KI & Automatisierung / KI-Coding / Einstieg / KI Coding

Aus Dokument
Zur Navigation springen Zur Suche springen

Coding mit KI

Hinweis zur Software-Auswahl:

Diese Dokumentation priorisiert Open-Source-Software, die unter Ubuntu läuft.
Bei kostenpflichtiger Software wird immer eine Open-Source-Alternative mit gleichem Funktionsumfang gegenübergestellt.
LLM-Modelle werden unabhängig vom Preis gelistet – sie sind das Fundament KI-gestützter Softwareentwicklung.

Legende

Symbol Bedeutung
🟩 Open Source – kostenlos
💰 Kostenpflichtig
🤖 LLM-Modell – bleibt immer gelistet
🐧 Linux / Ubuntu nativ
🌐 Nur Web-Browser


Lernpfad-Übersicht

Inhaltsverzeichnis


🟢 Phase 1 – Grundlagen

Was lerne ich hier?

Wie KI in der Softwareentwicklung eingesetzt wird, welche Modelle es gibt und wie man die eigene Umgebung für KI-Coding optimal aufstellt.
Voraussetzungen: Grundlegende Programmierkenntnisse in einer Sprache.

1.1 Was ist KI-gestütztes Coding?

Konzept: Vier Einsatzgebiete von KI im Code-Alltag

Einsatzgebiet Was KI tut Beispiel
Code-Completion Vervollständigt Code beim Tippen Continue.dev schlägt die nächste Zeile vor
Code-Generierung Erstellt Funktionen aus Beschreibungen „Schreibe eine Funktion, die CSV einliest"
Code-Analyse Erklärt und bewertet vorhandenen Code „Was macht dieser Regex?"
Code-Transformation Refactoring, Übersetzung, Optimierung „Konvertiere Python 2 zu Python 3"

Konzept: KI ersetzt keine Entwickler – warum?

  • KI kennt keinen Projektkontext (Architektur, Historische Entscheidungen)
  • KI erzeugt plausiblen, nicht immer korrekten Code
  • KI hat kein Verständnis für nicht-funktionale Anforderungen (Performance, Sicherheit)
  • KI macht Konfidenzfehler: Sie klingt sicher, auch wenn sie falsch liegt

Konzept: Das Spektrum von KI-Unterstützung

Empfehlung: Für produktiven Code: Modus B (Assistent). Für Prototypen/Experimente: Modus C.

Einstiegs-Software (LLM – immer gelistet):

Software Typ Funktion Ubuntu Link
🟩 🤖 Ollama LLM lokal DeepSeek Coder, CodeLlama lokal 🐧 Ja ollama.com
🟩 🤖 Continue.dev KI-IDE-Plugin Open-Source Copilot für VSCodium 🐧 Ja continue.dev
🟩 🤖 Aider KI-CLI Terminal-KI-Assistent für Repositories 🐧 Ja aider.chat
🤖 ChatGPT LLM Cloud Code generieren, erklären, debuggen 🌐 Web openai.com
🤖 Claude LLM Cloud Großes Kontextfenster (200K Token) 🌐 Web claude.ai
🤖 Gemini LLM Cloud Google-Integration, langer Kontext 🌐 Web gemini.google.com


1.2 Konzept: Wie Code-KI funktioniert

Konzept: Training auf Code-Daten

Code-LLMs wurden auf riesigen Mengen an öffentlichem Code trainiert (GitHub, GitLab, Stack Overflow). Sie lernen Muster, nicht Bedeutung. 

Was KI wirklich macht:
"Gegeben dieser Code-Kontext, was ist die
wahrscheinlichste nächste Token-Sequenz?"

Konzept: Kontextfenster – der wichtigste Parameter

Das Kontextfenster bestimmt, wie viel Code die KI gleichzeitig „sehen" kann:

Modell Kontextfenster Eignung
CodeLlama 7B (lokal) 16.000 Token Einzelne Dateien
DeepSeek Coder 33B (lokal) 16.000 Token Mehrere Dateien
GPT-4o (Cloud) 128.000 Token Größere Codebasen
Claude 3.5 (Cloud) 200.000 Token Sehr große Projekte

Faustregel: 1.000 Token ≈ 750 Wörter ≈ ~50 Codezeilen

Konzept: Fill-in-the-Middle (FIM)

Moderne Code-LLMs beherrschen FIM – sie können Code in der Mitte einer Datei einfügen, nicht nur am Ende: 

def berechne_summe(zahlen):
    # <KI füllt hier ein>
    return ergebnis

Konzept: RAG für Code-Repositories

Retrieval-Augmented Generation (RAG) ermöglicht es, die KI mit dem gesamten Projekt-Code zu „füttern" – nicht nur der aktuellen Datei. Continue.dev macht das lokal mit Embeddings.


1.3 Thema: Entwicklungsumgebung mit KI aufsetzen

Konzept: Der ideale KI-Coding-Stack (Open Source)

Konzept: Welches lokale Code-Modell wählen?

