Einleitung<\/h2>\n\n \u201eSoftwareentwicklung ohne KI-Unterst\u00fctzung ist wie der Versuch, ein Auto auf einem Fahrrad zu \u00fcberholen.“<\/b> <\/p>\n
Diese Erkenntnis traf mich mit voller Wucht, als ich k\u00fcrzlich beschloss, den neuen Agentenmodus von GitHub Copilot zu testen. Was als Neugierde begann, entwickelte sich schnell zu einem intensiven viert\u00e4gigen Entwicklungssprint, der Ergebnisse hervorbrachte, die ich allein in diesem Zeitrahmen nicht h\u00e4tte erreichen k\u00f6nnen. <\/p>\n
Bei dieser Erfahrung ging es nicht nur darum, schneller Code zu produzieren. Sie hat meine Einstellung zur Softwareentwicklung grundlegend ver\u00e4ndert. Die Synergie zwischen meinem Fachwissen und den Programmierf\u00e4higkeiten des Agenten schuf einen Arbeitsablauf, der sich im Vergleich zu herk\u00f6mmlichen Entwicklungsmethoden fast unfair effizient anf\u00fchlte. <\/p>\n<\/div>\n<\/div>\n
\nWas ist die Contemplation Machine?<\/h2>\n\n Die Contemplation Machine ist eine Meditations-App, die ich schon immer haben wollte – ein pers\u00f6nliches Projekt, das schon seit Monaten in meinem mentalen Backlog lag. Ich habe sie entwickelt, um gef\u00fchrte Meditationssitzungen mit anpassbarer Dauer, Themen und eignen Texten anzubieten. <\/p>\n
\n![\"2025-05-07_17-40-43_2025-05-07_17-40-34.png\"](\"https:\/\/anwi.gmbh\/wp-content\/uploads\/2025\/05\/2025-05-07_17-40-43_2025-05-07_17-40-34-3.png\")
<\/p>\n
Figure 1: <\/span>Cartoon zur Veranschaulichung der Contemplation Machine<\/p>\n<\/p><\/div>\n Als ich das Projekt begann, hatte ich eigentlich nicht vor, es zu vollenden. Ich wollte lediglich die neuen Agentenfunktionen von GitHub Copilot an einem praktischen Beispiel testen. Aber schon nach wenigen Stunden waren die Ergebnisse so beeindruckend, dass ich mich entschloss, eine vollst\u00e4ndige Open-Source-Version zu entwickeln. <\/p>\n
Was diese Anwendung so besonders macht, ist nicht nur ihre Funktionalit\u00e4t, sondern auch der Prozess, durch den sie entstanden ist. Fast jede Zeile des Codes tr\u00e4gt die Fingerabdr\u00fccke der Zusammenarbeit von Mensch und KI – ein Entwicklungsansatz, der noch vor wenigen Jahren Science Fiction gewesen w\u00e4re. <\/p>\n<\/div>\n<\/div>\n
\nDie Entwicklung der Contemplation Machine<\/h2>\n\n Mein Entwicklungsprozess mit dem GitHub Copilot Agent unterschied sich drastisch von meinem \u00fcblichen Arbeitsablauf. Ich begann damit, dass ich dem LLM meine Projektidee vorstellte und fragte, welche Herangehensweise, Technologie und Architektur es empfahl. Diese anf\u00e4ngliche Beratung pr\u00e4gte das gesamte Projekt, obwohl ich mit einigen der empfohlenen Frameworks nur wenig Erfahrung hatte. <\/p>\n
F\u00fcr jede Version erstellte ich eine kurze Beschreibung der Anforderungen und bat den Agenten, ein Konzept und einen Implementierungsplan zu erstellen. Nach \u00dcberpr\u00fcfung und Anpassung dieses Dokuments unterteilten wir die Umsetzung in der Regel in drei oder vier Phasen. Dann wies ich den Bearbeiter an, jede Phase nacheinander umzusetzen. <\/p>\n
Was mich am meisten erstaunte, war, wie der Agent diese Phasen fast unabh\u00e4ngig voneinander bew\u00e4ltigen und koordinierte \u00c4nderungen an mehreren Dateien vornehmen konnte. Am Ende brauchte ich oft nur noch die Funktionalit\u00e4t der fertigen Anwendung zu \u00fcberpr\u00fcfen. <\/p>\n
Ich habe haupts\u00e4chlich mit dem Claude Sonnet 3.7 Modell von Anthropic in GitHub Copilot gearbeitet, das sich unter den verf\u00fcgbaren Optionen als das leistungsf\u00e4higste und brauchbarste erwies. Der Qualit\u00e4tsunterschied zwischen den Modellen war betr\u00e4chtlich, wobei die Angebote von Anthropic durchweg die wertvollste Unterst\u00fctzung boten. <\/p>\n
