Große Sprachmodelle sind in der Softwareentwicklung bereits weit verbreitet. Jede NavVis Entwicklungsteam hat sie beispielsweise in seine tägliche Arbeit aufgenommen und verwendet sie, wenn es sinnvoll ist, zur automatischen Vervollständigung von Funktionen, zur Generierung von Standardcode und sogar zum Entwurf von Dokumentationen.
Eine Einschränkung ist jedoch der Kontext: Diese Systeme "merken" sich nicht, was über mehrere Sitzungen hinweg gelernt wurde, und sie haben Schwierigkeiten bei der Koordinierung, wenn mehrere Werkzeuge oder Aufgaben beteiligt sind.
Unter NavVissuchen wir ständig nach Möglichkeiten, die sinnvolle Integration von KI in unseren Produktentwicklungszyklus zu verbessern. Deshalb haben zwei unserer Teamleiter ergänzende Ansätze für dieses Kontextproblem untersucht.
Martin Friedli untersuchte, wie Speicherbanken einem KI-Assistenten beständiges Projektwissen vermitteln könnten, während Ivano Alvino Multi-Agenten-Frameworks testete, die spezialisierte Agenten koordinieren, um Aufgaben End-zu-End zu erledigen. Zusammengenommen zeigen diese Experimente sowohl die Möglichkeiten als auch die ungelösten Fragen rund um KI-gestützte technische Arbeitsabläufe auf.
Aber es gibt noch einen anderen Grund, warum dies für uns wichtig ist. Das Umfeld, in dem wir bei NavVis (z. B. plattformübergreifende mobile Anwendungen, gemeinsamer C++-Code und riesige 3D-Datensätze) ist ein besonders anspruchsvolles Testfeld.
Im Vergleich zu Branchen, in denen zahlreiche und standardisierte Trainingsdaten die Codierungsaufgaben unterstützen, können unsere Reality Capture besonders chaotisch und komplex sein. Das macht die KI hier nicht unbedingt besser oder schlechter, aber es bedeutet, dass mehr auf dem Spiel steht und die Lektionen wertvoller sind. Wenn Workflows in diesem Kontext erfolgreich sind, sind sie hoffentlich robust genug, um überall eingesetzt zu werden.
Sie verweisen auch auf einen umfassenderen Aspekt: Wie verwalten und skalieren wir Ingenieurteams in einer Umgebung, in der nicht nur Menschen, sondern möglicherweise Dutzende von KI-Agenten Code beitragen? An dieser Stelle wird das Thema des soziotechnischen Systems zentral.
Projektwissen bewahren
Martins Arbeit konzentrierte sich auf das Konzept einer Gedächtnisbank. Herkömmliche KI-Codierwerkzeuge arbeiten zustandslos: Jedes Mal, wenn Sie eine neue Sitzung beginnen, weiß der Assistent nicht, was zuvor geschehen ist. Dies bedeutet, dass Projektwissen, Teamkonventionen und frühere Korrekturen immer wieder neu eingeführt werden müssen.
Um dieses Problem zu lösen, richtete Martin eine Speicherbank innerhalb des IVION Go iOS-Projektein, das sich in NavVis' größer mono-repo (d.h. eine einzelne Codebasis, die mehrere Projekte nebeneinander enthält, einschließlich iOS, Android und gemeinsam genutzte C++-Bibliotheken). Ein Mono-Repo macht es einfacher, Code zu teilen und alles synchron zu halten, aber es wirft auch Fragen über den Umfang von Experimenten wie diesem auf. Soll die Speicherbank nur iOS abdecken oder auch den gemeinsam genutzten Code?
Martin erstellte einen speziellen .clinerules-Ordner, fügte eine projectbrief.md-Datei mit strukturierten Anweisungen hinzu und verwendete den Cline-Befehl "initialize memory bank", um den ersten Satz von Einträgen zu erzeugen. Diese Markdown-Dateien dienen als "Projekttagebuch", das die KI zu Beginn jeder Sitzung lesen kann. Stellt ein Entwickler zum Beispiel fest, dass lange Testausgaben das Modell überfordern, kann er eine Regel wie "nur den relevanten Abschnitt der Testergebnisse lesen" aufzeichnen. Der nächste Teamkollege profitiert automatisch davon - ohne zu wissen, dass das Problem überhaupt existiert.