Modell Größe Stärke RAM-Bedarf
DeepSeek Coder V3 7B/33B Beste Codequalität 8GB / 20GB+
CodeLlama 7B/13B/34B Allround, viele Sprachen 8GB / 16GB+
StarCoder2 3B/7B/15B Speziell für Code trainiert 4GB / 8GB+
Qwen2.5-Coder 7B/32B Sehr gut für Python/JS 8GB / 20GB+
Phi-3.5 3.8B Klein, schnell, gut genug 4GB

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 VSCodium Editor Open-Source VS Code (ohne Telemetrie) 🐧 Ja vscodium.com
🟩 Continue.dev KI-Plugin KI-Assistent für VSCodium/VS Code 🐧 Ja continue.dev
🟩 Ollama LLM-Server Lokale Code-LLMs ausführen 🐧 Ja ollama.com
🟩 Aider KI-CLI KI-Coding im Terminal 🐧 Ja aider.chat
🟩 Neovim Editor Vim-basierter Editor + KI-Plugins 🐧 Ja neovim.io
🟩 Gitea Git-Server Self-hosted GitHub-Alternative 🐧 Ja gitea.io

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Code-Editor VSCodium, Neovim JetBrains IDEs, Cursor, Windsurf
KI-Assistent im Editor Continue.dev + Ollama GitHub Copilot, Tabnine, Codeium
Terminal-KI Aider + Ollama Cursor, Warp Terminal
Git-Hosting Gitea (self-hosted) GitHub, GitLab


1.4 Thema: Prompt Engineering für Entwickler

Konzept: Anatomie eines guten Code-Prompts

[KONTEXT]    Ich arbeite an einer Python-REST-API mit FastAPI.
[AUFGABE]    Erstelle eine Funktion zur Benutzer-Authentifizierung.
[TECHNIK]    Verwende JWT-Tokens, keine externen Auth-Libraries.
[FORMAT]     Füge Type Hints und Docstrings hinzu.
[SICHERHEIT] Implementiere Brute-Force-Schutz (max. 5 Versuche).

Konzept: Prompt-Muster für verschiedene Code-Aufgaben

Aufgabe Prompt-Muster Beispiel
Funktion schreiben „Schreibe eine Funktion, die [X] macht. Input: [Typ]. Output: [Typ]." Klarer I/O-Vertrag
Code erklären „Erkläre diesen Code Schritt für Schritt, als wäre ich Junior-Entwickler." Verständnis-Prompt
Fehler beheben „Folgender Fehler tritt auf: [Fehler]. Der Code: [Code]. Was ist die Ursache?" Debug-Prompt
Refactoring „Verbessere diesen Code: lesbar, DRY-Prinzip, keine Verschachtelung > 2 Ebenen." Qualitäts-Prompt
Tests schreiben „Schreibe pytest-Tests für diese Funktion. Decke Edge-Cases und Fehler ab." Test-Prompt

Konzept: Chain-of-Thought für komplexe Algorithmen

Für komplexe Algorithmen hilft es, die KI zum Nachdenken zu zwingen: 

Prompt: "Bevor du den Code schreibst, beschreibe zuerst in Pseudocode
         den Algorithmus. Dann implementiere ihn in Python."

Konzept: Few-Shot-Prompting

Zeige der KI Beispiele deines Coding-Stils: 

Hier ist ein Beispiel meiner Code-Konventionen:
[Beispiel-Funktion]
Schreibe nun eine ähnliche Funktion für [neue Aufgabe].

1.5 Thema: Lokale LLMs für Code

Konzept: Warum lokale LLMs für professionellen Code?

Grund Erklärung
Datenschutz Proprietärer Code verlässt nie das Unternehmen
Compliance DSGVO, ISO 27001 – kein Cloud-Risiko
Offline Kein Internet nötig, kein Ausfall bei Cloud-Störungen
Kosten Ab einer gewissen Nutzung günstiger als Cloud-API

Konzept: Ollama – der lokale LLM-Server

# Installation
curl -fsSL https://ollama.com/install.sh | sh

# Code-Modell laden
ollama pull deepseek-coder-v2

# Im Terminal nutzen
ollama run deepseek-coder-v2 "Schreibe eine Python-Funktion für Fibonacci"

# Als API-Server (für Continue.dev, Aider etc.)
ollama serve  # Läuft auf http://localhost:11434

Konzept: Continue.dev mit lokalem Modell verbinden

// ~/.continue/config.json
{
  "models": [{
    "title": "DeepSeek Coder (lokal)",
    "provider": "ollama",
    "model": "deepseek-coder-v2",
    "apiBase": "http://localhost:11434"
  }]
}

Software – alle Open Source:

Software Typ Funktion Ubuntu Link
🟩 🤖 Ollama LLM-Server Lokaler LLM-Server 🐧 Ja ollama.com
🟩 🤖 LM Studio LLM-GUI GUI für lokale Modelle 🐧 Ja lmstudio.ai
🟩 🤖 Jan.ai LLM-GUI Open-Source ChatGPT-Alternative 🐧 Ja jan.ai
🟩 🤖 llama.cpp LLM-Engine Schnellste CPU/GPU-LLM-Engine 🐧 Ja github.com/ggerganov
🟩 🤖 text-generation-webui LLM-Web-UI Umfangreiche Web-Oberfläche für LLMs 🐧 Ja github.com/oobabooga


🟡 Phase 2 – Praxis

Was lerne ich hier?

