Entwicklung / Agentic Coding & Curriculum / KI-Entwicklungsworkflow für Rust

Aus Dokument
Zur Navigation springen Zur Suche springen

Arbeitsschritte für professionelle Softwareentwicklung mit KI (Fokus: Rust & Systems Programming)

Basierend auf dem Inhaltsverzeichnis des Fachbuchs: „Coding mit KI – Das Praxisbuch für Softwareentwicklung mit ChatGPT, GitHub Copilot, Cursor & Co." (Rheinwerk Verlag) Speziell angepasst für: Professional Rust Software Engineers, Systems Programming, Memory Safety & Agentic Coding in Rust.

Hinweis: Herkunft dieser Seite

Verarbeitet aus raw/Entwicklung.md nach dem LLM-Wiki-Pattern. Teil der Rubrik Agentic Coding & Curriculum.


Didaktischer Entwicklungs-Workflow für Rust-Programmierer

In Rust bietet die Kombination aus dem strengen Compiler (rustc), dem Borrow Checker, Cargo-Tooling und KI-Assistenten (Agentic Coding) eine einzigartige Synergie: Die KI schlägt Code vor, und der Rust-Compiler liefert unbestechliches, mathematisch präzises Feedback.

Die neun Phasen im Überblick: 0. Anforderungsanalyse & Spec-First Prompting · 1. Tooling & Workspace-Setup · 2. Type-Driven Domain Design · 3. TDD & Agentic Coding Loop · 4. Borrow-Checker & Concurrency Debugging · 5. Refactoring & Performance Audit · 6. Rustdoc & Doctests · 7. Systems Programming, FFI & Deployment · 8. Security Audits, Supply Chain & Governance


0. Phase: Anforderungsanalyse & Spec-First Prompting

  • Spezifikation vor Code:
    • Die KI zunächst eine strukturierte Anforderungsspezifikation (Domänenbegriffe, Invarianten, Fehlerfälle, Nicht-Ziele) formulieren lassen – nicht direkt Code generieren.
    • Spezifikation vom Entwickler gegenlesen und freigeben, bevor Phase 1 beginnt (verhindert kostspieliges Rework durch Fehlinterpretationen).
  • Scope-Abgrenzung:
    • Klare Abgrenzung, welche Crates/Module im aktuellen Kontextfenster der KI liegen dürfen, um Halluzinationen durch fehlenden Kontext zu vermeiden.

Prompt-Beispiel

„Fasse die folgenden Anforderungen als Liste von Invarianten und Fehlerfällen zusammen, bevor du Code schreibst. Schlage noch keine Implementierung vor."


1. Phase: Rust-Tooling, KI-Kontext & Workspace-Setup

  • Wahl der KI-Tools für Rust:
    • IDE & Agenten: Cursor, Roo Code, Claude Code, Goose mit tiefem Kontext über rust-analyzer.
    • MCP-Integration (Model Context Protocol): Einbindung von MCP-Tools zur direkten Abfrage von Crates.io, Rust-Dokumentationen (docs.rs) und lokaler Cargo-Ausgaben.
  • Rust-Workspace-Konfiguration:
    • Einrichtung von Cargo Workspaces (Cargo.toml) für modulare Multi-Crate-Projekte.
    • Prompting-Regeln für idiomatischen Rust-Code festlegen: Keine unnötigen .clone(), Verzicht auf unsafe ohne Begründung, Bevorzugung von Result/Option gegenüber Panic-Aufrufen (unwrap/expect).
  • Umgang mit Crate-API-Halluzinationen:
    • Trainingsdaten von KI-Modellen enthalten häufig veraltete Crate-Versionen/APIs (schnelllebiges Rust-Ökosystem). Vorgeschlagene Signaturen immer gegen docs.rs/die tatsächlich in Cargo.toml gepinnte Version prüfen lassen, idealerweise per MCP-Live-Abfrage statt aus dem Modellgedächtnis.
  • Datenschutz & Vertraulichkeit:
    • Bei proprietärem oder sicherheitskritischem Code klären, ob Cloud-KI-Modelle zulässig sind, oder On-Prem-/Self-Hosted-Modelle sowie .aiignore-Ausschlusslisten für sensible Pfade einsetzen.

