Können Sie programmieren, ohne zu wissen, wie man Code erstellt?

Unseren Teams in Entwicklung und Engineering stehen eine Vielzahl von Tools zur Verfügung, die den Prozess der Softwareentwicklung vereinfachen. Noch als Studenten haben wir mit Scratch eine Pipeline von Blöcken erstellt, die in Wenn-Dann-Szenarien funktioniert. Damals gab es noch No-Code-Tools, um Nutzenden mit großen Ideen, aber nur begrenzter technischer Erfahrung, bei der Anwendungsentwicklung zu helfen. Der neueste Durchbruch bei der vereinfachten App-Entwicklung sind Sprachmodelle, die Befehle in natürlicher Sprache (wie „Erstellen Sie eine Quarkus-App mit einem React Frontend, um Kurswerte anzuzeigen“) interpretieren, um Aufgaben wie das Einrichten von Projekten, das Generieren von Code und das Ausführen von Tests zu automatisieren. Dieser Trend ist als „Vibe Coding“ bekannt und wird von agentischer KI unterstützt. Dies ist bereits in die heutigen Entwicklungsumgebungen integriert. Aber wie wirkt sich Vibe Coding aus, und schadet es mehr als es nutzt?

Die Evolution der Codeunterstützung

Vibe Coding ist die Interaktion mit einem KI-Prompt, um brauchbaren Code zu erzeugen, obwohl die technischen Fähigkeiten zum unabhängigen Programmieren oft nicht vorhanden sind. Bei den Code-Editoren sind uns kürzlich umfangreiche Änderungen aufgefallen. GitHub CoPilot wurde beispielsweise im Oktober 2021 eingeführt, noch vor dem Release von öffentlichen, GPT-ähnlichen Sprachmodellservices, und hat sich schnell als Tool für die automatische Vervollständigung von Code durchgesetzt. Wenn Sie beispielsweise System.out.print eingeben, könnte GitHub CoPilot dies automatisch mit ln(„Hello World!“) vervollständigen. Aber auch dafür müssen Sie wissen, wie viel Code Sie schreiben müssen, damit CoPilot etwas zu bearbeiten hat.

Nachdem mit der Veröffentlichung von Cursor, einer KI-gestützten integrierten Entwicklungsumgebung (IDE), die Einstiegshürde für das Programmieren gesenkt wurde, gewann die Thematik mit der Verwendung durch Branchenführer wie Andrej Karpathy, Gründungsmitglied von OpenAI, an Bedeutung und der Begriff „Vibe Coding“ entstand.

Cursor, das auf der beliebten Visual Studio Code-IDE als Basis erstellt wurde, ähnelt auf den ersten Blick vielen anderen Code-Editoren. Mit dem von Karpathy beschriebenen Vibe Coding können Sie ein gewünschtes Ergebnis für Ihr Projekt oder eine Änderung an Ihrem Code in natürlicher Sprache beschreiben, und das Modell-Backend schlägt dann Änderungen vor oder nimmt eigenständig Änderungen vor. Dies ist vielleicht der häufigste Use Case agentischer KI (Agentic AI), bei dem ein Modell über Autonomie oder Zugriff auf Tools verfügt, um seine Fähigkeiten zu erweitern. Bei diesen KI-gestützten Codierungstools kann dies das Lesen und Schreiben in Dateien, den Online-Zugriff auf Dokumentation und Webseiten, den Terminalzugriff für die Ausführung von Tests und vieles mehr umfassen. 

Entscheidend für diese Funktionalität ist jedoch das erweiterte Kontextfenster für Sprachmodelle. Dies hat sich von Hunderten auf Millionen von Tokens gleichzeitig ausgeweitet, sodass Vibe Coding die gesamte Codebasis als Kontext mit einem Sprachmodell verwenden kann. So unterstützte Llama 2 beispielsweise ein Kontextfenster mit 4.096 Token, Llama 3 bot zunächst ein Fenster mit 8.192 Token und Llama 4 verarbeitet nativ bis zu 10 Millionen Token in seinem Kontext. Je umfangreicher der Kontext, desto mehr Nutzen bietet er Entwicklungsteams und Nutzenden, die sich für Vibe Coding interessieren.

Was müssen Sie vor dem Vibe Coding wissen? 

Nicht alle haben Entwicklungserfahrung. Viele von uns interessieren sich jedoch sehr für Technik und dafür, wie Ideen in die Realität umgesetzt werden – und nicht unbedingt für die hohe Kunst der Syntax und der Semikolons. Tools wie Cursor geben vielen von uns Zuversicht, nützliche Anwendungen entwickeln zu können. Sehen wir uns das typische Erlebnis Nutzender an, die Vibe Coding anwenden wollen, um ein besseres Verständnis dafür zu entwickeln, wo dies erfolgreich ist, wo es scheitert und wie man mit dieser Technik die eigenen Workflows verbessern kann. 

Ich habe Cursor von der Cursor-Website heruntergeladen, auf der es vorgefertigte Installationsprogramme für Linux, Mac und Windows gab. Mir war nicht ganz klar, wie ich am besten anfangen sollte. Also habe ich einen Screenshot des Cursor-Startbildschirms zu einem KI-Assistenten hochgeladen und um Hilfe gebeten. Den Anweisungen folgend habe ich einen Ordner erstellt, um dort alle Projektdateien zu speichern, und ihn dann mit der Schaltfläche zum Öffnen eines Projekts geöffnet.  

