Tutorial für den KI-Programmierassistenten auf Nanny-Ebene: von der Codevervollständigung bis zur effizienten Nutzung des Agentenmodus

🛒 Nutzen Sie für Entwickler eine Reihe wiederverwendbarer Methoden, um KI-Programmierassistenten mit echter Effizienz einzusetzen.

Lernziele

In diesem Tutorial werden Cursor und GitHub Copilot als Beispiele verwendet, um Ihnen dabei zu helfen, den KI-Programmierassistenten von „gelegentliche Vervollständigung“ auf „stabiles tägliches Engineering-Tool“ zu aktualisieren und die Transformation, Rekonstruktion und Testgenerierung mehrerer Dateien im Agentenmodus zu meistern.

Vorbereitungscheckliste

  • [] Installieren Sie VS-Code oder Cursor (in diesem Tutorial wird Cursor als Beispiel verwendet).
  • [ ] Melden Sie sich bei Ihrem Konto an und bestätigen Sie Ihren kostenlosen Kontingent-/Abonnementstatus.
  • [ ] Ein von Git verwaltetes Beispielprojekt (es wird empfohlen, zuerst zu üben und dann das reale Lager zu verwenden).
  • [ ] Node/Python und andere laufende Umgebungen sind bereits lokal verfügbar (werden zur laufenden Testüberprüfung verwendet).
  • [ ] Verstehen Sie die Struktur Ihrer Codebasis (Einträge, Abhängigkeiten, Testbefehle).

Schritt eins: Installation und Grundkonfiguration

  1. Laden Sie Cursor (oder VS Code + Copilot-Plugin) herunter und installieren Sie es.
  2. Melden Sie sich bei Ihrem Konto an und bestätigen Sie die Modell- und Abschlussschalter in den Einstellungen.
  3. Öffnen Sie das Beispielprojekt und lassen Sie die Schlüsseldateien (README, Schnittstellendokumente) im Warehouse-Stammverzeichnis sichtbar.

Vorschläge festlegen: Aktivieren Sie die Funktionen „Autocomplete (Tab)“ und „Code Review“. Deaktivieren Sie risikoreiche Optionen wie „Alle Vorschläge automatisch annehmen“.

Schritt 2: Beherrschen Sie drei Arten der grundlegenden Verwendung

  1. Inline-Vervollständigung: Geben Sie einen Funktionsnamen oder Kommentar ein und drücken Sie die Tabulatortaste, um den Vorschlag zu akzeptieren.
  2. Dialogfrage: „⌘ + L“ Öffnen Sie den Dialog, fügen Sie den Codeausschnitt ein und fragen Sie „Was ist mit diesem Code falsch?“.
  3. Codeoperation auswählen: Wählen Sie einen Codeabschnitt aus, klicken Sie mit der rechten Maustaste und wählen Sie „Explain/Refactor/Generate Test“.

Kernidee: Geben Sie der KI einen Kontext, anstatt ihn nur „für mich zu schreiben“. Wählen Sie zunächst die relevanten Dateien aus oder veröffentlichen Sie die Schnittstellensignatur.

Schritt 3: Schreiben Sie hochwertige Aufforderungswörter

Schlechtes Eingabeaufforderungswort: „Schreiben Sie eine Anmeldeschnittstelle für mich“.

Beispiele für gute Aufforderungswörter:

„Text Implementieren Sie eine Anmeldeschnittstelle in src/auth/login.ts:

  • Eingabeparameter: {Benutzername, Passwort}
  • Verifizierung: Passwortvergleich mit bcrypt – JWT erfolgreich zurückgegeben, Ablaufzeit beträgt 2 Stunden – Fehler gibt 401 und Fehlercode zurück
  • Befolgen Sie die bestehende Fehlerbehandlung des Projekts (siehe src/utils/errors.ts).
  • Generieren Sie gleichzeitig Unit-Tests „

Drei wichtige Punkte: Ziele klarstellen, Grenzen festlegen und vorhandenen Code identifizieren.

