Wie Entwickler, die sich jeden Tag verbessern wollen, AI nutzen können (290-seitige Slides)
(stdy.blog)Letzte Woche habe ich bei LINE Plus einen Spezialvortrag mit dem Titel „Wie Entwickler, die sich jeden Tag verbessern wollen, AI nutzen können“ gehalten.
Da ich vorhatte, ihn später auch auf YouTube hochzuladen, habe ich möglichst alles hineingepackt, worüber ich in den letzten Monaten (oder sogar Jahren) nachgedacht habe. So kamen etwa 230 Seiten zusammen, von denen ich tatsächlich ungefähr zwei Drittel behandelt habe.
Danach habe ich alles noch gründlicher überarbeitet, und schließlich wurde Version 2 mit insgesamt 290 Folien fertiggestellt.
Unten lasse ich eine mit Gemini zusammengefasste Version stehen.
Einleitung
- AI-Literacy-Lücke: Die Unterschiede zwischen Menschen bei der Fähigkeit, AI zu nutzen, sind sehr groß. Schon allein zu verstehen, was moderne AI leisten kann und wo ihre Grenzen liegen, kann diese Lücke deutlich verkleinern.
- Bedeutung kontinuierlichen Lernens: Wer nicht laufend verschiedene AI-Tools nutzt und dabei eine Haltung des Learn & Unlearn beibehält, bei der man lernt und auch wieder verlernt, bei dem wird die Lücke schnell wieder größer.
- Erweiterung der Entwicklung: Früher konzentrierten sich Entwickler vor allem auf die Phase der „Implementierung“. Heute ist es möglich, mit AI vom ersten Konzept über Marketing bis hin zum Betrieb in den gesamten Produktentwicklungsprozess einzugreifen.
Teil 1: Wie man AI als Coding-Assistenten intelligenter einsetzt
- Die Entwicklung von Coding-Assistenten: Angefangen bei einfacher Autovervollständigung (VSCode IntelliSense), über AI-basierte Generierung von Code-Snippets (TabNine, GitHub Copilot), bis hin zur heutigen Ära von „Vibe Coding“ und „Coding Agents“, die in natürlicher Sprache kommunizieren und etwas von 0 auf 1 erschaffen.
- Veränderungen bei AI-Leistung und Kosten: Die Leistung von LLMs entwickelt sich rasant weiter, während die Kosten schnell sinken. Auch die Länge und Komplexität von Aufgaben, die AI autonom erledigen kann, nehmen stark zu.
- Das Wesen der Entwicklung: Das Werkzeug des „Codings“ hat sich von Lochkarten zu natürlicher Sprache verändert, doch das Wesen des Entwicklers als „jemand, der mit Coding Probleme löst“, bleibt unverändert.
- Delegation an AI und Management: Die Zusammenarbeit mit AI ähnelt dem Delegieren von Aufgaben an Menschen. Es ist wichtig, die Stufe der Delegation je nach Fähigkeit der AI anzupassen (Mitteilen, Überzeugen, Besprechen, Vereinbaren, Beraten, Befragen, Delegieren) und die Funktionsweise der als Blackbox agierenden LLMs durch Beobachtung zu überwachen.
- Context Engineering: Wichtiger als der AI das „Wie“ zu erklären, ist es, das „Was“ und „Warum“ klar zu vermitteln. Dafür ist das STICC-Framework hilfreich, das Situation, Task, Intention, Concern und Calibration umfasst.
- Nutzung von Tools (MCP): Um die Fähigkeiten von Coding Agents zu maximieren, kann man MCP(Model Context Protocol)-Server einsetzen. Werden jedoch zu viele Tools angebunden, kann die Leistung sinken. Deshalb ist es effektiv, nur zentrale Funktionen gezielt zu nutzen, etwa Browser-Steuerung (Playwright) oder besseres Code-Verständnis (Serena).
- Erweiterung der Versionsverwaltung: Nicht nur Code, sondern auch die Prompts und Kontexte (z. B. Planungsdokumente), die an AI zur Code-Erzeugung übergeben werden, sollten experimentell in die Versionsverwaltung einbezogen werden.
Teil 2: Wie man AI im gesamten Produktentwicklungsprozess intelligenter einsetzt
- Framework zur Problemlösung: Produktentwicklung lässt sich als dreistufiger Prozess verstehen: „Problem definieren → Lösung umsetzen → Veränderung bewirken“.
- Die Bedeutung von „Ich baue selbst, was ich nutzen will“: Der Ansatz „Ich baue selbst, was ich nutzen will“ ist besonders für Einsteiger ins AI-Coding die beste Strategie. Er ist leicht umzusetzen, führt schnell zu Lernfortschritten und lässt sich gut erweitern.
