Softwareentwicklung mit agentischer Entwicklung?

Agentenbasierte Entwicklung ist ein aufkommender Ansatz für die Softwareentwicklung mit KI-Agenten und agentenbasierter Programmierung. Statt Entwickler einfach mit Vorschlägen oder Code-Fragmenten zu unterstützen, gehen agentenbasierte Systeme über herkömmliche KI-Assistenten hinaus, indem sie im Namen der Entwickler handeln. Dazu gehören das Schreiben von Code, das Ausführen von Tests, die Fehlerbehebung und sogar die Zusammenarbeit über verschiedene Workflows hinweg.

Da Unternehmen bestrebt sind, mehr Nutzen aus der KI zu ziehen, stellt die agentische Entwicklung einen Wandel von passiven Werkzeugen hin zu aktiven Mitwirkenden dar. Diese Entwicklung ist besonders relevant für IT-Führungskräfte, Architekten und Entwicklerteams, die die Lücke zwischen KI-Experimenten und dem praktischen Einsatz in der Produktion sowie den geschäftlichen Auswirkungen schließen möchten.

Was bedeutet „agentisch“?

„Agentisch“ bedeutet, die Fähigkeit zu besitzen, zielgerichtet und eigenständig zu handeln. In der KI bezieht sich der Begriff auf Systeme, die KI-Agenten einsetzen, um über mehrere Schritte hinweg mit begrenzter menschlicher Intervention zu planen, Entscheidungen zu treffen und Maßnahmen zu ergreifen. Ein KI-Agent innerhalb eines agentischen Systems kann:

• seine Umgebung wahrnehmen,
• zielorientiert Entscheidungen treffen,
• Ergreifen Sie Maßnahmen, um diese Ziele zu erreichen.
• aus früheren Ergebnissen lernen sowie
• sich an Szenarien und menschliche Eingaben anpassen.

In der Softwareentwicklung unterstützt ein agentisches System Entwickler bei ihrer täglichen Arbeit. Es versteht Ziele, gliedert diese in Aufgaben auf, führt diese Aufgaben mithilfe von Tools aus und verfeinert die Ergebnisse im Laufe der Zeit – alles innerhalb festgelegter Rahmenbedingungen.

Agentische KI-Entwicklung vs. traditionelle KI-Unterstützung

Anstatt ständiger menschlicher Eingaben zu bedürfen, können agentische Systeme mit einem höheren Maß an Unabhängigkeit arbeiten, was sie besonders nützlich in komplexen Umgebungen macht, in denen Aufgaben mehrere Werkzeuge und Phasen umfassen.

Wie funktioniert agentische Entwicklung?

Agentische Entwicklung basiert auf einem strukturierten Kreislauf aus Planung, Ausführung und Verfeinerung. Auch wenn die Implementierungen variieren können, folgen die meisten Systeme einem ähnlichen Muster.

Definition des Ziels

Der Prozess beginnt mit einem von einer Person vorgegebenen übergeordneten Ziel, beispielsweise:

• „Erstelle einen API-Endpunkt für das Kunden-Onboarding.“
• „Überarbeite dieses Modul zur Leistungsoptimierung.“
• „Schreibe Integrationstests für den Checkout-Ablauf.“

Der Agent interpretiert das Ziel und legt Erfolgskriterien fest.

Aufgabenplanung

Der Agent zerlegt das Ziel in kleinere, umsetzbare Schritte. Zum Beispiel:

• Vorhandene Codebasis analysieren
• Abhängigkeiten identifizieren
• Erforderliche Funktionen schreiben
• Testfälle generieren

Diese Planungsphase unterscheidet agentische Systeme von einfachen Assistenten. Sie bilden strukturierte Workflows, anstatt auf isolierte Prompts zu reagieren.

Toolgesteuerte Ausführung

Agenten nutzen andere Agenten über das Agent2Agent-Protokoll sowie externe Systeme, die über Model-Context-Protokoll-Server zugänglich sind, um mit Tools zu interagieren, die es ihnen ermöglichen, Aufgaben über den gesamten Entwicklungslebenszyklus hinweg zu planen und auszuführen. Diese kombinierte Fähigkeit ermöglicht es, dass agentisches Programmieren von der bloßen Idee in die Praxis umgesetzt wird.