\n![\"2025-05-07_17-37-16_2025-05-07_17-33-40.png\"](\"https:\/\/anwi.gmbh\/wp-content\/uploads\/2025\/05\/2025-05-07_17-37-16_2025-05-07_17-33-40-3.png\")
<\/p>\n
Figure 2: <\/span>Entwicklung der Contemplation Machine in VSCode mit GitHub Copilots Agent Mode.<\/p>\n<\/p><\/div>\n<\/div>\n<\/div>\n\nDie Herausforderungen und L\u00f6sungen<\/h2>\n\n Trotz der beeindruckenden F\u00e4higkeiten war dieser Entwicklungsansatz nicht ohne erhebliche Herausforderungen. Ein gro\u00dfes Problem war die Interferenzkapazit\u00e4t – die Reaktionsf\u00e4higkeit des LLMs. Ich hatte h\u00e4ufig mit langen Wartezeiten zu k\u00e4mpfen, und manchmal wurden Aufforderungen ganz abgebrochen, so dass ich sie wiederholen musste. Diese Unvorhersehbarkeit st\u00f6rte meinen Entwicklungsfluss und zwang mich oft, Pausen einzulegen, bis sich die Antwortzeiten verbesserten. <\/p>\n
Eine weitere gro\u00dfe Herausforderung war die Beherrschung der Komplexit\u00e4t. Ich begann zun\u00e4chst mit einem ehrgeizigeren Programmmodell, das eine vollst\u00e4ndige Benutzerverwaltung mit Authentifizierung vorsah. Der Agent generierte zwar beeindruckenden Code, aber sobald die Komplexit\u00e4t einen bestimmten Schwellenwert \u00fcberschritt, begann er bei jedem Iterationszyklus neue Fehler zu machen. Schlie\u00dflich konnte ich die Codebasis nicht mehr stabilisieren und musste alles verwerfen und von vorne beginnen. <\/p>\n
Aus dieser Erfahrung habe ich mehrere wichtige Strategien gelernt: <\/p>\n
\n- \u00c4nderungen klein und konzentriert halten<\/li>\n
- H\u00e4ufiges Commit<\/li>\n
- Ein klares Releasemodell einf\u00fchren um problematischer \u00c4nderungen revidieren zu k\u00f6nnen<\/li>\n
- Tendenz des Agenten zu \u00fcberm\u00e4\u00dfig komplexe L\u00f6sungen durch Prompt-Engineering einschr\u00e4nken<\/li>\n
- Bei Bedarf explizit um Vereinfachung bitten<\/li>\n<\/ul>\n<\/div>\n<\/div>\n\n
Die Bedeutung f\u00fcr die IT-Branche<\/h2>\n\n Die Arbeit mit dem GitHub Copilot Agent zwang mich, mich mit einer unbequemen Wahrheit auseinanderzusetzen: Der Agent generierte durchweg besseren Code, als ich ihn selbst schreiben konnte. Bei Verz\u00f6gerungen in der Beantwortung z\u00f6gerte ich, die manuelle Programmierung fortzusetzen, weil der Qualit\u00e4ts- und Geschwindigkeitsunterschied so gro\u00df war. <\/p>\n
Diese Dynamik bezeichne ich als \u201edas unfaire Rennen\u201c. Es ist, als w\u00fcrde man versuchen, ein Auto zu \u00fcberholen, w\u00e4hrend man Fahrrad f\u00e4hrt, oder mit einem Stadtplan zu navigieren, w\u00e4hrend andere ein GPS haben. Fachleute, die sich diese Tools zu eigen machen, haben einen fast unfairen Vorteil in Bezug auf Produktivit\u00e4t und F\u00e4higkeiten. <\/p>\n
Die Auswirkungen auf die IT-Branche sind tiefgreifend. Entwickler, die sich gegen KI-Assistenten str\u00e4uben, k\u00f6nnten sich zunehmend von denen abgeh\u00e4ngt sehen, die sie nutzen. Der Wettbewerbsvorteil ist nicht nur marginal, er ist transformativ. Da diese Tools immer besser werden, wird sich diese Kluft nur noch vergr\u00f6\u00dfern. <\/p>\n
Gleichzeitig entwickelt sich die Rolle des Entwicklers weiter. Technisches Fachwissen ist nach wie vor unerl\u00e4sslich, aber konzeptionelles Denken, architektonische Planung und effektive KI-Zusammenarbeit werden zu ebenso wichtigen F\u00e4higkeiten. Die erfolgreichsten Entwickler werden nicht diejenigen sein, die den meisten Code schreiben, sondern diejenigen, die KI-F\u00e4higkeiten orchestrieren k\u00f6nnen, um ehrgeizige Ziele zu erreichen. <\/p>\n<\/div>\n<\/div>\n
\nFazit<\/h2>\n\n Meine Reise zur Entwicklung der Contemplation Machine mit dem GitHub Copilot Agent hat meine Sichtweise auf die Softwareentwicklung grundlegend ver\u00e4ndert. Was als einfacher Test begann, hat ein neues Paradigma offenbart, das menschliche Kreativit\u00e4t und KI-Ausf\u00fchrung in einer Weise kombiniert, die sich manchmal fast magisch anf\u00fchlt. <\/p>\n