Fallstrick

Von der KI vorgeschlagene Crate-Versionen oder Methodennamen ungeprüft übernehmen – Kompilierfehler durch nicht-existente APIs sind ein häufiges Symptom veralteter Trainingsdaten.


2. Phase: Type-Driven Domain Design (Architektur in Rust)

  • Domain Modeling mit dem Rust-Typsystem:
    • Modellierung von Domänenzuständen über struct und ausdrucksstarke enum (Algebraische Datentypen).
    • Nutzung des Make Illegal States Unrepresentable-Prinzips und des Newtype Patterns.
  • Trait-Architektur & Polymorphie:
    • Entwurf von Schnittstellen mittels trait.
    • Entscheidung zwischen Static Dispatch (impl Trait, Generics T: Trait für maximale Performance) und Dynamic Dispatch (Trait-Objects dyn Trait für Speicherflexibilität).
  • Fehlerbehandlungs-Strategie:
    • thiserror für strukturierte, typisierte Fehler in Bibliotheks-Crates; anyhow für ergonomische Fehlerpropagation in Anwendungs-Crates.
    • Klare Trennung zwischen erwartbaren Fehlern (Result<T, E>) und Programmierfehlern (panic! nur für nicht behebbare Invariantenverletzungen).
  • Datenbank- & Schema-Design (Kompilierzeitsicherheit):
    • Entwurf relationaler Schemata mit KI.
    • Verwendung von SQLx (mit Makros wie query!) für Kompilierzeit-Prüfung von SQL-Abfragen direkt gegen die Datenbank.

Fallstrick

Die KI versucht, Vererbungshierarchien wie in Java/C++ nachzubilden, statt Traits + Komposition zu nutzen – frühzeitig korrigieren, bevor sich das Muster im Codebase verfestigt.


3. Phase: TDD & Agentic Coding Loop (Implementierung)

  • Rust-Testabdeckung vorab schreiben (TDD):
    • KI-gestützte Generierung von Unit-Tests (#[test]) und Async-Tests (#[tokio::test]).
    • Einsatz von Property-Based Testing (proptest / quickcheck) zur automatischen Generierung tausender zufälliger Testfälle.
  • Der autonome Rust-Agentic-Loop (cargo check & cargo test):
    • Der Entwickler formuliert Prompts/Anforderungen.
    • KI-Agents (Claude Code, Goose, Cursor Composer) schreiben Rust-Code und führen automatisch cargo check und cargo test aus.
    • Die KI nutzt die exakten Fehlermeldungen des Rust-Compilers, um Borrow-Errors und Typenfehler autonom zu korrigieren.
  • Schnelleres Test-Feedback:
    • Einsatz von cargo nextest als Test-Runner im Agentic Loop für deutlich kürzere Iterationszeiten bei großen Test-Suiten.

Prompt-Beispiel

„Schreibe zuerst fehlschlagende Tests für die oben definierten Invarianten, führe cargo test aus und implementiere danach nur so viel Code, wie nötig ist, damit sie grün werden."


4. Phase: Borrow-Checker & Concurrency Debugging

  • Systematische Borrow-Checker-Diagnose:
    • Übergabe von rustc-Fehlercodes (z. B. E0502: cannot borrow *self as mutable more than once) an die KI.
    • Prüfung, ob Non-Lexical Lifetimes (NLL) bzw. einfaches Scoping das Problem bereits lösen, bevor auf Smart Pointer ausgewichen wird.
    • Refactoring von Lebensdauern (lifetimes), explizites Scoping, oder Einsatz passender Smart Pointer (Box<T>, Rc<T>, Arc<T>, RefCell<T>, Mutex<T>).
  • Async & Thread-Safety Audits:
    • Analyse von Multithreading-Race-Conditions und Concurrency-Bugs.
    • Überprüfung der Send und Sync Traits für sichere Thread-Übergaben in Tokio-Runtimes.

Fallstrick

Rc<RefCell<T>>/Arc<Mutex<T>> als Standardlösung für jeden Borrow-Fehler akzeptieren – oft ist ein Redesign des Ownership-Modells die sauberere und schnellere Lösung.


