Live-Coding Learnings

Eine Live Session mit Adam Dymitruk, in der wir Event Sourcing klar von Event Modeling getrennt haben, ein erstes Modell in Miro erstellt haben und mit Copilot in Docker sbx ein lauffaehiges Java Demo erzeugen konnten, trotz wenig Zeit fuer einen tiefen Code Walkthrough.

Simon Martinelli hat Spec-Driven Development und den AI Unified Process vorgestellt und alle vier Phasen live durchgespielt — vom Vision-Dokument bis zu einer laufenden Vaadin-App, die aus einem Maven-Archetype aufgebaut wurde.

Ralf D. Müller hat Semantic Anchors, Semantic Contracts und Spec-Driven Development vorgestellt — ein strukturierter Weg von einer groben Idee zu einem vollständigen Architekturdokument, einer Spezifikation und einem GitHub-Backlog, ohne eine einzige Zeile Code zu schreiben.

Kevin Wittek und ich haben ein absichtlich verwundbares Java-Projekt durch Docker Sandbox laufen lassen, um zu prüfen, ob sbx einen KI-Agenten im YOLO-Modus wirklich einsperren kann. Die Isolation hat gehalten, und das verändert die Art, wie ich über sicheres Arbeiten mit Agenten denke.

Wir haben IBMs 40-Coin-Trial-Budget genutzt, um ein JavaFX-Schachspiel von Grund auf zu bauen. Prompt Enhancement und Custom Modes haben überzeugt, aber die Tokens waren aufgebraucht, bevor die Tests wieder aktiviert werden konnten.

Diese Live-Session ging durch fünf Stufen der KI-Coding-Autonomie in Java, aber das eigentliche Learning war einfacher: nachhaltige KI-Entwicklung braucht kleine reviewbare Schritte, explizite Spezifikationen und deterministische Quality Gates.

Ein zweistündiger Live-Refactor, der eine Dateisuche-App mit GraphRAG und LangChain4j von PostgreSQL auf Neo4j umstellen sollte. Das Ziel wurde nicht erreicht, aber vier Learnings machten den Versuch trotzdem wertvoll.

Was ich aus dieser Session mit Tim te Beek mitgenommen habe: OpenRewrite wird besonders stark, wenn KI hilft, deterministische und testbare Recipes zu erstellen, statt unkontrollierte Codeänderungen zu produzieren.

Zwei vordefinierte Prompts, eine gemeinsame Java-App und strikte CI-Gates: Die One-Shot-Variante startete, scheiterte aber beim Abrufen der Ergebnisse, während der Split-Prompt-Workflow die stabilere App und die besseren Qualitätsmetriken lieferte.

Diese Live-Session hat ein starkes Argument dafür geliefert, KI als disziplinierte Implementierungsmaschine zu nutzen: erst Grenzen definieren, Planung vom Coden trennen und Ergebnisse gegen die Architektur prüfen, statt sie einfach zu akzeptieren.