Biss- vs. Knabber-Ansätze für KI-Codierungsagenten

Zwei Ansätze für KI-unterstütztes Programmieren

Bei der Arbeit mit KI-Codierungsagenten wie Claude verwenden Entwickler laut der Analyse eines NLP-Forschers typischerweise eines von zwei mentalen Modellen. Der 'Biss'-Ansatz beinhaltet das Laden umfassender Anleitungsdateien (wie claude.md oder agents.md), die von Anfang an alle Programmierweisheiten, Warnungen vor Fehlern und spezifische Anforderungen enthalten. Diese Methode erklärt dem Modell in einem Zug, was 'sauberer Code' bedeutet, wie testgetriebene Entwicklung funktioniert und andere Präferenzen.

Der 'Knappern'-Ansatz erwartet schrittweise Verbesserungen statt perfekter erster Versuche. Entwickler formen die Lösung über mehrere Durchgänge hinweg in Richtung der gewünschten Ergebnisse und geben dabei Feedback und Anpassungen. Beide Strategien können 'One-Shot'-Aufgaben bewältigen, aber der Knappern-Ansatz bietet mehr Möglichkeiten für menschliche Eingriffe im Prozess.

Warum Knappern oft besser funktioniert

Der Forscher argumentiert, dass der Knappern-Ansatz grundsätzlich leistungsfähiger ist, weil er dem Modell Zugang zu mehr Rechenressourcen ermöglicht. Während der Codegenerierung haben KI-Modelle begrenzte 'Gehirnleistung' pro Token – sie können nur eine bestimmte Anzahl von Faktoren gleichzeitig berücksichtigen. Es gibt keinen Algorithmus, der unbegrenzte Logik kostenlos bereitstellt.

Wenn Entwickler an komplexen Aufgaben arbeiten, führen sie diese nicht 'einmalig' aus, sondern durch viele kleine Schleifen von Tun, Denken, Korrigieren und Überarbeiten. Obwohl Modelle wie Claude planen und Aufgaben in Schritte unterteilen, neigen sie dennoch dazu, Dutzende von Codezeilen auf einmal zu generieren, begrenzt durch rechnerische Grenzen.

Praktische Implikationen

Der Knappern-Ansatz gibt Modellen Zwischenergebnisse zur Weiterverarbeitung und verteilt die Berechnung über mehrere Schritte. Anstatt Sicherheitshinweise in eine CLAUDE.md-Datei zu packen, können Entwickler frische Kontexte schaffen, in denen das Modell Code in separaten Durchgängen gegen eine Sicherheitscheckliste prüft.

Bei besonders schwierigen Aufgaben kann der Biss-Ansatz in Fehlerschleifen geraten, in denen er zwischen Fehlern hin- und herspringt – ähnlich wie bei einer zu hoch eingestellten Lernrate beim Training eines Klassifikators. Der Knappern-Ansatz verwendet kleinere, kontrolliertere Schritte, die helfen, die Richtung beizubehalten und nicht in Fehlermustern stecken zu bleiben.

Während Unternehmen wie Anthropic und OpenAI darauf abzielen, den Unterschied zwischen diesen Ansätzen zu minimieren (und Entwickler wie Boris Cherny umfassende CLAUDE.md-Dateien veröffentlichen), kann das Verständnis, wo die 'Biss'-Abstraktion Lücken aufweist, Modelle einfacher effektiv nutzbar machen.