Wie kann man richtig Vibe Coding betreiben? Dies ist ein Masterkurs von der Leiterin des Programmierintelligenten Agenten von Anthropic.

Was soll ein Programmierer tun, wenn er sich die Hand gebrochen hat, zwei Monate lang Gips getragen hat, aber die Arbeit nicht einstellen kann? Die Antwort von Erik Schluntz, Forscher bei Anthropic und Mitautor von "Building Efficient Agents", lautet: Überlass es Claude vollständig.

Heutzutage, da KI die Regeln der Softwarebranche nachdrücklich neu formt, ist Vibe Coding zu einer unabdingbaren Frage geworden, wenn Unternehmen ihre Produktivität vervielfachen möchten.

Vor einigen Monaten trat Schluntz mit seiner wunderbaren Erfahrung des gezwungenen "vollautomatisierten Büroarbeitens" in den Vordergrund und diskutierte mit anderen über ein etwas kontroverses Thema: Wie kann man auf verantwortungsvolle Weise Vibe Coding in einer Produktionsumgebung betreiben?

Dieser Vortrag war sehr informativ und hat in den letzten Tagen wieder auf X Bekanntheit erlangt. Der Nutzer Movez lobte ihn sogar, indem er sagte, er sei besser als 100 bezahlte Kurse.

Im Geiste des Vibe Codings haben wir auch mit Hilfe der KI den Vortrag von Schluntz zusammengefasst.

Definition von "Vibe Coding"

Viele Menschen equieren das intensive Verwenden von KI-Tools wie Cursor oder Copilot zur Codegenerierung mit Vibe Coding. Das stimmt jedoch nicht. Solange die Entwickler immer noch in einem engen Feedback-Zyklus mit dem Modell arbeiten, indem sie Zeile für Zeile korrigieren und überprüfen, kann dies nicht als echtes "Vibe" bezeichnet werden.

Andre Karpathy gibt eine präzisere Definition: "Total in die Atmosphäre eintauchen, dem exponentiellen Wachstum der Technologieentwicklung offen gegenüberstehen und den Code völlig vergessen."

Dieser Arbeitsmodus senkt die Entwicklungsschwelle drastisch und ermöglicht es auch Personen ohne Ingenieurhintergrund, vollständige Anwendungen unabhängig zu entwickeln. In der Vergangenheit waren die Erfolgsfälle dieses Entwicklungsmusters jedoch oft auf persönliche Spiele oder risikoarme Projekte beschränkt. Sobald Nichtfachleute diesen Modus in eine echte Produktionsumgebung übertragen, kann es oft zu unkontrollierten Situationen wie dem Erschöpfen des API-Kontingents, dem Umgehen der Abonnementüberprüfung oder dem willkürlichen Ändern der Datenbank kommen.

Warum sollte man sich dem exponentiellen Wachstum öffnen?

Da es in einer risikoreichen Geschäftsumgebung unkontrollierbare Faktoren gibt, warum sollten wir diese Technologie dennoch vorantreiben? Der Kernmotor liegt im "exponentiellen Wachstum" der KI-Fähigkeiten.

Derzeit verdoppelt sich die Länge der Aufgaben, die die KI unabhängig bearbeiten kann, ungefähr alle sieben Monate. Heute kann die KI eine eine Stunde dauernde Codierungsaufgabe stabil erledigen, und die Entwickler haben noch die Energie, Zeile für Zeile zu überprüfen. Im nächsten Jahr oder übernächsten Jahr, wenn die KI Code in einem Umfang generieren kann, der einem menschlichen Arbeitstag oder sogar einer menschlichen Arbeitswoche entspricht, wird der menschliche Ingenieur bei der Beibehaltung der traditionellen synchronen Überprüfung und Korrektur zwangsläufig zur Engstelle bei der Rechenleistungsexplosion werden.

