Agentic Coding: Eine Unterrichts-Einheit

Gero Scholz

Die Suche nach einem Pfad, auf dem ein Springer jedes Feld eines Schachbretts genau einmal besucht, ist ein Standardproblem, das häufig im Unterricht verwendet wird, um Rekursion als Programmiertechnik zu vermitteln. Die Studis arbeiten bei unserem Vorschlag Hand in Hand mit einem AI Agenten. Was soll das bringen? Dabei lernen sie ja vermutlich genau das nicht, was wir vermitteln wollen, nämlich Verständnis für den Auf- und Abbau eines Call-Stacks und das handwerkliche Umgehen (bis hin zur Fehlersuche) mit der Programmiersprache, die für die Lehre benutzt wird!?

Hintergrund

Es wird erwartet, dass die Grundlagen der Programmierung bekannt sind — insbesondere imperative Anweisungen, Arrays, Funktionen und Parameterübergabe (by value und by reference).

Im Internet existieren unzählige Lösungen, die dieses Problem in verschiedenen Programmiersprachen lösen. Werden die Studis nicht ohnehin dort abschreiben? Werden sie eine gute Lösung kopieren oder eine schlechte? Woher sollen sie wissen, wie gut die Vorlage ist, bei der sie sich bedienen? Ob agentic coding hier einen Mehrwert bietet, hängt davon ab, was das spezifische Lernziel ist.

Der klassische Ansatz

Die Aufgabe besteht darin, eine systematische Baumsuche mittels Rekursion zu programmieren, um reines Backtracking zu implementieren. Man stellt dann fest, dass ein 6×6-Feld auf diese Weise handhabbar ist, aber ein 8×8-Feld eine zusätzliche Heuristik erfordert, die im Wesentlichen besagt: „Wenn du dich eingeengt fühlst, bevorzuge den engen Pfad." Das Lernziel ist erreicht, wenn die technische Fertigkeit vorhanden ist, die rekursive Suche von Grund auf zu implementieren und den nächsten Zug nach dieser Regel auszuwählen. Typischerweise werden die Studis drei oder vier Funktionen schreiben. Objektorientierung gilt als „zu kompliziert für den Anfang" und bleibt einem späteren Reifegrad der Studis vorbehalten. Die Visualisierung der Zugfolge wird durch Zahlen erfolgen, die als Tabelle mit fester Font-Breite auf die Konsole ausgegeben werden.

Bei der Besprechung der Details einer rekursiven Funktion wird das Konzept des Aufrufstapels klar. Es wird üblicherweise darauf hingewiesen, dass Laufzeitumgebungen aufgrund ihrer Speichermodelle technische Beschränkungen für den Aufrufstapel haben, was manchmal die Notwendigkeit einer eigenen Stapelverwaltung innerhalb der Anwendung selbst aufwirft. Ambitionierte Studierende werden diese eventuell selbst implementieren. Je nach gewählter Sprache — die für alle Studierenden identisch ist — werden sie mit Fragen der dynamischen Speicherverwaltung konfrontiert sein oder auch nicht. Sie werden eine getypte Sprache mit Compiler oder Präprozessor verwenden oder eine schwach getypte Sprache auf Interpreter-Basis.

Wie stellen wir uns den AI-gestützten Ansatz vor?

Kurz gesagt: Er wird weniger Code-zentriert und mehr Problem-zentriert sein. Die Motivation wird nicht aus dem Schreiben von korrektem Code kommen, sondern aus dem Formulieren der richtigen Anweisungen, die relativ guten Code zur Lösung eines Problems produzieren.

Schritt 1

Das Problem wird vorgestellt und es wird darauf hingewiesen, dass Menschen nicht besonders gut darin sind, systematisch alle denkbaren Züge durchzuspielen, aber Maschinen dies perfekt können, wenn man ihnen genau erklärt, wie sie vorgehen sollen. Die Begriffe „Suchbaum" und „Tiefensuche" werden eingeführt, zusammen mit einem Hinweis, dass Eckfelder problematisch sein könnten. Frage: Ist ein Computer schnell genug, um alle denkbaren Zugfolgen auszuprobieren? Wie viele Schritte wird er ungefähr brauchen, um eine Lösung zu finden?

