| Kursbeschreibung (description): |
Teilnehmer lernen im praxisorientierten Entwickler-Workshop, LLMs als Coding Copilot einzusetzen: mehr Tempo, ohne Codequalität, Sicherheit und Wartbarkeit zu verlieren. „Vibe Coding“: von Idee zu lauffähigem Code, verfeinern, Tests/Checks nachziehen. Patterns: Spec/Plan First, Diff Requests, Constraint Prompts, Test-First, Review und Hardening Prompts. Im Übungs-Case bauen/erweitern sie eine Komponente von Anforderung bis Doku, Code Review und Absicherung – mit persönlichem Werkzeugkasten.
|
|
| Zielgruppe (target group): |
Das Training AI350 Vibe Coding for Developers richtet sich an:
- Entwickler (Backend, Frontend, Full Stack), Tech Leads, Senior Engineers
- Entwicklerteams, die KI Assistenz im Alltag standardisieren möchten
|
|
| Voraussetzungen (requirements): |
Für die Teilnahme am Kurs AI350 Vibe Coding for Developers sind folgende Vorkenntnisse erforderlich:
- Praktische Erfahrung in Softwareentwicklung
- Vertrautheit mit Git und grundlegenden Test /Build Workflows
- Kein KI Vorwissen notwendig (wird im Kurs aufgebaut)
|
|
| Ziele (objectives): |
- KI als produktiven Pair Programmer einsetzen – kontrolliert und reproduzierbar
- Anforderungen so formulieren, dass daraus korrekter Code entstehen kann (inkl. Edge Cases)
- Wiederverwendbare Prompt und Workflow Patterns anwenden
- Tests und Debugging mit KI beschleunigen, ohne Qualität zu verlieren
- Refactoring/Review mit KI nutzen, um Wartbarkeit zu erhöhen
- Sicherheits und Datenschutzrisiken in KI Workflows erkennen und vermeiden
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 1 Tag
Preis (price): 650,- Euro zzgl. MwSt.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Dieser Workshop findet an folgenden Terminen statt:
|
|
|
| Inhalte (agenda): |
- Einstieg & Mindset
- Was „Vibe Coding“ ist – und was nicht (Speed vs. Sorgfalt)
- Stärken/Schwächen von LLMs im Dev Alltag (Realität statt Hype)
- Qualitätsdefinition: „Done“ heißt lauffähig, getestet, reviewt, sicher
- Prompt Patterns, die Entwickler wirklich brauchen
- Spec First: Anforderungen, Akzeptanzkriterien, Edge Cases sauber formulieren
- Plan First: Modell zuerst Architektur/Schritte vorschlagen lassen
- Constraints & Guardrails: Tech Stack, Stil, Performance, Security, Kompatibilität festnageln
- Diff /Patch Requests statt „Alles neu“: kontrollierte Änderungen am bestehenden Code
- „Explain then Implement“ vs. „Implement then Explain“: wann welches Muster passt
- Von Null auf Feature: Scaffolding & Implementierung mit KI
- Struktur erzeugen (Module, Klassen, Dateien, Schnittstellen)
- API Design & Datenmodelle: schnelle Vorschläge, dann harte Reviews
- Iterationsschleife: kleine Inkremente, häufiger Kompilieren/Starten/Checken
- Testen mit KI
- Teststrategie: Unit/Integration, „Happy Path“ und Edge Cases
- KI als Test-Ideengeber: bessere Abdeckung, gezielte Negativtests
- Debug Loop: Fehlermeldungen/Logs sauber in Kontext geben, Hypothesen prüfen
- Anti Pattern: Tests, die das Modell „grün promptet“ statt echte Qualität zu prüfen
- Refactoring, Code Review & Maintainability
- Refactoring Prompts (Lesbarkeit, Entkopplung, Wiederverwendung, Naming)
- Review Prompts (Bugs, Race Conditions, Fehlerfälle, API Misuse, Performance)
- Dokumentation & Kommentare
- Team Konventionen: wie man KI Änderungen nachvollziehbar macht (Commits, PR Beschreibung)
- Sicherheit, Datenschutz, IP – pragmatische Leitplanken
- Was darf in Prompts (und was nicht): Secrets, Kundendaten, proprietärer Code
- Umgang mit Abhängigkeiten: neue Libraries nur mit Begründung/Review
- „Trust but verify“: Security Checks und Linting
- Prompt Checkliste: Risiken erkennen (Injection Muster, unsichere Defaults, Input Validation)
|
|
|