Trotz der Herausforderungen und Einschr\u00e4nkungen sind die Vorteile unbestreitbar. Ich habe in vier Tagen geschafft, was mit herk\u00f6mmlichen Methoden Wochen gedauert h\u00e4tte, vor allem, wenn man bedenkt, wie wenig vertraut ich mit einigen der beteiligten Technologien bin. <\/p>\n
Diese Erfahrung hat mich davon \u00fcberzeugt, dass die KI-gest\u00fctzte Entwicklung nicht nur eine inkrementelle Verbesserung ist – sie ist ein Umbruch, der unsere Branche umgestaltet. Die Frage ist nicht, ob wir diese Tools \u00fcbernehmen sollen, sondern wie schnell wir unsere Arbeitsabl\u00e4ufe und mentalen Modelle anpassen k\u00f6nnen, um ihr Potenzial optimal zu nutzen. <\/p>\n
F\u00fcr alle, die noch z\u00f6gern, kann ich nur Folgendes sagen: Das Rennen hat bereits begonnen, und die Radfahrer werden die Autofahrer nicht einholen, egal wie schnell sie in die Pedale treten. <\/p>\n<\/div>\n<\/div>\n
\nWichtige Erkenntnisse und Ressourcen<\/h2>\n\n\n- Der GitHub Copilot Agent<\/b> bietet Funktionen zur Codebearbeitung, die \u00fcber einfache Vorschl\u00e4ge hinausgehen.<\/li>\n
- Modellauswahl ist wichtig<\/b>: Die Claude-Modelle von Anthropic schnitten durchweg besser ab als andere.<\/li>\n
- Komplexit\u00e4tsmanagement<\/b> ist unerl\u00e4sslich – teilen Sie Projekte in \u00fcberschaubare Phasen auf.<\/li>\n
- H\u00e4ufige \u00dcbertragungen<\/b> und ein solides Release-Modell helfen, gelegentliche Instabilit\u00e4t zu bew\u00e4ltigen.<\/li>\n
- Die konzeptionelle Richtung<\/b> sollte von Menschen bestimmt werden, mit der Bitte um Vereinfachung, wenn n\u00f6tig.<\/li>\n
- Die Produktivit\u00e4t von Entwicklern<\/b> steigt durch effektive KI-Zusammenarbeit dramatisch an.<\/li>\n<\/ul>\n<\/div>\n\n
Verweise:<\/h3>\n\n\n- Die Contemplation Machine auf GitHub: https:\/\/github.com\/andreaswittmann\/contemplation-machine\/tree\/main<\/a><\/li>\n
- Die Contemplation Machine auf Docker Hub: https:\/\/hub.docker.com\/r\/awittmann386\/contemplation-machine<\/a><\/li>\n
- Anthropic Claude 3.7 Pr\u00e4sentation: https:\/\/www.anthropic.com\/claude\/sonnet<\/a><\/li>\n
- GitHub Blog \u00fcber den Agentenmodus: https:\/\/github.blog\/news-insights\/product-news\/github-copilot-the-agent-awakens\/<\/a><\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"
Eine Reise in den GitHub Copilot Agent und die Erschaffung der Contemplation Machine Was als einfacher Test des neuen Agentenmodus von GitHub Copilot begann, entwickelte sich schnell zu einem viert\u00e4gigen Entwicklungssprint, der meine Sichtweise auf die Softwareentwicklung v\u00f6llig ver\u00e4nderte. In diesem Artikel erz\u00e4hle ich von meinen Erfahrungen bei der Entwicklung der \u201eContemplation Machine\u201c – einer … \u201eKI-gest\u00fctzte Entwicklung: Das unfaire Rennen, das alles ver\u00e4ndert\u201c<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0,"footnotes":""},"categories":[39],"tags":[],"series":[],"class_list":["post-987","post","type-post","status-publish","format-standard","hentry","category-contemplation"],"_links":{"self":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=987"}],"version-history":[{"count":1,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions"}],"predecessor-version":[{"id":988,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions\/988"}],"wp:attachment":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=987"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fseries&post=987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\u201eSoftwareentwicklung ohne KI-Unterst\u00fctzung ist wie der Versuch, ein Auto auf einem Fahrrad zu \u00fcberholen.“<\/b> <\/p>\n
