Agentische Softwareentwicklung: KI als Sparringspartner — Einblicke aus meiner HHU-Vorlesung

Agentische Softwareentwicklung in der Praxis: Wie wir bei schnaq KI als Sparringspartner für Analyse, Pläne und Code nutzen — und warum am Ende der Mensch entscheidet.

Am Dienstag, den 16. Juni 2026, stand ich für 90 Minuten vor Informatik-Studierenden der Heinrich-Heine-Universität Düsseldorf — in der Vorlesungsreihe „Softwareentwicklung in der Praxis". Mein Thema: agentische Softwareentwicklung. Also Software bauen, indem man Agenten anleitet und ihre Ergebnisse prüft, statt jede Zeile selbst zu tippen.

Eine Sache habe ich gleich zu Beginn klargestellt, und sie ist mir auch hier wichtig: Wir bei schnaq verlassen uns nicht blind auf KI. Der Agent ist ein Sparringspartner — ein Codebuddy, der mitdenkt, zuarbeitet und unangenehme Fleißarbeit übernimmt. Die Entscheidung, was am Ende umgesetzt wird, treffen wir Menschen. Genau diese Arbeitsteilung möchte ich in diesem Beitrag zeigen.

Ein gemeinsames Vokabular

Bevor es ans Coden geht, lohnt sich ein gemeinsames Vokabular. Diese Begriffe tauchen immer wieder auf — und wer sie sauber auseinanderhält, versteht schnell, was unter der Haube passiert.

Darauf baut das Agentische auf:

Und schließlich, wie der Agent an die Welt andockt:

Die Faustregel dazu: Konnektor ist, was du klickst. MCP ist, wie es unter der Haube spricht.

Unser Prinzip: erst analysieren, dann entscheiden

Der wichtigste Punkt der Vorlesung war kein Werkzeug, sondern eine Haltung. Wir setzen Agenten primär zur Analyse ein, nicht als Autopiloten für die Implementierung.

Konkret heißt das: Der Agent liest unsere Codebasis, prüft Abläufe, findet Probleme und schlägt einen Plan vor. Aus diesem Plan werden saubere Aufgaben — als Issues auf GitHub oder in Linear. Erst dann kommen wir Menschen ins Spiel und entscheiden, welche dieser Punkte wir wirklich angehen. Häufig schickt der Agent für die Analyse mehrere Sub-Agents parallel los, die jeweils einen Teilaspekt beleuchten und uns zuarbeiten.

Damit das gut funktioniert, gibt es zwei Stellschrauben, die über Erfolg und Risiko entscheiden:

• Sicherheit. Gib dem Agenten nur die Rechte, die er wirklich braucht. Voller Computerzugriff heißt volle Kontrolle über alles — wenn möglich, läuft er in einer Sandbox. Bei jedem Zugang neu überlegen, wo welche Berechtigung landet.
• Guter Context. Rolle und Aufgabe klar benennen, Zugriff auf die richtigen Daten und Konnektoren geben, Beispiele und das gewünschte Format mitliefern. Wer raten muss, halluziniert — Kontext schlägt Tricks.

Live an der HHU: Shorty weiterbauen

Für den praktischen Teil habe ich ein altes Bekanntes mitgebracht: Shorty, einen URL-Shortener, der 2019 im Programmierpraktikum genau hier an der HHU entstanden ist. Er läuft bis heute unter link.cs.hhu.de auf einem Stack aus Java, Spring Boot und Redis — der Code liegt offen auf GitHub. Ein dankbares Objekt, um live zu zeigen, wie sich so ein Projekt mit einem Agenten weiterentwickeln lässt.

Der Ablauf, den wir gemeinsam durchgespielt haben, sah so aus:

1. Repo auschecken — git clone, der Agent bekommt Zugriff auf den Code.
2. Analysieren — die Claude-CLI liest die Codebasis und versteht den Aufbau.
3. Aufgaben extrahieren — die Erkenntnisse wandern als Bericht nach Notion und als konkrete Issues nach GitHub.
4. Agent beauftragen — ein Agent löst ein ausgewähltes Issue selbstständig.
5. PR begutachten — wir prüfen den Pull Request und entscheiden über den Merge.

Jeder Schritt ist nachvollziehbar, und an zwei Stellen — bei der Auswahl der Issues und beim Review des Pull Requests — bleibt die Kontrolle bewusst bei uns.

Aus der Praxis: schnaq.com für Google und KI-Suchen

Das zweite Beispiel kam direkt aus unserem Alltag: die Überarbeitung unserer eigenen Website schnaq.com. Ziel war, die Seite technisch auf den aktuellen Stand zu bringen und sie sowohl für Google als auch für KI-Suchen auffindbar zu machen — Stichwort SEO und GEO (Generative Engine Optimization, also Sichtbarkeit in ChatGPT, Perplexity, Google AI Overviews & Co.).

Den Anfang macht ein Audit. Statt sequenziell durchzugehen, schicken wir mehrere spezialisierte Audit-Agenten parallel los — je einer pro Dimension: Metadaten, strukturierte Daten, GEO/LLM-Auffindbarkeit, Performance, Content & Keywords und technisches SEO.

Das Ergebnis ist kein vages Bauchgefühl, sondern eine priorisierte Liste: Über 50 verifizierte Findings, je Bereich mit einer Bewertung als Scorecard, dazu die größten Hebel und schnell umsetzbare Quick Wins.

Aus den Findings werden anschließend echte Issues. Ein Meta-Issue bündelt das Gesamtbild, die einzelnen Maßnahmen hängen als Sub-Issues darunter — sauber priorisiert und nachverfolgbar.

Erst danach beginnt die Umsetzung — und auch hier arbeiten Agenten die Issues der Reihe nach ab, Commit für Commit, mit einem Status-Update zurück nach jedem gelösten Punkt.

Wissen festhalten — das zweite Gedächtnis

Ein Detail, das in der Praxis den Unterschied macht: Erkenntnisse dürfen nicht im Chatverlauf versickern. Ich halte Entscheidungen sofort als Markdown fest — in Notion, das als Konnektor verbunden ist und in das der Agent seine Berichte direkt schreibt, sowie in Obsidian als lokalem Vault für privates Wissen. Der Effekt: Beim nächsten Mal startet der Agent mit Kontext statt bei null.

Was bleibt

Wenn ich die 90 Minuten in vier Sätzen zusammenfasse:

• Die Arbeit verschiebt sich vom Tippen zum Anleiten und Prüfen.
• Guter Context schlägt cleveres Prompten.
• Werkzeuge bekommen nur die nötigen Rechte.
• Und man sollte festhalten, was funktioniert — in Memory, Notizen und Skills.

Agentische Softwareentwicklung nimmt uns viel Routinearbeit ab und hilft, fundierte Entscheidungen schneller zu treffen. Aber sie ersetzt das Urteil nicht — sie schärft es.

---

Sie möchten agentisches Arbeiten oder datenschutzkonforme KI in Ihrem Team etablieren? Kontaktieren Sie uns für ein kostenloses Erstgespräch — oder werfen Sie zuerst einen Blick in die vollständigen Folien der Vorlesung.