'Du kannst das Denken delegieren, aber nicht das Verständnis für die Zusammenhänge', ist nach wie vor zutreffend.
Video-Beschreibung
In dieser Episode von The Build System setze ich mich mit Mario Zechner zusammen, einer der führenden Stimmen im Bereich KI‑Software‑Engineering weltweit, langjähriger Open‑Source‑Entwickler und Schöpfer von Pi, Openclaws bewusst minimalistischer Coding‑Agent, der sich selbst modifizieren kann.
Wir gehen praktisch vor und zeigen Marios echten Workflow zur Pflege von Pi – mit Pi selbst. Er demonstriert, wie Pi GitHub‑Issues triagieren, Bugs analysieren, Fixes implementieren, Changelogs aktualisieren, GitHub‑Kommentare hinterlassen, Änderungen committen und sogar neue Features in sein eigenes Agent‑Framework einbauen kann, wenn Mario einen anderen Workflow wünscht.
Wir behandeln:
- Warum 'dark factory' Coding trotzdem zusammenbricht, wenn niemand den Code beobachtet
- Wie Mario Pi nutzt, um Pi zu bauen, inklusive selbst modifizierender Agent‑Erweiterungen
- Warum Bash, Dateien und ein kleiner Harness schwergewichtige Agent‑Frameworks übertreffen können
- Wie man verhindert, dass Agents stillschweigend den Code‑Base in Schlamm verwandeln
- Warum die eigentliche Aufgabe des Engineers darin besteht, Geschmack, Grenzen und das Wissen zu entwickeln, wo dem Modell nicht vertraut werden sollte
Die wichtigste Erkenntnis: KI kann den Code schreiben, aber sie kann dir noch immer nicht sagen, welche Art von Code‑Base du in sechs Monaten leben möchtest. Dieser Teil bleibt menschlicher Geschmack, Architektur und die Disziplin, vor einer schlechten Entscheidung des Agents einen Schritt zurückzutreten.
Mario führt ausserdem praktische Muster für grössere Code‑Bases aus, darunter agent‑unterstützte Exploration, progressive Kontext‑Sammlung, verzweigte Gespräche, deterministische Checks und das Betrachten von Agents eher als Forschungs‑Praktikanten denn als autonome Engineers.
Links
Video
Die Zusammenfassung wurde mithilfe von KI‑Tools erstellt. Web Clipper → Obsidian → Copilot, unter lokaler Verwendung von gpt‑oss:120b auf einem Mac Studio. Siehe hier:
Transkript
Einleitung
- Diskussion über Unterschied zwischen manueller Arbeit von 10‑100 Ingenieuren vs. 100 Agenten in drei Monaten.
- Vorstellung des Gastes Mario Zechner, Open‑Source‑Entwickler und Schöpfer von Pi.
Hintergrund von Mario Zechner
- Einstieg durch Computerspiele Mitte der 90er, später Arbeit im wissenschaftlichen Umfeld mit Machine Learning (vor Deep Learning).
- Gründung mehrerer Startups, u.a. Compiler für iOS.
- Interesse an GPT seit 2020, Fokus auf Nutzung von LLMs zum Codieren.
Meinung zu Coding‑Agents
- Positive Grundhaltung gegenüber neuer Technologie, aber vorsichtige Neugier bezüglich realer Anwendung und gesellschaftlicher Auswirkungen.
- Kritik an GitHub Copilot (fehlende Zuverlässigkeit), positive Erfahrung mit Cursor und Cloud Code.
- Entwicklung von Pi als minimalistisches Harness mit kleinem Kern und Erweiterungspunkten.
Strategien für den Einsatz von Agents
- Mission‑kritische Teile sollten vom Entwickler überwacht werden; Agenten können Boilerplate generieren.
- Front‑End‑Code wird oft weniger streng kontrolliert, da weniger kritisch.
- Wichtig: klare Modulgrenzen und Kontextgrössen beachten, um Token‑Limitierungen zu umgehen.
Architektur von Pi
- Kern ist klein, Erweiterungen ermöglichen Anpassung an Workflow.
- Diskussion über 'Dark Factories' vs. kontrollierte Agentennutzung.
- Selbstmodifikation von Pi ermöglicht schnelle Feature‑Entwicklung ohne feste Versionen.
Praktische Anwendung: Issue‑Bearbeitung
- Automatisches Schliessen und Review von Issues, Auswahl menschlicher vs. agentenerstellter Tickets.
- Nutzung von Prompt‑Templates (z.B. rapid) für Analyse, Fixes und Commit‑Erstellung.
- Beispiel: Bugfix für Token‑Schätzung bei Bildnachrichten.
Workflow‑Beispiele
- Verwendung von GitHub CLI, automatisierte Labels, Zuweisungen und UI‑Feedback.
- Integration von Tests, Linting und Type‑Checking als deterministische Guardrails.
- Umgang mit Merge‑Konflikten und Rebase‑Prozessen durch Agenten.
Modellwahl und Aktualisierung
- Hauptsächlich GPT‑4/Opus im Einsatz, gelegentlich lokale Modelle (z.B. DeepSeek) für Experimente.
- Regelmässige Updates, um von neuen Features zu profitieren.
Umgang mit grossem Code‑Base
- Modularisierung und klare API‑Grenzen erleichtern Agentenarbeit.
- Strategien: gezielte Kontextauswahl, schrittweise Exploration, Nutzung von Sub‑Agents (Tree‑Branching) für Analyse und Implementierung.
- Wichtigkeit des menschlichen Verständnisses trotz Agenteneinsatz.
Refactoring & technische Schuld
- Gefahr von massiver Code‑Generierung durch viele Agents; Notwendigkeit von Refactoring.
- Empfehlung: regelmässige, gezielte Refactorings, ggf. komplette Neuschreibung bei unrettbarem Zustand.
- Zusammenarbeit mit Domain‑Experten, um Front‑End‑Probleme zu lösen.
Fazit & Ausblick
- Pi ermöglicht kontrollierte, selbst modifizierende Entwicklungsumgebung.
- Agenten können Produktivität steigern, erfordern aber klare Guardrails und menschliche Aufsicht.
- Aufruf zur Nutzung von Pi, Experimentieren mit LLM‑Modellen und Weiterentwicklung der Technologie.