Es folgt eine Gruppendiskussion, in der systematische Suche und ein Mechanismus zum „Ausprobieren guter Züge zuerst" als zwei Lösungselemente erkannt werden, die offensichtlich kombiniert werden müssen. Dies erfordert Schätzungen zur Komplexität, die durch eigene Überlegungen untermauert und dann durch Webrecherche validiert werden sollten. Die Diskussion kann auch Aspekte der CPU-Taktfrequenz und der Anzahl der Zyklen enthalten, die für einen einzelnen Zug notwendig sein könnten. Der Lehrer kann diese Punkte später vertiefen. Die Studis verstehen, dass selbst eine gute Heuristik keine kurzen Laufzeiten garantiert und überhaupt nicht hilft, wenn das Problem keine Lösung hat. So konzentrieren sie sich mehr auf den Charakter des Problems als auf die Implementierung der Baumsuche.

Die Gruppen werden aufgefordert, ein Programm mit einfacher Tiefensuche (Depth First Search, DFS) und eine verbesserte, effizientere Version zu liefern. Der Lehrer erklärt, dass verschiedene Programmiersprachen zu unterschiedlichen Laufzeiten für denselben Algorithmus führen können und dass eines der Bewertungskriterien die Ausführungszeit für große Boards sein wird. Ein Wettbewerbselement ist oft gut für die Motivation.

Schritt 2

Jede Gruppe bittet einen oder mehrere KI-Agenten, ein Programm (einschließlich Quellcode) im Web zu finden oder selbst zu erstellen. Es ist die Aufgabe der Studierenden, einen geeigneten Prompt zu formulieren. Sie könnten beispielsweise folgende Kriterien verwenden:

Funktionale Anforderungen:

  • Wir suchen ein Programm, das das Springerproblem auf dem Schachbrett löst.
  • Es soll stoppen, nachdem es eine Lösung gefunden hat.
  • Wir wollen messen, wie effizient das Programm das Problem löst (Ausführungszeit, evtl. andere Indikatoren?)
  • Das Ergebnis muss auf der Konsole ausgegeben werden.
  • Die Eingabe erfolgt über die Kommandozeile.
  • Beim Aufruf des Programms kann die Größe des Spielfelds angegeben werden.
  • Wir brauchen zuerst eine einfache Version mit reiner systematischer Suche.
  • Wir wollen sie mit eigenen Ideen erweitern.
  • OPTIONAL: Wir kennen die Warnsdorff-Heuristik. Kannst du auch ein Programm liefern oder finden, das diese verwendet?

Nicht-funktionale Anforderungen:

  • Das Programm sollte gut strukturiert und dokumentiert sein.
  • Wir akzeptieren nur englischen Code und englische Kommentare.
  • Das Programm muss lokal ausführbar sein.

Steuerung des Suchprozesses:

  • Suche nach guten Kandidaten im Web, biete uns aber auch an, ein solches Programm von dir selbst erstellen zu lassen.
  • Zeige mindestens drei existierende Kandidaten und deine eigene Lösung, auch wenn sie nicht alle unsere Kriterien erfüllen.
  • Erstelle eine Rangliste, die für bereits existierende Lösungen Links zu den jeweiligen Webressourcen enthält.

Es liegt an den Studierenden — und ist ein Kernbestandteil ihrer Lernerfahrung — einen solchen Prompt zu erstellen. Es könnte klug sein, den Prompt nicht als einzelne Transaktion zu formulieren. Sie könnten auch eine Diskussion mit der KI beginnen, in der sie ihre Absichten erklären, bevor sie ihre Erwartungen eingrenzen. Idealerweise werden sie die Vor- und Nachteile von „make vs. buy" verstehen. Vielleicht kommen sie auch darauf, das Problem zu erkunden, bevor sie sich auf „gib mir ein Programm" konzentrieren.

Hoffentlich denken sie an die Situation, die sie erwartet, nachdem sie ihr „Code-Geschenk" erhalten haben …

  • „Gib mir ein gutes konzeptionelles Dokument zum Springerproblem, das die systematische Suche und Verbesserungsideen erklärt." Die Antwort könnte auf einen Artikel wie den von Daniel Frost verweisen.
  • "Angenommen, ich bitte dich, das Programm selbst zu erstellen — wirst du dann besonders gut darin sein, zu erklären, wie es funktioniert?"
  • „Oder kannst du die gleiche Art von Analyse und Erklärung für jedes Programm machen, das wir aus den anderen Kandidaten wählen würden?"
  • „Ich möchte die Laufzeit minimieren und werde versuchen, den Suchalgorithmus zu optimieren."