Schritt 4: Verwenden Sie den Agent-Modus, um mehrere Dateien zu ändern

Drücken Sie „⌘ + I“ im Cursor, um in den Composer/Agent-Modus zu wechseln, und geben Sie Folgendes ein:

„Text Extrahieren Sie die Betragsberechnung des Bestellmoduls in eine unabhängige Toolfunktion und platzieren Sie sie in src/utils/money.ts. Aktualisieren Sie alle Aufrufpunkte und fügen Sie Komponententests hinzu, wobei Sie den vorhandenen Benennungsstil beibehalten. „

Der Agent bearbeitet alle Dateien. Stellen Sie zu diesem Zeitpunkt Folgendes sicher:

  1. Betreiben Sie einen unabhängigen Zweig.
  2. Überprüfen Sie die Unterschiede des Agenten einzeln, anstatt sie alle mit einem Klick zu akzeptieren.
  3. Führen Sie den Test durch, um zu bestätigen, dass keine Regression vorliegt.

Schritt 5: Lassen Sie sich von der KI bei der Erstellung und Behebung von Tests unterstützen

  • Tests generieren: „Generieren Sie Unit-Tests, die Randbedingungen abdecken“ für src/utils/money.ts.
  • Reparaturfehler: Senden Sie die CI-Fehlermeldung an AI: „Test xx fehlgeschlagen, der Fehler ist wie folgt... Bitte suchen Sie die Grundursache und beheben Sie sie“.

Erfahrung: Wenn Sie „Fehlerbericht + zugehörige Dokumente + erwartetes Verhalten“ zusammen veröffentlichen, ist die Erfolgsquote viel höher, als wenn Sie nur den Fehlerbericht veröffentlichen.

Schritt 6: Spezifikationen auf Projektebene festlegen (.cursorrules)

Erstellen Sie „.cursorrules“ im Stammverzeichnis des Projekts, um die KI-Ausgabe an den Teamstil anzupassen:

„Text

  • Projektsprache: TypeScript, im strikten Modus
  • Fehlerbehandlung: einheitliche Verwendung von ApiError in src/utils/errors.ts
  • Benennung: Funktionsverb beginnt mit der Komponente PascalCase
  • Vor der Einreichung müssen die Prüfungen „eslint“ und „prettier“ bestanden werden
  • Für jede neue Logik müssen Komponententests durchgeführt werden „

Nach dem Speichern wird die neue Sitzung automatisch wirksam und die einheitlichen Spezifikationen des Teams können im gemeinsamen Lager abgelegt werden.

Schritt 7: Überprüfung und Sicherheitsgrenze

Checkliste zur Verifizierung:

  • [ ] Vervollständigungsvorschläge werden von Tab akzeptiert und sind grammatikalisch korrekt.
  • [ ] Aufforderungswörter können stabil Code erzeugen, der den Spezifikationen entspricht und ausführbar ist.
  • [ ] Der Agent ist im Test nach der Änderung vollständig grün.
  • [ ] Vertrauliche Informationen (Schlüssel, Intranetadressen) werden niemals in Cloud AI eingefügt.

Rote Sicherheitslinien: Vertrauliche Codes werden nicht eingefügt, gemeinsame Sitzungen werden nicht in sensiblen Lagern geöffnet und Agenten werden nicht direkt an den Trunk weitergeleitet.

Schritt 8: Täglich effiziente Workflow-Kombination

Durch die Zusammenfassung verstreuter Nutzungen zu „Standardaktionen“ wird die Effizienz am deutlichsten verbessert:

  1. Ermitteln Sie die Anforderungen → Verwenden Sie KI, um die Aufgabenliste und die Schnittstellengrenzen zu zerlegen.
  2. Code schreiben → relevante Dateien auswählen und mit dem Agenten die erste Version der Implementierung generieren.
  3. Selbsttest → Lassen Sie die KI Unit-Tests generieren und diese durchlaufen.
  4. Gemeinsames Debuggen → Senden Sie den Fehlerbericht an AI, um die Grundursache zu lokalisieren und zu beheben.
  5. Fertigstellung → Lassen Sie die KI Änderungsanweisungen und Commit-Informationen generieren.

Diese Kombination kann jeden Tag 1-2 Stunden einsparen. Der Schlüssel liegt in „klarem Input und Akzeptanz bei jedem Schritt“.