Das Ergebnis ist unsichtbarer Wissensaustausch. Anstatt die gleichen Lektionen immer wieder neu zu lernen, beginnt die KI jede Aufgabe mit einem ständigen Bewusstsein für die Normen und Fallstricke des Projekts.
Martin warf auch mehrere offene Fragen auf:
- Wie sollten die Speicherbänke in einem Mono-Repo wo der Code plattformübergreifend genutzt wird?
- Sollten Anleitungen in iOS- und Android-Projekten dupliziert oder an einem Ort vereinheitlicht werden?
- Wie können Speicherbänke in Umgebungen jenseits von VSCode, wie Xcode oder Android Studio, integriert werden?
- Wer ist für ihre Pflege verantwortlich: die KI, der Ingenieur oder beide?
Diese Fragen unterstreichen, dass Speicherbanken zwar in der Praxis funktionieren können, aber auch eine gemeinsame Disziplin erfordern. Es geht ebenso sehr um den Aufbau der richtigen Ingenieurskultur wie um die technische Einrichtung.
Koordination von Mehrfachagenten
Während Martin sich auf die Tiefe des Wissens konzentrierte, untersuchte Ivano in seinen Experimenten die Breite, insbesondere inwieweit mehrere KI-Agenten zusammenarbeiten können. Um dies zu einem Teil des NavVis Entwicklungsablaufs zu machen, war nicht sein primäres Ziel. Sein Ziel war die Forschung.
Also hat er mit Hilfe des Python-Frameworks Agno ein kleines "Team" von Agenten zusammengestellt:
- Ein Jira-Agent zum Abrufen von Ticketdetails.
- Ein Dateisystem-Agent zum Lesen und Bearbeiten von Quelldateien.
- Ein Koordinator-Agent, der den Arbeitsablauf koordiniert.
Das System wurde an einem realen Ticket getestet: Hinzufügen einer Begrüßungsbildschirmfunktion für NavVis IVION Los. Normalerweise würde ein Entwickler für eine solche Aufgabe zwanzig Minuten benötigen. In Ivanos Versuch holten die Agenten das Ticket, fanden den relevanten Code, erstellten einen Plan und schlugen Änderungen an zwei Dateien vor - alles in etwa zwölf Minuten.
Dieser Ansatz, der oft als agentenbasiertes Coding bezeichnet wird, verändert das Interaktionsmodell. Anstatt dass ein Entwickler Zeile für Zeile mit einem Copiloten iteriert, weist der Mensch eine Aufgabe zu, und die Agenten koordinieren sich untereinander, um eine Lösung zu liefern.
Zwar erfordert dies noch immer eine Überwachung, und zum Zeitpunkt der Präsentation von Ivano war eine Live-Demonstration aufgrund von Ratenbeschränkungen nicht möglich, aber das Potenzial ist klar: Multi-Agenten-Workflows können die Möglichkeiten eines einzelnen KI-Agenten erweitern.
| Eine visuelle Schnittstelle (die "Spielwiese") des lokalen Agententeams von Ivano. |  |
| Der Auftrag ("IV-7503"), den Ivano dem Agententeam erteilt hat. |  |
| Die Liste der Schritte, die das Agententeam selbständig unternommen hat, um die Aufgabe zu erledigen. |  |
Wo die Projekte zusammenlaufen
Beide Projekte zielen auf dieselbe zentrale Einschränkung ab: den Kontext.
- Martins Speicherbanken sorgen dafür, dass ein KI-Assistent nicht vergisst, was er bereits über ein Projekt gelernt hat.
- Die Multi-Agenten-Workflows von Ivano stellen sicher, dass verschiedene Tools und Agenten effektiv koordiniert werden können.
Zusammengenommen deuten sie auf eine Zukunft hin, in der KI-Systeme über ein Gedächtnis und die Fähigkeit verfügen, als kohärentes Team zu agieren, das Wissen konsistent anwendet und gleichzeitig die Aufgaben auf spezialisierte Rollen verteilt.
Führung in einem soziotechnischen System
Die Auswirkungen dieser Experimente beschränken sich nicht auf die Werkzeuge. Wie Tom Renner, einer der Leiter unseres Entwicklungsteams, immer zu sagen pflegt: Softwareentwicklung ist ein soziotechnisches SystemDas heißt, der Erfolg hängt sowohl vom technischen System als auch vom sozialen System ab, das es umgibt.
