16 posts
LLM-Konversationen enthalten Absicht, abgelehnte Alternativen und funktionierenden Code. Genau das sollte Dokumentation sein. So verwandeln Sie flüchtigen Chat in dauerhafte, durchsuchbare Docs, ohne die Erzählung zu verlieren.
Sie haben fünfundvierzig Minuten mit Claude damit verbracht, einen Retry-Circuit zu entwerfen. Sie haben die Failure Modes erklärt, exponentielles Backoff…
Fagan-Inspektionen benötigen vier bis sechs Personen und zwei Stunden, um 250 Zeilen zu reviewen. Ein LLM kann diese Kosten senken, indem es Vorbereitung und Checklisten-Überwachung übernimmt, aber es kann die menschlichen Rollen nicht ersetzen, die die teuersten Defekte finden.
Eine vollständige Fagan-Inspektion benötigt einen Moderator, einen Vorleser, zwei bis vier Inspektoren und den Autor. Das Team verbringt zwei Stunden damit,…
N-version Programming klingt einfach: mehrere Implementierungen laufen lassen und die beste Antwort wählen. In der Praxis ist 'beste' viel schwerer zu definieren als 'am häufigsten'.
Du hast fünf Implementierungen derselben Funktion. Drei liefern dasselbe Ergebnis. Eine weicht leicht ab. Eine wirft eine Exception. Welche ist richtig? Die…
N-Version-Programming mit LLMs erfordert keine mehreren Modelle. Du kannst vielfältige, korrekte Implementierungen aus einem einzigen Modell extrahieren, indem du Prompts, Personas und Reasoning-Constraints variierst.
N-Version-Programming geht davon aus, dass Vielfalt von unterschiedlichen Autoren kommt. Bei LLMs bedeutet das: verschiedene Modelle, verschiedene Anbieter,…
KI-Coding folgt einem Gradienten: Backend validiert in Millisekunden, Web in Minuten, Mobile in Stunden. Die Feedback-Schleife bestimmt, wo es funktioniert.
Ein KI-Modell, das selbstständig programmiert, ist nicht der interessante Teil. Der interessante Teil ist, was passiert, nachdem es den Code generiert hat. Wie…
KI-Coding funktioniert für Elite-Teams, die sich aus jedem Chaos wieder herausarbeiten können. Alle anderen bekommen Angst, fehlgeschlagene CI und abgebrochene Experimente. Die Lücke liegt nicht am Modell.
Beobachten Sie zwei Teams, die dasselbe KI-Modell verwenden, und Sie werden zwei völlig unterschiedliche Ergebnisse sehen. Das erste Team fordert das Modell…
Die meisten Teams probieren KI-Coding aus, liefern Code aus, der bei der QA durchfällt, und geben auf. Das Problem ist nicht das Modell – es ist das Fehlen von Leitplanken, die KI-Output vertrauenswürdig machen.
Die meisten Teams, die KI-Coding ausprobieren, folgen demselben Bogen. Sie starten begeistert. Das Modell generiert ein Feature in Minuten, und sie liefern es…
Du hast Type Checking, Linting und Architekturregeln. Aber dein deterministischer Stack ist blind für Komplexität, Duplikation und Naming-Desaster. Hier ist die Lösung für 0 Dollar.
Seien wir ehrlich: So sehen die meisten KI-Code-Pipelines im Moment tatsächlich aus. Du generierst Code mit Cursor oder Claude Code. Du führst aus, weil der…
KI-Coding-Werkzeuge glänzen beim Generieren von Version Eins. Die eigentliche technische Herausforderung beginnt bei Version Vier, wenn das Team etwas ändern muss, ohne alles andere zu brechen.
Jede KI-Coding-Demo folgt demselben Ablauf. Jemand promptet ein Modell. Eine funktionierende App materialisiert sich. Das Publikum ist beeindruckt. Und das…
Das wahre Maß für die Qualität von KI-generiertem Code ist nicht, ob er am ersten Tag funktioniert. Es ist, ob man ihn am dreißigsten Tag ersetzen kann, ohne alles andere neu schreiben zu müssen.
Die meisten Gespräche über die Qualität von KI-generiertem Code konzentrieren sich auf Korrektheit zum Zeitpunkt der Generierung. Kompiliert die Ausgabe?…
Menschliches Review ist inkonsistent. KI-Review ist schlechter. Die einzige skalierbare Verteidigung für KI-generierte Codebases ist deterministisches Enforcement: Regeln, die den Build fehlschlagen lassen, keine Vorschläge, die ignoriert werden.
Der Standardrat für KI-generierten Code lautet „prüfe ihn sorgfältig." Dieser Rat ist korrekt und im großen Maßstab nutzlos. Ein Entwickler, der KI-Ausgaben…
Wenn AI aus einer Spezifikation Implementierung, Tests und contracts generieren kann, verlagert sich die menschliche Arbeit mit der größten Hebelwirkung weiter nach vorn. Am genauesten geprüft werden muss dann die Spezifikation selbst.
Wenn du seit mehr als ein paar Wochen mit AI shipst, kennst du dieses Gefühl wahrscheinlich. Du öffnest einen Pull Request. Der Code ist sauber genug. Das…
Wenn AI-generated code in Produktion bestehen soll, reicht Code Review nicht. Du brauchst einen gestuften Safety Stack von Type Constraints bis Mutation Testing und Runtime Containment.
Das Gefährliche an AI-generated code ist nicht, dass er immer falsch ist. Das Gefährliche ist, dass er oft gerade gut genug aussieht, um gemergt zu werden.…
Das Meme funktioniert, weil Teams tatsächlich mit beweglichen Zielen, festen Fristen und halb definiertem Umfang entwickeln. Autotomy repariert kein Wunschdenken in der Planung, aber es hält die Entwicklung am Laufen, wenn sich die Route wieder ändert.
Nennen wir es Meteor development: Das Ziel wird zuerst verkündet, die Haltestellen ändern sich unterwegs, das Budget gilt als irgendwie lösbar, und engineering…
Diese kritische Einordnung von Stanford CS146S zeigt, warum der Kurs AI Coding im Kern richtig einordnet, die entscheidende Lektion zur AI-Architektur rund um Ersetzbarkeit und Grenzen aber noch fehlt.
Stanford CS146S ist der Kurs The Modern Software Developer, unterrichtet von Mihail Eric und erstmals im Herbst 2025 angeboten. Für den offiziellen Überblick…
Design by contract, property-based testing, mutation testing und model checking waren keine schlechten Ideen. Sie verlangten zu viel Fachwissen, um sie dauerhaft zu tragen. AI verändert diese Gleichung.
Software Engineering ist voll von Ideen, die im Moment des Lesens sofort richtig wirken. Natürlich sollten Contracts definieren, was eine Funktion annehmen und…