Wir können uns an die Entwicklungsgeschichte des Compilers orientieren. Frühe Entwickler vertrauten möglicherweise nicht auf den Compiler und überprüften weiterhin den zugrunde liegenden Assemblercode. Mit der Vergrößerung des Systemumfangs mussten die Entwickler lernen, höheren Abstraktionsebenen zu vertrauen. Für die Zukunft muss die gesamte Softwareingenieurbranche ebenfalls frühzeitig darüber nachdenken, wie man in einer Produktionsumgebung sicher und verantwortungsvoll Systeme akzeptieren kann, die direkt von großen Modellen generiert werden.

Suchen nach überprüfbaren Abstraktionsebenen und der "Leaf nodes"-Strategie

Der Kerngedanke des Vibe Codings in einer Produktionsumgebung besteht darin: Vergesse den Code, aber achte immer auf das Produkt.

In der modernen Unternehmensverwaltung verwaltet der CTO Technikspezialisten anhand von Akzeptanztests, der Produktmanager überprüft die Funktionsgestaltung durch die Produktberührung, und der CEO überprüft das Finanzmodell anhand von Schlüsseldatenausschnitten. Keiner von ihnen geht in die untersten Ausführungsdetails ein. Softwareingenieure müssen ebenfalls ähnliche Abstraktionsebenen aufbauen, die ohne das Lesen des untersten Codes überprüft werden können.

Der Kern liegt darin: Finde die Abstraktionsebene, die du überprüfen kannst!

Derzeit gibt es jedoch ein kniffliges technisches Hindernis beim KI-Coding, nämlich die technische Schuldenlast. Momentan ist es außer durch das Durchlesen des Quellcodes äußerst schwierig, die technische Schuldenlast durch andere systematische Mittel zu messen oder zu überprüfen.

Basierend auf diesem Problem schlägt Erik Schluntz die Konzentration auf "Leaf nodes" (Endknoten) im Code-Speicher vor.

Diese Knoten bezeichnen Endfunktionen oder zusätzliche Komponenten, die von keinem anderen Modul abhängig sind. In diesen Bereichen ist es akzeptabel, wenn eine gewisse technische Schuldenlast entsteht, da sie selten geändert werden und die Konstruktion nachfolgender Module nicht behindern. Im Gegensatz dazu müssen die Ingenieure weiterhin das Systemrumpf und die untere Architektur verstehen und deren Skalierbarkeit streng schützen.

Es ist zu beachten, dass mit der Verbesserung der Modellfähigkeiten die Codeebenen, denen wir die KI vertrauen können, immer tiefer reichen. Am Beispiel des neuen Modells, das kürzlich in Anthropic getestet wurde, steigt die Erfolgsrate der KI bei der Generierung einer hochwertigen Architektur, und diese Grenze ändert sich dynamisch.

Werde ein Vollzeit-Produktmanager für große Modelle

Um von der KI hochwertigen Engineering-Code zu erhalten, muss der Entwickler seinen Denkstil ändern und sich als Produktmanager von Claude verstehen. Frag nicht, was Claude für dich tun kann, sondern was du für Claude tun kannst.

Bei komplexen Entwicklungsprojekten muss der Entwickler die KI wie einen neuen Mitarbeiter an seinem ersten Arbeitstag leiten. Ein direkter Befehl wie "Implementiere diese Funktion" wird sicher fehlschlagen. Der Entwickler muss der KI eine detaillierte Navigation durch den Code-Speicher geben und die Anforderungsspezifikationen und Einschränkungen klarstellen.

Erik Schluntz betont seinen Standard-Vorarbeitsablauf.

Vor dem eigentlichen Schreiben des Codes durch Claude verbringt er normalerweise 15 bis 20 Minuten mit ihr in Interaktion. Dies umfasst das Letzen der KI, den Code-Speicher zu erkunden, relevante Dateien zu finden und einen klaren Ausführungsplan zu erstellen. Anschließend werden diese vollständig aufbereiteten Kontexte und Regeln in ein einzelnes Prompt eingegeben, und dann lässt er Claude die Aufgabe ausführen. In diesem Ablauf steigt die Erfolgsrate des Modells exponentiell.

