EXACT Coding: KI-gestützte Entwicklung mit Qualität statt Vibe-Chaos

TL;DR

Unkontrolliertes Agentic Coding („Vibe Coding“) liefert schnell Code – und oft Sicherheits- und Wartungsprobleme, sobald Software produktiv gehen soll. EXACT Coding (Example-guided AI-Collaborative Test-driven Coding) bündelt bewährte Praktiken: zuerst Beispiele und Klarheit, dann Tests als Steuerung, dann Implementierung – mit dem Menschen an definierten Stellen im Loop. So bleibt die KI ein kollaborativer Partner, kein Blackbox-Generator.

Vertiefung zu Begründungen, Fallstricken, Tooling (Rule-Files, Skills, SubAgents) und einer durchgespielten TDD-Session gibt es im 👉Buch “EXACT Coding” auf Leanpub. Teams, die den Workflow gemeinsam üben wollen, können den ganztägigen EXACT-Workshop direkt bei uns anfragen. Mehr Infos siehe unten.

Vibe Coding vs. Engineering-Disziplin

KI-unterstützte Softwareentwicklung ist längst Normalität: Agenten schreiben Code, refaktorisieren, iterieren. Der viel zitierte Begriff Vibe Coding (Andrej Karpathy) beschreibt die extreme Variante: sich von der KI treiben lassen und den eigenen Code fast nicht mehr lesen – für ein Wochenend-Experiment mag das reichen, für produktive Software wird es schnell riskant. Sobald Zahlungslogik, Datenhaltung oder Sicherheitsgrenzen im Spiel sind, zählen Nachvollziehbarkeit, Tests und klare Anforderungen – nicht nur Geschwindigkeit.

Wofür sich die Einordnung lohnt

In vielen Organisationen reden Fachbereich, Management und Entwicklung über „KI beim Programmieren“ – und meinen damit völlig verschiedene Stufen der Unterstützung. Ohne gemeinsames Bild entstehen falsche Erwartungen: Mal wird die KI als Wundermittel verkauft, mal als Risiko verteufelt.

Auf dem codecentric-Blog findet sich dazu unter anderem ein Fünf-Level-Modell der KI-gestützten Softwareentwicklung: von einfachem Chat über IDE-Assistenz und Agenten bis zu spec-getriebener Arbeit mit starkem Agenten-Einsatz.

EXACT Coding ist kein Ersatz für dieses Modell, sondern ein konkreter Workflow dort, wo du Agenten sinnvoll nutzt – typischerweise im Bereich von Level 3 und 4: Du bleibst im Agentic-Kontext, entscheidest aber bewusst, wie Spezifikation, Tests und menschliche Kontrolle aussehen.

Sweet Spot: Autonomie und Qualität

Ein anschauliches Bild ist der Autonomy Slider (ebenfalls von Karpathy popularisiert): ganz links streng handgeschriebener Code, ganz rechts maximale KI-Autonomie mit oft fragiler Qualität. Die Kurve ist keine Gerade: Mit gezielten Praktiken lässt sich bei hoher KI-Nutzung trotzdem Qualität sichern – die Frage ist weniger „weniger KI“, sondern welche Leitplanken du setzt.

Der Slider spannt das Feld zwischen klassischer, disziplinierter Entwicklung und maximal „vibe-getriebener“ KI-Nutzung – EXACT Coding zielt auf einen bewusst gewählten Bereich dazwischen (Abb. 1).

Wer nur auf Vibes setzt, läuft Gefahr, typische Fehlmuster zu verstärken: Hardcoded Secrets, Sicherheitslogik am falschen Ort, halluzinierte Dependencies, fehlende Eingabevalidierung, Überengineering und uneinheitliche Lösungen in derselben Codebase. Dazu kommt Verification Debt: Der generierte Code sieht überzeugend aus, Reviews werden oberflächlich – bis es im Betrieb knallt. Mehr Hintergrund und Einordnung liefert unter anderem der Artikel "Vibe Coding – was nun?". Zur Rolle von Tests und Refactoring im KI-Alltag passt auch der Artikel "Bugs, Refactoring, Tests: Wo Chatbots beim Coden glänzen und wo sie scheitern".

Was ist EXACT Coding?

EXACT Coding steht für Example-guided AI-Collaborative Test-driven Coding. Es ist kein neues Framework, sondern ein Workflow aus bewährten Ideen aus Software Craft und kollaborativer Modellierung (Behavior-Driven Development, Domain-Driven Design). Eine konkrete Ausprägung davon ist Example Mapping: In einem kurzen Workshop klären Beteiligte gemeinsam Story, Regeln, Beispiele und offene Fragen – sichtbar und strukturiert, bevor die erste Zeile Code oder der erste Prompt entsteht. Der Workflow ist so zusammengesetzt, dass er mit modernen Large Language Models und Agenten gut funktioniert. Die KI ist kollaborativ eingebunden, nicht als Ersatz für Nachdenken und Verantwortung.

Um die Theorie in die Praxis zu übersetzen, enthält das Buch eine vollständig dokumentierte TDD-Session. Als Beispiel dient das Kartenspiel Overlords: The Card Game. Da dieses Spiel kaum in den Trainingsdaten der LLMs vorkommt, lässt sich dort live beobachten, wie die KI echte Logik-Probleme löst, statt nur aus dem Gedächtnis zu zitieren.

