SDLC mit AI: 5 Prompts für die Automatisierung der Entwicklung

KI-Agent-gestützte SDLC-Pipeline: Fünf Phasen von der Spezifikation bis zum Deployment

Ein auf Claude Code basierender KI-Agent kann den gesamten Entwicklungszyklus in 3-4 Stunden automatisieren, anstatt einer Woche manueller Arbeit. Eine Kette von fünf Befehlen verarbeitet Aufgaben Schritt für Schritt: Anforderungsklärung, Design, Implementierung, Verifizierung und Dokumentation. Menschliches Eingreifen ist nur für die Überwachung und Anpassungen zwischen den Phasen erforderlich. Der Ansatz wurde mit einer serverlosen Anwendung mit AWS, .NET und Angular getestet.

Die Fallstricke des Vibe-Codings und ihre Lösung

Standard-Prompts für große Aufgaben führen zu Code-Umschreibungen, API-Halluzinationen und ignorierten Anforderungen. Ursachen: unklare Spezifikationen, fehlende Zerlegung, begrenzter Modellkontext. Die Lösung ist eine granulare Aufteilung in Phasen mit Verifizierung.

Schlüsselprinzipien des Prozesses:

• Klare, testbare Anforderungen in der Spezifikation.
• Schritt-für-Schritt-Plan mit Datei- und Vertragsdetails.
• TDD-Ansatz: Red-Green-Refactor.
• Mehrstufige Überprüfung mit parallelen Agenten.
• Automatische Aktualisierung der Projektdokumentation.

Beispiel für den Technologie-Stack

Serverlose Webanwendung: AWS CDK für die Infrastruktur, .NET Lambda mit einer dreischichtigen Architektur (Data-Domain-API), Angular SPA mit Syncfusion, Playwright für E2E-Tests. Daten in DynamoDB, statische Assets auf S3.

Beispielaufgabe: Farbbearbeitung für Task ausblenden, mit übergeordnetem Trade im Backend synchronisieren, Picker durch eine 256-Farben-Palette ersetzen, Grid auf Zeilenauswahl umstellen.

Feature-Entwurf (draft.md):

Muss einen Farbwähler für SoW verbessern.
1. Farbwähler ist nur für Trades verfügbar.
2. Farbe wird nur für Trades angezeigt
3. Aufgabenfarbe:
- nicht in der UI angezeigt
- einmal erstellt - Farbe wird gleich wie der zugehörige Trade gesetzt
- wenn Trade-Farbe geändert wird - ändert sie sich für alle zugehörigen Tasks
- alle Farbmanipulationen - im BE.
4. Farbwähler für Trades verbessern: benutzerdefinierte Palette mit klassischen 256 Farben verwenden
5. Trade-Grid konfigurieren, um keine Zellen auszuwählen - nur Zeilen

KI-Agent-Einrichtung

Claude Code mit MCP-Servern von awslabs/mcp und Plugins. Frontend: Syncfusion Angular Assistant, Angular CLI MCP. AWS: api-mcp-server, documentation-mcp-server, cdk-mcp-server, dynamodb-mcp-server, etc. Testing: Playwright MCP. Plugins: code-review, typescript-lsp, aws-serverless.

Benutzerdefinierte Befehle (/clarify, /design, etc.) orchestrieren den Prozess und laden Kontext aus CLAUDE.md-Dateien.

Phase 1: /clarify — Spezifikationsgenerierung

Analysiert draft.md und CLAUDE.md. Phasen: Kontextsammlung, Unklarheitsklärung, Template-Erstellung.

Template enthält:

• Testbare Anforderungen.
• Anwendungsfälle für E2E-Tests.

Spezifikation wird im Repository für manuelle Bearbeitung gespeichert.

Phase 2: /design — Detaillierter Plan

Generiert Schritte mit Dateien, Zeilen, API/DTO-Verträgen. Selbstüberprüfung mit Checkliste: Anforderungsabdeckung, Vermeidung von Überkomplizierung.

Plan umfasst Unit-/E2E-Tests, Infrastruktur, Datenschema. Schichten sind dank klar definierter Verträge unabhängig.

Phase 3: /implement — Implementierung

Folgt TDD: Tests → minimaler Code → Refactoring. Vorhersage von Testergebnissen, Vergleich mit der Realität. MCP für Bibliotheksdokumentation, CLAUDE.md für Konventionen.

Implementierung kann schichtweise oder auf einmal erfolgen.

Phase 4: /verify — Mehrstufige Überprüfung

Prüft:

• Build, Unit-/E2E-Tests.
• Dead-Code-Analyse.
• Parallele Überprüfung: Code-Review, Typen, Abdeckung, Sicherheit (IAM, Injection).
• Verifizierung gegen Spezifikation.
• Dokumentationsdrift.

Strukturierter Bericht.

Phase 5: /document — Dokumentationsaktualisierung

Aktualisiert CLAUDE.md für zukünftige Iterationen. Feature ist bereit zum Mergen.

Grenzen des Ansatzes

Granulare Änderungen (bis zu 15-50% des Kontexts). Stabile Architektur ist zwingend erforderlich. Nicht geeignet für Legacy-Systeme mit Schichten oder neue Frameworks ohne Befehlsaktualisierungen.

Wichtigste Erkenntnisse

• Granularität: Aufteilung in Phasen minimiert Kontextfehler.
• Kontrolle: Manuelle Bearbeitung von Spezifikationen und Plänen.
• Automatisierte Überprüfung: Parallele Agenten reduzieren menschliche Fehler.
• Dokumentation: CLAUDE.md ist die Grundlage der Pipeline-Stabilität.
• Effizienz: 3-4 Stunden vs. 15-20 Stunden manuell.

— Editorial Team