Agenten nutzen:

• API-basierte Dienste zur Integration mit externen Systemen und Datenquellen.
• Workflows und Automatisierungstools zur Ausführung und Koordination von Geschäftsprozessen.
• Wissensquellen und -repositorien zum Abrufen strukturierter und unstrukturierter Informationen.
• Kommunikations- und Kollaborationstools für Benachrichtigungen, Nachrichtenübermittlung und Teamkoordination.
• Geschäftssysteme und Anwendungen für den Zugriff auf und die Aktualisierung von Unternehmensdaten und -aufzeichnungen.
• Dateispeicher- und Dokumentensysteme zum Lesen, Erstellen und Verwalten von Inhalten.
• Benutzerdefinierte Funktionen und Dienste zur Abwicklung spezieller Geschäftslogik, Validierung und operativer Aufgaben.

Der Agent kann dann Schritt für Schritt Aufgaben ausführen:

• Code schreiben oder modifizieren
• Führt Tests durch
• Behebt Fehler
• Die Dokumentation aktualisieren

Die Ausführung erfolgt adaptiv, wobei der Agent seinen Ansatz auf der Grundlage der Ergebnisse und Resultate anpasst.

Iterative Feedbackschleifen

Agenten werten Ergebnisse kontinuierlich aus:

• Wurde der Code erfolgreich kompiliert?
• Wurden die Tests bestanden?
• Werden Leistungsziele erreicht?

Falls nicht, überarbeitet der Agent seinen Ansatz und versucht es erneut, wodurch eine sich selbst verbessernde Schleife entsteht, die das Gedächtnis nutzt, um aus früheren Ergebnissen zu lernen und die zukünftige Leistung zu verbessern.

Menschliche Überprüfung

Trotz zunehmender Autonomie ist das menschliche Gehirn nach wie vor ein entscheidender Bestandteil der agentischen Programmierung. Eine menschliche Überprüfung ist erforderlich für:

• Änderungen genehmigen
• das Vornehmen von Korrekturen
• Leitplanken setzen

Die agentische Entwicklung ist am effektivsten, wenn sie mit einer durchdachten menschlichen Aufsicht einhergeht.

Kernkomponenten der agentischen Entwicklung

Mehrere grundlegende Elemente ermöglichen es agentischen Systemen, effektiv zu funktionieren.

Agenten

Agenten sind die Hauptakteure. Verschiedene Agenten können sich auf bestimmte Rollen spezialisieren, wie z. B. Programmierung, Testen oder Dokumentation. Sie kombinieren Schlussfolgerungsfähigkeiten mit Ausführungslogik, was ihnen Folgendes ermöglicht:

• Ziele zu interpretieren
• Aufgaben zu planen
• Aktionen koordinieren

Modelle

Das Herzstück der Agenten bilden KI-Modelle, typischerweise große Sprachmodelle (LLMs), die häufig über integrierte KI-Plattformen bereitgestellt werden, welche Entwicklung, Bereitstellung und Skalierung unterstützen. Diese Modelle bieten (unter anderem):

• Verständnis natürlicher Sprache
• Codeentwicklung
• Schlussfolgerungsfähigkeiten

In der Praxis können agentische Systeme je nach Aufgabe eine Mischung aus universellen und spezialisierten LLMs für die Codierung verwenden. Dazu gehören Modelle, die für die Code-Vervollständigung, Refactoring, Testgenerierung und das Verständnis auf Repository-Ebene optimiert sind, sowie domänenbezogene Modelle, die für bestimmte Sprachen oder Frameworks entwickelt wurden.

Tools

Tools erweitern die Möglichkeiten von Agenten. Beispiele hierfür sind:

• Websuche: Findet Informationen im Internet.
• Browserautomatisierung: Interagiert automatisch mit Websites.
• API-Konnektoren: Rufen externe Dienste und Systeme über APIs auf.
• Dateioperationen: Lesen, schreiben, andern oder löschen Dateien in lokalen oder Cloud-Speichersystemen.
• Terminalausführung: Führen Befehlszeilenanweisungen aus.
• Codeausführung: Führen generierten oder vorhandenen Code aus.
• Pipelines für Continuous Integration/Continuous Deployment (CI/CD): Erstellen, testen und stellen Code bereit.
• Low-Code/No-Code-Plattformen

Arbeitsspeicher

Der Speicher ermöglicht es Agenten:

• Kontext über mehrere Aufgaben hinweg beibehalten
• Aus früheren Interaktionen lernen
• Den Überblick über die Codebasis zu behalten

In agentischen Systemen wird der Speicher oft unterteilt in:

• Kurzzeitgedächtnis, das den unmittelbaren Kontext für die aktuelle Aufgabe oder Konversation (z. B. aktuelle Prompts oder Zwischenergebnisse) speichert.
• Langzeitgedächtnis , das Wissen über einen längeren Zeitraum hinweg speichert (z. B. Projekthistorie, Wissen über die Codebasis oder Benutzereinstellungen) und so die Wiederverwendung sowie Kontinuität über Sitzungen hinweg ermöglicht.

