Der HMS Blog

Wie lassen sich KI-Agenten wie GitHub Copilot sinnvoll in den Entwicklungsalltag integrieren, ohne die Codequalität aus dem Blick zu verlieren? Robin Mader zeigt anhand seines persönlichen Workflows, wie sich Aufgaben gezielt an Agenten delegieren, Ergebnisse systematisch überprüfen und menschliche Expertise mit KI-Unterstützung verbinden lassen. Ein praxisnaher Einblick in die Zusammenarbeit von Mensch und KI in der modernen Softwareentwicklung.

Coding-Agenten beschleunigen die Softwareentwicklung – doch was passiert, wenn Code nicht mehr der größte Engpass ist? Fünf Erkenntnisse aus einem HMS-Projekt zeigen, warum Problemverständnis, frühe Prototypen und schnelles Feedback entscheidend für den Erfolg KI-gestützter Softwareprojekte sind.

Local LLMs bieten Unternehmen neue Möglichkeiten für mehr Datensouveränität und Kontrolle. Erfahren Sie, wie sich lokale Sprachmodelle hinsichtlich Kosten, Leistung und Sicherheit mit Cloud-KI vergleichen lassen und welches Betriebsmodell zu Ihren Anforderungen passt.

KI-Coding-Agenten arbeiten nur dann zuverlässig, wenn sie sich in der Codebasis orientieren können und feste Entwicklungsabläufe einhalten. Christoph Bergen und Robert Bauer zeigen, welche Rolle Architektur, Dokumentation, automatisierte Prüfungen und ein weiterentwickelter Agenten-Harness dabei spielen.

AI Coding Agents werden nicht allein durch bessere Modelle zuverlässig. Der Artikel zeigt anhand des Superpowers-Workflows, wie Kontext, Tests, Reviews und klare Entscheidungswege zu nachvollziehbaren Ergebnissen beitragen.

Wie werden AI Coding Agents zuverlässig? Der Artikel zeigt, wie Loop Engineering durch Feedback, Tests und klare Abbruchbedingungen aus einmaligen Modellantworten kontrollierte, adaptive Workflows macht.

Ein praxisorientierter Leitfaden zur Reduzierung von Kontextverschwendung, zur Kontrolle der Tokenkosten und zur Verbesserung der Qualität der agentenunterstützten Softwareentwicklung.

Free-Threaded Python ermöglicht echte parallele Thread-Ausführung und verändert damit die Anforderungen an moderne Python-Anwendungen. Der Artikel zeigt, wo Race Conditions entstehen können und wie sich Python-Code mit Locks, Queues, Events und weiteren Synchronisationsmechanismen thread-safe entwickeln lässt.

Legacy-Systeme erfolgreich modernisieren beginnt nicht mit der Migration, sondern mit Transparenz. Erfahren Sie, wie automatisierte Codeanalyse und KI-gestützte Assessments Risiken reduzieren, fundierte Entscheidungen ermöglichen und den Weg zu AI-ready Software ebnen.