Diese Erkenntnis traf mich mit voller Wucht, als ich k\u00fcrzlich beschloss, den neuen Agentenmodus von GitHub Copilot zu testen. Was als Neugierde begann, entwickelte sich schnell zu einem intensiven viert\u00e4gigen Entwicklungssprint, der Ergebnisse hervorbrachte, die ich allein in diesem Zeitrahmen nicht h\u00e4tte erreichen k\u00f6nnen. <\/p>\n
Bei dieser Erfahrung ging es nicht nur darum, schneller Code zu produzieren. Sie hat meine Einstellung zur Softwareentwicklung grundlegend ver\u00e4ndert. Die Synergie zwischen meinem Fachwissen und den Programmierf\u00e4higkeiten des Agenten schuf einen Arbeitsablauf, der sich im Vergleich zu herk\u00f6mmlichen Entwicklungsmethoden fast unfair effizient anf\u00fchlte. <\/p>\n<\/div>\n<\/div>\n
Was ist die Contemplation Machine?<\/h2>\n\n Die Contemplation Machine ist eine Meditations-App, die ich schon immer haben wollte – ein pers\u00f6nliches Projekt, das schon seit Monaten in meinem mentalen Backlog lag. Ich habe sie entwickelt, um gef\u00fchrte Meditationssitzungen mit anpassbarer Dauer, Themen und eignen Texten anzubieten. <\/p>\n
\n <\/p>\n
Figure 1: <\/span>Cartoon zur Veranschaulichung der Contemplation Machine<\/p>\n<\/p><\/div>\n Als ich das Projekt begann, hatte ich eigentlich nicht vor, es zu vollenden. Ich wollte lediglich die neuen Agentenfunktionen von GitHub Copilot an einem praktischen Beispiel testen. Aber schon nach wenigen Stunden waren die Ergebnisse so beeindruckend, dass ich mich entschloss, eine vollst\u00e4ndige Open-Source-Version zu entwickeln. <\/p>\n
Was diese Anwendung so besonders macht, ist nicht nur ihre Funktionalit\u00e4t, sondern auch der Prozess, durch den sie entstanden ist. Fast jede Zeile des Codes tr\u00e4gt die Fingerabdr\u00fccke der Zusammenarbeit von Mensch und KI – ein Entwicklungsansatz, der noch vor wenigen Jahren Science Fiction gewesen w\u00e4re. <\/p>\n<\/div>\n<\/div>\n
\nDie Entwicklung der Contemplation Machine<\/h2>\n\n Mein Entwicklungsprozess mit dem GitHub Copilot Agent unterschied sich drastisch von meinem \u00fcblichen Arbeitsablauf. Ich begann damit, dass ich dem LLM meine Projektidee vorstellte und fragte, welche Herangehensweise, Technologie und Architektur es empfahl. Diese anf\u00e4ngliche Beratung pr\u00e4gte das gesamte Projekt, obwohl ich mit einigen der empfohlenen Frameworks nur wenig Erfahrung hatte. <\/p>\n
F\u00fcr jede Version erstellte ich eine kurze Beschreibung der Anforderungen und bat den Agenten, ein Konzept und einen Implementierungsplan zu erstellen. Nach \u00dcberpr\u00fcfung und Anpassung dieses Dokuments unterteilten wir die Umsetzung in der Regel in drei oder vier Phasen. Dann wies ich den Bearbeiter an, jede Phase nacheinander umzusetzen. <\/p>\n
Was mich am meisten erstaunte, war, wie der Agent diese Phasen fast unabh\u00e4ngig voneinander bew\u00e4ltigen und koordinierte \u00c4nderungen an mehreren Dateien vornehmen konnte. Am Ende brauchte ich oft nur noch die Funktionalit\u00e4t der fertigen Anwendung zu \u00fcberpr\u00fcfen. <\/p>\n
Ich habe haupts\u00e4chlich mit dem Claude Sonnet 3.7 Modell von Anthropic in GitHub Copilot gearbeitet, das sich unter den verf\u00fcgbaren Optionen als das leistungsf\u00e4higste und brauchbarste erwies. Der Qualit\u00e4tsunterschied zwischen den Modellen war betr\u00e4chtlich, wobei die Angebote von Anthropic durchweg die wertvollste Unterst\u00fctzung boten. <\/p>\n
\n <\/p>\n
Figure 2: <\/span>Entwicklung der Contemplation Machine in VSCode mit GitHub Copilots Agent Mode.<\/p>\n<\/p><\/div>\n<\/div>\n<\/div>\n\nDie Herausforderungen und L\u00f6sungen<\/h2>\n\n Trotz der beeindruckenden F\u00e4higkeiten war dieser Entwicklungsansatz nicht ohne erhebliche Herausforderungen. Ein gro\u00dfes Problem war die Interferenzkapazit\u00e4t – die Reaktionsf\u00e4higkeit des LLMs. Ich hatte h\u00e4ufig mit langen Wartezeiten zu k\u00e4mpfen, und manchmal wurden Aufforderungen ganz abgebrochen, so dass ich sie wiederholen musste. Diese Unvorhersehbarkeit st\u00f6rte meinen Entwicklungsfluss und zwang mich oft, Pausen einzulegen, bis sich die Antwortzeiten verbesserten. <\/p>\n