Schutzmaßnahmen

Schutzmaßnahmen setzen Einschränkungen wie Zugriffskontrolle, Codequalität, Sicherheit und Nachvollziehbarkeit durch.

Agentische Entwicklung und KI-Coding-Assistenten im Vergleich

Die KI-Unterstützung in der Softwareentwicklung hat sich schrittweise weiterentwickelt – von einfachen Produktivitätshilfen hin zu zunehmend autonomen Systemen. Das Verständnis dieser Unterschiede hilft Teams dabei, die richtigen Erwartungen an die Möglichkeiten der agentischen Entwicklung zu setzen.

Tools zur automatischen Vervollständigung

Einfache KI-Tools bieten Code-Vervollständigung und Syntaxhinweise. Tools zur Code-Vervollständigung und Syntaxunterstützung bieten eine einfache Unterstützung, indem sie die nächste Codezeile vorhersagen oder Fehler kennzeichnen. Sie verbessern die Effizienz bei einzelnen Aufgaben, beschränken sich jedoch auf reaktive, schrittweise Unterstützung.

Copilots

Tools im Copilot-Stil bieten eine umfassendere, kontextbezogene Unterstützung, sind jedoch weiterhin auf menschliche Anweisungen angewiesen. Sie können Funktionen generieren, Refactorings vorschlagen und Code erklären, sind aber nach wie vor darauf angewiesen, dass Entwickler jeden Schritt definieren, Änderungen ausführen und Workflows verwalten.

KI-Coding-Agenten

Anstatt bei isolierten Aufgaben zu helfen, können KI-Coding-Agenten innerhalb agentischer Entwicklungssysteme mehrstufige Workflows planen, mit Tools interagieren, Tests durchführen, Probleme beheben und mit weniger ständiger menschlicher Eingabe auf ein definiertes Ziel hin iterieren.

Der Wandel vom Vorschlag zur Umsetzung

Der entscheidende Unterschied liegt in der Fähigkeit, vom Vorschlag zur Umsetzung überzugehen – also nicht mehr nur Entwicklern zu helfen, sondern Ziele tatsächlich zu erreichen. Während Assistenten Entwicklern helfen, schneller zu arbeiten, ermöglicht die agentische Entwicklung es Systemen, Verantwortung für die Erreichung von Zielen zu übernehmen und unter menschlicher Anleitung und Kontrolle Absichten in funktionierende Ergebnisse umzusetzen.

Vorteile der agentischen Entwicklung

Diese Vorteile spiegeln einen umfassenderen Wandel hin zur Zusammenarbeit zwischen Mensch und KI wider. Klare Kontrollpunkte, Genehmigungsworkflows und die Möglichkeit zum Eingreifen stellen sicher, dass agentische Systeme das menschliche Urteilsvermögen ergänzen, anstatt es zu ersetzen.

• Geschwindigkeit: Agenten beschleunigen die Fehlerbehebung, Entwicklungszyklen und die Markteinführungszeit. Sie bearbeiten mehrstufige Aufgaben durchgängig und reduzieren so Übergaben und Wartezeiten. Teams können schneller von der Idee zur Umsetzung gelangen und so die Markteinführungszeit für neue Funktionen und Verbesserungen verkürzen.
• Produktivität: Entwickler können sich auf Design und Innovation konzentrieren. Durch die Entlastung von Routine- und Betriebsaufgaben geben agentische Systeme den Entwicklern Freiraum, sich auf höherwertige Tätigkeiten wie Architektur, Problemlösung und Innovation zu konzentrieren. Dies führt zu einer besseren Nutzung der technischen Kompetenzen der Mitarbeiter.
• Reduzierter manueller Aufwand: Routinemäßige Aufgaben wie Testen und Refactoring werden automatisiert. Sich wiederholende Aufgaben – wie das Schreiben von Boilerplate-Code, das Generieren von Tests, Refactoring und Dokumentation – können automatisiert oder teilweise automatisiert werden, was die kognitive Belastung senkt und das Burnout bei Entwicklern verringert.
• Iteration: Feedbackschleifen treiben schnelle Verbesserungen voran. Integrierte Feedbackschleifen ermöglichen schnelles Testen, Validieren und Verfeinern. Agenten können Probleme schnell identifizieren, Korrekturen vorschlagen und erneute Versuche unternehmen, was schnelleres Lernen und schrittweise Verbesserungen unterstützt.
• Skalierbarkeit: Agentische Workflows lassen sich teamübergreifend standardisieren und skalieren. Agentische Workflows erleichtern die teamübergreifende Standardisierung von Entwicklungspraktiken. Mit zunehmender Nutzung können Unternehmen konsistente Muster, Kontrollen und Qualitätsstandards anwenden, ohne die Bereitstellung zu verlangsamen.
• Qualität: Agenten können konsistente Muster anwenden, Code refaktorisieren und Tests automatisch generieren, wodurch Teams im Laufe der Zeit sauberere und zuverlässigere Codebasen aufrechterhalten können.
• Sicherheit: Agentische Workflows können Sicherheitsprüfungen direkt in die Entwicklungs- und CI/CD-Pipelines integrieren und so dazu beitragen, Schwachstellen zu erkennen, bevor der Code in die Produktion gelangt.

