Von Zweifel bis Code: Mein erstes Wochenende mit KI-gestütztem Programmieren

Wie ich zum AI-Coding-Befürworter wurde

Man muss es ehrlich sagen: Viele von uns haben sich lange skeptisch gezeigt gegenüber der AI-Coding-Welle. Natürlich kann ChatGPT eine Funktion schreiben. Und ja, Claude erklärt Regex-Muster. Aber ein echtes Projekt mit KI-Unterstützung umsetzen? Das klang zunächst nach einer anderen Liga – bis ich es selbst ausprobiert habe.

Jahrelang habe ich KI-Tools nur am Rande genutzt. Für kleine Skripte oder beim Debuggen unbekannter Codebasen. Eher wie ein digitaler Gummi-Entchen-Dialog. Der eigentliche Wendepunkt kam, als ich sah, wie Kollegen echte Projekte mit KI-Hilfe live brachten. Nicht als Spielerei, sondern als echten Produktivitätsbooster.

Da wurde mir klar: Vielleicht sollte ich AI-Coding nicht mehr als Kuriosität betrachten, sondern als ernsthaften Entwicklungsansatz.

Cosmobot: Ein Testprojekt

Ich habe ein altes Side-Project-Idee wiederbelebt – Cosmobot. Ein einheitliches Chatbot-Framework, das mehrere Messaging-Plattformen wie Telegram, QQ oder Discord in ein System integrieren sollte. Ideal als Test, weil:

• Das Projekt überschaubar blieb und sich an einem Wochenende umsetzen ließ
• Unbekannte Technologien zum Einsatz kamen (Haskell, Effect Systems, Streaming-Libraries)
• Es echte Architektur-Anforderungen gab und nicht nur Spielerei war

Der Tech-Stack war bewusst anspruchsvoll:

Effectful – Ein leistungsstarkes Effect-System, der jedes Side-Effect explizit modelliert. Statt versteckter I/O-Aufrufe deklariert jede Funktion, welche Effekte sie zulässt. Vergleichbar mit einem ausgereiften Permissions-System:

mayLog     :: (Log :> es) => Eff es ()
mayCallLLM :: (LLM :> es) => Eff es ()

Streaming – Eine Library, die kontinuierliche Datenströme modelliert. Besonders geeignet, um Messages von verschiedenen Plattformen zusammenzuführen, zu filtern und weiterzuverarbeiten.

Erste Versuche: Sechs Stunden ohne Plan

Ich legte ein einfaches Prompt-Dokument in AGENTS.md an, darin stand:

• Ein einheitliches Chatbot-Framework
• Industrietauglicher, aber verständlicher Code
• Richtige Nutzung von Effect- und Streaming-Systemen
• Saubere, algebraische Domain-Designs

Dann ging es einfach los.

Überraschende Ergebnisse

Die One-Shot-Integrationen

Die größte Überraschung kam bei der Integration von QQ. Das OneBot-API ist ein chinesischer Messaging-Standard, bei dem die Dokumentation in englischer Sprache dünn ist. Ich rechnete mit mehreren Durchgängen.

Doch die KI legte direkt los – und schaffte es, eine komplette, funktionsfähige Integration mit idiomatischem Haskell-Code zu schreiben. Es passte perfekt zum Effect-System und zur Streaming-Library.

TOML statt .env ohne Drama

Wir nutzten zunächst eine .env-Datei. Später wechselte ich zu TOML für bessere Struktur. Die KI erfasste die Anforderungen sofort und führte den Wechsel sauber und effizient durch.

Der schnelle Feedback-Zyklus

Hier wurde es richtig spannend: compile → run → prüfen → nächste Funktion → repeat. Der Zyklus lief so schnell, dass ich oft den Code nicht mehr gründtiert