Coding mit KI

Ihr Leitfaden für Agentic Coding mit dem richtigen Vibe Wird in wenigen Jahren niemand mehr Code schreiben, wie es NVIDIA-Chef Jensen Huang prophezeit? Werden intelligente Systeme Bugs jagen, Apps erstellen und Menschen überflüssig machen? Wahrscheinlich nicht. Aber sicher ist, dass KI rasend schnell verändert, wie wir Software entwickeln. Wer die neuen KI-Helfer nicht nutzt, macht sich das Leben unnötig schwer und läuft Gefahr, den Anschluss zu verlieren. In diesem Buch erfahren Sie, was Agentic Coding bereits leisten kann und wo die Grenzen von GitHub Copilot, Claude, Antigravity und Cursor liegen. Michael Kofler, Bernd Öggl und Sebastian Springer zeigen Ihnen anhand praxisnaher Beispiele, wie Sie heute schon mit KI-Unterstützung schneller, effizienter und fehlerfreier programmieren können. Ein pragmatischer Leitfaden für alle, die wissen wollen, was künstliche Intelligenz für die Softwareentwicklung bedeutet. Aus dem Inhalt:- Agentic Coding- Debugging, Refactoring und Unit-Tests- MCP und Skills- Server-Setup für lokale LLM-Ausführung- Modelle mit dem Docker Model Runner ausführen- LLMs per API nutzen- Reasoning and Thinking - RAGs und SQL-to-Text- Risiken, Grenzen und Ausblick

Michael Kofler hat Telematik an der TU Graz studiert und ist einer der erfolgreichsten deutschsprachigen IT-Fachbuchautoren. Zu seinen Themengebieten zählen neben Linux auch IT-Sicherheit, Python, Swift, Java und der Raspberry Pi. Er ist Entwickler, berät Firmen undarbeitet als Lehrbeauftragter.

Vorwort ... 9
TEIL I. KI-Tools verstehen ... 15
1. Einführung ... 17
1.1 ... Coding per Chat ... 17
1.2 ... Codeassistenten ... 27
1.3 ... Die Kunst des Prompting ... 40
1.4 ... Grundlagen von Large Language Models (LLMs) ... 48
1.5 ... LLM-Interna und -Optimierung ... 63
2. Pair Programming ... 75
2.1 ... Die richtigen KI-Tools zum Lernen ... 76
2.2 ... Code in Funktionen strukturieren ... 78
2.3 ... Beispiel: IBAN-Validierung ... 88
2.4 ... Objektorientiert programmieren ... 95
2.5 ... Beispiel: Quiz ... 103
2.6 ... Beispiel: Sudoku lösen ... 108
3. Agentic Coding ... 117
3.1 ... Agentic Coding in der Software-Entwicklung ... 117
3.2 ... Agentic Coding mit Cursor ... 120
3.3 ... Die Kernfeatures von Cursor ... 124
3.4 ... Der Agentic Coding Workflow ... 135
3.5 ... Fazit ... 146
TEIL II. Coding mit KI-Unterstützung ... 149
4. Debugging ... 151
4.1 ... Webapplikationen ... 152
4.2 ... App-Entwicklung ... 162
4.3 ... Entwicklung am Raspberry Pi ... 167
4.4 ... Visual Studio und VSunhbox voidb@x protect penalty @M Code ... 171
4.5 ... Fazit ... 173
5. Refactoring ... 175
5.1 ... Einführung ins Refactoring ... 176
5.2 ... Refactoring mit KI-Werkzeugen ... 176
5.3 ... Best Practices ... 190
5.4 ... Wann Sie KI nicht zum Refactoring einsetzen sollten ... 192
5.5 ... Fazit ... 193
6. Software testen ... 195
6.1 ... Erzeugen von Testdaten ... 196
6.2 ... KI-gestützte Testautomatisierung ... 200
6.3 ... Testgetriebene Entwicklung mit KI ... 207
6.4 ... Arbeiten mit Abhängigkeiten ... 213
6.5 ... Optimieren von Tests ... 220
6.6 ... E2E-Tests ... 226
6.7 ... Fazit ... 231
7. Software dokumentieren ... 233
7.1 ... Inline-Dokumentation ... 235
7.2 ... Funktions- und Klassendokumentation ... 239
7.3 ... API-Dokumentation ... 243
7.4 ... Veraltete Dokumentation ... 247
7.5 ... Fazit ... 250
8. Datenbanken ... 253
8.1 ... Datenbankdesign ... 254
8.2 ... SQL-Kommandos ... 261
8.3 ... Administration ... 268
8.4 ... Datenbank-Handling mit MCP ... 273
9. Scripting und Systemadministration ... 279
9.1 ... Scripting ... 279
9.2 ... Reguläre Muster ... 284
9.3 ... KI-Hilfe im Terminal mit llm ... 289
9.4 ... Systemadministration ... 292
9.5 ... Linux-Administration per SSH und KI ... 297
TEIL III. Tools für Profis ... 305
10. Sprachmodelle lokal ausführen ... 307
10.1 ... Die Qual der LLM-Wahl ... 308
10.2 ... Vorteile der lokalen Ausführung von Modellen ... 314
10.3 ... GPT4All ... 315
10.4 ... Ollama ... 318
10.5 ... Die Ollama Cloud ... 324
10.6 ... Open WebUI für Ollama ... 325
10.7 ... Continue ... 333
10.8 ... Ollama-API ... 336
10.9 ... Tabby ... 339
10.10 ... Fazit ... 341
11. Der eigene LLM-Server ... 343
11.1 ... Hardware ... 345
11.2 ... GPU-Bibliotheken, Treiber und Kernel-Einstellungen ... 346
11.3 ... LM Studio ... 354
11.4 ... Agentic Coding mit Roo Code ... 368
11.5 ... llama-server ... 371
11.6 ... Fazit ... 377
12. Agentic-Coding-CLIs ... 379
12.1 ... Einführung ... 379
12.2 ... Claude Code ... 382
12.3 ... Codex CLI ... 396
12.4 ... goose ... 400
13. MCP und Skills ... 407
13.1 ... Tool Calling ... 408
13.2 ... Model Context Protocol (MCP) ... 409
13.3 ... Skills ... 428
14. Retrieval Augmented Generation (RAG) und Text-to-SQL ... 439
14.1 ... Schnellstart RAG ... 440
14.2 ... Das viel-falter-Projekt ... 445
14.3 ... Dokumente laden ... 446
14.4 ... Index erzeugen ... 448
14.5 ... Vector-Store-Datenbanken ... 452
14.6 ... RAG-Abfragen ... 455
14.7 ... Text-to-SQL ... 461
15. KI-APIs nutzen ... 473
15.1 ... Die API von OpenAI ... 473
15.2 ... Die API von Claude ... 482
15.3 ... Die API von Gemini ... 484
15.4 ... APIs lokaler Modelle ... 485
15.5 ... Beispiel: Alt-Texte für eine WordPress-Site generieren ... 490
15.6 ... Docker Model Runner ... 496
16. Risiken und Ausblick ... 513
16.1 ... Probleme und Einschränkungen beim Einsatz von KI-Tools ... 513
16.2 ... Beispielhaftes KI-Versagen ... 520
16.3 ... Ethische Fragen ... 529
16.4 ... AI Slop, Vibe Coding und die Zukunft der Software-Entwicklung ... 535
Index ... 541