Produktiv mit Coding Agenten wie Copilot

Seminarziel

Nach dieser Schulung setzen Sie diverse gängige Coding Agents zielgerichtet ein und beherrschen fortgeschrittene Techniken für effizientes Prompting und gutes Kontextmanagement. Sie integrieren smarte Agent-Unterstützung gezielt in alltägliche Entwicklungsaufgaben und verbessern iterativ Ihre Codequalität - für spürbar gesteigerte Produktivität in der täglichen Praxis. 

Inhalt

• 1. Einführung & Produktivität 
  • Was sind Coding Agents? Definition und Abgrenzung. 
  • Kernkonzepte von Coding Agents (Überblick). 
  • Vorteile und Produktivitätspotenzial. 
  • Ziel der Schulung: Bessere Ergebnisse und Produktivitätssteigerung. 
• 2. Coding Agent Einstellungen 
  • Überblick populärer Coding Agents (Vorstellung, Einsatzgebiete). 
  • LLM-Grundlagen für Coding Agents (Architekturen, Auswahlkriterien, spezialisierte Modelle). 
  • Wichtige Settings und Konfigurationen der Agents (Leistung, Datenschutz, Sicherheit). 
• 3. Effektives Prompting 
  • Grundlagen: Klare, spezifische Prompts. 
  • Kontextbereitstellung: Code, Fehler, Umgebung. 
  • Beispielbasierte Aufgabenstellung (Few-Shot). 
  • Ausgabeformat und Stil spezifizieren. 
  • Strukturierte Prompts, Delimiter. 
  • Iteratives Prompting und Feedback. 
  • Setup: Systemnachrichten, Rollen, Personas. 
  • Fortgeschrittene Techniken: Zero/One/Few-Shot, Chain-of-Thought. 
• 4. Aufgabenaufbereitung & Kontext 
  • Aufgabenaufbereitung: Planung, Zerlegung, aktuelle Informationen einbringen. 
  • Code-Basis-Verständnis: Context Engines, automatisierte Kontextbereitstellung, 
  • Umgang mit großen Codebasen (ggf. kurze Erwähnung RAG). 
  • Kontextintegration: Dokumentation, Code-Ausschnitte, Verzeichnisstrukturen einbetten. 
• 5. Fortgeschrittene Interaktion 
  • Agenten "Sehen" beibringen (Browser-Steuerung mit Werkzeugen wie Playwright, Selenium, Puppeteer). 
  • Agenten helfen, Konsole zu "sehen" (Terminal-Interaktion, Lesen/Interpretieren von Ausgaben mit Werkzeugen wie PTY, ShellJS). 
  • Werkzeuge bereitstellen (Best Practices für Auswahl und Integration, kurze Erwähnung des Konzepts eigener MCPs). 
  • Agenten-Verhalten steuern: 
    • Nutzung von "Structured Outputs" für vorhersagbare, maschinenlesbare Antworten (z.B. JSON). 
    • "Function Calling" ermöglichen: Agenten rufen externe Funktionen/APIs auf, um Aktionen auszuführen oder Informationen zu beschaffen. 
  • Kurzer Exkurs: Anbindung interner Wissensdatenbanken (Konzepte wie RAG, Datenschutzaspekte). 
• 6. Praktische Anwendungsfälle 
  • Code-Generierung und -Vervollständigung. 
  • Refactoring und Code-Optimierung. 
  • Testfallgenerierung und Testautomatisierung. 
  • Bug-Analyse und -Behebung. 
  • Automatisierte Code-Dokumentation. 
• 7. Iterative Verbesserung 
  • Ergebnisverbesserung durch Agenten: 
    • Requirements-Dokumente als Soll-Vorgabe. 
    • Unit-Tests als Feedback-Quelle. 
    • Browser-Testing zur UI-Validierung. 
    • Automatisierte Feedback-Schleifen. 
    • Fehlerausgaben systematisch nutzen. 
• 8. Herausforderungen & Grenzen 
  • Ursachen für schlechte Agentenleistung. 
  • Strategien zur Leistungsverbesserung. 
  • Typische KI-Schwächen in der Softwareentwicklung. 
  • Grenzen der Automatisierung, menschliche Aufsicht. 
  • Umgang mit spezifischen LLM-Herausforderungen (Unzuverlässigkeit, Kontext, Aktualität, Closed-Source-Zugriff). 
• 9. Rechtliche Grundlagen 
  • DSGVO im Überblick 
  • EU AI Act im Überblick