Eine weitere gro\u00dfe Herausforderung war die Beherrschung der Komplexit\u00e4t. Ich begann zun\u00e4chst mit einem ehrgeizigeren Programmmodell, das eine vollst\u00e4ndige Benutzerverwaltung mit Authentifizierung vorsah. Der Agent generierte zwar beeindruckenden Code, aber sobald die Komplexit\u00e4t einen bestimmten Schwellenwert \u00fcberschritt, begann er bei jedem Iterationszyklus neue Fehler zu machen. Schlie\u00dflich konnte ich die Codebasis nicht mehr stabilisieren und musste alles verwerfen und von vorne beginnen. <\/p>\n
Aus dieser Erfahrung habe ich mehrere wichtige Strategien gelernt: <\/p>\n
\n- \u00c4nderungen klein und konzentriert halten<\/li>\n
- H\u00e4ufiges Commit<\/li>\n
- Ein klares Releasemodell einf\u00fchren um problematischer \u00c4nderungen revidieren zu k\u00f6nnen<\/li>\n
- Tendenz des Agenten zu \u00fcberm\u00e4\u00dfig komplexe L\u00f6sungen durch Prompt-Engineering einschr\u00e4nken<\/li>\n
- Bei Bedarf explizit um Vereinfachung bitten<\/li>\n<\/ul>\n<\/div>\n<\/div>\n\n
Die Bedeutung f\u00fcr die IT-Branche<\/h2>\n\n Die Arbeit mit dem GitHub Copilot Agent zwang mich, mich mit einer unbequemen Wahrheit auseinanderzusetzen: Der Agent generierte durchweg besseren Code, als ich ihn selbst schreiben konnte. Bei Verz\u00f6gerungen in der Beantwortung z\u00f6gerte ich, die manuelle Programmierung fortzusetzen, weil der Qualit\u00e4ts- und Geschwindigkeitsunterschied so gro\u00df war. <\/p>\n
Diese Dynamik bezeichne ich als \u201edas unfaire Rennen\u201c. Es ist, als w\u00fcrde man versuchen, ein Auto zu \u00fcberholen, w\u00e4hrend man Fahrrad f\u00e4hrt, oder mit einem Stadtplan zu navigieren, w\u00e4hrend andere ein GPS haben. Fachleute, die sich diese Tools zu eigen machen, haben einen fast unfairen Vorteil in Bezug auf Produktivit\u00e4t und F\u00e4higkeiten. <\/p>\n
Die Auswirkungen auf die IT-Branche sind tiefgreifend. Entwickler, die sich gegen KI-Assistenten str\u00e4uben, k\u00f6nnten sich zunehmend von denen abgeh\u00e4ngt sehen, die sie nutzen. Der Wettbewerbsvorteil ist nicht nur marginal, er ist transformativ. Da diese Tools immer besser werden, wird sich diese Kluft nur noch vergr\u00f6\u00dfern. <\/p>\n
Gleichzeitig entwickelt sich die Rolle des Entwicklers weiter. Technisches Fachwissen ist nach wie vor unerl\u00e4sslich, aber konzeptionelles Denken, architektonische Planung und effektive KI-Zusammenarbeit werden zu ebenso wichtigen F\u00e4higkeiten. Die erfolgreichsten Entwickler werden nicht diejenigen sein, die den meisten Code schreiben, sondern diejenigen, die KI-F\u00e4higkeiten orchestrieren k\u00f6nnen, um ehrgeizige Ziele zu erreichen. <\/p>\n<\/div>\n<\/div>\n
\nFazit<\/h2>\n\n Meine Reise zur Entwicklung der Contemplation Machine mit dem GitHub Copilot Agent hat meine Sichtweise auf die Softwareentwicklung grundlegend ver\u00e4ndert. Was als einfacher Test begann, hat ein neues Paradigma offenbart, das menschliche Kreativit\u00e4t und KI-Ausf\u00fchrung in einer Weise kombiniert, die sich manchmal fast magisch anf\u00fchlt. <\/p>\n
Trotz der Herausforderungen und Einschr\u00e4nkungen sind die Vorteile unbestreitbar. Ich habe in vier Tagen geschafft, was mit herk\u00f6mmlichen Methoden Wochen gedauert h\u00e4tte, vor allem, wenn man bedenkt, wie wenig vertraut ich mit einigen der beteiligten Technologien bin. <\/p>\n