Zusammengenommen spiegeln diese Vorteile einen umfassenderen Wandel hin zu einer kollaborativen Entwicklung zwischen Menschen und KI wider, bei der Agenten den Beitrag der Entwickler verstärken, während die Menschen die strategische Ausrichtung und Aufsicht behalten.

Beispiele für agentische Entwicklung

Agentische Entwicklung lässt sich über den gesamten Lebenszyklus der App-Entwicklung hinweg anwenden, vom frühen Feature-Design bis zur laufenden Wartung. Diese Beispiele veranschaulichen, wie KI-Coding-Agenten über isolierte Unterstützung hinausgehen und koordinierte, ergebnisorientierte Aufgaben übernehmen – sie arbeiten Seite an Seite mit Entwicklern, um den manuellen Aufwand zu reduzieren, die Bereitstellung zu beschleunigen und die Konsistenz zu verbessern.

• Feature-Entwicklung: Agenten generieren und integrieren Code.
• Code-Refactoring: Agenten optimieren und modernisieren Codebasen.
• Tests: Agenten erstellen und führen Testsuiten aus.
• Fehlerbehebung: Agenten erkennen und beheben Probleme.
• Dokumentation: Agenten erstellen automatisch Dokumentation.

Risiken und Governance für die agentische Entwicklung

KI-Agenten sollten so konzipiert sein, dass sie sich über Teams und Anwendungsfälle hinweg skalieren lassen. Dazu gehören die Unterstützung von Sicherheits- und Compliance-Anforderungen, Zuverlässigkeit im großen Maßstab, die Integration in Unternehmenssysteme sowie die Fähigkeit, sich mit wachsenden organisatorischen Anforderungen weiterzuentwickeln. Menschliche Aufsicht ist entscheidend für den Aufbau von Governance-Kontrollen, um Risiken zu reduzieren.

• Berechtigungen: Agenten benötigen häufig Zugriff auf Codebasen, Systeme und Daten. Ohne klar definierte Berechtigungen und Zugriffskontrollen nach dem Prinzip der geringsten Privilegien kann diese Autonomie das Risiko versehentlicher Änderungen, von Datenlecks oder Verstößen gegen Richtlinien erhöhen.
• Sicherheit: Generierter Code kann Schwachstellen enthalten, wenn er nicht sorgfältig überprüft wird. Sicherheitsmaßnahmen wie statische Analyse, Abhängigkeitsscans und sichere Standardeinstellungen bleiben in agentischen Workflows unverzichtbar.
• Qualitätskontrolle: Die Ergebnisse von Agenten können in Qualität und Konsistenz variieren und müssen möglicherweise validiert werden. Validierungsschritte wie Tests, Linting und manuelle Überprüfung tragen dazu bei, sicherzustellen, dass der generierte Code den Architekturstandards und Leistungserwartungen entspricht.
• Prüfbarkeit: Unternehmen benötigen eine klare Nachverfolgbarkeit darüber, was Agenten getan haben, wann sie es getan haben und warum. Detaillierte Protokolle und Entscheidungspfade sind entscheidend für die Einhaltung von Vorschriften, die Fehlerbehebung und die kontinuierliche Verbesserung.
• Zuverlässigkeit: Agenten können Ziele falsch interpretieren, auf Grundlage eines unvollständigen Kontexts agieren oder in Grenzfällen versagen. Schutzmaßnahmen wie begrenzte Ausführung, Wiederholungsversuche und Eskalationswege helfen, diese Risiken zu mindern.
• Überwachung: Menschen bleiben für die Ergebnisse verantwortlich. Klare Kontrollpunkte, Genehmigungsworkflows und die Möglichkeit zum Eingreifen stellen sicher, dass agentische Systeme das menschliche Urteilsvermögen ergänzen, anstatt es zu ersetzen.

