Code-Modelle und KI beim Programmieren

Kurz: Sprachmodelle schreiben, erklären und reparieren Programmcode, weil sie mit riesigen Mengen Code trainiert wurden. Vom Vorschlag in der Zeile bis zum Agenten, der ganze Aufgaben im Projekt erledigt.

Genauer: Code ist für Modelle günstig: Er hat feste Regeln, und man kann das Ergebnis automatisch prüfen (Tests, Compiler). Das macht Verstärkungslernen mit prüfbarem Ergebnis möglich.

Im Detail

• Stufen: Autovervollständigung → Chat in der IDE → Agent, der Dateien liest, Befehle ausführt und Tests laufen lässt.
• Training: Öffentlicher Code (mit Lizenzfragen), Aufgaben mit Tests, Verstärkungslernen auf bestandene Tests, siehe Reasoning-Modelle und Chain of Thought.
• Messung: HumanEval, SWE-bench (echte Fehler in Open-Source-Projekten beheben).
• Typische Fehler: Erfundene Funktionen oder Bibliotheken, veraltete APIs, Sicherheitslücken, scheinbar richtiger, aber falscher Code.
• Gute Praxis: Code lesen und verstehen, Tests schreiben und laufen lassen, kleine Schritte, Versionskontrolle (git), Geheimnisse nie in Prompts.
• Lernen: Wer Anfänger ist, sollte Code nicht blind kopieren, sondern erklären lassen und nachbauen.
• Rechtliches: Lizenzen von Trainingscode und Urheberrecht sind umstritten, siehe Trainingsdaten, Urheberrecht und Datenschutz bei KI.

Siehe auch: Werkzeugnutzung, Agenten und MCP, Agenten-Entwurfsmuster