Zum Inhalt springen

Wissensbasis

Deliberate Practice

Deliberate Practice schult euer Urteil im Umgang mit Coding-Agents: Fangt in einer Domäne an, die ihr prüfen könnt. Haltet Aufgaben und Feedback-Schleifen klein, übt täglich an echter Arbeit und baut Reibung dort wieder ein, wo das Tool Denken optional macht.

Verfasst von

Aktualisiert:

Einstieg 2

Unsere Position. Wir rechnen mit Monaten Übung, nicht mit Stunden. Ihr lernt dabei, typische Änderungsmuster in Diffs zu erkennen, zu bemerken, wenn der Agent verdächtig viel Code schreibt, und zu wissen, wann ihr vertraut und wann ihr prüft (öffnet in einem neuen Tab). Verstehen schlägt Benutzen. Übt also, bis ihr wisst, warum der Agent genau diesen Output erzeugt hat.

Jede Gewohnheit schützt dasselbe: eure Fähigkeit zu erkennen, ob der Output des Agenten stimmt. Genau diese Fähigkeit verliert ihr zuerst, wenn der Agent das ganze Denken übernimmt.

Was sollte man als Einsteiger:in zuerst üben?

  • Wählt als erste Domäne eine, in der ihr eine falsche Antwort erkennt, ohne den Code auszuführen.
  • Prüft nach jedem kleinen, klar abgegrenzten Schritt. Das ist das Gegenteil des “total automation”-Fehlers.
  • Baut bewusst Reibung ein: Belegt die Accept-Taste um, schaltet Schreibzugriffe auf Dateien ab oder plant einen Tag ohne KI.

Wie bauen Einsteiger:innen mit einem Agenten Urteilsvermögen auf?

Teams, die ihre eigene Einführung messen, kommen zu ähnlichen Lehren. Rotational Labs hat nach drei Monaten einer sechsmonatigen internen Studie in seinem sechsköpfigen Team Zwischenbilanz gezogen. Der größte frühe Fehler war das “total automation”-Muster. Junior Engineers gaben alles an den Agenten ab und erzeugten Prototypen mit tausend Zeilen, die Senior-Reviewer:innen überforderten. Das Gegenteil funktionierte:

  • Arbeit in einzelne, klar abgegrenzte Aufgaben zerlegen und nach jedem Schritt durch einen Menschen prüfen lassen.
  • Die Tools auf Debugging, unbekannte APIs, Testgenerierung und Boilerplate richten, nicht auf Architekturentscheidungen oder zentrale Geschäftslogik.
  • Zeilenzähler in die CI einbauen, die ausufernde Pull Requests markieren.

Am nützlichsten waren die Tools gegen das Problem der leeren Seite. Sie halfen über die anfängliche Lähmung bei einer unbekannten Sprache oder einem unbekannten Framework hinweg (Rotational Labs - What We’ve Learned From 3 Months Living with AI Coding Tools (öffnet in einem neuen Tab)).

Wohin ihr diese ersten Stunden lenkt, zählt so viel wie die Gewohnheiten. Eine wiederkehrende Taktik für den Einstieg: Fangt in einer Domäne an, die ihr schon beherrscht. Dann könnt ihr den Output wirklich beurteilen, statt ihm blind zu vertrauen (When AI writes almost all code (öffnet in einem neuen Tab)). Jemand aus der Praxis geht eine Stufe weiter: Wer einen minimalen Coding-Agenten baut, ungefähr dreihundert Zeilen in einer Schleife, wird vom Konsumenten zum Produzenten von KI. Er nennt das das neue Grundwissen, auf einer Ebene mit dem Wissen, was ein Primary Key ist. Zur selben Grundbildung gehört, dass nicht jedes Modell agentisch ist. Wer zum falschen greift, kauft gewissermaßen einen Geländewagen, um Fahrgäste zu befördern (Wie man einen Agenten baut (öffnet in einem neuen Tab), 15. Januar 2026).

Von dort aus steigert ihr euch bewusst. Haltet die Feedback-Schleife anfangs eng und die Aufgaben klein. Weitet die Schleife und gebt mehr Autonomie erst, wenn ihr merkt, dass ihr jeden Vorschlag nur noch abnickt. Sperrt die Umgebung in eine Sandbox, damit ihr diese Autonomie gefahrlos geben könnt (Vom Coder zum Dirigenten (öffnet in einem neuen Tab), 2. Dezember 2025).

Können entsteht durch gezieltes Üben, nicht dadurch, dass man den Tools ausgesetzt ist. Geoffrey Huntley beobachtet: Am meisten holen die Leute heraus, die bewusst und absichtsvoll üben. Sie behandeln ein Modell wie ein Musikinstrument und schreiben es nicht beim ersten falschen Ton ab. Wer nur eine einzige verknotete proprietäre Codebasis kennt, hat es nach seiner Beobachtung nicht wirklich versucht (deliberate intentional practice (öffnet in einem neuen Tab), 4. Juni 2025). Am einfachsten wird daraus eine tägliche Gewohnheit. Setzt die Tools jeden Tag eine Stunde auf echte Arbeit an statt auf Spielfragen. Nutzt dabei das beste verfügbare Modell statt des schnelleren Standards, denn der Abstand zwischen Free-Tier und Frontier ist enorm (Something Big Is Happening (öffnet in einem neuen Tab), 11. Februar 2026).