Diese Erfahrung hat mich davon \u00fcberzeugt, dass die KI-gest\u00fctzte Entwicklung nicht nur eine inkrementelle Verbesserung ist – sie ist ein Umbruch, der unsere Branche umgestaltet. Die Frage ist nicht, ob wir diese Tools \u00fcbernehmen sollen, sondern wie schnell wir unsere Arbeitsabl\u00e4ufe und mentalen Modelle anpassen k\u00f6nnen, um ihr Potenzial optimal zu nutzen. <\/p>\n
F\u00fcr alle, die noch z\u00f6gern, kann ich nur Folgendes sagen: Das Rennen hat bereits begonnen, und die Radfahrer werden die Autofahrer nicht einholen, egal wie schnell sie in die Pedale treten. <\/p>\n<\/div>\n<\/div>\n
\nWichtige Erkenntnisse und Ressourcen<\/h2>\n\n\n- Der GitHub Copilot Agent<\/b> bietet Funktionen zur Codebearbeitung, die \u00fcber einfache Vorschl\u00e4ge hinausgehen.<\/li>\n
- Modellauswahl ist wichtig<\/b>: Die Claude-Modelle von Anthropic schnitten durchweg besser ab als andere.<\/li>\n
- Komplexit\u00e4tsmanagement<\/b> ist unerl\u00e4sslich – teilen Sie Projekte in \u00fcberschaubare Phasen auf.<\/li>\n
- H\u00e4ufige \u00dcbertragungen<\/b> und ein solides Release-Modell helfen, gelegentliche Instabilit\u00e4t zu bew\u00e4ltigen.<\/li>\n
- Die konzeptionelle Richtung<\/b> sollte von Menschen bestimmt werden, mit der Bitte um Vereinfachung, wenn n\u00f6tig.<\/li>\n
- Die Produktivit\u00e4t von Entwicklern<\/b> steigt durch effektive KI-Zusammenarbeit dramatisch an.<\/li>\n<\/ul>\n<\/div>\n\n
Verweise:<\/h3>\n\n\n- Die Contemplation Machine auf GitHub: https:\/\/github.com\/andreaswittmann\/contemplation-machine\/tree\/main<\/a><\/li>\n
- Die Contemplation Machine auf Docker Hub: https:\/\/hub.docker.com\/r\/awittmann386\/contemplation-machine<\/a><\/li>\n
- Anthropic Claude 3.7 Pr\u00e4sentation: https:\/\/www.anthropic.com\/claude\/sonnet<\/a><\/li>\n
- GitHub Blog \u00fcber den Agentenmodus: https:\/\/github.blog\/news-insights\/product-news\/github-copilot-the-agent-awakens\/<\/a><\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"
Eine Reise in den GitHub Copilot Agent und die Erschaffung der Contemplation Machine Was als einfacher Test des neuen Agentenmodus von GitHub Copilot begann, entwickelte sich schnell zu einem viert\u00e4gigen Entwicklungssprint, der meine Sichtweise auf die Softwareentwicklung v\u00f6llig ver\u00e4nderte. In diesem Artikel erz\u00e4hle ich von meinen Erfahrungen bei der Entwicklung der \u201eContemplation Machine\u201c – einer … \u201eKI-gest\u00fctzte Entwicklung: Das unfaire Rennen, das alles ver\u00e4ndert\u201c<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0,"footnotes":""},"categories":[39],"tags":[],"series":[],"class_list":["post-987","post","type-post","status-publish","format-standard","hentry","category-contemplation"],"_links":{"self":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=987"}],"version-history":[{"count":1,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions"}],"predecessor-version":[{"id":988,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions\/988"}],"wp:attachment":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=987"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fseries&post=987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Die Contemplation Machine ist eine Meditations-App, die ich schon immer haben wollte – ein pers\u00f6nliches Projekt, das schon seit Monaten in meinem mentalen Backlog lag. Ich habe sie entwickelt, um gef\u00fchrte Meditationssitzungen mit anpassbarer Dauer, Themen und eignen Texten anzubieten. <\/p>\n
<\/p>\n