Den KI-Assistenten im echten Entwickleralltag produktiv einsetzen – von der Code-Generierung bis zur Dokumentation.
Voraussetzungen: Phase 1 abgeschlossen. Programmierkenntnisse in Python oder JavaScript.

2.1 Konzept: Der KI-gestützte Entwicklungskreislauf

Der klassische vs. KI-gestützte Entwicklungsworkflow

Konzept: Wann KI nutzen, wann nicht?

Situation KI nutzen Warum
Boilerplate-Code ✅ Ja Spart viel Zeit
Algorithmen-Implementierung ✅ Ja KI kennt gängige Algorithmen
Kritische Sicherheitslogik ❌ Nein Zu risikoreich ohne Prüfung
Domänenspezifische Logik 🟡 Teilweise KI kennt keine Geschäftsregeln
Regex schreiben ✅ Ja KI ist sehr gut darin
Architekturentscheidungen ❌ Nein Braucht Projekt-Kontext


2.2 Thema: Code generieren mit KI

Konzept: Code-Generierung nach Abstraktionsebene

Ebene Beispiel KI-Eignung
Zeile / Snippet Einzelne Anweisung ✅ Sehr hoch
Funktion Eine abgeschlossene Funktion ✅ Sehr hoch
Klasse / Modul Eine vollständige Klasse ✅ Hoch
Datei Eine vollständige Datei 🟡 Mittel
Anwendung Komplettes Programm 🟡 Nur für kleinere Apps
Architektur System-Design ❌ Gering – immer Mensch nötig

Konzept: Sprachspezifische Besonderheiten

Sprache KI-Stärken KI-Schwächen
Python Datenstrukturen, Scripting, ML-Code Async-Komplexität
JavaScript/TypeScript DOM, APIs, React-Komponenten Callback-Hell-Muster
Go Goroutinen-Grundmuster Komplexe Concurrency
Rust Grundlegende Strukturen Ownership/Lifetimes-Fehler
SQL SELECT/JOIN-Abfragen Komplexe CTEs, Performance

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Continue.dev KI-Plugin Code-Completion & Generierung 🐧 Ja continue.dev
🟩 Aider KI-CLI Komplette Dateien/Features generieren 🐧 Ja aider.chat
🟩 🤖 Ollama + DeepSeek Coder LLM Lokale Code-Generierung 🐧 Ja ollama.com
🟩 Codeium (Free) KI-Plugin Kostenloser KI-Assistent 🐧 Ja codeium.com

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Code-Completion Continue.dev + Ollama GitHub Copilot, Tabnine Pro
Feature-Generierung Aider + DeepSeek Cursor, Windsurf
Ganze App aus Prompt Aider + Claude API Devin, Cursor Composer
Kostenlos im Browser — v0.dev (begrenzt)


2.3 Thema: Refactoring mit KI

Konzept: Was ist Refactoring?

Refactoring verbessert die innere Struktur von Code, ohne das Verhalten zu ändern. KI ist dafür sehr gut geeignet.

Konzept: Die wichtigsten Refactoring-Techniken mit KI

Technik Beschreibung Prompt-Beispiel
DRY-Prinzip Code-Duplizierung eliminieren „Extrahiere die Duplizierungen in Hilfsfunktionen"
Extraktion Lange Funktion aufteilen „Teile diese 100-Zeilen-Funktion in kleine Funktionen auf"
Umbenennung Sprechende Namen geben „Benenne alle Variablen nach ihrem Zweck um"
Vereinfachung Komplexität reduzieren „Reduziere die Verschachtelungstiefe auf max. 2 Ebenen"
Modernisierung Alten Code auf aktuellen Stand „Konvertiere von Callbacks zu async/await"

Konzept: Sicheres Refactoring mit KI

Goldene Regel: Nie ohne Tests refaktorieren – KI macht auch beim Refactoring Fehler!

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Aider KI-CLI Ganzes Repository refaktorieren 🐧 Ja aider.chat
🟩 rope Python Python-Refactoring-Library 🐧 Ja github.com/python-rope
🟩 semgrep Code-Analyse Code-Pattern-Erkennung & -Transformation 🐧 Ja semgrep.dev
🟩 Sourcegraph Cody (Free) KI Repository-weites Refactoring 🐧 Ja about.sourcegraph.com


2.4 Thema: Debugging mit KI

Konzept: Der KI-Debugging-Prozess

Konzept: Arten von Bugs und KI-Eignung

Bug-Typ KI-Eignung Tipps
Syntax-Fehler ✅ Sehr hoch Direkt Fehlermeldung einfügen
Laufzeitfehler ✅ Hoch Stack Trace + relevanter Code
Logikfehler 🟡 Mittel Erwartetes vs. tatsächliches Verhalten beschreiben
Race Conditions 🟡 Schwierig Viel Kontext über Threading nötig
Memory Leaks 🟡 Mittel Profiler-Output mitgeben
Performance 🟡 Mittel Profiling-Daten mitliefern

Konzept: Rubber Duck Debugging mit KI

Erkläre der KI das Problem als würdest du es jemandem zum ersten Mal erklären – oft findest du dabei selbst die Lösung: 

Prompt: "Ich versuche zu verstehen, warum [Symptom] auftritt.
         Der Code macht [Beschreibung]. Ich erwarte [X], bekomme aber [Y].
         Helf mir, das zu verstehen."