Die Benutzeroberfläche von Cursor ähnelt VS Code, es gibt jedoch zusätzlich ein Chat-Fenster auf der rechten Seite. Diese Oberfläche, bei der die Arbeitsumgebung und die aktiven Dateien links und das Chat-Fenster rechts geöffnet sind, vereinfacht den Workflow. So müssen Sie nicht Alt + Tab zum Wechsel zwischen verschiedenen Fenstern drücken, um mit einem KI-System zu kommunizieren. Es ist direkt in den Code-Editor integriert.

Red Hat fördert und unterstützt Weiterbildung, sei es durch Kurse von Red Hat Training and Certification zu Containern, Kubernetes und GitOps oder durch Beiträge zu Open Source-Projekten. Das hat mich dazu inspiriert, ein Tool zum Auswendiglernen zu entwickeln, das lokal ausgeführt wird und das ich hosten und mit anderen teilen konnte. 

Erste Eingabeaufforderung: Erstellen einer Flashcards App, die ich in meinem Browser ausführen kann. Ich möchte die Karten umdrehen und zu Favoriten hinzufügen können.

Meine Anfrage wurde von einem cloudbasierten Modell verarbeitet, und Cursor erzeugte anschließend Code in 3 Dateien: 

• index.html: Struktur der Hauptseite
• Style.css: Stil und Layout
• script.js: Funktionalität 

Ein Großteil des Prozesses bestand darin, bei jeder Datei und jedem Codevorschlag, ohne nachzudenken, auf Accept zu klicken. 

Dann hatte ich noch einen Link zu meiner Flashcard-App. Leider hat das noch nicht richtig funktioniert. 

Ich musste mich ein wenig anstrengen, um die Probleme im Chatfenster zu erklären. Da Cursor und viele moderne Modelle nicht nur Text, sondern auch Bilder verarbeiten können, habe ich Screenshots mit Erklärungen in natürlicher Sprache dazu beigefügt, wo es hakte. Nach einigem Hin und Her hat es funktioniert. 

Cursor hat eine vollständige App mit bearbeitbaren Karten, fließenden Animationen für das Umdrehen, Schaltflächen für „Vorherige“ und „Nächste“ sowie persistenten Storage generiert. Ich habe index.html geöffnet und es hat funktioniert. Das ist zwar noch nicht perfekt – es gibt kein Backend und keine geräteübergreifende Synchronisierung und Skalierung, die mehr Kenntnisse erfordern würden – aber die Tatsache, dass ich sie mit nur einem Prompt erstellt habe, war wie Zauberei.

Wenn Sie in Ihrem Leben noch nicht eine Zeile Code geschrieben haben, reichen Cursor oder ähnliche Plattformen nicht aus, um eine voll funktionsfähige Anwendung zu erhalten. KI-Code ohne konzeptionelles Verständnis ist spröde. Beim Versuch, Ihren Code bereitzustellen, die Infrastruktur zu verwalten oder Fehler in einer Produktivumgebung zu beheben, treten zahlreiche Probleme auf. Ohne Grundkenntnisse stoßen Sie beim Skalieren, Sichern oder Warten Ihrer Anwendung in der Praxis auf Hindernisse.

Meiner Meinung nach lohnt es sich trotzdem, es unabhängig von Ihrem Level an Erfahrung zu versuchen. Für Einsteiger kann es schwierig sein, weil es mehrere Möglichkeiten gibt, Aufgaben zu erledigen. Wer keine Grundkenntnisse zu Terminals hat (wie etwa dem Eingeben eines Computerpassworts, ohne es zu sehen, oder dem Drücken der Taste Y zur Bestätigung), kann leicht in Stolperfallen geraten. Mein Rat für Einsteiger ist, Screenshots in Cursor abzulegen, wenn Sie nicht genau wissen, warum Sie nicht weiterkommen. Verwenden Sie einen anderen Chatbot, um zu erfahren, was Cursor bei Ihnen an vorhandenem Wissen voraussetzt, und um Sie bei Fragestellungen zu unterstützen. Diese Vorgehensweise ist inzwischen so weit verbreitet, dass es bereits einen Begriff für die Kunst gibt, zu wissen, was man von der KI verlangen kann: Prompt Engineering oder das Wissen, wie man eine Frage oder eine Anfrage an ein Modell effektiv formuliert, um das gewünschte Ergebnis zu erhalten. 

Die Realität des Vibe Codings

KI-Codierungstools und die Kunst des Vibe Coding werden das Programmieren auch in Zukunft zugänglicher machen. Wie bei allen anderen erlernten Fähigkeiten, Fertigkeiten oder Berufen ist auch hier das Prinzip von Versuch und Irrtum von großem Wert. Viele Entwicklerinnen und Entwickler erinnern sich noch gut an Debugging-Sessions, an Probleme mit Python- oder Java-Versionen und SDKs oder an die Step Execution. Das Erstellen von Code ist eine Sache, aber guten Code zu erstellen eine andere. Aufgrund der Art und Weise, wie Sprachmodelle derzeit trainiert werden, könnten deren Datensätze teilweise ungenaue Antworten oder fehlerhaften oder veralteten Code enthalten. Und: Der durchschnittliche Nutzende ist nicht in der Lage, ein Modell selbst neu zu trainieren.

Die Antwort ist: Investieren Sie in Ihre Weiterbildung. Red Hat bietet praktisches Training zu KI sowie zu grundlegenden Technologien wie Linux und Kubernetes an. In der Welt der KI haben Vibe Coding und die Erweiterung von KI-Funktionen mithilfe von traditioneller Programmierung eine große Zukunft. Man kann sich das als „Gummienten-Debugging“ vorstellen, eine gängige Technik, bei der ein Entwickler einer Gummiente ein Problem oder ein Vorhaben laut erklärt, um sein Gehirn dazu zu bringen, ein Problem objektiv zu analysieren. Der Unterschied bei KI besteht darin, dass die Gummiente jetzt antwortet!