5. Phase: Refactoring, Idiomatischer Code & Performance Audit

  • Clippy-gestütztes Refactoring:
    • Ausführen von cargo clippy zur Erkennung von Anti-Patterns.
    • KI-gestütztes Refactoring hin zu funktionalem, idiomatischem Rust-Stil (Iteratoren-Chaining mit .iter(), .map(), .filter(), .collect()).
  • Memory Safety & Unsafe Audit:
    • Eliminieren von unsafe-Blöcken durch sichere Abstraktionen.
    • Automatisches Fuzzing: Aufsetzen von Fuzzing-Suites mit cargo-fuzz (LLVM libFuzzer), um Abstürze oder Panic-Zustände bei beliebigen Inputs aufzuspüren.
    • Ausführen von Miri (cargo miri test) zum Nachweis der Abwesenheit von Undefined Behavior in unsafe Code.
  • Testqualität & API-Stabilität:
    • Mutation Testing (cargo-mutants) zur Überprüfung, ob die Tests tatsächlich Fehler erkennen und nicht nur Codeabdeckung erzeugen.
    • cargo-semver-checks zur automatisierten Prüfung, ob Änderungen die öffentliche API auf inkompatible Weise brechen.
  • Performance Benchmarking:
    • Benchmarking kritischer Pfade mit cargo bench (Criterion.rs) und KI-unterstützter Cache- & Algorithmenoptimierung.


6. Phase: Rustdoc & Doctests (Software-Dokumentation)

  • Dokumentationskommentare (/// und //!): Generierung von aussagekräftigen Modul- und API-Dokumentationen.
  • Ausführbare Doctests: Die KI schreibt Beispiel-Codeblöcke in die Rustdoc-Kommentare, die bei cargo test automatisch als Testfälle kompiliert und ausgeführt werden.
  • Review-Schritt: Generierte Dokumentation mit cargo doc --open lokal rendern und gegenlesen, bevor sie gemergt wird – KI-generierte Prosa wirkt oft plausibel, ist aber nicht immer fachlich präzise.
  • OpenAPI-Generierung: Erstellung von OpenAPI-Spezifikationen aus Rust-Web-Frameworks (Axum, Actix-Web, Poem) mittels utoipa.


7. Phase: Systems Programming, FFI & Deployment (DevOps)

  • FFI & C-ABI Anbindung: Erstellung sicherer C-Bindings mit bindgen oder cbindgen sowie Nutzung von Inline-Assembly (core::arch::asm!).
  • Observability: Einsatz des tracing-Crates für strukturiertes Logging und verteiltes Tracing als Grundlage für Debugging und Monitoring im Betrieb.
  • Cross-Compilation & Containerisierung:
    • Generierung von schlanken, statisch gelinkten Release-Binaries (musl target: x86_64-unknown-linux-musl).
    • Kompilierung für WebAssembly (wasm32-unknown-unknown) für Browser- und Edge-Deployments.
    • Erstellung minimaler Docker-Container (Scratch- oder Distroless-Images) für Rust-Microservices.
  • CI/CD Pipeline Setup: Konfiguration von GitHub Actions (cargo fmt --check, cargo clippy, cargo test, cargo llvm-cov für Code Coverage).


8. Phase: Security Audits, Supply Chain & Governance

  • Cargo Dependency Audits:
    • Prüfen bekannter Sicherheitslücken in Abhängigkeiten mit cargo audit.
    • Lizenzprüfungen der Crates mit cargo deny.
  • MSRV-Disziplin:
    • Festlegung und CI-Prüfung einer Minimum Supported Rust Version (cargo msrv), damit KI-Agenten keine Sprachfeatures neuerer Rust-Versionen vorschlagen, die im Zielumfeld nicht verfügbar sind.
  • AI Slop Avoidance bei Rust:
    • Schutz vor unidiomatischen Code-Halluzinationen (z. B. wenn die KI versucht, OOP-Klassenvererbung wie in Java/C++ in Rust nachzubauen).
    • Durchsetzung von Zero-Cost Abstractions und Rust-Sicherheitsgarantien.


Zusammenfassung des Rust-KI-Entwicklungszyklus

Verwandte Themen

Abgerufen von „https://mediawiki.wissen-ahrensburg.de/index.php?title=Entwicklung_/_Agentic_Coding_%26_Curriculum_/_KI-Entwicklungsworkflow_für_Rust&oldid=3581“