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 GDB Debugger GNU Debugger für C/C++/Rust 🐧 Ja gnu.org/software/gdb
🟩 pdb / ipdb Debugger Python-Debugger (Standard) 🐧 Ja docs.python.org
🟩 Delve Debugger Go-Debugger 🐧 Ja github.com/go-delve
🟩 py-spy Profiler Python-Profiling ohne Code-Änderung 🐧 Ja github.com/benfred
🟩 Valgrind Profiler Memory-Leak-Detektion (C/C++) 🐧 Ja valgrind.org
🟩 🤖 Ollama LLM Fehlermeldungen lokal analysieren 🐧 Ja ollama.com

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
KI-Debugging-Assistent Continue.dev + Ollama GitHub Copilot Chat, Cursor
Python-Debugging pdb, ipdb, py-spy PyCharm Debugger
C/C++-Debugging GDB + Valgrind CLion
Performance-Profiling py-spy, Valgrind, perf YourKit, JProfiler


2.5 Thema: Testing mit KI

Konzept: Test-Pyramide

KI-Empfehlung: Lass KI zuerst Unit-Tests generieren – das ist das Gebiet, wo KI am zuverlässigsten ist.

Konzept: Test-getriebene Entwicklung (TDD) mit KI

TDD + KI Workflow:
1. Du beschreibst das Verhalten (Anforderung)
2. KI schreibt den Test (was soll der Code tun?)
3. Test läuft und schlägt fehl (ROT)
4. KI schreibt den Code (bis Test grün ist)
5. KI refaktoriert den Code

Konzept: Was beim KI-Testing zu prüfen ist

KI vergisst häufig:

  • Edge-Cases: Leere Listen, None-Werte, negative Zahlen
  • Fehlerfälle: Was passiert bei falschen Inputs?
  • Concurrency-Tests: Parallel-Ausführung
  • Mock-Konsistenz: Mocks, die zu real existierenden Interfaces passen
Prompt-Ergänzung: "Achte besonders auf: leere Eingaben,
None-Werte, Fehler-Cases und Grenzwerte."

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 pytest Test-Framework Python-Standard-Testing 🐧 Ja pytest.org
🟩 Vitest Test-Framework Schnelles JS/TS-Testing 🐧 Ja vitest.dev
🟩 Jest Test-Framework JavaScript-Testing 🐧 Ja jestjs.io
🟩 Playwright E2E-Testing Browser-Automatisierung 🐧 Ja playwright.dev
🟩 Hypothesis Property-Testing Eigenschafts-basiertes Testen (Python) 🐧 Ja hypothesis.readthedocs.io
🟩 k6 Last-Test Performance-/Last-Tests 🐧 Ja k6.io
🟩 mutmut Mutation-Test Mutationstests für Python 🐧 Ja github.com/boxed

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Python-Testing pytest + Hypothesis —
JS/TS-Testing Vitest, Jest —
E2E-Testing Playwright, Cypress TestComplete, Mabl
KI-Test-Generierung Continue.dev + Ollama GitHub Copilot, CodiumAI
Mutations-Testing mutmut (Python) Stryker (JS, OS)


2.6 Thema: Code-Dokumentation mit KI

Konzept: Arten von Code-Dokumentation

Typ Beschreibung Tool
Docstrings Inline-Dokumentation direkt im Code KI generiert automatisch
README Projektbeschreibung & Einstieg Ollama + Vorlage
API-Dokumentation Technische API-Referenz Sphinx, pdoc
Architektur-Doku System-Design & Entscheidungen draw.io + Markdown
CHANGELOG Versionshistorie git-cliff (automatisch)

Konzept: Docstring-Stile – KI braucht explizite Anweisung

# Google Style (Standard in Python):
def berechne_mwst(preis: float, satz: float = 0.19) -> float:
    """Berechnet den Mehrwertsteuer-Betrag.

    Args:
        preis: Netto-Preis in Euro.
        satz: Steuersatz als Dezimalzahl (Standard: 0.19).

    Returns:
        MwSt-Betrag in Euro.