Kern von EXACT Coding ist ein Dreiklang, den du dir merken kannst:

• Beispiele vor Code – Mehrdeutigkeit in natürlicher Sprache wird durch konkrete Beispiele reduziert, bevor das erste Token fließt; dazu liefert Example Mapping typischerweise das gemeinsame Raster (Story, Regeln, Beispiele, offene Fragen).
• Tests als Steuerung – Ein fehlgeschlagener Test (Rot) definiert einen kleinen, klaren nächsten Schritt und hält den Kontext für das Modell beherrschbar.
• Mensch als Korrektiv – An definierten Punkten (z. B. nach Rot, Grün, Refactor) bleibt der Mensch die Instanz für Design, Sicherheit und Kontext – Human in the Loop, nicht als Bremse, sondern als Qualitätssicherung.

Der Ablauf in sieben Schritten (Kurzfassung)

Von Example Mapping und Spezifikation in natürlicher Sprache geht es in den TDD-Kreislauf (Test, Implementierung, Refactoring) – mit klaren Rollen für Mensch und KI.

Der Workflow verbindet kollaborative Anforderungsklärung mit dem Rot–Grün-Refactor-Zyklus; die Grafik fasst den Ablauf kompakt zusammen (Abb. 2).

1. Scope abstecken – Feature klein genug wählen, damit der LLM-Kontext nicht explodiert (Story-Slicing, vertikale Schnitte).
2. Example Mapping – Kurz-Workshop mit Story, Regeln, Beispielen und offenen Fragen (z. B. farbige Karten oder digitales Board).
3. Test-Liste – Aus den Beispielen eine geordnete Liste von Testfällen; von Mensch oder KI erstellt, vom Menschen geprüft.
4. Rot – Ein Test aus der Liste wird konkret und schlägt fehl; der Scope bleibt minimal.
5. Grün – Minimale Implementierung, bis der Test grün ist – hier sind Agenten oft stark.
6. Refactor – Struktur und Lesbarkeit verbessern, ohne Semantik zu ändern; hier ist menschliche Erfahrung gefragt.
7. Wiederholen – Bis die Liste abgearbeitet ist; neue Erkenntnisse fließen als neue Einträge in die Liste ein.

So bleibt die Arbeit in kleinen, überprüfbaren Schritten – genau das adressiert typische LLM-Schwächen wie Kontextverlust in langen Prompts („Lost in the Middle“) und vage Anforderungen.

Autonomie-Stufen: den Slider bewusst setzen

Praktisch kannst du den Grad der KI-Autonomie abstufen. Damit sich das nicht mit den Schritten des EXACT-Workflows überschneidet, sind die typischen Einstellungen hier als Option A–C benannt:

• Stufe 1: Der Agent arbeitet die Testliste weitgehend allein ab; Review am Ende. Schnell, aber riskant, wenn früh etwas fundamental falsch läuft.
• Stufe 2: Pause nach jedem vollständigen Rot–Grün-Refactor-Zyklus – gute Balance aus Tempo und Kontrolle.
• Stufe 3: Pause nach jeder Phase (Rot, Grün, Refactor) – maximal kontrolliert, langsamer.

Empfehlung: Bei Unklarheit oder seltsamem Testverhalten sofort stoppen und klären – frühes Eingreifen ist günstiger als großflächiges Aufräumen.

Rule-Files, Commands, Skills und SubAgents (z. B. in Cursor oder Claude Code) helfen, TDD-Disziplin und Stopppunkte stabil zu halten, ohne jeden Prompt neu zu erfinden – die Details und Beispiele dazu sind im Buch ausgeführt.

Deep Dive: Buch auf Leanpub lesen

Der Blogartikel liefert die Landkarte. Wer Begründungstiefe, typische Fehlermuster der Agenten, eine durchgespielte TDD-Session (inklusive Beispiel-Domäne) und praktische Konfiguration (Rules, Skills, Agenten) nachvollziehen will, findet das im Buch “EXACT Coding” auf Leanpub. Dort ist der Workflow so beschrieben, dass du ihn in echten Projekten adaptieren kannst – inklusive Verweis auf das begleitende Übungs-Repository EXACT-Coding-Exercises mit Beispiel-Regeln und -Strukturen.

Workshop: EXACT Coding gemeinsam erproben

Theorie und Blog reichen nicht immer – manche Teams wollen den Ablauf einmal gemeinsam durchspielen. Dafür bieten wir einen thematisch eng am Buch ausgerichteten, ganztägigen Workshop an: Prinzipien aus dem Buch, konkrete Übungen und Beispiele aus dem Projektalltag. Teilnehmende arbeiten in Paaren und kleinen Mobs (Driver plus Navigatoren) und durchlaufen den EXACT-Workflow Schritt für Schritt – von Example Mapping über TDD bis zum Refactoring mit KI-Unterstützung. Kontakt: Sprecht uns über die üblichen codecentric-Kanäle oder direkt an (z. B. über unsere LinkedIn-Profile: Marco und Ferdi – siehe Buch und Impressum auf Leanpub). Konkrete Buchungs-URL kann die Redaktion bei Bedarf ergänzen.

Fazit

EXACT Coding zielt auf den Sweet Spot: spürbar mehr Produktivität durch KI, ohne Qualität und Kontrolle zu opfern. Es ersetzt weder verantwortungsvolle Architektur noch Security-Reviews – und es behauptet nicht, „Level 5“ (vollautonome Produktentwicklung ohne menschliche Prüfung) sei erreicht. Es liefert aber einen nachvollziehbaren, wiederholbaren Weg, wie Teams Agenten produktiv einsetzen können, ohne im Vibe-Chaos zu landen.