Die Einführung von KI verändert dieses Gleichgewicht. Maschinen tragen nun einen erheblichen Teil des Codes bei, aber sie machen Fehler auf ganz andere Weise als Menschen. Sie können halluzinieren, plausible, aber falsche Lösungen generieren oder Fehler selbstbewusst wieder einführen.
Manchmal sind diese Fehler in eine Art künstlichen Charme verpackt. Jeder, der ChatGPT benutzt hat, wird das Muster erkennen: "Du hast absolut Recht, danke für die brillante Erkenntnis!" Bei der Codierung kann der Effekt der gleiche sein. Das Modell schmeichelt, stimmt mehr zu, als es vielleicht sollte, und produziert dann etwas, das vielleicht trotzdem falsch ist. Das ist ziemlich lustig, aber es unterstreicht auch den Punkt: Diese Systeme wecken kein Vertrauen, wie es Kollegen tun, weshalb menschliche Aufsicht und Validierung unerlässlich sind.
Umso wichtiger ist es, dass sich Prozesse wie Code-Review und Testen weiterentwickeln.
Unter NavVissind speicherfähige Tools wie CodeRabbit bereits Teil unseres Arbeitsablaufs, lernen aus dem Feedback der Vergangenheit und verbessern sich mit der Zeit. Führung in diesem Umfeld bedeutet, Prozesse zu entwickeln, die die Stärken der KI nutzen und gleichzeitig die Zuverlässigkeit durch die richtigen Kontrollen und Ausgleiche sicherstellen.
Für NavVis Ingenieuren ist dies ein kultureller Wandel, aber auch ein technischer. Man kann zu einer KI nicht auf dieselbe Weise Vertrauen aufbauen wie zu einem Teammitglied, aber man kann Systeme entwickeln, die ihre einzigartigen Stärken und Schwächen berücksichtigen. Das ist letztlich das Wesen eines soziotechnischen Systems, und daran arbeiten wir jeden Tag, um es zu definieren und zu verbessern.
Die nächsten Schritte
Offensichtlich gibt es noch immer Hindernisse. Die Fragmentierung der Werkzeuge erschwert die Integration. Die Datenverarbeitungskosten können steigen, sobald die Anbieter die subventionierte Nutzung hinter sich lassen. Und ganz gleich, wie fortschrittlich die Tools werden, NavVis Ingenieure werden auch weiterhin in der Schleife bleiben, um Grenzfälle zu behandeln und die Qualität sicherzustellen.
Aber die Möglichkeiten sind ebenso klar:
- Schnellere Iteration bei sich wiederholenden Aufgaben.
- Wissen, das über Sitzungen und Teams hinweg erhalten bleibt.
- Ingenieure können sich frei auf Architektur, Design und Innovation konzentrieren.
Wie Tom sagte, ist jetzt genau der richtige Zeitpunkt für Experimente. Die Kosten sind(relativ) niedrig, die Instrumente entwickeln sich schnell weiter, und die Lektionen, die wir jetzt lernen, werden uns darauf vorbereiten, künftige Angebote kritisch zu bewerten, wenn sich die wirtschaftlichen Rahmenbedingungen unweigerlich ändern.
Doch in Wirklichkeit geht es hier nicht nur um Speicherbanken oder Multiagentensysteme. Es geht darum, wie sich Ingenieurteams entwickeln, wenn Menschen und Maschinen sich die Arbeit teilen. Wie skaliert man ein Team, wenn einige seiner Mitglieder keine Menschen sind? Welche neuen Fähigkeiten brauchen Ingenieure, und welche neuen Aufgaben übernehmen Führungskräfte?
Unter NavViserheben wir nicht den Anspruch, alle Antworten zu haben. Aber durch Experimente wie diese verbessern wir ständig unser Verständnis und die effektive Integration von KI-gestützter Entwicklungsarbeit. Schon jetzt erzielen wir exponentielle Produktivitätssteigerungen, und Schritt für Schritt werden wir sicher noch mehr aufdecken. Der Schlüssel liegt jedoch darin, Arbeitsabläufe zu schaffen, bei denen die menschliche Kreativität die KI-Nutzung lenkt und steuert.
Die Aufrechterhaltung dieses Gleichgewichts ist das, was ein soziotechnisches System ausmacht.