KI-gestützte Entwicklung

Viele Entwickelnde haben erste Erfahrungen mit ChatGPT, Claude oder Gemini gesammelt und fragen sich, wie sie diese Tools effektiv in ihren Entwicklungsprozess integrieren können. Oder sie nutzen GitHub Copilot bereits – aber oft schöpfen sie nur einen Bruchteil des Potenzials aus. Dieser Intensivkurs geht weit über "Tab drücken und hoffen" hinaus: Sie lernen, wie Sie KI-Assistenten wie GitHub Copilot, Claude Code und Cursor methodisch und zielgerichtet einsetzen. Wir zeigen Ihnen, warum viele Teams mit KI-Tools scheitern und wie Sie es besser machen.

Was diesen Kurs von anderen unterscheidet: Wir arbeiten nicht mit konstruierten Beispielen oder theoretischen Szenarien, sondern entwickeln live an einem echten Projekt – mit echten Prompts, echten Herausforderungen und echten Ergebnissen. Jede vorgestellte Technik wird unmittelbar vorgeführt und validiert. Während andere Kurse KI-Vorteile nur andeuten, erleben Sie hier in Echtzeit, was funktioniert, was nicht – und vor allem warum.

Der Workshop behandelt den gesamten Entwicklungszyklus: Von der Design-Phase mit Architekturdiagrammen über die Implementierung bis hin zu Testing, Code-Reviews und CI/CD sowie dem finalen Deployment. Sie erfahren, wie Sie Ihre Codebasis "KI-ready" machen, welche Prompt-Engineering-Techniken wirklich funktionieren und wie Sie mit den Grenzen von LLMs umgehen – Halluzinationen, Confirmation Bias und das berüchtigte "70%-Problem", bei dem KI Sie fast ans Ziel bringt, aber die letzten Schritte in Ihren Händen liegen.

Besonderer Fokus liegt auf den neuesten Entwicklungen: Custom Instructions, Prompt Files, Skills, agentenbasierte Workflows und das MCP-Protokoll – Techniken, die gerade die Art verändern, wie Teams mit KI-Assistenten arbeiten. Sie lernen nicht nur, was diese Features können, sondern wann und wie Sie sie sinnvoll einsetzen.

Sie verlassen den Workshop mit einem praxiserprobten Toolkit, das Sie nicht nur kennen, sondern live in Aktion gesehen haben – und das Sie direkt am nächsten Tag einsetzen können. Unabhängig davon, ob Sie GitHub Copilot, Claude Code oder eine andere Lösung bevorzugen – dieser Kurs vermittelt werkzeugübergreifende und -unabhängige Techniken und macht Sie somit fit für die Zukunft der Softwareentwicklung.

SchulungszielNach diesem Workshop nutzen Sie KI-Assistenten nicht mehr zufällig, sondern gezielt und effizient. Sie verstehen die Stärken und Grenzen aktueller Modelle, können Ihre Codebasis für optimale KI-Unterstützung vorbereiten und wissen, welche Technik für welche Aufgabe die richtige ist. Das Ergebnis: Spürbar höhere Produktivität beigleichbleibender Codequalität und Architekturkontrolle.

Agenda

Tag 1: Grundlagen und Workflow-Integration

1. Einführung: KI-gestützte Entwicklung

• Aktueller Stand der KI in der Softwareentwicklung

• Die Rolle von KI: Assistenz, nicht Ersatz

• Warum Firmen mit KI-Tools scheitern

• Was sind Stärken und Schwächen von KI-Tools?

• Das "70%-Problem": KI bringt Dich 70% des Weges

• Motivation: Von AI Slop hin zu AI Enablement

2. Governance, Datenschutz und Sicherheit

• Quellcode als sensibles Gut

• Security-First Mindset bei KI-generiertem Code

• Europäische Lösungen

• Open Weight-Modelle selbst hosten: Möglichkeiten und Herausforderungen

• Lizenzierung und Datenschutz, DSGVO-Konformität

• EU AI Act – Auswirkungen auf Entwicklung und Unternehmen

• Anleitung für die Praxis: Datenschutz- und Sicherheitscheckliste für KI-Tools

3. Marktüberblick Coding-Tools & Modelle

• Überblick über populäre Tools (Github Copilot, Claude Code, Cursor etc.)

• Die Qual der Wahl: Welches Modell soll ich nutzen?

• Marktübersicht: Relevante Modelle nach Use-Case

• Typische Beispiele für den Einsatz

• Unterstützte Sprachen und Frameworks

• Praktische Übung: Eine typische Webseite mit unterschiedlichen Tools erstellen & vergleichen

4. Copilot in VS Code effektiv nutzen

• Konfigurationsmöglichkeiten, Einstellungen

• Shortcuts: Slash-Kommandos, Chat Participants und Kontextvariablen

• Unterschied: Inline-Vervollständigung, Blockvervollständigung und Chat

• Praktische Übung: "leere" Methoden mit Hilfe von Github Copilot implementieren.

5. Context Engineering: KI gezielt steuern durch Kontextaufbau und Modi

• Kontext: Welche Informationen werden herangezogen? Wie kann ich dies gezielt beeinflussen?

