KI-Agenten

Code-Review im Zeitalter von KI-Agenten neu denken

Robert C. Martin und Branchenführer argumentieren, dass Ingenieure vom zeilenweisen Lesen des Codes zum Überprüfen von Absichten, Kriterien und architektonischen Entscheidungen wechseln müssen, da KI immer mehr Software generiert.

Eine holografische Code-Struktur schwebt über einer Tastatur, während eine Hand darauf zeigt.
Für diesen Artikel generierte Illustration

Automatisch aus dem englischen Original übersetzt.

Robert C. Martin, weithin bekannt als Uncle Bob, gab kürzlich an, dass er 95 Prozent des von seinen KI-Agenten produzierten Codes nicht mehr liest. Dieses Eingeständnis markiert einen bedeutenden Wandel in den Praktiken der Softwareentwicklung und deutet darauf hin, dass menschliche Prüfer mit dem Tempo der automatisierten Codegenerierung nicht mehr Schritt halten können. Während Teams KI-Agenten in ihre Workflows integrieren, wird das traditionelle Modell der detaillierten zeilenweisen Inspektion obsolet und zwingt zu einer Neubewertung dessen, was effektive Aufsicht ausmacht.

Was passiert ist

Die Diskussion dreht sich um einen grundlegenden Wandel darin, wie Engineering-Teams die Codequalität und das Review angehen. Martin, dessen Buch Clean Code ganze Generationen von Entwicklern beeinflusst hat, argumentiert, dass Menschen zu langsam sind, um Code in der Geschwindigkeit zu verwalten, die moderne KI-Agenten erfordern. Er schlägt vor, dass eine hochrangige Aufsicht notwendig ist, aber die direkte Beschäftigung mit jeder einzelnen Zeile Quellcode nun außerhalb der menschlichen Reichweite liegt. Diese Perspektive stellt die lang gehegte Überzeugung infrage, dass Code primär für andere Menschen zum Lesen geschrieben wird, und impliziert, dass sich der Leser von einem menschlichen Entwickler zu einem automatisierten System oder einer höheren Abstraktionsebene gewandelt hat.

Obwohl Martin den Code weitgehend aus dem Bereich der menschlichen Überprüfung ausschließt, gibt er die Sorgfaltspflicht nicht vollständig auf. Stattdessen konzentriert er sich auf strukturelle Integrität und Design-Patterns. Er nutzt Tools zur Visualisierung der Projektarchitektur, die es ihm ermöglichen, spezifische Komponenten zu erweitern, einzuklappen und tiefer zu analysieren, ohne sich durch rohe Syntax wühlen zu müssen. Diese Methode erlaubt es ihm, Probleme wie hohe Change Risk Anti-Patterns (CRAP)-Scores, schlechte Ergebnisse bei Mutationstests und falsche Abhängigkeitsrichtungen zu identifizieren. Durch die Interaktion mit diesen dynamischen Diagrammen kann er Was-wäre-wenn-Szenarien durchführen und Komponentenebenen anpassen, bevor der Code finalisiert wird, wodurch der Review-Prozess effektiv stromaufwärts von der Implementierung zum Design verschoben wird.

Andere Stimmen aus der Branche bieten differenzierte Perspektiven auf diesen Übergang. Ray Myers argumentiert, dass diejenigen, die behaupten, den Code nicht mehr zu lesen, oft eine Form des „kleingeschriebenen“ Lesens betreiben, bei der sie kritische Bereiche selektiv inspizieren und sich für den Rest auf automatisierte Verifizierung verlassen. David Poll, der das Team für Pull Requests und Code Reviews bei GitHub leitet, betont, dass das Ziel nicht darin besteht, das Lesen einzustellen, sondern die Aufmerksamkeit dorthin zu lenken, wo sie am nützlichsten ist. Er befürwortet Systeme, die bedeutsame Teile einer Änderung hervorheben, sodass Bereiche mit geringer Konfidenz aus dem Aufmerksamkeitsbereich des Prüfers herausfallen. Dieser Konsens legt nahe, dass zwar das Volumen des manuell geprüften Codes abnimmt, die strategische Bedeutung der verbleibenden Prüfung jedoch zunimmt.

Wie es funktioniert

Das neue Review-Modell basiert auf drei primären Artefakten: Absicht, Akzeptanzkriterien und Entscheidungen. Die Absicht erfasst den Zweck der Änderung, einschließlich dessen, was im Geltungsbereich liegt und was bewusst ausgeschlossen wurde. Diese Informationen werden aus den Prompts und Interaktionen zwischen dem Ingenieur und dem KI-Agenten abgeleitet. Akzeptanzkriterien unterteilen sich in spezifische Anforderungen für die aktuelle Änderung und invarianten Muster aus dem AI-Slop-Register eines Teams. Ein verifizierender Agent, unabhängig von demjenigen, der den Code geschrieben hat, prüft diese Kriterien und liefert Nachweise für die Einhaltung. Prüfer bewerten anschließend, ob das Problem innerhalb der definierten Constraints korrekt gelöst wird.