Figure 1: <\/span>Cartoon zur Veranschaulichung der Contemplation Machine<\/p>\n<\/p><\/div>\n Als ich das Projekt begann, hatte ich eigentlich nicht vor, es zu vollenden. Ich wollte lediglich die neuen Agentenfunktionen von GitHub Copilot an einem praktischen Beispiel testen. Aber schon nach wenigen Stunden waren die Ergebnisse so beeindruckend, dass ich mich entschloss, eine vollst\u00e4ndige Open-Source-Version zu entwickeln. <\/p>\n Was diese Anwendung so besonders macht, ist nicht nur ihre Funktionalit\u00e4t, sondern auch der Prozess, durch den sie entstanden ist. Fast jede Zeile des Codes tr\u00e4gt die Fingerabdr\u00fccke der Zusammenarbeit von Mensch und KI – ein Entwicklungsansatz, der noch vor wenigen Jahren Science Fiction gewesen w\u00e4re. <\/p>\n<\/div>\n<\/div>\n Mein Entwicklungsprozess mit dem GitHub Copilot Agent unterschied sich drastisch von meinem \u00fcblichen Arbeitsablauf. Ich begann damit, dass ich dem LLM meine Projektidee vorstellte und fragte, welche Herangehensweise, Technologie und Architektur es empfahl. Diese anf\u00e4ngliche Beratung pr\u00e4gte das gesamte Projekt, obwohl ich mit einigen der empfohlenen Frameworks nur wenig Erfahrung hatte. <\/p>\n F\u00fcr jede Version erstellte ich eine kurze Beschreibung der Anforderungen und bat den Agenten, ein Konzept und einen Implementierungsplan zu erstellen. Nach \u00dcberpr\u00fcfung und Anpassung dieses Dokuments unterteilten wir die Umsetzung in der Regel in drei oder vier Phasen. Dann wies ich den Bearbeiter an, jede Phase nacheinander umzusetzen. <\/p>\n Was mich am meisten erstaunte, war, wie der Agent diese Phasen fast unabh\u00e4ngig voneinander bew\u00e4ltigen und koordinierte \u00c4nderungen an mehreren Dateien vornehmen konnte. Am Ende brauchte ich oft nur noch die Funktionalit\u00e4t der fertigen Anwendung zu \u00fcberpr\u00fcfen. <\/p>\n Ich habe haupts\u00e4chlich mit dem Claude Sonnet 3.7 Modell von Anthropic in GitHub Copilot gearbeitet, das sich unter den verf\u00fcgbaren Optionen als das leistungsf\u00e4higste und brauchbarste erwies. Der Qualit\u00e4tsunterschied zwischen den Modellen war betr\u00e4chtlich, wobei die Angebote von Anthropic durchweg die wertvollste Unterst\u00fctzung boten. <\/p>\n Figure 2: <\/span>Entwicklung der Contemplation Machine in VSCode mit GitHub Copilots Agent Mode.<\/p>\n<\/p><\/div>\n<\/div>\n<\/div>\n Trotz der beeindruckenden F\u00e4higkeiten war dieser Entwicklungsansatz nicht ohne erhebliche Herausforderungen. Ein gro\u00dfes Problem war die Interferenzkapazit\u00e4t – die Reaktionsf\u00e4higkeit des LLMs. Ich hatte h\u00e4ufig mit langen Wartezeiten zu k\u00e4mpfen, und manchmal wurden Aufforderungen ganz abgebrochen, so dass ich sie wiederholen musste. Diese Unvorhersehbarkeit st\u00f6rte meinen Entwicklungsfluss und zwang mich oft, Pausen einzulegen, bis sich die Antwortzeiten verbesserten. <\/p>\n Eine weitere gro\u00dfe Herausforderung war die Beherrschung der Komplexit\u00e4t. Ich begann zun\u00e4chst mit einem ehrgeizigeren Programmmodell, das eine vollst\u00e4ndige Benutzerverwaltung mit Authentifizierung vorsah. Der Agent generierte zwar beeindruckenden Code, aber sobald die Komplexit\u00e4t einen bestimmten Schwellenwert \u00fcberschritt, begann er bei jedem Iterationszyklus neue Fehler zu machen. Schlie\u00dflich konnte ich die Codebasis nicht mehr stabilisieren und musste alles verwerfen und von vorne beginnen. <\/p>\n Aus dieser Erfahrung habe ich mehrere wichtige Strategien gelernt: <\/p>\n Die Arbeit mit dem GitHub Copilot Agent zwang mich, mich mit einer unbequemen Wahrheit auseinanderzusetzen: Der Agent generierte durchweg besseren Code, als ich ihn selbst schreiben konnte. Bei Verz\u00f6gerungen in der Beantwortung z\u00f6gerte ich, die manuelle Programmierung fortzusetzen, weil der Qualit\u00e4ts- und Geschwindigkeitsunterschied so gro\u00df war. <\/p>\n Diese Dynamik bezeichne ich als \u201edas unfaire Rennen\u201c. Es ist, als w\u00fcrde man versuchen, ein Auto zu \u00fcberholen, w\u00e4hrend man Fahrrad f\u00e4hrt, oder mit einem Stadtplan zu navigieren, w\u00e4hrend andere ein GPS haben. Fachleute, die