Von 8 Stunden zu 47 Minuten - 12 bewährte KI-Codierungsstrategien

KI hat eine Funktion in 47 Minuten erstellt, was vor ein paar Jahren 8 Stunden Arbeit gekostet hätte. Aber hier ist das, was niemand dir sagt: Ohne die richtigen Strategien wird dieselbe KI drei Stunden damit verschwenden, das Falsche zu bauen.

Hallo, ich bin Chuck und schreibe seit 30 Jahren Code. 2023 wurde mir klar, dass ich entweder KI annehmen oder einen neuen Beruf finden musste. Ich habe mich dafür entschieden, sie anzunehmen. Seitdem habe ich ein Dutzend Anwendungen mit Coding Agents gebaut, und heute teile ich jede Strategie, die ich gelernt habe, mit dir.

KI verändert alles, vor allem beschleunigt sie alles. Was einen Tag dauerte, dauert jetzt eine Stunde.

Die Geschwindigkeit bedeutet ein paar Dinge:

Erstens ist dein Feedback-Zyklus viel schneller, Fehler und falsche Richtungen werden schneller erkannt, und der Weg zum Erfolg wird schneller erreicht.

Zweitens ist viel Code jetzt Wegwerfcode. Es ist kostengünstiger, ihn zu schreiben und zu verwerfen, als ihn zu schreiben und umzugestalten.

Drittens treten Softwareentwicklungs-Fallstricke, die Jahre brauchten, um aufzutreten, jetzt in Wochen oder Monaten auf.

Viertens gerät KI ohne Anleitung schnell aus den Gleisen und über die Klippe.

In meiner Zeit mit Coding Agents wie Cursor habe ich 12 Strategien entdeckt, die KI davon abhalten, über die Klippe zu gehen. Diese wurden auf die harte Tour gelernt, durch Versuch und Irrtum.

1. Verwende die Agent.md

Eines der vielen Dinge, die ich über LLMs bemerkt habe, ist, dass sie alle “Fallbacks” hinzufügen wollen.

Fallbacks sind bedingte Code, die ausgeführt werden, wenn die erste Bedingung fehlschlägt. Das ist großartig, wenn dein Code zum Mars geht, aber die meisten Code gehen nicht zum Mars, sicherlich nicht meiner. Um die Sache noch schlimmer zu machen, sind Fallbacks inhärent fehlerhaft und werden meistens nicht benötigt.

Hier kommt eine Agent.md-Datei ins Spiel. Du kannst das LLM anweisen, keine Fallbacks zu verwenden. Tatsächlich kannst du ihm sagen, alles zu tun. Alles, was du zu einem Prompt hinzufügen würdest, kann zur Agent.md hinzugefügt werden. Die Datei wird automatisch zu jedem neuen Kontext hinzugefügt.

Derzeit hat jeder Coding Agent seine eigene Agent.md-Datei. Cursor nennt ihre .cursorrules, Claude Code nennt ihre claude.md. Ich vermute, dass Coding Agents in naher Zukunft einen gemeinsamen Namen standardisieren werden.

In meiner Agent.md definiere ich die Softwaremuster, die Teststrategie und die Architektur, die ich verwenden möchte. Alles, das ich das Agent wiederholt tun sehe, weil es an Kontext oder Anleitung mangelt, füge ich zur Datei hinzu.

Hier ist ein Link zu einem Repository von Agent-Regeln.

Sobald deine Agent.md-Datei eingerichtet ist, wirst du KI ungehindert verwenden wollen.

2. Vollgas geben

Sowohl Claude Code als auch Cursor AI starten standardmäßig im “sicheren Modus”. Der sichere Modus erfordert Genehmigung für jeden Tool-Aufruf. Nach ein paar Minuten, in denen ich JEDEN Tool-Aufruf genehmigt habe, war ich mit dem sicheren Modus fertig.

Glücklicherweise ermöglicht dir jeder Coding Agent, dich aus dem “sicheren Modus” abzumelden. Das Risiko besteht darin, dass KI unerwünschte Dinge tun kann, aber in der Zeit, in der ich Coding Agents verwendet habe, hat sie nie etwas Irreversibles getan.