Wie man Tools für die agentische Entwicklung bewertet

Die Auswahl der passenden agentenbasierten Entwicklungstools ist entscheidend, um Nutzen zu realisieren und gleichzeitig die Kontrolle zu behalten. Über die reine Leistungsfähigkeit hinaus sollten Teams bewerten, wie gut Tools zu ihren bestehenden Umgebungen, Governance-Modellen und langfristigen Skalierbarkeitsanforderungen passen.

Kenntnis der Codebasis

Effektive Tools sollten die Struktur, Abhängigkeiten und Konventionen Ihrer Codebasis verstehen. Dazu gehört, den Kontext über Dateien und Repositorys hinweg beizubehalten, vorhandene Muster zu erkennen und sich an etablierte Standards anzupassen, statt Fragmentierung einzuführen.

Zugriff auf Tools

Agenten müssen sich nahtlos in das übergeordnete Entwicklungsökosystem integrieren lassen. Dazu gehören IDEs, Versionskontrollsysteme, CI/CD-Pipelines, Test-Frameworks, APIs und Laufzeitumgebungen. Ein sicherer, klar abgegrenzter Zugriff ist unerlässlich, um eine sinnvolle Ausführung ohne übermäßige Offenlegung zu ermöglichen.

Beobachtbarkeit

Transparenz bei der Ausführung ist unerlässlich. Teams benötigen einen klaren Einblick darin, was Agenten tun und warum. Eine umfassende Beobachtbarkeit umfasst Ausführungsprotokolle, Entscheidungspfade, Zwischenergebnisse und Leistungsmetriken und ermöglicht so Fehlerbehebung, Vertrauen und kontinuierliche Verbesserung.

Kontrollmechanismen

Unternehmensgerechte Tools bieten robuste Governance-Funktionen wie rollenbasierte Zugriffskontrolle, Genehmigungsworkflows, Durchsetzung von Richtlinien und Audit-Protokolle. Diese Kontrollmechanismen tragen dazu bei, dass erhöhte Autonomie weder die Sicherheit noch die Compliance oder Qualitätsstandards beeinträchtigt.

Für Unternehmen konzipiert

Lösungen müssen sich sicher unternehmensweit skalieren lassen. Dazu gehören die Unterstützung von Sicherheits- und Compliance-Anforderungen, Zuverlässigkeit im großen Maßstab, die Integration in Unternehmenssysteme sowie die Fähigkeit, sich mit wachsenden organisatorischen Anforderungen weiterzuentwickeln.

Erste Schritte mit agentischer Entwicklung

Die Einführung der agentischen Entwicklung ist eine strukturierte Entwicklung hin zur Zusammenarbeit zwischen Mensch und KI statt zu deren Ersatz. Für Teams, die sich mit der Entwicklung von KI-Agenten befassen, liegt der Schlüssel zum Erfolg in Best Practices. Beginnen Sie bewusst, verbinden Sie Experimente mit klaren Kontrollen und lernen Sie während der Skalierung dazu.

• Mit Pilot-Anwendungsfällen beginnen: Starten Sie mit kleinen, abgeschlossenen Szenarien wie der Testgenerierung, der Dokumentation oder der Arbeit an isolierten Funktionen. Nutzen Sie diesen Ansatz, um den Zweck zu definieren, den Nutzen zu bestätigen, das Modell zu verifizieren und Vertrauen aufzubauen, ohne unnötige Risiken einzugehen.
• Richtlinien festlegen: Definieren Sie klare Richtlinien für Sicherheit, Zugriff, Qualitätsstandards und die zulässige Nutzung. beginnen Diese Richtlinien helfen den Agenten, autonom zu handeln und gleichzeitig die organisatorischen und regulatorischen Anforderungen einzuhalten.
• Prüfpunkte für die menschliche Überprüfung einrichten: Behalten Sie die menschliche Überprüfung in wichtigen Phasen bei, einschließlich Code-Änderungen, Bereitstellungen und kritischen Entscheidungen. Diese Prüfpunkte tragen dazu bei, Vertrauen, Verantwortlichkeit und Qualität zu wahren.
• Erfolgskennzahlen definieren: Verfolgen Sie Kennzahlen wie Entwicklungsgeschwindigkeit, Fehlerquoten, Akzeptanz und Entwicklerzufriedenheit. Klare Kennzahlen erleichtern es, die Auswirkungen aufzuzeigen und künftige Investitionen bei der Einführung einer neuen Technologieplattform zu steuern.
• Schrittweise skalieren: Erweitern Sie agentische Workflows schrittweise auf verschiedene Teams und Anwendungsfälle. Durch die schrittweise Skalierung können Unternehmen Muster standardisieren, die Governance verfeinern und im Laufe der Zeit gewonnene Erkenntnisse einfließen lassen.

FAQ