    Raises:
        ValueError: Wenn Preis oder Satz negativ sind.
    """
    if preis < 0 or satz < 0:
        raise ValueError("Preis und Satz müssen positiv sein.")
    return preis * satz

Konzept: Automatische Docs aus Code

# Sphinx (Python) – Dokumentation aus Docstrings
pip install sphinx sphinx-autodoc
sphinx-quickstart docs/
sphinx-build -b html docs/ docs/_build/

# pdoc – einfachere Alternative
pip install pdoc
pdoc mein_modul --html

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Sphinx Doku-Generator Python-Dokumentation aus Docstrings 🐧 Ja sphinx-doc.org
🟩 pdoc Doku-Generator Einfache Python-API-Docs 🐧 Ja pdoc.dev
🟩 Doxygen Doku-Generator C/C++/Java/Python-Dokumentation 🐧 Ja doxygen.nl
🟩 MkDocs Doku-Site Statische Dokumentations-Website 🐧 Ja mkdocs.org
🟩 git-cliff Changelog Automatischer CHANGELOG aus Git-Commits 🐧 Ja github.com/orhun
🟩 🤖 Ollama LLM Docstrings & README lokal generieren 🐧 Ja ollama.com

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Docstring-Generierung Continue.dev + Ollama GitHub Copilot
API-Dokumentation Sphinx, pdoc, Doxygen ReadMe.io, Swimm
Projektdokumentation MkDocs, Docusaurus Confluence
CHANGELOG git-cliff —


2.7 Thema: SQL & Datenbanken mit KI

Konzept: KI für SQL – Stärken und Grenzen

KI-Stärke KI-Grenze
SELECT/JOIN-Abfragen schreiben Komplexe Query-Performance-Optimierung
Datenbank-Schema aus Anforderungen Indexierungs-Strategie für große Daten
Migrations-Skripte schreiben Datenbankspezifische Eigenheiten (Locks, MVCC)
Stored Procedures Sehr komplexe CTEs & Window Functions

Konzept: Text-to-SQL – der richtige Prompt

Prompt: "Ich habe folgende Tabellen:
         - users (id, name, email, created_at)
         - orders (id, user_id, total, status, created_at)
         - order_items (id, order_id, product_id, quantity, price)

         Erstelle eine PostgreSQL-Abfrage, die:
         - Alle Nutzer zeigt, die im letzten Monat > 500€ ausgegeben haben
         - Sortiert nach Gesamtausgaben absteigend
         - Nur Bestellungen mit Status 'completed' berücksichtigt"

Konzept: Datenbankmigrationen mit KI

# Alembic (Python) – KI generiert Migration
"""Add user preferences table."""
from alembic import op
import sqlalchemy as sa

def upgrade():
    op.create_table('user_preferences',
        sa.Column('id', sa.Integer, primary_key=True),
        sa.Column('user_id', sa.Integer, sa.ForeignKey('users.id')),
        sa.Column('key', sa.String(100), nullable=False),
        sa.Column('value', sa.Text),
    )

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 PostgreSQL Datenbank Leistungsfähigste Open-Source-DB 🐧 Ja postgresql.org
🟩 SQLite Datenbank Dateibasiert, ideal zum Entwickeln 🐧 Ja sqlite.org
🟩 DBeaver DB-GUI Universal-Datenbank-GUI 🐧 Ja dbeaver.io
🟩 Alembic Migrationen Python-Datenbank-Migrationen 🐧 Ja alembic.sqlalchemy.org
🟩 Flyway (Community) Migrationen SQL-Datenbank-Migrationen 🐧 Ja flywaydb.org
🟩 pgvector Vektor-DB KI-Embeddings in PostgreSQL 🐧 Ja github.com/pgvector

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
SQL-Datenbank PostgreSQL, MariaDB, SQLite Oracle, MS SQL Server
DB-GUI DBeaver, Adminer DataGrip, TablePlus
Datenbank-Migrationen Alembic, Flyway Community Flyway Pro
Vektor-Datenbank pgvector, Chroma Pinecone, Weaviate Cloud
SQL-KI-Assistent Ollama + Prompt GitHub Copilot


2.8 Thema: APIs entwickeln mit KI

Konzept: API-Design-Prinzipien mit KI

REST API Design Checklist – KI im Prompt einfordern: 

Prompt: "Entwirf eine REST API für [Feature].
         Beachte: HTTP-Verben korrekt, sinnvolle Status-Codes,
         Versionierung (/api/v1/), JSON-Response-Format,
         Pagination bei Listen, Error-Response-Schema."

Konzept: OpenAPI/Swagger – KI generiert Spezifikation

# OpenAPI 3.0 – von KI aus Beschreibung generiert
openapi: 3.0.0
info:
  title: User API
  version: 1.0.0
paths:
  /api/v1/users:
    get:
      summary: Alle Benutzer abrufen
      parameters:
        - name: page
          in: query
          schema:
            type: integer
      responses:
        '200':
          description: Erfolgreich

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 FastAPI Framework Python-API mit auto OpenAPI-Docs 🐧 Ja fastapi.tiangolo.com
🟩 Hono Framework Ultraschnelles TypeScript-API-Framework 🐧 Ja hono.dev
🟩 Bruno API-Client Open-Source Postman-Alternative 🐧 Ja usebruno.com
🟩 Insomnia (Open) API-Client REST- & GraphQL-Client 🐧 Ja insomnia.rest
🟩 Swagger UI API-Docs OpenAPI-Dokumentation visualisieren 🐧 Ja swagger.io
🟩 httpie CLI Benutzerfreundlicher HTTP-Client 🐧 Ja httpie.io

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
API-Framework FastAPI, Hono, Express.js —
API-Client Bruno, Insomnia (Open) Postman
API-Dokumentation Swagger UI (aus FastAPI auto) ReadMe.io


🔴 Phase 3 – Fortgeschritten

Was lerne ich hier?