Vielleicht wird eine kluge Diskussion mit der KI folgende Aspekte aufbringen:

  • Die Entwicklung guter Suchstrategien und ihre optimierte Implementierung können entkoppelt werden.
  • Wir können mit einer Skriptsprache ohne Typsystem beginnen; die KI wird unseren Code später nach C++ übersetzen, wenn das Geschwindigkeitsvorteile bringt.
  • Wenn wir eine optimierte Version im Web finden (oder die KI initial eine erstellt), könnte der Code schwerer zu verstehen sein. Gefällt uns diese größere Herausforderung? Letztendlich landen wir vielleicht sowieso bei einer Low-Level-Sprache wie C oder einer komplexen objektorientierten Sprache wie C++. Ist es nicht besser, diesen Weg von Anfang an zu gehen?
  • Es ist wichtig, ein präzises Maß für die Qualität unseres Algorithmus zu haben. Neben der absoluten Ausführungszeit sollten wir die Anzahl der Versuche zeigen, die zur Lösung des Problems benötigt werden.
  • Komplexere Algorithmen werden mehr Ausführungszeit pro Schritt benötigen, daher sollten wir auch die durchschnittliche Zeit für einen einzelnen Suchschritt berechnen.
  • Die Rechner der Teilnehmer des Wettbewerbs sind nicht alle gleich stark! Wir könnten den Benchmark am Ende auf einem einzigen Rechner ausführen. Es dürfen jedenfalls keine anderen Tasks parallel laufen.
  • Werden wir am Ende zwei Programme haben oder kann es ein einziges Programm sein, bei dem wir die Verbesserungsheuristik ein- und ausschalten können?

All diese Überlegungen befassen sich mehr mit WAS und WARUM als mit WIE.

Schritt 3

Ein oder mehrere Kandidaten werden von jeder Gruppe installiert, ausgeführt und getestet. Dann wird ihr Code 5 Minuten lang untersucht (300 Sekunden, tatsächlich), wobei vielleicht ein paar Kommentare hinzugefügt oder einige Anweisungen auf einer gedruckten Kopie des Quellcodes hervorgehoben werden.

Vielleicht besteht bei einigen Gruppen das Programm aus einer Sammlung von Funktionen, während andere eine Lösung mit einem Klassendesign gefunden haben. Die Erweiterung der Programme wird unweigerlich die Notwendigkeit des Wechsels zu objektorientiertem Design aufwerfen. Es ist wichtig, dass der Lehrer diese Grundidee von OO jetzt gleich oder beim ersten Erweiterungsschritt einführt — allerdings nur die Bündelung von Funktion und Daten zu einer logischen Einheit. Nichts anderes.

Schritt 4

Nun tauschen die Gruppen ihre Erfahrungen aus und erhalten Feedback vom Lehrer. Dann beginnt die eigentliche Arbeit, wobei die meisten Änderungen an den Programmen von Agenten ausgeführt werden.

