Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Code und technische Aufgaben

Lektion 12 von 14 Aktualisiert am 28. Juli 2026 Anfänger
Auf dieser Seite
  1. Grok für Entwickler
  2. Code-Generierung
  3. Debugging
  4. Dokumentation
  5. Code-Review
  6. Modellauswahl für Code
  7. Cache-Optimierung
  8. Praktische Übung
  9. Kernaussagen

Grok für Entwickler

xAI bietet ein Modell an, das speziell für Code optimiert ist: grok-build-0.1 (Grok Build). Dieses leichte Modell ist für das Pair Programming in Code-Editoren konzipiert. Es ist deutlich schneller und kostengünstiger als allgemeine Modelle. Ein Modell wie Grok 4.5 bleibt jedoch für komplexes Debugging und Architekturfragen relevant.

Egal, ob Sie Grok verwenden, um Code zu generieren, zu debuggen, zu dokumentieren oder zu überprüfen, gelten die in diesem Kurs behandelten Prinzipien der Prompting mit einigen spezifischen Anpassungen.

Code-Generierung

Der minimale Prompt (Vermeiden Sie dies)

Erstellen Sie einen Ernährungs-Tracker

Der effektive Prompt

Erstellen Sie einen Ernährungs-Tracker in Python mit Flask.

Funktionen:
- Protokollierung eines Lebensmittelartikels mit Menge
- Automatische Berechnung von Kalorien und Makronährstoffen
- Anzeige der täglichen Kalorienaufteilung nach Nährstoff
- Hochlevel-Übersicht und Trends

Technische Einschränkungen:
- SQLite-Datenbank
- REST-API mit dokumentierten Endpunkten
- Kein Frontend (nur API)
- Unit-Tests mit pytest
- Fehlerbehandlung mit entsprechenden HTTP-Codes

Die xAI-Dokumentation betont diesen Punkt: Geben Sie Dateipfade, Projektstruktur und Abhängigkeiten an. Schließen Sie irrelevante Informationen aus.

Debugging

Debugging ist ein Anwendungsfall, bei dem der Kontext besonders wichtig ist. Stellen Sie dem Modell alle Informationen zur Verfügung, die notwendig sind, um das Problem zu reproduzieren.

Strukturierte Debugging-Prompt

Ich habe einen Fehler in meiner Node.js/Express-Anwendung.

Relevanter Code:
```javascript
app.get('/api/users/:id', async (req, res) => {
  const user = await db.query('SELECT * FROM users WHERE id = $1', [req.params.id]);
  res.json(user.rows[0]);
});
```

Fehler:
TypeError: Cannot read properties of undefined (reading 'rows')

Kontext:
- Node.js 20, Express 4.18, pg 8.11
- PostgreSQL 15 lokal
- Die Tabelle 'users' existiert und enthält Daten
- Der Fehler tritt nur für bestimmte IDs auf

Meine Fehlercodes sind in src/errors.ts definiert.
Die DB-Verbindungsdatei befindet sich in src/db.ts.

Identifizieren Sie die wahrscheinliche Ursache und schlagen Sie eine Lösung vor.

Fehler mit Stack Trace

Beheben Sie diesen Fehler. Hier ist die vollständige Stack Trace:

[paste the stack trace]

Relevante Quelldatei:
[paste the code]

Konfiguration:
- Python 3.12, Django 5.0
- PostgreSQL-Datenbank
- Umgebung: Docker Produktion

Erklären Sie die Ursache und schlagen Sie die Lösung vor.

Dokumentation

Funktionsdokumentation

Dokumentieren Sie diese Python-Funktion unter Verwendung der Google docstring-Konventionen:

def calculate_weighted_score(items, weights=None, normalize=True):
    if weights is None:
        weights = [1.0] * len(items)
    if len(items) != len(weights):
        raise ValueError("Mismatch")
    total = sum(i * w for i, w in zip(items, weights))
    if normalize:
        total /= sum(weights)
    return round(total, 4)

Beinhalten Sie:
- Funktionsbeschreibung
- Args mit Typen und Beschreibungen
- Returns mit Typ und Beschreibung
- Raises mit Bedingungen
- Ein Anwendungsbeispiel (doctest)

API-Dokumentation

Generieren Sie OpenAPI (Swagger)-Dokumentation für diesen Endpunkt:

Endpoint: POST /api/v2/invoices
Authentifizierung: Bearer-Token
Body: JSON mit client_id (int, erforderlich), items (Array von Objekten mit description, quantity, unit_price), due_date (ISO 8601, optional)
Antworten: 201 (created), 400 (validation), 401 (unauthenticated), 500 (server error)

Format: YAML OpenAPI 3.0

Code-Review

Überprüfen Sie den Code in diesem Pull Request.

Code:
[paste the code]

Bewertungskriterien:
1. Potenzielle Bugs oder unbehandelte Randfälle
2. Performance (algorithmische Komplexität, N+1-Abfragen)
3. Sicherheit (Injectionen, Datenlecks)
4. Lesbarkeit und Wartbarkeit
5. Einhaltung der PEP 8-Konventionen

Für jedes gefundene Problem:
- Betroffene Zeile(n)
- Schweregrad: critical / high / low / suggestion
- Erklärung des Problems
- Vorschlag für korrigierten Code

Modellauswahl für Code

Die xAI-Dokumentation empfiehlt:

  • grok-build-0.1: Schnelle Arbeit, Implementierung, Code-Suche, routinemäßige Refaktorisierung
  • Grok 4.5: Komplexes Debugging, Architektur, tiefgreifende konzeptionelle Probleme

Für Code-Agenten, die Tool-Calling verwenden, bevorzugen Sie das native Tool-Calling von grok-build-0.1 gegenüber XML-Ausgaben, die die Leistung verschlechtern können.

Cache-Optimierung

Bei sequentiellen Interaktionen (typisch für Pair Programming) beschleunigt Groks Cache die Antworten erheblich. Der Gesprächsvorfix bleibt zwischen den Anfragen identisch, was die Abrufung aus dem Cache ermöglicht.

Wichtiger Tipp: Vermeiden Sie Änderungen am Prompt-Historie zwischen den Anfragen. Jede Änderung bricht den Cache und verlangsamt die Inferenz.

Praktische Übung

Nehmen Sie einen echten Bug aus Ihrem Code. Schreiben Sie einen strukturierten Debugging-Prompt, der den Code, den Fehler, den technischen Kontext und verwandte Dateien enthält. Vergleichen Sie die Qualität der Antwort mit einem minimalen Prompt (“fix this bug: [code]”).

Kernaussagen

  • Geben Sie immer den vollständigen technischen Kontext an: Sprache, Framework, Versionen, Projektstruktur
  • grok-build-0.1 ist für Code optimiert: schneller und kostengünstiger als allgemeine Modelle
  • Für Debugging: Geben Sie den Code, den vollständigen Fehler und den Ausführungskontext an
  • Verwenden Sie natives Tool-Calling statt XML-Ausgaben für Code-Agenten
  • Vermeiden Sie Änderungen am Prompt-Historie, um Cache und Geschwindigkeit zu erhalten
  • Grok 4.5 bleibt die beste Wahl für komplexes Debugging und Architekturentscheidungen