KI-Agenten für autonomes Coding einsetzen, CI/CD-Pipelines mit KI aufbauen, Sicherheitslücken erkennen und eigene Modelle anpassen.
Voraussetzungen: Phase 1 & 2 abgeschlossen. Solide Programmierkenntnisse.

3.1 Konzept: KI als autonomer Entwicklungs-Agent

Konzept: Was ist ein Coding-Agent?

Ein Coding-Agent erhält eine Aufgabe auf hoher Ebene und führt selbstständig mehrere Schritte aus:

Konzept: Grenzen autonomer Coding-Agenten (2026)

  • ✅ Gut: Boilerplate, CRUD, einfache Features
  • ✅ Gut: Refactoring nach klaren Regeln
  • ❌ Schlecht: Komplexe Architekturentscheidungen
  • ❌ Schlecht: Sicherheitskritischen Code ohne Review
  • ❌ Schlecht: Domänenspezifische Geschäftslogik


3.2 Thema: Code-Review mit KI

Konzept: KI-Code-Review – was sie prüft

Review-Aspekt KI-Eignung Was KI erkennt
Lesbarkeit ✅ Sehr gut Unklare Variablennamen, Komplexität
DRY-Verletzungen ✅ Sehr gut Code-Duplizierungen
Einfache Bugs ✅ Gut Off-by-one, Null-Pointer
Sicherheitslücken 🟡 Mittel Bekannte Muster (SQL-Injection, XSS)
Performance 🟡 Mittel Offensichtliche N+1-Queries
Architektur ❌ Gering Braucht Gesamtkontext

Konzept: Automatisches Code-Review in CI/CD

# Woodpecker CI: KI-Review vor Merge
steps:
  - name: ki-review
    image: python:3.12
    commands:
      - pip install aider-chat
      - aider --review --model ollama/deepseek-coder-v2 src/

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 reviewdog Code-Review Automatisierter Review-Kommentar in PRs 🐧 Ja github.com/reviewdog
🟩 SonarQube (Community) Code-Analyse Code-Qualität & Bugs automatisch 🐧 Ja sonarqube.org
🟩 Pylint Linter Python-Code-Analyse 🐧 Ja pylint.org
🟩 Ruff Linter Sehr schneller Python-Linter 🐧 Ja github.com/astral-sh
🟩 ESLint Linter JavaScript/TypeScript-Analyse 🐧 Ja eslint.org
🟩 pre-commit Git-Hooks Checks vor jedem Commit 🐧 Ja pre-commit.com

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Code-Analyse SonarQube Community, semgrep SonarQube Pro, DeepSource
Linter (Python) Ruff, Pylint, Flake8 —
Linter (JS/TS) ESLint, Biome —
KI-Code-Review reviewdog + Ollama GitHub Copilot Review
Git-Hooks pre-commit —


3.3 Thema: CI/CD mit KI-Unterstützung

Konzept: Was ist CI/CD?

Begriff Bedeutung Automatisierung
CI (Continuous Integration) Automatisch testen bei jedem Push Tests, Linting, Code-Review
CD (Continuous Delivery) Automatisch deployen nach CI Build, Deployment

Konzept: KI in der CI/CD-Pipeline

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Woodpecker CI CI/CD Leichtgewichtiges Open-Source CI 🐧 Ja woodpecker-ci.org
🟩 Gitea Actions CI/CD GitHub-Actions-kompatibles CI 🐧 Ja gitea.io
🟩 Jenkins CI/CD Sehr mächtiges Open-Source CI 🐧 Ja jenkins.io
🟩 Docker Container Build & Deployment-Container 🐧 Ja docker.com
🟩 Trivy Security-Scan Container- & Code-Vulnerability-Scan 🐧 Ja github.com/aquasecurity
🟩 Coolify PaaS Self-hosted Deploy-Plattform 🐧 Ja coolify.io

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
CI/CD-System Woodpecker CI, Jenkins, Gitea Actions GitHub Actions, CircleCI
Deployment-Plattform Coolify, Caprover Heroku, Render, Railway
Container-Registry Gitea Registry, Harbor GitHub Packages, DockerHub


3.4 Thema: Sicherheit im Code mit KI

Konzept: OWASP Top 10 – KI hilft bei der Prüfung

Rang Sicherheitslücke KI-Prüf-Prompt
1 Broken Access Control „Prüfe, ob alle Endpunkte Authentifizierung erfordern"
2 Cryptographic Failures „Werden Passwörter mit bcrypt/Argon2 gehasht?"
3 Injection (SQL/XSS) „Gibt es ungeprüfte Nutzereingaben in SQL-Abfragen?"
4 Insecure Design „Analysiere das Design auf Sicherheitslücken"
5 Security Misconfiguration „Sind Debug-Modi und Standard-Passwörter deaktiviert?"