sich diese Tools zu eigen machen, haben einen fast unfairen Vorteil in Bezug auf Produktivit\u00e4t und F\u00e4higkeiten. <\/p>\n Die Auswirkungen auf die IT-Branche sind tiefgreifend. Entwickler, die sich gegen KI-Assistenten str\u00e4uben, k\u00f6nnten sich zunehmend von denen abgeh\u00e4ngt sehen, die sie nutzen. Der Wettbewerbsvorteil ist nicht nur marginal, er ist transformativ. Da diese Tools immer besser werden, wird sich diese Kluft nur noch vergr\u00f6\u00dfern. <\/p>\n Gleichzeitig entwickelt sich die Rolle des Entwicklers weiter. Technisches Fachwissen ist nach wie vor unerl\u00e4sslich, aber konzeptionelles Denken, architektonische Planung und effektive KI-Zusammenarbeit werden zu ebenso wichtigen F\u00e4higkeiten. Die erfolgreichsten Entwickler werden nicht diejenigen sein, die den meisten Code schreiben, sondern diejenigen, die KI-F\u00e4higkeiten orchestrieren k\u00f6nnen, um ehrgeizige Ziele zu erreichen. <\/p>\n<\/div>\n<\/div>\n Meine Reise zur Entwicklung der Contemplation Machine mit dem GitHub Copilot Agent hat meine Sichtweise auf die Softwareentwicklung grundlegend ver\u00e4ndert. Was als einfacher Test begann, hat ein neues Paradigma offenbart, das menschliche Kreativit\u00e4t und KI-Ausf\u00fchrung in einer Weise kombiniert, die sich manchmal fast magisch anf\u00fchlt. <\/p>\n Trotz der Herausforderungen und Einschr\u00e4nkungen sind die Vorteile unbestreitbar. Ich habe in vier Tagen geschafft, was mit herk\u00f6mmlichen Methoden Wochen gedauert h\u00e4tte, vor allem, wenn man bedenkt, wie wenig vertraut ich mit einigen der beteiligten Technologien bin. <\/p>\n Diese Erfahrung hat mich davon \u00fcberzeugt, dass die KI-gest\u00fctzte Entwicklung nicht nur eine inkrementelle Verbesserung ist – sie ist ein Umbruch, der unsere Branche umgestaltet. Die Frage ist nicht, ob wir diese Tools \u00fcbernehmen sollen, sondern wie schnell wir unsere Arbeitsabl\u00e4ufe und mentalen Modelle anpassen k\u00f6nnen, um ihr Potenzial optimal zu nutzen. <\/p>\n F\u00fcr alle, die noch z\u00f6gern, kann ich nur Folgendes sagen: Das Rennen hat bereits begonnen, und die Radfahrer werden die Autofahrer nicht einholen, egal wie schnell sie in die Pedale treten. <\/p>\n<\/div>\n<\/div>\n Eine Reise in den GitHub Copilot Agent und die Erschaffung der Contemplation Machine Was als einfacher Test des neuen Agentenmodus von GitHub Copilot begann, entwickelte sich schnell zu einem viert\u00e4gigen Entwicklungssprint, der meine Sichtweise auf die Softwareentwicklung v\u00f6llig ver\u00e4nderte. In diesem Artikel erz\u00e4hle ich von meinen Erfahrungen bei der Entwicklung der \u201eContemplation Machine\u201c – einer … \u201eKI-gest\u00fctzte Entwicklung: Das unfaire Rennen, das alles ver\u00e4ndert\u201c<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0,"footnotes":""},"categories":[39],"tags":[],"series":[],"class_list":["post-987","post","type-post","status-publish","format-standard","hentry","category-contemplation"],"_links":{"self":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=987"}],"version-history":[{"count":1,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions"}],"predecessor-version":[{"id":988,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=\/wp\/v2\/posts\/987\/revisions\/988"}],"wp:attachment":[{"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=987"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/anwi.gmbh\/index.php?rest_route=%2Fwp%2Fv2%2Fseries&post=987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Die Entwicklung der Contemplation Machine<\/h2>\n
<\/p>\nDie Herausforderungen und L\u00f6sungen<\/h2>\n
\n
Die Bedeutung f\u00fcr die IT-Branche<\/h2>\n
Fazit<\/h2>\n
Wichtige Erkenntnisse und Ressourcen<\/h2>\n
\n
Verweise:<\/h3>\n
\n