  • Wir beginnen damit, die KI zu bitten, zu erklären, wie die systematische Baumsuche funktioniert.
  • Wo ist die Stelle im Code, die vielversprechende Züge identifiziert? Wie werden sie sortiert? Ist der Sortierschritt stabil in Bezug auf die ursprüngliche Reihenfolge der möglichen Züge, die erkannt wurden?
  • Dann führen wir das Programm für ein wirklich großes Brett aus (80×80 statt 8×8). Programme, die mit direkter Rekursion arbeiten, werden hier auf Schwierigkeiten mit Stapelbegrenzungen stoßen. Betroffene Studentengruppen müssen nach einer Lösung suchen.
  • Sie können dies naiv tun („Ich möchte wirklich große Bretter lösen") oder sie bitten um ein Re-Engineering ihres aktuellen Codes mit expliziter Stapelverwaltung.
  • In jedem Fall wird der veränderte Code inspiziert. Die Ergebnisse der ursprünglichen und der verbesserten Version müssen für kleinere Brettgrößen verglichen werden. Wenn die Studierenden einen Agenten verwenden, der gut in ihre IDE integriert ist (wie VS Code und Claude Code), können sie das Testen möglicherweise vollständig an den Agenten delegieren. Das entbindet sie nicht von einer zusätzlichen manuellen Stichprobe.
  • Nun denken wir über die Warnsdorff-Heuristik nach. Die Reihenfolge, in der Felder mit gleichem Rang ausprobiert werden, könnte eine Rolle spielen. Normalerweise werden Züge in kreisförmiger Reihenfolge erkannt. Ändert sich die Ausführungszeit, wenn eine andere (aber immer dieselbe) Reihenfolge verwendet wird?
  • Wir beobachten unsere Art, das Programm zu ändern: Offensichtlich ist es eine schlechte Strategie, ein neues Programm per Copy/Paste zu erstellen, um die Heuristik hinzuzufügen. Einfach die aktuelle Version zu ändern und git den langweiligen Teil machen zu lassen, ist auch nicht so gut (warum?). Daher führen wir Kommandozeilenoptionen ein, um die neuen Funktionen zu aktivieren/deaktivieren.
  • Wir testen weitere Hypothesen, z.B. könnte es vorteilhaft sein, von außen nach innen vorzugehen — d.h. „Bei gleichwertigen Zügen immer denjenigen wählen, der uns näher an den Rand des Spielfelds führt."
  • Was ist mit dem Startpunkt in der oberen linken Ecke? Bietet es einen Vorteil, genau einen Zug von diesem Feld entfernt zu starten? Oder ist es vielversprechender, in der Mitte zu beginnen?
  • Höchstwahrscheinlich wird die wachsende Anzahl von Kommandozeilenoptionen den Wunsch wecken, sie sauber zu handhaben und dem Benutzer zu erklären. Also könnten wir einen Prompt formulieren wie „Unser Programm braucht eine professionelle Handhabung von Kommandozeilenoptionen und Erklärungen, was der Benutzer tun kann."
  • Der nächste Schritt könnte ein Input des Lehrers sein zu einem typischen Verfahren der Mikro-Optimierung: Das einfache Stück Code, das testet, ob ein Zielfeld innerhalb oder außerhalb des Bretts liegt, muss offensichtlich jedesmal vier Bedingungen prüfen. Dies kann vermieden werden, wenn wir das Brett mit zwei Streifen blockierter Felder umgeben. Es macht am meisten Sinn, solche Strategien in Kombination mit einer Sprache wie C zu verwenden. Aber es wird auch in Skriptsprachen helfen. Wir messen den Leistungsgewinn anhand der reinen Baumsuche, denn die Heuristik ist so gut, dass das Programm fast immer nur sehr kurze Laufzeiten hat. Einige Studis können versuchen, die zusätzlichen Randfelder manuell zu implementieren, aber wir würden nicht von allen verlangen, es so zu machen. Vielleicht könnten sie „Extrapunkte" dafür bekommen, es ohne KI zu machen.
  • Der nächste Schritt ist eine obligatorische manuelle Änderung für alle Gruppen: Die KI hat Urlaub. Ihr müsst eine neue Option hinzufügen, die geschlossene Touren erzwingt. Warum genau dieses Beispiel? Weil man dabei eine kleine Reihe von Änderungen an verschiedenen Stellen im Code vornehmen muss. Werden die Studis verstehen, dass eine geschlossene Tour auf einem 7×7-Brett absolut unmöglich ist? Werden sie eine Prüfung und eine Antwort an den Benutzer für ungerade Brettgrößen integrieren?
  • Der nächste Schritt ist ebenfalls manuell, aber mehr auf konzeptioneller Ebene: Wenn wir eine symmetrische Tour finden wollen — würden wir einfach am Ende der Tour prüfen, ob sie symmetrisch ist? Warum ist das eine wirklich schlechte Idee? Was könnte besser funktionieren? Wie wäre es, mit zwei Feldern gleichzeitig zu beginnen und einen Zug auf dem ersten Pfad zwangsweise auf den anderen Pfad zu spiegeln? Wie gehen wir mit Zügen um, die Pfad-Enden verbinden? Brauchen wir für beide Pfade jeweils einen eigenen MoveStack? Das ist eine wirklich interessante Aufgabe für Studierende, die mentale Energie übrig haben.
  • Wir bitten um eine grafische Visualisierung der Ergebnisse. Mehrere technische Alternativen wie die Erstellung animierter GIFs oder die Verwendung spezialisierter Tools für Graph-Visualisierung sollten in der Gruppe und mit KI-Agenten diskutiert werden. In unserem Fall ging die KI auf komplizierte und plattformabhängige Lösungen ein, bis wir sie direkt auf die Möglichkeit hinweisen, HTML mit SVG und etwas Javascript für Animation zu generieren. Als sie gebeten wurde, die Alternativen zu vergleichen, bevorzugte sie unseren Vorschlag und „bewies" dessen Überlegenheit. Lasst uns misstrauisch gegenüber Tendenzen von KI-Agenten sein, ihren Benutzern zu gefallen! Welche Variante auch immer die Studis wählen — sie werden sicher denken: „KI soll diese Arbeit machen und ich kümmere mich überhaupt nicht darum, wie sie den Graphen erstellt. Ich werde mein Feedback basierend auf dem Ergebnis geben und hoffentlich kann ich die KI präzise genug steuern." In unserem Fall hat Claude Code (Anthropic) gute Arbeit geleistet und es dauerte vier Iterationen mit insgesamt weniger als 20 Minuten, um bei einem gut aussehenden Ergebnis inklusive einer Animation anzukommen.
  • Weitere Schritte könnten sein, blockierte Felder einzuführen — eine gerade Anzahl von Feldern (die Hälfte schwarz, die andere Hälfte weiß! Warum?). Wir speichern einige Anordnungen solcher Felder im Code und erlauben, diese Beispiele über die Kommandozeile auszuwählen. Vielleicht sollten wir auch anbieten, blockierte Felder über die Kommandozeile anzugeben. Wenn wir jeweils eines der Eingangsfelder blockieren, die zu einem Eckfeld führen, wird ein Mensch leicht sehen, dass eine Lösung definitiv unmöglich ist, weil wir vier Sackgassen haben. Unser Programm könnte stattdessen Stunden an CPU-Zeit in solch einem Fall verbrennen. Können wir eine Fähigkeit hinzufügen, nicht lösbare Probleme zu identifizieren? Zumindest für diese Art von nicht lösbaren Boards?
  • Schließlich der Ausblick: Wenn wir sehr große Spielflächen haben (z.B. 100.000 x 100.000), sollte es möglich sein, mit Kachelung zu arbeiten! Wir entwickeln unsere eigenen Gedanken zu den „Bausteinen", die wir für die Kachelung benötigen würden, und suchen dann nach Quellen, wie dieses (sicherlich nicht-triviale) Problem gelöst wurde. Wir akzeptieren, dass es jenseits unserer Möglichkeiten liegt, dieses Rad neu zu erfinden. Ob es die KI schafft?