- Nutzerzentrierter Ansatz: Man muss klar definieren, „wessen (Nutzer) welches Problem (Ziel) wie (Komplexität) gelöst werden soll“. Besonders wichtig ist es, zuerst das eigene Problem zu lösen und das Produkt selbst zu nutzen (Dogfooding).
- Produktvalidierung: Ein Produkt sollte über die Prüfung der Ideenvalidität (MVP), Marktvalidität (MMP) und Kundenloyalität (MLP) weiterentwickelt werden. Gerade am Anfang ist es wichtig, Kundenprobleme aktiv vor Ort zu lösen, auch wenn noch keine Skalierung möglich ist.
- Build in Public: Eine Strategie, bei der der Entstehungsprozess eines Produkts transparent offengelegt wird, um Fans aufzubauen. Besonders wirksam für kleine Gründer ist dabei, die Geschichte rund um das „Warum“ und „Wie“ zu erzählen.
Teil 3: Strategien, mit denen Junior- und Senior-Entwickler in all diesen Prozessen im AI-Zeitalter effektiv lernen und wachsen
- Was weniger wichtig geworden ist und was wichtiger geworden ist: Wissen wie die Syntax einzelner Sprachen hat an Bedeutung verloren. Wichtiger geworden sind dagegen die Fähigkeit, eine große Vision zu setzen und Komplexität zu managen, Fehler der AI zu erkennen und zu korrigieren, tiefes Domänenverständnis, Design und Lernfähigkeit.
- Mindset (FOMO überwinden): Es ist nicht nötig, jedem neuen Tool hinterherzulaufen. Wichtig ist, Interessenskategorien festzulegen, Informationen über SNS, Newsletter usw. natürlich zufließen zu lassen und eine gesunde Neugier zu bewahren.
- Lernstrategien:
- Vertrauenswürdige Ressourcen nutzen: Offizielle Dokumentation, Gespräche mit Experten und aufschlussreiche Texte sollten gründlich studiert werden.
- Generatives Wissen anstreben: Statt sich auf „Ergebnisse“ (fertiges Wissen) zu fokussieren, sollte man sich auf den „Prozess“ konzentrieren, der diese Ergebnisse hervorbringt, und lernen, die Nutzung eines Tools vom Tool selbst zu lernen.
- Von Könnern lernen: Experten sollte man nicht einfach nur nach Antworten fragen, sondern danach, „an welchen Signalen sie Muster erkannt haben“ und „warum sie so geurteilt haben“, um ihren Denkprozess zu verstehen.
- Die Rolle von Seniors: Es ist wichtig, das eigene implizite Wissen in explizites Wissen (Guides, Beispielcode, AI-Regeln usw.) zu überführen, es in der Organisation zu teilen und durch die Verbindung vielfältiger Domänenerfahrungen emergente Ideen hervorzubringen.
- Gewohnheiten aufbauen: Statt gute Gewohnheiten auf einmal etablieren zu wollen, sollte man sich schrittweise verändern, indem man sich die „Gewohnheit, Gewohnheiten zu bilden“ aneignet (z. B. mikroskopische Retrospektiven).
- Umsetzungsintention: Statt vager Vorsätze wie „Ab morgen sollte ich …“ steigt die Wahrscheinlichkeit der Umsetzung stark, wenn man konkret plant, „wann, wo und wie“ man etwas tun wird („Implementation Intentions“).
Zum Schluss
- Zentrale Tugenden: Die wichtigsten Tugenden im AI-Zeitalter sind „gesunder Zweifel“ und „Neugier“.
- Die Grenzen von AI erkennen: Man muss sich bewusst sein, dass AI weiterhin klare Grenzen hat, etwa fehlenden Kontext, Halluzinationen, Sicherheit und Kosten.
- Das beste Werkzeug: Das Werkzeug, das jeder heute existierenden AI letztlich überlegen ist, bleibt das menschliche „Gehirn“ — und es sollte aktiv genutzt werden.
6 Kommentare
Ich habe es auch auf YouTube hochgeladen! https://www.youtube.com/watch?v=CAgn60EWDmw
Auf YouTube freue ich mich auch schon, hehe
Context Engineering – mit What+Why klug Anweisungen geben!
Außerdem wurden viele Punkte, die mich sonst immer interessiert haben, glasklar auf den Punkt gebracht :)
Es tut mir fast leid und ich bin zugleich dankbar, dass man solche hochwertigen Informationen kostenlos sehen kann!!!!
Ach, Sie müssen sich doch nicht entschuldigen … haha, vielen Dank für die überaus freundlichen Worte.
In der ersten Version habe ich viel darüber gelernt, wie man dem Agenten Anweisungen gibt.
Danke.