Ich behalte im Auge, was das LLM tut, aber ich fühle mich nicht wohl dabei, den Coding Agent gerade noch zu verlassen.

Ehrlich gesagt, es sei denn, du bittest das LLM, an Live-Produktionscode zu arbeiten, und ich weiß nicht, warum du den sicheren Modus möchtest.

Jetzt, da du deinen Coding Agent befreit hast, müssen wir das Problem definieren.

3. Dein Problem definieren

KI ist ein Literalist. Du bekommst, was du fragst, was bedeutet, dass vage Anfragen vage Ergebnisse liefern.

Ich habe festgestellt, dass die Bereitstellung detaillierter Anforderungen für KI und die Anfrage nach einer “Bewertung” die besten Ergebnisse liefert. Dies ermöglicht KI, nach Lücken im Design zu suchen und mit Folgefragen zu antworten. Nach ein paar Hin- und Hergesprächen hast du einen soliden Plan.

In den letzten Versionen haben sowohl Cursor als auch Claude Code einen “Plan Mode” hinzugefügt, der den obigen Prozess formalisiert.

Ich gehe einen Schritt weiter und lasse ein anderes LLM den Plan überprüfen. Zum Beispiel verwende ich ChatGPT für die erste KI-Bewertung. Es generiert ein Markdown-Dokument mit allen Anforderungen. Ich gebe dieses Dokument dann Claude zur Rückmeldung, und Claudes zweite Überprüfung findet immer verpasste Lücken.

Das ist eine Geschmacksfrage, aber KI neigt dazu, für mich zu überarchitekturieren. Wieder scheint KI zu denken, der Code geht zum Mars.

Sobald du dich auf einen Plan geeinigt hast, bitte KI, ihn in einem Dokument in deinem Projekt zu speichern.

Was mich zum nächsten Punkt bringt.

4. Erstelle einen gestaffelten Plan

Aufteilen großer Funktionen in verwaltbare Phasen und Aufgaben

Nachdem du einen Plan erstellt hast, bitte KI, die Arbeit in Phasen aufzuteilen. Du möchtest kleine Arbeitseinheiten; je kleiner, desto besser. Je kleiner die Einheit, desto höher die Erfolgschance.

Einige Coding Agents tun dies standardmäßig, aber wenn nicht, bitte sie darum.

Der beste Plan wird immer noch fehlschlagen, wenn du den Fortschritt nicht verfolgen kannst. Hier kommen Checklisten ins Spiel.

5. Frage nach einer Checkliste

Frage KI nach einer Checkliste und teile ihr mit, dass du eine brauchst, um den Fortschritt zu verfolgen. Viele der Coding Agents haben die Checkliste zum Agent-Prompt und zur UI hinzugefügt, aber manchmal brauche ich immer noch eine Checkliste, um den Fortschritt zu verfolgen oder langfristige Arbeiten zu verfolgen.

Die Checkliste gibt KI auch etwas, gegen das sie sich selbst messen kann, damit sie weiß, wann sie fertig ist.

Checklisten sind großartig, aber wie spannen wir Kontexte mit Checklisten? Hier kommt unser Handoff-Dokument ins Spiel.

6. Erstelle ein Handoff-Dokument

Was ist ein Handoff-Dokument?

Ein Handoff-Dokument ist eine hochrangige Beschreibung der Anwendung. Sein Zweck ist es, einen leeren Kontext über die Domäne, den Code und die Architektur deiner Anwendung auf den neuesten Stand zu bringen.

Idealerweise nimmt der Agent dort auf, wo der vorherige Kontext aufgehört hat.

In meiner Agents.MD weise ich den Agent an, mein Handoff-Dokument mit hochrangigen Änderungen zu aktualisieren. Was wir nicht wollen, ist jedes Detail im Dokument; ich brauche eine hochrangige Zusammenfassung, und ich lasse KI bestimmen, was das ist.