Häufige Fehler und Vorsichtsmaßnahmen

  1. Akzeptieren Sie alle Unterschiede des Agenten mit einem Klick: Überprüfen Sie sie unbedingt einzeln und führen Sie sie nur zusammen, wenn der Test alle grün ist.
  2. Fragen Sie, ohne den Kontext anzugeben: Wählen Sie zunächst die Datei aus oder fügen Sie die Schnittstellensignatur ein.
  3. Den Schlüssel an AI senden: Dies ist eine rote Sicherheitslinie und strengstens verboten.
  4. Führen Sie keine Tests nach KI-Änderungen durch: Alle KI-Änderungen müssen durch Tests überprüft werden und dürfen nicht blind geglaubt werden.
  5. Das Aufforderungswort bleibt unverändert: Ergreifen Sie die Initiative und wiederholen Sie die Vorlage, wenn der Effekt nachlässt.

Verifizierungsmethode

  • Überprüfung 1: Die Vervollständigungsvorschläge können von Tab akzeptiert werden und sind grammatikalisch korrekt.
  • Überprüfung 2: Die Eingabeaufforderungswörter können stabil Code erzeugen, der den Spezifikationen entspricht und ausführbar ist.
  • Überprüfung 3: Der Agent ist nach der Änderung vollständig grün.
  • Überprüfung 4: Sensible Informationen (Schlüssel, Intranetadressen) wurden nie in Cloud AI eingefügt.

Häufig gestellte Fragen und Fehlerbehebung (FAQ)

  1. Schlägt die Vervollständigung immer auf Junk-Code hin?

    Geben Sie mehr Kontext an (Dateien auswählen, Schnittstellen einfügen), verwenden Sie „.cursorrules“, um den Stil einzuschränken, und wechseln Sie bei Bedarf zu einem stärkeren Modell.

  2. Was soll ich tun, wenn der Agent die Datei beschädigt?

    Verwenden Sie Git, um die Datei zurückzusetzen: git checkout <file>; Entwickeln Sie die Gewohnheit, „Zweige vor der Transformation abzuschneiden und sie nach der Transformation einzeln zu überprüfen“.

  3. Ist der Prompt-Word-Effekt instabil?

    Schreiben Sie die vier Elemente „Ziele, Grenzen, vorhandener Code und erwartete Überprüfung“ auf. Wenn die Wirkung nicht gut ist, versuchen Sie es erneut mit einer anderen Formulierung.

  4. Nicht genügend kostenloses Kontingent?

    Lassen Sie die KI zuerst niederfrequente Aufgaben wie „Tests generieren, Code interpretieren und Kommentare schreiben“ erledigen; Belassen Sie das Hochfrequenz-Refactoring, bis das Kontingent ausreicht oder wenn Sie Ihr Abonnement aktualisieren.

  5. Wie vereinheitlicht das Team die KI-Nutzungsspezifikationen?

    Präzipieren Sie „.cursorrules“, fordern Sie Word-Vorlagen und Sicherheitsredlines in freigegebene Dokumente ein und beziehen Sie diese in das Onboarding für neue Benutzer ein.

  6. Was soll ich tun, wenn die Stile verschiedener Projekte sehr unterschiedlich sind?

    Pflegen Sie „.cursorrules“ für jedes Projekt separat und verwalten Sie sie einheitlich im Warehouse, um projektübergreifende Stile zu vermeiden.

Zusammenfassung und nächste Schritte

Zu diesem Zeitpunkt beherrschen Sie die gesamte Verwendung von „Completion“ über „Agent Transformation“ bis hin zu „Test Repair“. Es wird empfohlen, zunächst 2-3 Tage lang mit Beispielprojekten zu üben und dann in realen Lagerhäusern an Modulen mit geringem Risiko zu üben. Schließlich können „.cursorrules“ und Eingabeaufforderungswortvorlagen als Teamressourcen gesammelt werden.

Weiterentwicklung und Erweiterung

  • Befehlszeilen-Agent: Verwenden Sie Claude Code, um die Batch-Rekonstruktion im Terminal abzuschließen.
  • Automatisierte Überprüfung: Lassen Sie die KI eine Selbsteinschätzung und Bewertungsmeinungen generieren, und die abschließende Überprüfung erfolgt manuell.
  • Privatisierungsmodell: Hochsensible Projekte werden mit dem lokalen Bereitstellungsmodell verbunden, um sicherzustellen, dass der Code das Intranet nicht verlässt.
  • Effizienzmessung: Erfassung der Akzeptanz- und Überarbeitungsrate, vierteljährliche Überprüfung und schnelle Iteration von Wortressourcen.

Benutzerbewertungen

  • Bewertungen werden geladen...