Dazu gehört eine Warnung, die zunächst widersinnig klingt: Lasst ihr den Agenten das ganze Denken machen, lernt ihr am wenigsten. Das WEF nennt das kognitives Auslagern. Dauerhafte Fähigkeiten brauchen laut WEF erwünschte Schwierigkeit, also das produktive Ringen mit anstrengender Arbeit jenseits der Komfortzone (WEF - New Economy Skills: Unlocking the Human Advantage (öffnet in einem neuen Tab), Dezember 2025). Üben umfasst auch konkrete Technik. Zwei Dinge heben die Qualität des Outputs weit stärker als Höflichkeit oder Länge des Prompts: eine Anfrage mit einer Handvoll Beispielen zu unterfüttern, etwa fünf gelten als idealer Wert, und das Modell Schritt für Schritt denken zu lassen (Prompting für Talent Sourcing (öffnet in einem neuen Tab), 6. Juni 2025).

Eine Disziplin verdient besondere Aufmerksamkeit, weil das Tool aktiv gegen sie arbeitet. KI folgt eurer Richtung. Deshalb baut sie für eine schlechte Idee genauso eifrig ein ausgefeiltes, gut recherchiert wirkendes Argument wie für eine gute. Setzt sie deshalb auf euren eigenen Plan als strukturierten Advocatus Diaboli an, nicht nur zur Bestätigung (Anthropic - The Founder’s Playbook: Building an AI-Native Startup (öffnet in einem neuen Tab), Anbieter).

Weil das Tool Auslagern so leicht macht, bauen erfolgreiche Lernende die Schwierigkeit bewusst wieder ein. Ein Senior AI Engineer bei E.ON beschreibt, wie er absichtlich “anti-UX” in den Workflow einbaut. Er belegt die Taste zum Annehmen von Vorschlägen um, damit sie kein einzelner Reflexdruck mehr ist. Oder er schaltet das Schreibwerkzeug des Agenten ab und erzwingt manuelles Copy-Paste. Beides soll das kritische Denken wach halten (skalierbare Apps mit KI bauen, E.ON-Talk (öffnet in einem neuen Tab), 26. Juni 2025). Ein Engineer bei Google setzt auf eine feste “no AI challenge”, damit die Fähigkeit zum kritischen Denken nicht verdunstet (The AI-Native Software Engineer, Addy Osmani (öffnet in einem neuen Tab), 5. Dezember 2025). Auch mitten in einem praktischen Build gilt eine Disziplin. Lest jede generierte Datei für euer eigenes Verständnis, während der Agent arbeitet. Das trennt echte Builder von Leuten, die ein Tool einmal ausprobieren und aufgeben (forkcast Multi-Agent-Build-along (öffnet in einem neuen Tab), 7. August 2025).

Unter allen drei Beispielen liegt dieselbe Warnung: Reviewen trainiert einen anderen Muskel als Schreiben. Wer sich nur aufs Bewerten stützt, behält die Fähigkeit, Code zu beurteilen. Die Fähigkeit, ihn zu schreiben, verliert er langsam (Branchensynthese: AI’s impact on the state of the art in software engineering in 2026 (öffnet in einem neuen Tab), 6. Februar 2026).

Die Workflow-Empfehlungen des Pragmatic Engineer passen dazu:

  • Plant mit der KI, bevor ihr sie coden lasst.
  • Haltet Aufgaben klein und startet oft neue Sessions, denn die Leistung sinkt mit wachsendem Kontext.
  • Beschreibt Aufgaben konkret.
  • Pflegt Custom Instructions als Konfiguration des Assistenten in natürlicher Sprache.
  • Nutzt eine Form von dateibasiertem Gedächtnis über Sessions hinweg.

Genauso wichtig ist zu wissen, wann ihr aufhört. Verliert ihr den Überblick, was der Agent tut, macht die Änderungen rückgängig und fangt neu an, statt weiterzumachen (The Pragmatic Engineer - Learnings from two years of using AI tools for software engineering (öffnet in einem neuen Tab)). Aus diesem Plan-zuerst-Instinkt sind inzwischen benannte, kopierbare Workflows geworden. Das Muster Research, Plan, Implement von HumanLayer gibt jeder Phase eine eigene Session mit genau einem Ziel. Ein Research-Durchgang dokumentiert, wie der Code heute funktioniert, ohne Änderungen vorzuschlagen. Ein Planungsdurchgang macht daraus einen expliziten Plan in Phasen mit Erfolgskriterien. Erst dann führt ein Implementierungsdurchgang ihn aus, im Idealfall so mechanisch, dass Zuschauen langweilig ist (goose docs - Research, Plan, Implement Pattern (öffnet in einem neuen Tab)).

Die goose-Dokumentation ergänzt eine Regel für Kontinuität. Läuft der Kontext einer Session voll, lässt ein schriftlicher Plan eine frische Session genau dort weitermachen, wo die letzte aufgehört hat. Das Elephant-Goldfish-Modell macht aus diesem Plan einen Test, den ihr ausführen könnt. Der Elephant ist die stark gepromptete, kontextreiche Session samt dem Designdokument, das sie erzeugt. Der Goldfish ist eine brandneue Session ohne Gedächtnis. Ihr füttert den Elephant und gebt dann nur das Dokument an den Goldfish, der das System erklären soll. Kann er das nicht, fehlt dem Dokument Kontext. Ergänzt ihn und wiederholt den Test, bis er besteht (Elephants, Goldfish and the New Golden Age of Software Engineering (öffnet in einem neuen Tab)).

Verwandte Seiten

Quellen

Artikel

Dokumentation

Papers und Reports

Posts

Talks und Videos