Mein Workflow sieht ungefähr so aus:

Jedes Mal, wenn ich einen neuen Kontext startete, bezog ich mein Handoff-Dokument ein und wies KI zur neuen Funktion an. KI nimmt die Aufgabe auf und beginnt zu arbeiten, als wäre sie seit 6 Monaten im Projekt.

Das Handoff-Dokument ist großartig für kleinere Anwendungen, aber bei größeren Anwendungen verbraucht es zu viele Token und ist nicht praktisch. Ich erwäge andere Optionen, wie eine Vektordatenbank oder eine Graphdatenbank.

Aber ich experimentiere immer noch.

Ich würde gerne hören, wie du dieses Problem angehst. Hinterlasse einen Kommentar unten.

Auch mit Checklisten und einem Handoff-Dokument macht KI Fehler. Hier kommen Commits ins Spiel.

7. Häufig einchecken

Mache kleine Commits. Kleine Commits ermöglichen es dir, zu einem bekannten guten Zustand zurückzukehren. Ich habe festgestellt, dass KI manchmal das Kaninchenloch hinuntergeht, und es gibt keine Wiederherstellung.

Setze einfach zurück.

8. Setze den Kontext zurück

Sei rücksichtslos beim Zurücksetzen des Kontexts.

Manchmal geht KI den falschen Weg oder macht einen Fehler, werfe aus und fang von vorne an. Wenn alle deine Dokumente in Ordnung sind, ist es ein Kinderspiel, einen neuen Kontext zu starten. Das ist die Brillanz des Handoff-Dokuments.

Aber ich bin ehrlich, wenn ich mit KI arbeite – ich vermenschliche KI, weil es sich anfühlt, als würde ich mit einem anderen Menschen arbeiten, und diesen Reset-Button zu drücken zieht manchmal an meiner Menschlichkeit.

Eine Möglichkeit, die Kaninchenlöcher zu begrenzen, ist das Testen.

9. Testen

Als ich ein Softwareingenieur war, war das Testen schrecklich. Das Schreiben von Test-Code ist einige der langweiligsten Arbeiten für einen Softwareingenieur.

Mit KI gibt es keinen Grund, warum du deinen Code nicht testen solltest. KI wird alle Tests für dich schreiben. Tatsächlich kannst du 80% Testabdeckung in der Agent.md angeben, und der Coding Agent fügt die Tests magisch hinzu.

Ich habe festgestellt, dass Testen vorteilhaft ist; über die Qualitätskomponente hinaus gibt es KI eine Struktur, um ihre Arbeit zu validieren. Dies führt zu höherwertiger Code und besserer Nutzung von KI.

Ein Wort der Warnung, ich lasse KI oft Code-Änderungen vornehmen, ohne die Tests zu aktualisieren. Nachdem der Code funktioniert, bitte ich KI, die Tests zu aktualisieren. Manchmal nimmt KI die Tests zu ernst und ändert Produktionscode, um die Tests zu erfüllen, und macht alle Änderungen rückgängig, die wir gerade gemacht haben.

Eine andere Möglichkeit, die Qualität zu verbessern, ist die Automatisierung.

10. Automatisiere, automatisiere, automatisiere

Mache die Dinge so einfach wie möglich.

Vor KI hörte ich oft: “One-Touch-Bereitstellungen, das wäre großartig, aber wir haben keine Zeit.” Jetzt gibt es keine Ausrede, KI wird alles für dich automatisieren.

Mein Ziel ist es, dass jede Aktion ein einzelner Befehl ist. Zum Beispiel:

• Wenn ich die Anwendung starten möchte? ./start.sh.
• Ich möchte die Tests ausführen. ./test.sh.
• Die Anwendung bereitstellen? Du hast es erraten ./deploy.sh

Die Automatisierung dient zwei Zwecken:

• Erstens spart es dir Zeit.
• Zweitens entfernt es menschliche Fehler aus dem Prozess.

Überall dort, wo es Reibung und mehrere Schritte gibt, möchte ich es automatisieren. Aber um komplexere Probleme zu lösen, brauche ich manchmal fähigere LLMs.

