AI Development

KI-gestützte Softwareentwicklung – Claude Code im Alltag, eigene Agents und MCP-Server, sowie die Integration von LLM-Features in bestehende Anwendungen.

Von Hype zu Werkzeug

KI ist in den letzten Jahren von einem Marketing-Schlagwort zu einem alltäglichen Werkzeug geworden – wenn man weiß, wo man es sinnvoll einsetzt. Ich entwickle seit Jahren mit Claude Code, baue eigene Agents und MCP-Server und integriere LLM-Features in Kundenprojekte. Das hat den Weg von “wir müssen auch was mit KI machen” hinter sich gelassen und ist Teil der täglichen Arbeit.

Auf dieser Seite zeige ich, wie ich KI konkret nutze – nicht als Demo, sondern so, wie es in meinen Projekten wirklich abläuft.

Tägliche Praxis: AI-augmented Coding

Mein primäres Werkzeug im Alltag ist Claude Code – als CLI direkt im Terminal und im Editor. Es übernimmt einen großen Teil der Arbeit, die sonst Zeit gefressen hat: Boilerplate generieren, Tests schreiben, Refactorings vorbereiten, Doku aktualisieren, Debugging mit Kontext zur gesamten Codebasis.

Wo das besonders gut funktioniert:

  • Test-Coverage erhöhen: Bestehenden Code analysieren und passende Test-Cases vorschlagen – inklusive Edge-Cases, an die man selbst nicht denkt.
  • Refactorings über mehrere Dateien: Wenn ein Konzept sich durch fünf Module zieht, ist die konsistente Umsetzung mit AI deutlich schneller und fehlerarm.
  • Onboarding in fremde Codebasen: Neue Projekte aufnehmen, Architektur-Übersichten generieren, Patterns identifizieren.
  • Code-Reviews und Sparring: Zweite Meinung einholen, bevor Code in den PR geht.
  • Dokumentation: Aus Code und Commits sinnvolle README- und Architektur-Dokumente generieren.

Wichtig dabei: AI ersetzt nicht das Denken. Sie ersetzt das Tippen – und einen guten Teil der Recherche. Die fachliche Entscheidung trifft am Ende immer noch der Entwickler.

Custom Agents und MCP-Server

Ein LLM in der Chat-Oberfläche ist nett, aber der wirkliche Hebel kommt mit dem Model Context Protocol (MCP) – einem offenen Standard, mit dem Agents auf externe Systeme zugreifen können: Datenbanken, APIs, Dateisysteme, fremde Anwendungen.

Ich baue und betreibe MCP-Server, die Agents Zugriff auf konkrete Werkzeuge geben:

  • Dokumentenverwaltung: Paperless-NGX-Integration, damit Agents Dokumente suchen, taggen und Metadaten pflegen können.
  • Aufgaben- und Kalendersysteme: Sunsama, Reminders, Calendar – Tagesplanung und Tracking automatisieren.
  • E-Mail-Zugriff: IMAP-Anbindung für Lesezugriff und Verarbeitung.
  • Eigene Tools: Projektspezifische MCP-Server, die genau die Funktionen exponieren, die der Agent braucht.

Für komplexere Workflows nutze ich das Claude Agent SDK und die OpenAI Agents API – damit lassen sich Agents bauen, die mehrstufige Aufgaben eigenständig abarbeiten: Recherchieren, Daten holen, Zusammenfassen, Aktionen ausführen.

AI-Features in Kundenprojekten

Über die Tooling-Schicht hinaus integriere ich LLM-Features direkt in Kundenanwendungen. Drei typische Bausteine:

  • Retrieval-Augmented Generation (RAG): Eine LLM-Antwort wird durch Embeddings aus den Daten des Kunden angereichert – etwa für Dokumentensuche, FAQ-Bots oder Wissensdatenbanken, die auch ohne Internetkenntnisse präzise Antworten liefern.
  • Chat-Interfaces in Web-Apps: Klassische Benutzeroberflächen um Konversations-Layer ergänzen – etwa um Kunden bei der Bedienung zu unterstützen oder Daten zu pflegen.
  • Automatisierte Klassifikation und Extraktion: Eingehende Texte (E-Mails, Tickets, Dokumente) automatisch einsortieren, zusammenfassen, Metadaten extrahieren.

Die Stack-Auswahl hängt vom Projekt ab: Anthropic Claude für hohe Qualität bei komplexen Aufgaben, OpenAI für etablierte Workflows, lokale Modelle (Ollama) wenn Daten das Haus nicht verlassen dürfen.

Kontakt

Reden wir über Ihr Projekt

Sie planen ein Projekt oder brauchen Verstärkung im Team? Schreiben Sie mir.

Kontakt