Springer-Tour — ein Lehrbeispiel für AI-Pair-Programming

Geschlossene Springer-Tour auf 6×6 mit 90°-Rotationssymmetrie

Worum es geht

Die Springer-Tour (englisch Knight's Tour) ist ein klassisches Schach- und Mathematik-Rätsel: Kann ein Springer ein leeres Schachbrett so durchziehen, dass jedes Feld genau einmal besucht wird? Auf dem 8×8-Brett gibt es Millionen solcher Touren. Auf 5×5 von einem hellen Feld aus ist es nachweislich unmöglich (Farbparität). Auf einem 200×100-Brett dauert die naive Suche unendlich lang — die richtige Heuristik (Warnsdorff, 1823) löst es in unter 100 Millisekunden.

Das Problem ist klein genug, um in einer 33-zeiligen Spezifikation umrissen zu werden — und groß genug, um einen ehrlichen Eindruck davon zu vermitteln, was beim Bau einer Anwendung mit AI-Pair-Programming wirklich passiert.

Was dieses Projekt ist

Eine vollständig lauffähige Web-Anwendung zur Springer-Tour, von Grund auf entwickelt in einem Dialog zwischen Mensch und AI-Assistent. Die Anwendung kann

Touren mit drei Heuristiken finden (Warnsdorff, Outside-In, Brute Force),
mit vier Schach-Figuren spielen (Springer, Kamel, Zebra, Giraffe),
geschlossene Touren konstruieren (Bias-Technik nach Schwenk),
Symmetrie-Constraints respektieren (Achse, Punkt, Rotation 90°),
beliebige Felder per Rechtsklick blockieren,
jede beliebige Brettgröße verarbeiten (100×200 in 86 Millisekunden),
die "Schwierigkeit" jedes Startfeldes als Heatmap visualisieren.

Alles läuft offline im Browser, ohne Server, ohne Build-Schritt. Hier direkt im Browser starten →

Die didaktische Idee

Wer mit einem AI-Assistenten paar-programmiert, merkt schnell: Es funktioniert nicht durch "Auftrag und Abholen". Eine 33-Zeilen-Spec ist eine Intentionsskizze, kein vollständiger Auftrag. Pro Spec-Zeile entstehen ein bis zwei Mikro-Entscheidungen, die nur im Dialog beantwortbar sind — wo platziert sich ein Button? Was bedeutet "Re-Klick" konkret? Welche Linienfarbe? Welche Symmetrie?

Eine "Ein-Rutsch"-Generation müsste alle diese Mikrofragen raten. Die Wahrscheinlichkeit, alle simultan richtig zu raten, sinkt geometrisch mit der Featurezahl.

Die Lösung: stufenweise Entwicklung mit zwölf Phasen, jede mit klaren Mikrofragen vorab, einer einzigen User-Validierung am Ende, und einem einzelnen Commit. Was funktioniert, bleibt. Was nicht funktioniert, ist isoliert revertierbar.

Das Projekt dokumentiert alle zwölf Phasen verbatim — die guten Entscheidungen genauso wie die Reibungspunkte. Besonders aufschlussreich: Phase 7.5, der Moment, in dem der Anwender feststellte, dass sieben Phasen lang ein paralleler Vertrag gefehlt hatte — der Technical Contract mit Architektur, Replay-Testbarkeit, Internationalisierung, Accessibility. Daraus wurde eine projektübergreifende Lehre: F-Contract (Funktionalität) und T-Contract (Technische Plattform) gehören gleichzeitig an den Anfang.

Was enthält das Paket?

Das ZIP enthält alle Quelldateien, alle Dokumente und die vollständige Git-Historie — die phasen-weise Entwicklung lässt sich also git log-genau nachvollziehen. Die wichtigsten Dokumente sind auch direkt online lesbar:

knight.md — der F-Contract: 33 Zeilen fachliche Wünsche.
T_CONTRACT.md — der T-Contract: technische Plattform-Anforderungen.
knight_plan.md — der Master-Plan über zwölf Phasen.
PROTOKOLL.md — die verbatim-nahe Aufzeichnung des kompletten Mensch-AI-Dialogs (~1200 Zeilen).
LEHRUNTERLAGE.md — die Destillation des Protokolls in eine konsumierbare Lehrunterlage (mit Screenshots und Querverweisen).
index.html + js/*.js — die laufende Anwendung. Zehn Module, jedes unter 250 Zeilen, klar getrennt nach Verantwortung.
tests/test.html — browserbasierte Pure-Function-Tests.

Alle Markdown-Dokumente sind zusätzlich als selbst-rendernde HTML-Fassung dabei (kein Webserver nötig).

Für wen?

AI-Einsteiger finden ein vollständig dokumentiertes Beispiel für stufenweises Vorgehen mit konkreten Mikrofragen, Validierungs-Schritten und Commit-Granularität.
AI-erfahrene Praktiker finden Reibungspunkte und Anti-Patterns aus der Praxis — besonders die NFR-Diagnose in Phase 7.5 ist als Lehrstück eindrücklicher als jedes Textbook-Kapitel zum Thema.
Hochschullehrende können das Material in einer Lehrveranstaltung einsetzen: das Projekt ist klein genug, um in zwei Sitzungen vollständig durchgesprochen zu werden, und groß genug, um realistische Probleme sichtbar zu machen.

Die Lehrunterlage ist auf etwa 30–45 Minuten Lesezeit ausgelegt. Wer tiefer einsteigen will, hat mit dem Protokoll und der Git-Historie unbegrenzt Anschauungsmaterial.

Download

aide-knight.zip (ca. 7 MB inkl. Git-Historie und Screenshots)

Entpacken, in den Ordner wechseln, index.html im Browser öffnen — fertig. Wer nichts herunterladen möchte: Anwendung direkt im Browser starten, Lehrunterlage online lesen.

Der gesamte JavaScript-Code wird ohne Build-Schritt ausgeliefert und ist in den DevTools (F12) direkt lesbar. Wer dem Algorithmus zuschauen möchte, setzt in js/solver.js einen Breakpoint am Beginn von _pickCandidates(col, row) — das ist die Stelle, an der die Heuristik (Warnsdorff bzw. Outside-In) für eine konkrete Zelle entscheidet, in welcher Reihenfolge die Nachbarfelder ausprobiert werden. Im Watch-Fenster sieht man die aktuelle Tour (this.path), die Zwischen-Scores und den Closure-Bias. Auf einem 5×5- oder 6×6-Brett lässt sich so Zug für Zug nachvollziehen, wie der Solver durch das Spielfeld navigiert.