11. Verwende das beste LLM

Sparen Sie nicht bei der Modellleistung. Die neuesten Modelle sind teuer, aber in dem Bemühen, Geld zu sparen, könnten sie dich mehr kosten.

Gelegentlich empfiehlt Cursor, den Auto-Modus zu verwenden, um Token zu sparen. Ok, das klingt gut, was könnte schief gehen? Ich bin immer offen dafür, Geld zu sparen. Also habe ich ihn eingeschaltet und eine Funktion implementiert. Es wurde zu einer Katastrophe. Ich verbrachte die nächsten 3 Stunden damit, das Durcheinander mit den neuesten Modellen zu beheben, und es kostete doppelt so viel, wie ich bezahlt hätte, wenn ich den Auto-Modus nicht verwendet hätte. Mein Punkt ist nicht, dass der Auto-Modus schlecht ist; es ist, dass die Arbeit an komplexen Problemen die besten Modelle erfordert.

Aber manchmal reichen auch die besten Modelle nicht aus; du brauchst die richtigen Tools.

12. Tools

Denke an KI als das Gehirn; es denkt, aber es kann nichts tun. Das ist die Kraft eines Tools. Es gibt KI die Fähigkeit zu handeln.

Ich teile Coding Agent Tools in zwei Klassen ein:

Zwei Klassen von Tools, die KI-Coding Agents verbessern

Erstens sind Tools, die zur Verbesserung der Softwareentwicklung konzipiert sind. Denke an GitHubs MCP oder Anthropics Sequential Thinking MCP; diese Tools machen Coding Agents im Allgemeinen fähiger.

Zweitens sind Tools, die mit dem Projekt interagieren. Zum Beispiel ein Datenbank-MCP oder ein Befehlszeilentool. Diese Tools geben Coding Agents die Fähigkeit, Code zu schreiben, ihn auszuführen und die Ergebnisse zu testen, um einen vollständigen Feedback-Zyklus abzuschließen.

Das Brillante an KI ist, dass wenn du ein Tool brauchst und es nicht gibt, KI es für dich erstellen kann.

Hier sind die Tools, die ich mit Cursor verwende:

Das erste Tool heißt Serena. Serena versucht, Aufgaben wie das Lesen von Dateien und das Speichern von Daten im Speicher auszulagern, die normalerweise KI-Befehle zum Ausführen der Operation generieren würden. Das Ziel dieses Projekts ist es, die Anzahl der verwendeten Token zu reduzieren und häufige Operationen lokal zu halten.

Das nächste Tool, das ich verwende, heißt Sequential Thinking von Anthropic. Wenn es von Anthropic ist, ist es fast garantiert gut. Was dieses Tool tut, ist komplexe Probleme in verwaltbare Schritte aufzuteilen. Es fügt dynamisches und reflektives Problemlösen durch einen strukturierten Denkprozess hinzu.

Probiere es aus, ich habe den Link in der Beschreibung eingefügt.

Das letzte Tool, das ich verwende, ist projektspezifisch; es heißt Neo4j MCP, und KI hat es erstellt. Es war von unschätzbarem Wert bei der Arbeit mit Neo4j. Vorher würde KI mich bitten, Abfragen auszuführen und dann die Ergebnisse in den Chat einzufügen. Das wurde sehr schnell umständlich. Mit dem Tool führt KI ihre eigenen Abfragen aus, und es ist keine menschliche Intervention erforderlich.

Es ist wunderbar und es ist schneller. Wenn du Reibung in deinem Entwicklungsprozess findest, bitte KI um Hilfe; du könntest überrascht sein, was herauskommt.

Abschließend

Seien wir ehrlich, die Arbeit mit Coding Agents fühlt sich sehr an wie das Pairing mit einem brillanten Junior-Programmierer, der gelegentlich alles vergisst, was wir ihm gerade erzählt haben. Diese 12 Strategien sind, wie ich diese Beziehung verwalte. Und sie funktionieren möglicherweise nicht für alle oder für dich, und das ist ok. Finde, was für dich funktioniert. Also meine Frage an dich ist: Was funktioniert für dich? Hinterlasse einen Kommentar unten und lass mich wissen.