Konzept: KI-Security-Review – Prompt-Vorlage

Prompt: "Du bist ein erfahrener Security-Auditor.
         Überprüfe diesen Code auf folgende Lücken:
         1. SQL-Injection
         2. XSS-Angriffspunkte
         3. Unsichere Passwort-Speicherung
         4. Fehlende Eingabe-Validierung
         5. Exposed API-Keys oder Secrets

         Code: [Code einfügen]

         Liste jeden Fund mit: Zeile, Schweregrad (kritisch/hoch/mittel), Fix-Vorschlag."

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Semgrep SAST Code-Pattern-basierter Security-Scanner 🐧 Ja semgrep.dev
🟩 Bandit SAST Python-Security-Linter 🐧 Ja bandit.readthedocs.io
🟩 OWASP ZAP DAST Dynamischer Web-Security-Scanner 🐧 Ja zaproxy.org
🟩 Trivy Scan Dependency- & Container-Scan 🐧 Ja github.com/aquasecurity
🟩 truffleHog Secret-Scan Secrets in Git-History finden 🐧 Ja github.com/trufflesecurity
🟩 gitleaks Secret-Scan Secrets im Code verhindern 🐧 Ja github.com/gitleaks

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Static Code Analysis (SAST) Semgrep, Bandit, SonarQube Checkmarx, Veracode
Dynamic Analysis (DAST) OWASP ZAP Burp Suite Pro
Dependency-Scan Trivy, OWASP Dependency-Check Snyk Pro, Black Duck
Secret-Detection truffleHog, gitleaks GitGuardian


3.5 Thema: KI-Agenten für Softwareentwicklung

Konzept: Autonome Entwicklungs-Agenten verstehen

Konzept: Multi-Agenten für komplexe Projekte

Agent Rolle Tool
Architect Architektur planen Ollama + Claude API
Developer Code schreiben Aider + DeepSeek Coder
Tester Tests schreiben Ollama + pytest
Reviewer Code prüfen Semgrep + Ollama
DevOps CI/CD konfigurieren LangChain + Shell

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Aider KI-Agent Vollständigster Open-Source Coding-Agent 🐧 Ja aider.chat
🟩 LangChain Framework LLM-Agenten-Framework (Python) 🐧 Ja langchain.com
🟩 CrewAI Framework Multi-Agenten-Teams 🐧 Ja crewai.com
🟩 AutoGen (Microsoft) Framework Multi-Agenten-Konversation 🐧 Ja microsoft.github.io/autogen
🟩 SWE-agent KI-Agent Löst GitHub-Issues automatisch 🐧 Ja github.com/princeton-nlp

Vergleich: Open Source vs. Kommerziell

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Coding-Agent Aider + Ollama / DeepSeek Devin, GitHub Copilot Workspace
Agenten-Framework LangChain, CrewAI, AutoGen —
Issue-Löser SWE-agent Devin
Repository-Verständnis Aider (Repo-Map) Cursor, Sourcegraph


3.6 Thema: Eigene Modelle fine-tunen

Konzept: Wann ist Fine-Tuning sinnvoll?

Situation Fine-Tuning sinnvoll? Alternative
Firmeneigener Code-Stil ✅ Ja Oder: Few-Shot-Prompts
Proprietäre DSL/API ✅ Ja Oder: RAG mit Dokumentation
Allgemeines Coding ❌ Nein Base-Modell reicht
Datenschutz-kritisch ✅ Ja (lokal) Lokales Fine-Tuning

Konzept: Fine-Tuning-Methoden

Methode Beschreibung Tool
LoRA Effizientes Fine-Tuning (Low-Rank Adaptation) Unsloth, axolotl
QLoRA LoRA mit Quantisierung (weniger GPU-RAM) Unsloth
Full Fine-Tuning Vollständiges Training Nur bei sehr großen Ressourcen

Software – Open Source zuerst:

Software Typ Funktion Ubuntu Link
🟩 Unsloth Fine-Tuning Schnellstes LoRA/QLoRA Fine-Tuning 🐧 Ja github.com/unslothai
🟩 axolotl Fine-Tuning Flexibles Fine-Tuning-Framework 🐧 Ja github.com/axolotl-ai-cloud
🟩 Hugging Face Transformers ML-Framework Standard für Modell-Training 🐧 Ja huggingface.co
🟩 Ollama (Custom Models) LLM-Server Fine-tuned Modelle lokal deployen 🐧 Ja ollama.com


📋 Praxisprojekte

🟢 Einsteiger: Erste KI-Coding-Umgebung aufsetzen

# Schritt für Schritt (Ubuntu)
# 1. Ollama
curl -fsSL https://ollama.com/install.sh | sh
# 2. Code-Modell laden
ollama pull deepseek-coder-v2
# 3. VSCodium + Continue.dev Extension installieren
# 4. Continue.dev auf Ollama konfigurieren

Software (alle Open Source): Ollama · DeepSeek Coder · VSCodium · Continue.dev


🟡 Fortgeschritten: REST-API mit KI entwickeln & testen

Software (alle Open Source): Ollama · Aider · FastAPI · pytest · Semgrep · Ruff · Docker


