Die Ingenieure von Google haben sich in einer Umfrage zu einem zentralen Punkt geäußert:
„Welches Prompt verwenden Sie persönlich, ohne das Sie nicht arbeiten können, und warum?“
Diese Frage wurde an zehn Ingenieure und Führungskräfte des Unternehmens gerichtet und führte zu interessanten Ergebnissen. Anstatt eine Liste cleverer Formulierungen zu präsentieren, kamen die Ingenieure unabhängig zu einem gemeinsamen Ansatz: Sie nutzen KI als kritischen zweiten Standpunkt, anstatt als zustimmenden Assistenten.
Die Bedeutung der kritischen Auseinandersetzung mit KI
Diese Erkenntnis bildet den Kern des Artikels. Im Folgenden werden zehn Techniken vorgestellt, die aus den Antworten der Ingenieure abgeleitet wurden. Jede Technik wird erklärt, dem jeweiligen Ingenieur zugeordnet und in ein praktisches Beispiel umgewandelt, das tatsächlich verwendet werden kann. Alle Beispiele beziehen sich auf ein laufendes Projekt: eine kleine REST-API zur Aufgabenverfolgung, sodass die Techniken aufeinander aufbauen.
1. Die Spezifikation vor dem Code erstellen
Maja Bilić, Senior Outbound Product Manager bei Google Cloud, beginnt nicht mit dem Schreiben von Code, sondern lässt das Modell mit ihr argumentieren. Ihre Technik besteht darin, dem Modell eine skeptische Persona zuzuweisen und es ausdrücklich daran zu hindern, Code zu schreiben. Stattdessen soll es die wichtigsten technischen, UX- und architektonischen Überlegungen zu einer Idee auflisten und gezielte Fragen dazu stellen. Nachdem dieser Austausch abgeschlossen ist, wandelt das Modell die Antworten in ein tatsächliches Anforderungsdokument und einen Implementierungsplan um.
2. Tests als unverzichtbar betrachten
Andrew Brogdon, Staff Developer Relations Engineer, verwendet ein Prompt, das Tests als etwas betrachtet, das geprüft werden muss, anstatt sie direkt zu generieren. Sein Ansatz lässt das Modell zunächst den Code analysieren, um festzustellen, welche Teile der Benutzeroberfläche oder Logik nicht ausreichend abgedeckt sind, und beurteilt, ob der bestehende Code testbar ist. Erst danach wird ein tatsächlicher Testplan erstellt.
3. Zwei-Prompt-Reinigung durchführen
Aja Hammerly, Director of Builder Relations, führt zwei separate, präzise Prompts aus, bevor sie den Code zur Überprüfung weitergibt. Der erste Prompt fordert das Modell auf, die bestehenden Tests auszuführen und gezielt nach fehlenden Randfällen und Wettlaufbedingungen zu suchen. Der zweite Prompt konzentriert sich auf ungenutzten Code und andere kleine Überbleibsel, die sich während der Entwicklung ansammeln.
4. Domänenspezifische Compliance-Prüfungen durchführen
Rich Hyndman, Head of Antigravity Developer Relations, hat eine spezifische Überprüfung der Android-Berechtigungen geteilt. Dabei wird jeder Manifest-Datei in den Build-Varianten nachgegangen, um die deklarierten Berechtigungen zu extrahieren und mit der tatsächlichen Nutzung im Code abzugleichen.
5. Den eigenen Code wie ein strenger Prüfer bewerten
Shir Meir Lador, Head of AI Developer Relations, hat ein Problem benannt: Wenn man ein Modell um eine Codeüberprüfung bittet, tendiert es dazu, höflich zu sein. Ihre Lösung besteht darin, dem Modell eine strenge Persona zuzuweisen und eine konkrete Note für die Produktionsbereitschaft zu verlangen.
6. Das Modell dazu bringen, seinen eigenen Plan zu verteidigen
James O’Reilly, der Autor des Beitrags, verwendet ein kurzes, aber wichtiges Prompt: Nachdem er einen Implementierungsplan erhalten hat, fordert er das Modell auf, die Vor- und Nachteile seines Vorschlags in Bezug auf Leistung, Kosten, Sicherheit und Wartbarkeit darzulegen.
7. Externe Forschung in eine Überprüfungsliste umwandeln
Emma Twersky, Head of Flutter & Dart Developer Relations, lässt das Modell nach realen Sicherheitsrisiken und architektonischen Fehlern suchen, die spezifisch für KI-generierten Code sind. Diese Erkenntnisse werden dann in eine gezielte manuelle Überprüfungsliste umgewandelt.
8. In Phasen iterieren, nicht mit einem Mega-Prompt
Fred Sauer, Head of Frameworks & Languages Developer Relations, beschreibt einen gestuften Arbeitsablauf. Zunächst bleibt er in der Entdeckungsphase weniger spezifisch, bevor er zu einem Proof-of-Concept übergeht und schließlich eine detaillierte Codeüberprüfung durchführt.
9. Die Überprüfung mit einem echten Skript automatisieren
Remigiusz Samborski, Lead Developer Relations Engineer, hat ein automatisiertes Überprüfungswerkzeug in GitHub Actions integriert, sodass jede Pull-Anfrage eine strukturierte, kritische Überprüfung erhält.
10. In Graphen denken, nicht in Checklisten
Karl Weinmeister, Director of Developer Relations, hat eine unkonventionelle Technik vorgestellt: Statt eine generische Liste von Testideen zu verlangen, lässt er das Modell den Workflow der Anwendung als gerichteten azyklischen Graphen darstellen.
Fazit
Die zehn Techniken zeigen ein gemeinsames Muster: Sie existieren nicht, um das Tippen zu erleichtern oder um schneller mehr Code zu erhalten. Vielmehr dienen sie dazu, menschliche Annahmen zu hinterfragen und sicherzustellen, dass die ersten Vorschläge nicht als endgültige Lösungen betrachtet werden. Insbesondere die Bewertungsmatrix aus Punkt 5 ist ein effektives Mittel, um den Unterschied zwischen einem höflichen Modell und einem, das aktiv gegen blinde Flecken arbeitet, zu erkennen. Ein interessanter Ansatz in diesem Kontext ist, dass Microsoft-Wissenschaftler KI-Agenten mit neuem Trainingsansatz entwickeln.
„`
Quellen: kdnuggets, Merkur
Bildquelle: KI generiert
Dieser Text wurde mit Hilfe von künstlicher Intelligenz in Zusammenarbeit mit unserer Redaktion erstellt.
🚀