Folge 313 - Best Practices für Agentic Coding mit Tobias Wagner und Yadullah Duman

Der nachfolgende Text wurden mit KI erstellt und kann Fehler enthalten. Fehler gefunden? Bei GitHub editieren

Wichtige Keytakeaways

Coding Agents wie Claude Code stellen einen Paradigmenwechsel dar, der sich fundamental von früheren Chat-basierten KI-Tools unterscheidet und durch integrierte Tool-Nutzung sowie projektspezifische Kontexte deutlich bessere Ergebnisse ermöglicht.
Harness Engineering ist das Herzstück erfolgreicher Agent-Nutzung. Man muss die Umgebung durch Tests, Linting-Regeln und Architekturtests optimieren, anstatt Fehler manuell zu korrigieren.
Context Engineering mit fokussierten Sessions und neuen Starts spart Token-Budget und verhindert das Context-Rot-Phänomen, bei dem die Agent-Performance mit steigendem Gesprächsverlauf sinkt.
Produktivitätsgewinne sind stark aufgabenbezogen: Bug-Analyse verkürzte sich von Tagen auf Stunden, Wissensextraktion von Legacy-Code von Wochen auf Tage, und Teams konnten Refactoring intensiver betreiben.
Human-on-the-Loop statt Human-in-the-Loop: Entwickler fungieren als Architekten der Agent-Umgebung und Experten-Reviewer, nicht als manuelle Fehlerbeheber.
Technisches Fachwissen bleibt essenziell, aber wird durch Agents als Lernmultiplikator vervielfacht und ermöglicht schnelleres Eindringen in unbekannte Technologien.

Wie haben sich KI-Tools in der Softwareentwicklung über drei Wellen (ChatGPT, Chat-basiertes Programmieren, Coding Agents) entwickelt?
Welche konkreten Produktivitätssteigerungen lassen sich durch Coding Agents in verschiedenen Aufgabentypen erzielen?
Wie lässt sich das Context-Rot-Phänomen durch Context Engineering und bewusste Session-Verwaltung vermeiden?
Was ist der Unterschied zwischen klassischem Workflow-Spectrum und Spec-driven Development, und wann macht welcher Sinn?
Wie sollte Code Review in einer Agent-getriebenen Entwicklung strukturiert sein, und welche Kritikalität spielt eine Rolle?
Welche technischen Fähigkeiten sind notwendig, um erfolgreich mit Coding Agents zu arbeiten, und können Quereinsteiger diese erlangen?

Context Window: Die maximale Anzahl von Tokens (Text-Einheiten), die ein Sprachmodell in einer Session verarbeiten kann, typischerweise eine Million Tokens bei aktuellen Modellen.
Context Rot: Das Phänomen der sinkenden Agent-Performance, wenn das Context Window zu 40-60% gefüllt ist und dadurch ältere Elemente im Context eher ignoriert.
Harness Engineering: Die Disziplin, durch Feedback-Schleifen (Tests, Linting, Architekturtests) die Umgebung so zu optimieren, dass Agents autonom bessere Ergebnisse produzieren.
Human-on-the-Loop: Ein Ansatz, bei dem Menschen die Architektur der Agent-Umgebung gestalten und als Experten-Reviewer fungieren, statt manuell Fehler zu korrigieren.
Spec-driven Development: Ein Workflow-Ansatz, bei dem neben dem Code eine detaillierte Spezifikation in natürlicher Sprache als Artefakt gepflegt wird, die als Source of Truth dient.
Compacting: Der Prozess der Zusammenfassung von Gesprächsinhalten zur Reduktion der Token-Nutzung, eine „lossy function” die Informationen verlieren kann.

Claude Code: Anthropics Coding-Agent mit integrierter Dateisystem- und Internet-Interaktion sowie fortgeschrittener Tool-Nutzung.
Cursor und Windsurf: Chat-basierte Programming-Tools der zweiten Generation mit besserer Modell-Integration.
GitHub Copilot Chat: OpenAIs Integration von Chat-Funktionalität in den GitHub-Workflow mit Autocompletion-Fokus.
Claude 3.5 und Opus 4.5: Anthropic-Modelle mit Reasoning-Fähigkeiten und verbessertem Tool-Calling-Verhalten.
OpenSpec und SpecKit: Tools zur Spezifikations-getriebenen Entwicklung mit natürlichsprachigen Anforderungsdokumenten.
VS Code und IntelliJ: Editor-Optionen, wobei die Sprecher ihre Nutzung zugunsten von reinem Code-Review-Fokus reduziert haben.