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