Entscheidungen repräsentieren die architektonischen, verhaltensbezogenen und technischen Choices, die während der Entwicklung getroffen wurden. Da KI-Agenten den Großteil des Boilerplate-Codes übernehmen, liegt der menschliche Beitrag in der Auswahl von Bibliotheken, der Definition von Datenmodellen und der Festlegung von Fehlerbehandlungsstrategien. Prüfer konzentrieren sich auf diese Entscheidungen, um die Ausrichtung auf die Systemziele sicherzustellen. Dieser Ansatz bewahrt das mentale Modell der Codebasis, ein Konzept, das Mitchell Hashimoto als Whiteboard-Verteidigung bezeichnet. Ingenieure müssen in der Lage sein, zu erklären, warum bestimmte Choices getroffen wurden und wo potenzielle Fehlerquellen liegen, um sicherzustellen, dass der Wissensaustausch auch ohne zeilenweise Vertrautheit mit dem Code intakt bleibt.

Wichtige Details

  • Robert C. Martin berichtet, dass er 95 Prozent des von seinen KI-Agenten generierten Codes nicht liest, und führt dabei die Geschwindigkeitsunterschiede zwischen Mensch und Maschine an.
  • Der CRAP-Score, kurz für Change Risk Anti-Patterns, ist eine Metrik aus dem Jahr 2007, die zyklomatische Komplexität mit Testabdeckung kombiniert, um riskanten Code zu identifizieren.
  • Dynamische UML-ähnliche Diagramme ermöglichen es Prüfern, Abhängigkeiten und Strukturen zu visualisieren und interaktive Anpassungen vorzunehmen, bevor der Code finalisiert wird.
  • Verifizierungsagenten prüfen Akzeptanzkriterien gegen das AI-Slop-Register eines Teams und liefern evidenzbasierte Urteile, anstatt manuelle Inspektionen zu erfordern.
  • David Poll von GitHub erklärt, dass das Ziel darin besteht, die menschliche Aufmerksamkeit auf bedeutsame Teile einer Änderung zu lenken, nicht das Lesen vollständig zu eliminieren.
  • Die ultimative Verantwortung für den Code verbleibt beim Menschen, da KI-Agenten als völlig unverantwortlich gelten und keine Ergebnisse tragen können.

Warum das wichtig ist

Für Engineering-Leads und Entwickler erfordert dieser Wandel eine Umstellung der Denkweise von taktischer Kontrolle zu strategischer Aufsicht. Das traditionelle Code-Review diente zwei Zwecken: der Sicherstellung der Konformität mit Standards und der Förderung des Wissensaustauschs. KI disruptiert beide Aspekte, indem sie schnell konformen Code generiert und den Entscheidungsprozess verschleiert. Durch die Fokussierung auf Absicht, Kriterien und Entscheidungen können Teams die Qualität aufrechterhalten, ohne die Entwicklungspipeline zu blockieren. Dieser Ansatz stellt sicher, dass Senior-Ingenieure ihre Zeit für hochwertige architektonische Urteile verwenden, anstatt sich mit syntaktischen Kleinigkeiten zu beschäftigen.

Darüber hinaus adressiert dieses Modell das Risiko von Wissenssilos. Wenn nur eine Person den KI-generierten Code versteht, wird das Team verwundbar. Indem Entscheidungen dokumentiert und Ingenieure aufgefordert werden, ihre Choices zu verteidigen, baut das Team ein gemeinsames mentales Modell auf. Diese Praxis stellt sicher, dass mehrere Personen verstehen, wie das System funktioniert und warum bestimmte Wege gewählt wurden. Sie verwandelt das Code-Review von einer Gatekeeping-Übung in eine kollaborative Design-Session und fördert ein tieferes Verständnis des Systems unter allen Teammitgliedern.

Was Sie tun können

  • Implementieren Sie Tools zur Visualisierung der Codestruktur und der Abhängigkeiten, damit Prüfer die Architektur bewerten können, bevor sie in Implementierungsdetails eintauchen.
  • Definieren Sie klare Absichten für jede Aufgabe und dokumentieren Sie im Prompt für KI-Agenten, was im Geltungsbereich liegt und was ausgeschlossen ist.
  • Richten Sie ein AI-Slop-Register ein, um häufige Patterns und Fehler zu erfassen, und nutzen Sie es zur Automatisierung der Verifizierung von Akzeptanzkriterien.
  • Fordern Sie Ingenieure auf, wichtige technische und architektonische Entscheidungen zu dokumentieren, um ein Protokoll zu erstellen, das unabhängig vom Code überprüft werden kann.
  • Schulen Sie Prüfer darin, sich auf Hochrisikobereiche und strategische Choices zu konzentrieren, und nutzen Sie automatisierte Tests für routinemäßige Validierungsaufgaben.
  • Führen Sie regelmäßige Whiteboard-Sessions durch, in denen Ingenieure ihre Design-Choices erklären und sie gegen Fragen von Kollegen verteidigen, um das gemeinsame Verständnis zu festigen.
  • #ai agents
  • #code review
  • #software engineering
  • #clean code
  • #developer productivity

Tools aus dem Bytechap-Shop

Weiterlesen

KI-Agenten

ClawDOS: KI-Coding-Agent auf historischer IBM-PC-Hardware

Ein neues Projekt ermöglicht es Claude, Code direkt auf einem IBM PC mit 8088-Prozessor zu schreiben, zu kompilieren und auszuführen – eine Brücke zwischen modernen KI-APIs und den Hardware-Beschränkungen der 1980er-Jahre.

Alle Artikel