Schritt 5

Dokumentiere deine Erfahrungen in einem Papier von fünf Seiten. Zuerst sammle alles, was du sagen möchtest, in einer Liste von Stichpunkten. Erst danach bitte die KI, einen ähnlichen Text selbst zu erstellen „über die Erfahrungen, die wir zusammen gemacht haben, über das Problem selbst und über die Lösung, die wir schließlich erstellt haben". Dann bitte die KI, deine Punkte in ihren Text zu integrieren, ohne über fünf Seiten hinauszugehen. Bist du mit dem Ergebnis zufrieden? Ist es „deins"? Wie stark unterscheidet sich dein Text von dem, den die anderen Gruppen produziert haben?

Beispielskripte

Um mögliche Arbeitsergebnisse zu illustrieren, die im Schritt 4 erstellt werden, finden Sie auf github eine Sammlung von Python-Skripten. Sie enthalten auch Informationen über die Prompts, die zu ihrer Erstellung verwendet wurden. Die beiden Markdown-Dateien zeigen Antworten des KI-Agenten (in diesem Fall: ChatGPT) während eines wichtigen Designschritts. Die HTML-Datei zur grafischen Ergebnisdarstellung wurde von Version 8 der Skripte erstellt.

Hausaufgaben

Wenn die Studis merken, wie schnell sich neue Anforderungen umsetzen lassen, kommen sie hoffentlich auf eigene Ideen. Als Impuls geben wir ihnen noch zwei mit auf den Weg:

  • Stell dir einen Super-Springer vor, der bei jedem Schritt drei Feleder vor und zwei zur Seite macht. Die Aufruf-Option für die Kommandozeile könnte "–move 3,2/2,3" lauten.
  • Stell dir einen Würfel mit 8x8x8 Feldern vor. Wenn der Springer zuerst ein Feld gerade und dann zwei zur Seite zieht, wechselt er die Z-Ebene nach oben, zieht er hingegen zuerst zwei Felder in gerader Richtung und danach ein Feld zu Seite, so springt er automatisch in der Z-Ebene um einen Schritt nach unten, also "–move 1,2,1/2,1,-1".

Auch hier ist es zwar reizvoll, die Aufgabe zu lösen – oder zu zeigen, dass sie nicht lösbar ist. Der Lerngewinn besteht aber eher darin, zu verstehen, ob so eine Anforderung – die erst ganz am Ende des Projekts nachgeschoben wird! – das Programmdesign komplett über den Haufen wirft, oder ob sie gut gekapselt mit akzeptablem Aufwand integriert werden kann.