Ein Fallbeispiel für die Zusammenführung von 22.000 Codezeilen in einer Produktionsumgebung

Im Vortrag hat Erik Schluntz ein extrems Praxisbeispiel aus Anthropic enthüllt. Sein Team hat kürzlich in der Produktionsumgebung des Reinforcement-Learning-Code-Speichers eine Änderung von 22.000 Codezeilen erfolgreich zusammengeführt, von denen der Großteil von Claude geschrieben wurde.

Um diese Zusammenführung auf verantwortungsvolle Weise durchzuführen, hat das Team vier Kernstrategien verfolgt:

1. Tiefgehende Führung aus der Perspektive des Produktmanagers: Es wurden mehrere Tage für die manuelle Planung und die Anforderungsaufarbeitung aufgewendet.
2. Strenge Begrenzung des Änderungsbereichs: Die Codeänderungen wurden streng auf die Leaf nodes beschränkt, in denen technische Schulden akzeptabel sind.
3. Manuelle Beteiligung im Kernbereich: Für die Kernlogik, bei der die Skalierbarkeit der unteren Ebene gewährleistet werden muss, hat das Team eine strenge manuelle Überprüfung durchgeführt.
4. Einrichtung von überprüfbaren Checkpunkten: Es wurden Langzeit-Stresstests für die Systemstabilität entwickelt, und es wurde sichergestellt, dass das gesamte System Eingabe- und Ausgabestandards hat, die leicht von Menschen überprüft werden können.

Auf diese Weise wurde ein riesiges Projekt, das normalerweise von menschlichen Ingenieuren zwei Wochen lang Zeile für Zeile geschrieben und überprüft werden musste, auf einen Tag reduziert. Wenn die Zeitkosten für die Entwicklung plötzlich sinken, haben die Ingenieure die Möglichkeit, groß angelegte Umstrukturierungen und Funktionsiterationen voranzutreiben, die bisher aufgrund von Ressourcenbeschränkungen aufgeschoben wurden.

Fortgeschrittene Techniken: Exploration, Testen und Toolkettenkoordination

In der mehr als zehnminütigen Fragen- und Antwort-Session hat Erik Schluntz die praktischen Details, die die Entwickler interessieren, intensiv beantwortet, die von der persönlichen Entwicklung bis zur Toolkombination reichen.

Frage 1: In der Vergangenheit haben wir viel Zeit damit verbracht, Syntax-, Bibliotheksdateien oder die Verbindungen zwischen Codekomponenten zu bearbeiten, und wir haben in diesem Prozess gelernt. Wie soll man jetzt lernen? Wie kann man genug Wissen sammeln, um ein guter Produktmanager für Agenten zu werden?

Erik: Das ist eine gute Frage. Ja, wir werden nicht mehr diese schmerzlichen Auseinandersetzungen haben. Aber ich denke, das ist in Ordnung, genauso wie heutige Programmierer nicht mehr manuell Assemblercode schreiben müssen.

Das Optimistische daran ist, dass ich festgestellt habe, dass ich mit Hilfe von KI-Tools viel schneller neue Dinge lerne. Oft frage ich: "Hey Claude, ich kenne diese Bibliothek nicht, erzähl mir etwas darüber. Warum hast du sie gewählt?" Mit einem ständig verfügbaren Partner wie Claude bedeutet das, dass faulere Leute es sich leicht machen können, aber wenn du bereit bist, Zeit in das Lernen zu investieren, wird Claude dir helfen, es zu verstehen.

Außerdem können wir mit Hilfe der KI mehr "Fehlversuche" machen. Eine Architekturentscheidung, die ursprünglich zwei Jahre dauern würde, um zu validieren, kann jetzt in sechs Monaten ergebnisse liefern. Wenn man bereit ist, zu versuchen, kann ein Ingenieur in der gleichen Zeit viermal so viel Erfahrung sammeln.

Frage 2: Wie kann man bei der Vorplanung die Menge der Informationen, die man der KI gibt, ausbalancieren? Gibt es eine standardisierte Vorlage?

Erik: Das hängt davon ab