Beschreibung der Schulung

Code aus einem Prompt zu erzeugen, funktioniert für Prototypen. In Safety-Projekten scheitert es: ohne Spezifikation keine Traceability, ohne Traceability kein Nachweis. Code ohne Nachweis ist im Audit wertlos.

Das Training zeigt die disziplinierte Alternative. Die Spezifikation steht im Zentrum. KI-Agenten leiten daraus Architektur, Code und Tests ab, nach jeder Phase prüft und gibt ein Ingenieur frei. Alle Artefakte liegen als Text versioniert im Git-Repository, jede Änderung der KI ist nachvollziehbar. Das V-Modell bleibt das Rückgrat, die Agenten übernehmen die Routinearbeit.

Ein Agent, der das Repository liest, schickt Quellcode als Kontext an ein Modell. Welche Teile das sind, welches Modell sie verarbeitet und wo es läuft, legen Sie mit der Architektur Ihrer Toolchain fest. Das Training zeigt, wie Sie den Kontext auf das Nötige begrenzen, vertrauliche Module ausschließen oder an ein lokal betriebenes Modell geben und KI-Ergebnisse auf Lizenzrisiken prüfen.

Wir zeigen den Ablauf live an einem realen Beispiel: von der formalen Anforderung bis zum automatisierten Validierungstest auf einem Mikrocontroller am HIL-Prüfstand. In den Übungen setzen Sie den Ablauf selbst an einem Beispielprojekt um.

Ziel und Nutzen

Spezifikationen schreiben, die ein KI-Agent eindeutig umsetzen und gegen die er verifizieren kann.
Den Kontext für KI-Agenten aufbauen und auf das Nötige begrenzen: Normauszüge, Templates, Projektartefakte, Skills.
Anforderungen, Architektur und Tests als Code führen und die Traceability automatisch prüfen.
Vertrauliche Projektteile von der KI ausschließen oder an lokal betriebene Modelle leiten.
KI-generierten Code auf Lizenzrisiken prüfen und seine Herkunft im Repository dokumentieren.
Review-Gates so setzen, dass KI-Ergebnisse in prüfbarer Größe ankommen, und sie gezielt auf typische Fehler prüfen.
Den Ansatz auf ein eigenes Projekt übertragen.

Agenda

Tag 1 – Methode und Schutz

Vom Vibe Coding zum Agentic Engineering: Grenzen von Prompt-basiertem Code im Safety-Umfeld
Spec-Driven Development: Specify, Plan, Tasks, Implement mit Freigabe-Gates
Kontext-Engineering statt Prompt-Engineering: was die KI wissen muss, damit Ergebnisse reproduzierbar sind, und was sie nicht sehen soll
Everything as Code: Anforderungen in TRLC, Traceability mit LOBSTER, Architektur und Design als Text, Konsistenzprüfungen in CI/CD
IP-Schutz in der Toolchain: was ein Agent liest und wohin er es sendet, Ausschlussregeln je Repository, getrennte Repositories für vertrauliche Module, Modellwahl nach Schutzbedarf bis zum lokal betriebenen Modell
Ihr Kontext ist Ihr Know-how: Skills, Templates und Prompt-Bibliotheken versionieren und mit Zugriffsrechten schützen wie Quellcode

Tag 2 – Praxis

KI-Agenten entlang des V-Modells: von SWE.1 Anforderungen bis SWE.6 Validierungstest
Live-Demonstration am HIL-Prüfstand: ein neues Feature von der Anforderung bis zum bestandenen Test
Loop Engineering: Der Agent iteriert gegen vordefinierte Tests, bis alle Akzeptanzkriterien erfüllt sind
Ergebnisse absichern: Lizenzprüfung von KI-generiertem Code, Kennzeichnung KI-erzeugter Änderungen im Git-Verlauf, Zugangsdaten aus dem Kontext fernhalten
Übung: ein Feature im Beispielprojekt spezifizieren und umsetzen, mit Review-Gates, Ausschlussregeln und Modellwahl nach Schutzbedarf
Die Rolle des Ingenieurs: vom Erstellen zum Prüfen und Gestalten; Fachtiefe im Team bewusst aufbauen

Zielgruppe

Software-Entwickler, Software-Architekten, Testingenieure, Teamleiter und technische Projektleiter in Safety-Projekten.

Voraussetzungen

Erfahrung in der Embedded-Softwareentwicklung (C), Grundkenntnisse in Git und funktionaler Sicherheit. Für die Übungen bringen Sie einen eigenen Laptop mit.

← Alle Trainings