Praxisnotiz · KI-Coding-Assistenten
Der Assistent schreibt Code. Sie unterschreiben ihn.
Seit 2023 vermittle ich Forschungsteams den Einsatz von Coding-Assistenten, ohne das Urteil aus der Hand zu geben: was die Werkzeuge leisten, wo sie scheitern und was eine geprüfte KI-Änderung bestehen muss. Diese Seite ist das Workshop-Verzeichnis, der Fall dahinter und die Grenzen, innerhalb derer ich das vermittle.
Was sich geändert hat
2023 war die Frage, ob Autovervollständigung eine Zeile vollenden kann; 2024, ob ein Chatfenster ein Modul refaktorieren kann; 2025 konnten die Werkzeuge ein Repository lesen und einen Befehl ausführen.
Die Schnittstelle hat sich verschoben; das Risiko blieb dasselbe: Code, der im Editor richtig aussieht und im System falsch ist. Werkzeuge lehrt man über ihre Fehlerbilder, nicht über ihre Funktionslisten.
Was das Werkzeug gut kann
- Boilerplate
- Test-Gerüste
- Unbekannte APIs
- Legacy-Code erklären
Was es nicht sieht
- Die Forschungsfrage
- Das Datenmodell
- Die Lizenz
- Die Folgen einer Veröffentlichung
Das Curriculum
Eine Workshop-Reihe, keine einmalige Demo. Dezember 2023 bis September 2025: Autovervollständigung → Chat → Refactoring → Review. Jeder Schritt ist auf Zenodo offen zugänglich.
- Kann LLM generierter Code FAIR sein? Herausforderungen für das Forschungsdatenmanagement
- Der Einfluss von AI-Pair-Programmers auf die Digital Humanities: Potentiale und Limitationen
- KI gestützte Programmierung in den Digitalen Geisteswissenschaften
- KI-Coding-Assistenten (fortgeschritten)
- KI-Coding-Assistenten
- IDE-Integration von GitHub Copilot: JetBrains-IDEs
- Project Overhaul und Refactoring der digitalen Edition der „Urfehdebücher der Stadt Basel“ mithilfe von GPT-4 und LLM
- Legacy-Code und Copilot-Technologien: KI-gestützte Softwarewartung
- Copilot-Technologien in den Digital Humanities
Die Reihe wurde gemeinsam mit Münzer, Sagadin, Dittmann, Martin, Pollin, Scholger, Steiner, Lang und Galka vermittelt.
Der Fall
Die Edition der Urfehdebücher der Stadt Basel brauchte eine Generalüberholung: Datenmodell, Transformation, Visualisierung und die Webanwendung.
Mit dem UFBAS-Team haben wir GPT-4 über diese Schritte hinweg eingesetzt – TEI XML, Kategorien und SKOS, eine Ontologie, RDF, Frontend-Arbeit und Datenvisualisierung – und dokumentiert, wo es half und wo nicht.
Die Lehre war nicht, dass das Modell die Edition geschrieben hat. Es verkürzte den Weg zwischen einer Entscheidung und ihrer Umsetzung, wodurch das Review zum Engpass und zum wertvollsten Teil des Prozesses wurde.
Was das Modell tat
- Transformationen entwerfen
- Mappings vorschlagen
- Frontend-Gerüste generieren
- Unbekannten Code erklären
Was das Team entschied
- Das Datenmodell
- Ontologie-Festlegungen
- Die Lizenz
- Was als korrekte Transformation galt
- Was ausgeliefert wurde
Die Grenzen
Das FAIR-Code-Abstract von 2025 benennt die Fehlerbilder: generierter Code mit schlechter Wartbarkeit, fehlenden Metadaten und unklarer Lizenz ist schwer zu finden und rechtmäßig kaum nachzunutzen.
Unsichere Bibliotheken und uneinheitliche Standards verschärfen das. In der Forschung ist das ein Problem der Datenqualität, nicht des Stils. Vibe Coding ist ein Ausgangspunkt, keine Methode.
-
Der Diff ist klein genug zum Lesen
Ein Review ist eine Lesearbeit, kein flüchtiger Blick.
-
Die Tests liefen
Die Prüfung ist ein Befehl, kein Versprechen.
-
Die Abhängigkeit und ihre Lizenz sind bekannt
Jede neue Bibliothek ist eine rechtliche Verpflichtung und eine Wartungslast.
-
Der Prompt und die Quellen sind protokolliert
Die Provenienz gehört zum Artefakt.
-
Eine Person unterschreibt den Commit
Die Unterschrift ist die Methode.
Die Unterschrift
Der Assistent kann den Code schreiben. Unterschreiben kann er nicht.
Der Auftrag, der Test, die Lizenz und die Unterschrift bleiben bei der Person, die ausliefert. Das ist die ganze Methode, und deshalb ist das Verzeichnis oben ein Verzeichnis für die Lehre und keine Werkzeugbewertung.