KI-Softwareentwicklungs-Training – Schluss mit dem Babysitting von KI-Editoren

KI-Softwareentwicklungs-Training

Ein praxisorientierter Kurs für Engineering-Teams. Lernen Sie, den gesamten Softwareentwicklungs-Lebenszyklus mit KI-Agenten zu automatisieren, die innerhalb von GitHub Actions laufen — nicht innerhalb Ihres Editors. Basierend auf dem Open-Source-Harness-Engineering-Toolkit CodeFactory und echten Produktions-Monorepos.

Format:

2 x halbtägig

Praxisnahe Trainingseinheiten

Additional material

Hints & Tips ebook

1–6 Personen:

€900

7–12 Personen:

€1100

Praxisnah an Ihrem eigenen Repository Kostenlose FlowHunt-Testversion

Jetzt buchen

Sitzung 1:

Teil 1 – Grundlagen des Harness-Engineerings

Sie werden lernen:

• Warum das Babysitten eines KI-Editors nicht skaliert
• Harness-Engineering: Menschen steuern, Agenten führen aus
• Bootstrapping eines Repos mit der CodeFactory CLI
• Erkennung von Stack, Risikostufen und Architekturgrenzen
• CLAUDE.md als Control Plane des Agenten schreiben
• Versionierung von Prompts und Guards als Code
• Pre-Commit-Hooks, Risikopolicy-Gates und geschützte Dateien

Sitzung 2:

Teil 2 – Automatisierte Entwicklung in GitHub Actions

Sie werden lernen:

• Issue-Triage-, Planner- und Implementer-Agenten
• Read-Only Review-Agenten mit strukturierten Urteilen
• Remediation-Loops und Auto-Revert geschützter Dateien
• Risikogesteuerte CI-Pipelines mit SHA-Disziplin
• Doc-Gardening und wöchentliche Harness-Metriken
• Den vollständigen Issue → PR → Merge-Loop live ausführen
• Anpassung der Harnesses an Ihre eigene Codebasis

Zeigen Sie Ihr Fachwissenmit unserem Zertifikat!

Schluss mit dem Babysitting des KI-Editors

Die meisten Entwickler nutzen KI heute falsch. Sie sitzen in Cursor oder Copilot Chat, akzeptieren einen Vorschlag, scrollen, akzeptieren den nächsten, machen rückgängig, versuchen es erneut, fügen einen Fehler zurück in den Chat ein und nennen es einen Arbeitstag. Es fühlt sich produktiv an, aber es ist manuelle Arbeit in KI-Kostüm. Der Mensch ist weiterhin der Flaschenhals. Der Agent rät weiterhin. Nichts ist wiederholbar, nichts überprüfbar, und nichts skaliert über einen Entwickler und einen Branch hinaus.

Dieses Training dreht das Modell um. Ihr Team wird lernen, KI-Coding aus dem Editor heraus und in GitHub Actions hinein zu verlagern, wo Agenten in ephemeren Runnern laufen, geschützt von versionierten Prompts und automatisierten Quality Gates. Der Entwickler öffnet ein Issue, prüft einen Pull Request und klickt auf Merge. Alles dazwischen — Triage, Planung, Implementierung, Code Review, Remediation — passiert automatisch auf gängiger CI-Infrastruktur.

Das CodeFactory-Harness-Toolkit

Wir unterrichten auf Basis von CodeFactory , einer Open-Source-CLI, die ein vollständiges Agent-Safety-Harness in jedes bestehende Repository bootstrappt. Ein einziger Befehl — codefactory init — und Ihr Repo erhält 16 Harnesses und 14+ GitHub-Actions-Workflows, zugeschnitten auf Ihren Stack:

• Einen Risiko-Vertrag (harness.config.json), der jede Datei in Tier 1, 2 oder 3 klassifiziert und das passende Prüfniveau erzwingt
• Agent-Instruktionen (CLAUDE.md), die Konventionen, Abhängigkeitsregeln und geschützte Dateien beschreiben
• Einen Issue-Triage-Agenten, der Klarheit, Reproduzierbarkeit und Scope bewertet, bevor eine einzige Zeile Code geschrieben wird
• Einen Issue-Planner, der die Codebasis im Read-Only-Modus liest und einen strukturierten Implementierungsplan postet
• Einen Issue-Implementer, der einen Branch erstellt, die Änderung umsetzt, eine Baseline-Validierung ausführt und einen PR öffnet
• Einen Review-Agenten, der mit Read-Only-Tools läuft und ein APPROVE / REQUEST_CHANGES / COMMENT-Urteil abgibt, das von einem zweiten leichtgewichtigen Modell klassifiziert wird
• Einen Remediation-Loop, der Review-Urteile in bis zu drei Auto-Fix-Zyklen an den Implementer zurückspielt, bevor eskaliert wird
• Doc-Gardening-, Strukturtest-, Harness-Smoke-Test- und Wochenmetrik-Workflows, die das Harness selbst gesund halten

Alles lebt im Repository. Keine externen Dashboards, kein Vendor-Lock-in, kein versteckter State. Einen Prompt zu bearbeiten ist ein ganz normaler Pull Request.

Echtes Produktionsbeispiel: sport-affiliate

Wir gehen QualityUnit/sport-affiliate durch, ein echtes Produktions-Monorepo (drei Next.js-Sites, eine geteilte Engine und eine Python-Datenpipeline), das das vollständige CodeFactory-Harness betreibt. Sie lesen die tatsächlichen Workflow-Dateien, Prompts und Guard-Skripte, die es antreiben:

• 15 GitHub-Actions-Workflows, die den kompletten Issue → PR → Merge-Loop orchestrieren
• Vier angepasste Prompts in .codefactory/prompts/ (issue-triage.md, issue-planner.md, issue-implementer.md, review-agent.md)
• TypeScript-Guard-Skripte (scripts/*-guard.ts), die jeden Agent-Lauf vorab prüfen und entscheiden, ob er überhaupt starten soll
• Eine vierstufige Fail-Fast-CI-Pipeline, die vollständige Next.js-Builds (je 25 Minuten) zugunsten von Type-Check + Lint + Strukturtests überspringt
• SHA-Disziplin: Jeder nachgelagerte Job checkt exakt den SHA aus, den das Risiko-Gate gemeldet hat, damit ein Agent nicht mitten in der Pipeline dazwischen pushen kann
• Geschützte Dateien (.github/workflows/*, harness.config.json, CLAUDE.md, Lock-Files, Deployment-Konfigurationen), die automatisch zurückgesetzt werden, wenn ein Agent sie anfasst
• Der Review-Prompt wird aus origin/main geladen — nicht aus dem PR-Branch — sodass agent-verfasste PRs nicht an ihrem eigenen Reviewer manipulieren können

Die End-to-End-Entwicklererfahrung sieht so aus: Ein Mensch öffnet ein Issue. Der Triage-Agent labelt es, stellt bei Bedarf klärende Fragen und übergibt es an den Planner. Der Planner postet einen Implementierungsplan als Kommentar. Der Implementer erstellt issue-N, setzt die Änderung um, führt Quality Gates aus und öffnet einen PR. Der Review-Agent reviewt. Werden Änderungen angefragt, wird der Implementer erneut im Review-Fix-Modus gestartet — bis zu drei Zyklen — bevor an einen Menschen eskaliert wird. Die einzigen menschlichen Berührungspunkte sind das Öffnen des Issues und das Freigeben des finalen Merges.

Was Ihr Team mitnimmt

Am Ende des Trainings können Ihre Entwickler genau dieses Setup in ihren eigenen Repositories bootstrappen, ihre eigenen Agent-Prompts schreiben und tunen, Risikostufen passend zu ihrer Architektur definieren und über Mean-Time-To-Harness- und SLO-Metriken messen, ob das Harness tatsächlich funktioniert. Sie verlassen das Training mit einem laufenden Harness in einem Ihrer echten Repositories — nicht mit einem Spielzeugbeispiel.

Nehmen Sie an der nächsten Kohorte teil

Sichern Sie sich jetzt Ihren Platz!

Die Zukunft wartet nicht — kontaktieren Sie uns jetzt und buchen Sie Ihr KI-Softwareentwicklungs-Training, um Ihren Engineering-Workflow zu automatisieren.

Kontaktieren Sie uns