🟡 Fortgeschritten: Legacy-Code refaktorieren mit Aider

# Aider mit lokalem Modell
pip install aider-chat
aider --model ollama/deepseek-coder-v2 legacy_code.py

# Im Aider-Dialog:
# > Refaktoriere diesen Code:
#   - DRY-Prinzip anwenden
#   - Type Hints hinzufügen
#   - Google-Docstrings hinzufügen
#   - Tests mit pytest schreiben

Software (alle Open Source): Aider · Ollama · pytest · Ruff


🔴 Experte: Vollständige CI/CD-Pipeline mit KI-Review

Software (alle Open Source): Gitea · Woodpecker CI · Ruff · pytest · Semgrep · Trivy · Aider · Ollama · Docker · Coolify


📦 Vollständige Softwareübersicht & Vergleich

LLM-Modelle (immer gelistet – unabhängig vom Preis)

Software Lokal / Cloud Ubuntu Preis Link
🟩 🤖 Ollama Lokal 🐧 Ja Kostenlos ollama.com
🟩 🤖 LM Studio Lokal 🐧 Ja Kostenlos lmstudio.ai
🟩 🤖 Jan.ai Lokal 🐧 Ja Kostenlos jan.ai
🟩 🤖 llama.cpp Lokal 🐧 Ja Kostenlos github.com/ggerganov
🤖 ChatGPT Cloud 🌐 Web Freemium openai.com
🤖 Claude Cloud 🌐 Web Freemium claude.ai
🤖 Gemini Cloud 🌐 Web Freemium gemini.google.com

KI-Code-Assistenten

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
IDE-KI-Plugin Continue.dev + Ollama GitHub Copilot, Tabnine Pro
Terminal-KI-Agent Aider + Ollama Cursor, Windsurf
Repository-Verständnis Aider (Repo-Map), Sourcegraph Cody Free Cursor, Devin
Multi-File-Agent Aider, SWE-agent Devin, GitHub Copilot Workspace

Entwicklungsumgebung

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Code-Editor VSCodium, Neovim JetBrains IDEs, Cursor
Git-Hosting Gitea (self-hosted) GitHub, GitLab
Diagramme draw.io Lucidchart, Miro

Programmiersprachen-Tools

Sprache Linter 🟩 Formatter 🟩 Test-Framework 🟩
Python Ruff, Pylint Black, Ruff pytest, Hypothesis
JavaScript ESLint, Biome Prettier, Biome Jest, Vitest
TypeScript ESLint + ts-eslint Prettier Vitest, Jest
Go golangci-lint gofmt testing (stdlib)
Rust Clippy rustfmt cargo test

Testing

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Unit-Testing (Python) pytest, Hypothesis —
Unit-Testing (JS/TS) Vitest, Jest —
E2E-Testing Playwright, Cypress TestComplete, Mabl
Last-/Performance-Tests k6, Gatling Loader.io
Mutations-Testing mutmut (Python), Stryker (JS) —
KI-Test-Generierung Continue.dev + Ollama GitHub Copilot, CodiumAI

Code-Qualität & Review

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Code-Analyse SonarQube Community, semgrep SonarQube Pro
Git-Hooks pre-commit —
Review-Automation reviewdog —
Dependency-Updates Renovate (self-hosted) Dependabot

Dokumentation

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Python-API-Docs Sphinx, pdoc ReadMe.io
Allgemeine Doku MkDocs, Docusaurus Confluence
C/C++/Java-Docs Doxygen —
CHANGELOG git-cliff —

Datenbanken

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
SQL-Datenbank PostgreSQL, MariaDB, SQLite Oracle, MS SQL Server
DB-GUI DBeaver, Adminer DataGrip, TablePlus
Migrationen Alembic, Flyway Community Flyway Pro
Vektor-Datenbank pgvector, Chroma Pinecone

Sicherheit

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Static Analysis (SAST) Semgrep, Bandit Checkmarx, Veracode
Dynamic Analysis (DAST) OWASP ZAP Burp Suite Pro
Dependency-Scan Trivy, OWASP Dependency-Check Snyk Pro
Secret-Detection truffleHog, gitleaks GitGuardian

CI/CD & Deployment

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
CI/CD-System Woodpecker CI, Jenkins, Gitea Actions GitHub Actions, CircleCI
Deployment-Plattform Coolify, Caprover Heroku, Render
Containerisierung Docker, Podman —
Container-Orchestrierung K3s, Kubernetes —

KI-Agenten & Fine-Tuning

Funktion Open Source 🟩 (Ubuntu) Kommerziell 💰
Coding-Agent Aider, SWE-agent Devin
Agenten-Framework LangChain, CrewAI, AutoGen —
Fine-Tuning Unsloth, axolotl —
Modell-Training Hugging Face Transformers —


Weiterführende Ressourcen


Letzte Aktualisierung: Juli 2026

Abgerufen von „https://mediawiki.wissen-ahrensburg.de/index.php?title=KI_%26_Automatisierung_/_KI-Coding_/_Einstieg_/_KI_Coding&oldid=3412“