AI-Pair-Programming mit agentischen Fähigkeiten – Ein Praxisbeispiel

Dialogbasiertes AI-Pair-Programming

Large Language Models unterstützen die Softwareentwicklung heute vor allem dialogbasiert: Man beschreibt ein Problem per Prompt und erhält Codevorschläge oder komplette Snippets. So habe ich auch begonnen – mit kleinen Aufgaben in ChatGPT, etwa Skripte in Python oder JavaScript. Das funktioniert gut für klar abgegrenzte Probleme, erfordert aber oft manuelle Integration und Nacharbeit im Projekt.

Ein Schritt weiter sind integrierte Assistenten wie GitHub Copilot. Direkt in der IDE liefern sie kontextabhängige Vorschläge oder beantworten Fragen („Ask“). Im Agent-Modus können sie Aufgaben schrittweise umsetzen, z. B. neue Features in einer Nuxt-Anwendung, indem Frontend und Server-API iterativ ergänzt werden. Für kleinere, klar umrissene Erweiterungen funktioniert das erstaunlich zuverlässig.

Mit Claude und dem Superpowers-Plugin verschiebt sich der Fokus stärker in Richtung agentisches Arbeiten. Das Modell von Anthropic analysiert größere Codebasen, plant Änderungen über mehrere Dateien hinweg und arbeitet iterativ mit Feedbackschleifen. Im Vergleich zu klassischen Assistenten wirkt es weniger wie ein reiner „Code-Vorschläger“ und mehr wie ein kontextbewusster Entwicklungspartner, bleibt aber weiterhin dialoggesteuert und damit kontrollierbar durch den Entwickler.

AI-Pair-Programming mit agentischen Fähigkeiten – Ein Praxisbeispiel

Auf Superpowers bin ich eher zufällig durch einen Artikel in einer Fachzeitschrift gestoßen. Kurz darauf habe ich mich bei Claude registriert, 5 $ Guthaben aufgeladen und das Tool lokal eingerichtet – zunächst ganz bewusst ohne Abo, nur mit API-Token. Nach der Aktivierung des Superpowers-Plugins startete ich mit dem Prompt: „help me plan a team calendar nuxt web app for out of office planning“.

Claude erkennt dabei zunächst, welcher „Skill“ benötigt wird, in diesem Fall superpowers:brainstorming. Das Modell von Anthropic analysiert den Prompt, klassifiziert die Aufgabe (Ideenfindung + Architekturplanung) und wechselt dann in einen strukturierten Planungsmodus. Statt direkt Code zu erzeugen, beginnt es mit gezielten Rückfragen: Wer sind die Nutzer? Wie soll der Kalender visualisiert werden? Wo sollen die Daten liegen? Nach sechs präzisen Klärungsfragen startet die eigentliche Konzeptphase.

Daraufhin schlägt Claude drei Umsetzungsvarianten vor: (A) reine statische Nuxt-App mit JSON-Datei (empfohlen), (B) Nuxt + SQLite oder (C) komplett statische Seite mit GitHub als Storage. Ich entscheide mich für Variante A. Anschließend erstellt Claude ein ausführliches Designdokument als Markdown-Datei mit Architektur, Datenmodell, UI-Konzept, API-Design, Fehlerbehandlung und Testing-Strategie. Daraus generiert es automatisch einen Implementierungsplan mit elf klar abgegrenzten Tasks – von Scaffold und Types über API-Routen bis hin zu Komponenten und Tests.

Ich wähle den Modus „Subagent-Driven“: Für jeden Task wird ein eigener Subagent gestartet, ich reviewe zwischen den Schritten. Nach nur sieben Minuten beginnt die Umsetzung. Claude arbeitet Task für Task ab, stellt zwischendurch Rückfragen, die ich bewusst alle mit „Yes“ bestätige, um den Flow nicht zu unterbrechen. Nach jedem Schritt werden Tests ausgeführt und Git-Commits erstellt. Das Guthaben schmilzt dabei sichtbar schnell – einmal musste ich weitere 5 $ nachladen.

Nach Abschluss aller elf Tasks folgt ein automatisches Review, bei dem Claude selbst noch kleinere Bugs identifiziert und behebt. Exakt nach 36 Minuten und 52 Sekunden fragt mich der Assistent, ob der Dev-Server gestartet werden soll. Mit einem Restguthaben von 1,59 $ sehe ich schließlich zum ersten Mal die lauffähige Anwendung im Browser – vollständig geplant, implementiert, getestet und dokumentiert in weniger als 40 Minuten.

Der Funktionsumfang der generierten App kann sich sehen lassen: Die Anwendung lässt sich direkt starten und präsentiert einen sauber umgesetzten Team-Kalender. Neue Abwesenheiten können über ein modales Fenster angelegt werden – inklusive integriertem Datepicker –, und die Einträge werden anschließend farblich im Kalender hervorgehoben. Kleinere Einschränkungen gibt es noch: Neue Personen lassen sich aktuell nicht anlegen, und bei eintägigen Einträgen mit dem Typ „vacation“ werden die Zellen breiter, damit das Wort vollständig dargestellt werden kann. Das stört jedoch kaum, denn ab diesem Punkt lässt sich die Anwendung sehr gut agentengestützt weiterentwickeln – sei es mit Anthropic (Claude) oder GitHub Copilot. Gerade mit Nuxt funktionieren solche iterativen Verfeinerungen meiner Erfahrung nach erstaunlich gut.

Mein Fazit: Für rund 40 Minuten Zeitaufwand und etwa 8 $ Kosten ist das Ergebnis beeindruckend – inklusive Tests und einer bereits sehr sauberen Projektstruktur mit Composables, Components, Utils und Types.