• Kontext aufbauen: Kommentare als Steuerungsinstrument

• Inline-Suggestions vs. Chat-Interface nutzen

• Ask vs. Edit vs. Plan vs. Agent: Welcher Modus wann und wozu

• Iteration und Verfeinerung von Vorschlägen

• Agent Mode: Ganzheitliche Unterstützung (Dateisystem, Terminal, Screenshots, …)

• Praktische Übung: Erstellen eines neuen Workspaces mit Hello-World-REST-API (Endpoint: /hello-world)

Tag 2: Einführung einer Methodik für konstant gute Ergebnisse

6. Jenseits von Prompt-Engineering: Plädoyer für einen Paradigmenwechsel

• Von Trial & Error zur Methodik: Warum "Tab drücken und hoffen" nicht ausreicht

• Einführung einer Methodik

• Brainstorming & Requirements mit Copilot

• Text als Universal-Interface am Beispiel: Diagramme mit Mermaid-JS

• Plan Mode: Entwurf und Abarbeitung schrittweiser Implementierungspläne

• Tests als integraler Bestandteil der Entwicklung mit KI-Unterstützung

• Unit- und Integrationstests generieren

• Testdaten mit Copilot erzeugen

• Praktische Übung: Diskussion über die Umsetzung eines Todo-REST APIs

• Praktische Übung: Erstellung eines READMEs und von Dokumentation der Endpunkte des Todo-REST APIs

• Praktische Übung: Erstellung von Architektur- und Design-Diagrammen für das Todo-REST API

• Praktische Übung: Erstellung und Implementierung eines Plans für ein Todo-REST API

• Praktische Übung: Unit- und Integrationstests für das REST-API, sowie Testdaten mit Copilot generieren und in die Test-Suite integrieren

• Praktische Übung: Weitere Funktionalität hinzufügen und dabei Tests erstellen und die Doku anpassen bzw. erweitern

• Praktische Übung: CI/CD-Pipeline mit Copilot erstellen, um die Tests automatisch auszuführen und Releases/Deployments zu automatisieren

7. Prompt Engineering für Entwickelnde

• Effiziente Promptgestaltung & Techniken zur Verbesserung der Vorschlagsqualität (z.B. präzisere Prompts, Code-Strukturierung)

• Iteratives Verbessern der Prompts

• Zero-Shot- & Multi-Shot-Prompting

• Prompt Chaining und Chain-of-Thought Prompting

• Generated-Knowledge Prompting

• System, User, Agent: "Copilot-Rollen" und das Persona Pattern

• Promptoptimierung: Prompts sukzessive verbessern, um die Qualität der Vorschläge zu steigern

• Auch KI macht mal Fehler: Beispiele für Fehler und Lösungsansätze

• Halluzinationen erkennen und vermeiden

• Sycophancy ("Schmeichelei") / Confirmation Bias erkennen und vermeiden

• Praktische Übung: Iteratives Verbessern von Prompts für die Implementierung eines neuen API-Endpunkts

Tag 3: Fortgeschrittene Techniken und Unternehmenseinsatz

8. LLM-Grundlagen für Entwickelnde

• Grundlagen: Tokens, Kontext, Wahrscheinlichkeiten

• Eingabe- und Ausgabelimits verstehen

• Strategien zur Umgehung von Kontextlimits

• Kostenbewusstes Arbeiten: Umgang mit Rate Limits, Premium Requests, etc.

9. Prompt Customization & Erweiterte Techniken

• Custom Instructions effektiv nutzen

• Prompt Files: Prompts als "Funktionen" wiederverwenden

• Agent Skills: Spezialisierte Fähigkeiten erstellen und nutzen

• Custom Agents: Eigene "Chat-Modi" erstellen und Tool-Orchestrierung

• Praktische Übung: Prompt Customization Files mit Hilfe von KI erstellen

• Praktische Übung: Prompt Customization Files mit Hilfe von KI validieren, debuggen und optimieren

10. KI-freundliche Codebasis

• Voraussetzungen für eine KI-freundliche Codebasis

• Clean Code Prinzipien als KI-Enabler

• Dokumentation als Kontext-Quelle

• README, Architecture Decision Records (ADRs)

• Tests als Spezifikation

• Typensystem und klare APIs

• Anti-Patterns: Was KI behindert

• Was macht eine "KI-freundliche" Codebasis aus?

11. Das MCP-Protokoll

• Wie funktioniert MCP?

• MCP-Architektur

• Server Primitives

• Client Primitives

• Wofür kann MCP genutzt werden?

• Welche MCP-Server gibt es? Wo finde ich sie?

• Eigene MCP-Server entwickeln

Teilnehmerkreis und Voraussetzungen

Erfahrene Entwickelnde, die über die Basics hinauswachsen und KI-Tools als echten Produktivitätshebel nutzen möchten – nicht als Spielerei, sondern als integralen Bestandteil ihres Entwicklungsalltags.

Mehrjährige Programmiererfahrung in mindestens einer Programmiersprache. GitHub Copilot oder ein vergleichbares Tool ist vorinstalliert, sowie VS Code als IDE vorhanden. Erste Erfahrungen mit KI-Assistenten sind hilfreich, aber nicht zwingend erforderlich.

Mindestanzahl Teilnehmende: 2 Personen