Alternatives Vorgehensmodell

Man könnte das Prinzip des „umgedrehten Klassenzimmers" anwenden. Bei diesem Ansatz würde die Unterrichtsstunde damit beginnen, dass jede Gruppe bereits die Schritte 1, 2 und 3 selbständig durchlaufen hat. Schritt 3 (Code-Lesen) könnte bei diesem Ansatz natürlich mehr Zeit bekommen. Die ersten Minuten von Schritt 4 würden genutzt, um Erfahrungen strukturiert auszutauschen, mit Fokus auf:

  • die Reihenfolge und Qualität der ausgegebenen KI-Prompts
  • die Qualität der erhaltenen Vorschläge (abhängig vom Kenntnisstand der Studierenden!)
  • Waren die Programme einfach zu installieren?
  • Haben die Programme korrekt funktioniert?
  • Sehen wir globale Variablen?
  • Haben wir nur einen Haufen Funktionen oder haben wir ein objektorientiertes System bekommen?
  • Wie viel Code-Duplikation hat die KI eingeführt, als sie gebeten wurde, die Warnsdorff-Regel hinzuzufügen?
  • Ist Vererbung ein guter Ansatz, um verschiedene Algorithmen zu trennen?
  • Sehen wir „if (algo=='xx') .." an vielen Stellen im Code?
  • Wie steht es mit der Übergabe von Funktionen als Parameter? Was ist Dependency Injection?
  • Wie wäre es, solche architektonischen Fragen mit der KI zu diskutieren?
  • Wie hoch ist der Grad des Vertrauens, den die Gruppen in ihre gewählte Lösung für weitere Erweiterungen haben?

Zusammenfassung

Durch den Einsatz von Agenten gewinnt das Verständnis des Anwendungsbereichs Dominanz über die technische Implementierung. Dies wird besonders deutlich beim Wechsel von der rekursiv programmierten Version zu einem selbst verwalteten Stapel der Zug-Historie. Muss jeder Informatiker so etwas ohne fremde Hilfe hinbekommen? Oder genügt es zu wissen, dass „es technische Probleme mit Rekursion und Baumsuche geben kann, die im Bedarfsfall irgendwie gelöst werden können".

Es wird keine universelle Antwort darauf geben. Einige Informatiker müssen in der Lage sein, mit allen Facetten der Rekursivität umzugehen; viele andere werden in ihrem Berufsleben niemals ein System entwerfen oder warten, in dem eine Rekursion vorkommt. Einige müssen hoch optimierte Algorithmen entwerfen, die ein gründliches Verständnis von Zeigern, von expliziter Allokation und Freigabe dynamischen Speichers erfordern. Glücklicherweise können sich die meisten Softwareingenieure heutzutage auf Garbage Collection und fertige Libraries verlassen.

Agentenbasierte Programmierung kann die Komplexität eines Programms schnell erhöhen. Manchmal führt dies zu neuen Horizonten, die vom traditionellen Lehransatz nicht berührt worden wären: In unserem Beispiel könnten die Studierenden lernen, wie Kommandozeilenoptionen professionell gehandhabt werden. Die KI wird wahrscheinlich eine Bibliothek dafür einführen. So werden die Studierenden lernen, sich auf „Bausteine" zu verlassen, anstatt improvisiertes Kommandozeilen-Parsing von Hand zu programmieren. Die Einführung agentenbasierter Programmierung wird es talentierten Studierenden ermöglichen, komplexe Erweiterungen wie Symmetrie zu erkunden, während andere mit den Grundlagen kämpfen. Das ist eine Herausforderung für den Lehrer — und es ist seine Belohnung dafür, eine gruppenzentrierte, wettbewerbsorientierte Lernerfahrung für die Studierenden zu arrangieren.

Unsere Vermutung ist, dass der Einsatz von AI die leistungsstärksten Teilnehmer überproportional beflügelt, d.h. die "Ausreißer nach oben" werden tendenziell zunehmen.

Kontinuierliches Arbeiten mit agentenbasierter Programmierung verbessert die Fähigkeit, Wünsche und Ideen zu formulieren, Anfragen zu definieren, Fehler zu melden, Verbesserungen in Betracht zu ziehen, Vorschläge und Erklärungen zu fordern, das Ergebnis zu dokumentieren und die produzierten Artefakte kritisch zu betrachten.

Wir halten dies für eine zukünftige Kernkompetenz jedes Informatikers und daher für einen zentralen Lehrinhalt.

← Übersicht: Disruption in der IT-Ausbildung