AI-Code in DevTools: Lektionen von einem Google-Ingenieur zu Claude

# Google-Ingenieur zu Fallstricken von KI-Agenten in DevTools: Vom Spaghetti-Code zum Rust-Refactoring

Google-Ingenieur Lalit Maganti verbrachte drei Monate und ~250 Stunden mit der Entwicklung von syntaqlite – einer Suite von SQLite-Tools: Parser, Formatter, Linter und LSP-Server. Der erste Ansatz mit vollständiger Delegation an Claude führte zu unhandhabbarem Code, der komplett verworfen werden musste. Der Wechsel zu Rust mit KI als Autovervollständigung ergab eine funktionierende 0.1-Version.

Erste Iteration: Delegation an KI und Code-Chaos

Maganti startete mit maximaler Automatisierung: Claude entwarf und implementierte, während der Autor als Manager fungierte. In einem Monat entstand:

• Parser in C.
• Formatter.
• Weboberfläche.
• 500+ Tests.

Das Ergebnis funktionierte technisch, aber die Überprüfung deckte Probleme auf:

• Funktionen wild über Dateien verteilt.
• Module wuchsen auf Tausende von Zeilen.
• Der Pipeline-Code zur Extraktion aus SQLite-Quellen wurde selbst dem Autor unverständlich.

Der Codebase mutierte zum 'Spaghetti-Code'. Lösung: kompletter Abriss und Neustart.

Zweite Iteration: Rust, manuelles Design, KI-Autovervollständigung

Beim Wechsel des Stacks zu Rust übernahm Maganti die Architektur selbst. Claude wurde für Code-Generierung basierend auf präzisen Spezifikationen mit strengen Reviews eingesetzt.

Wichtige Praktiken:

• Automatisierte Tests: Ein Treiber prüfte jede SQL-Abfrage gegen 1390 upstream SQLite-Tests und verglich mit dem syntaqlite-Parser.
• Ständiges Refactoring: Jede Änderung durchlief manuelle Überprüfung.
• Journallierung: Ein Journal (~4000 Wörter), Sitzungsprotokolle, Commit-Historie.

Der Kern entstand im Februar, die 0.1-Version Mitte März. Das Projekt, das 8 Jahre gereift war, wurde als Nebenprojekt umgesetzt.

Fallstricke von KI-Agenten: Von der Sucht bis zum Kontrollverlust

Maganti vergleicht die Arbeit mit Claude mit einem Spielautomaten:

• 'Noch ein Prompt' zog sich bis in die Nacht.
• Müdigkeit verschlechterte die Prompt-Qualität.
• Der Verlust des 'Gefühls' für den Codebase machte ihn zum Manager über fremden Code.

Die Kommunikation brach zusammen: vage Beschreibungen führten zu Fehlinterpretationen. KI glänzt auf Funktions-/Klassen-Ebene, scheitert aber an Architektur, API-Design und Projektkontext.

Wichtige Erkenntnisse

• KI beschleunigt die Implementierung, ersetzt aber kein Design: Modelle fehlen 'Geschmack' und Historie.
• Vollständige Delegation führt zu unhandhabbarem Code: Manuelle Reviews sind essenziell.
• Rust + KI-Autovervollständigung schlägt C + Agent: Architektur ist entscheidend.
• Tests gegen upstream-Tests sind kritisch für SQLite-Parser.
• Journallierung beschleunigt Iterationen: Veröffentliche Journals statt One-Shot-Geschichten.

Empfehlungen für Mid-/Senior-Devs

• Nutze KI für Routineaufgaben: Autovervollständigung, Refactoring kleiner Teile.
• Behalte die Kontrolle über die Architektur: Modelle erfassen keinen Langzeitkontext.
• Implementiere automatisierte Pipelines: Vergleiche mit Referenztests (SQLite upstream).
• Protokolliere Sitzungen: Analysiere Prompts, Commits, Fehler.

Magantis Ansatz zeigt: KI beschleunigt Nebenprojekte, erfordert aber Disziplin. Syntaqlite ist ein Beispiel für das ausgewogene Zusammenspiel von Mensch und Agent in komplexen DevTools.

— Editorial Team