzeuge, Testframeworks und vorhandene AI-Coding-Werkzeuge in die Übungen einbezogen werden.