Optimal mit KI arbeiten – Teil 1: Setup & Grundlagen

KI-Tools sind längst kein Spielzeug mehr für Hobbyisten — sie sind produktive Werkzeuge, die deinen Arbeitsalltag als Entwickler messbar beschleunigen können. Dieser erste Teil der Reihe "Optimal mit KI arbeiten" legt das Fundament: Welche Tools du brauchst, wie du sie einrichtest, und wie du von Anfang an die richtigen Gewohnheiten entwickelst, um nicht in die klassischen Anfänger-Fallen zu tappen.

Voraussetzungen

Dieser Artikel richtet sich an Entwickler mit Grundkenntnissen in der Kommandozeile und einer bevorzugten IDE (VS Code oder JetBrains). Du brauchst:

• Ein Konto bei einem KI-Anbieter (Anthropic, OpenAI oder ähnlich)
• Node.js 18+ für Claude Code als CLI
• Eine Kreditkarte für API-Zugang (kostenlose Tier reichen für erste Tests)
• Etwa 30–60 Minuten für die initiale Einrichtung

Teil 2 und 3 dieser Reihe setzen auf diesem Setup auf und gehen tiefer in Automatisierung und Agenten-Workflows ein.

---

Das KI-Tool-Ökosystem: Einen Überblick gewinnen

Bevor du irgendetwas installierst, lohnt es sich, das Ökosystem zu verstehen. KI-Tools für Entwickler lassen sich grob in drei Kategorien einteilen:

Chat-Oberflächen (Browser/App)

Das Offensichtlichste: claude.ai, ChatGPT, Gemini. Du schreibst Fragen, bekommst Antworten. Gut für Recherche, Erklärungen, Code-Reviews in Isolation — aber kein direkter Zugriff auf deinen Code, kein Datei-Lesen, keine Automatisierung. Für komplexe Entwicklungsaufgaben reicht das nicht aus.

IDE-Integrationen

Plugins, die KI direkt in deinen Editor bringen. Du arbeitest in deinem gewohnten Kontext und kannst markierten Code direkt an das Modell schicken.

• VS Code: GitHub Copilot, Codeium, Continue.dev (Open Source, unterstützt viele Backends)
• JetBrains: Gleiche Kandidaten, plus JetBrains AI Assistant (native Integration)
• Vorteil: Kein Context-Switch, direkte Datei-Referenzen
• Nachteil: Begrenzt auf Editor-Aktionen, keine Multi-Step-Automatisierung

CLI-Agenten

Die mächtigste Kategorie. Ein KI-Agent läuft als Prozess auf deiner Maschine, kann Dateien lesen/schreiben, Befehle ausführen, Git bedienen, APIs aufrufen — und das in einer langen, zustandsbehafteten Session. Claude Code von Anthropic ist genau das: ein offizielles CLI-Tool, das als vollwertiger Coding-Agent agiert.

Kategorie	Beispiele	Stärken	Schwächen
Chat-UI	claude.ai, ChatGPT	Einfach, kein Setup	Kein Dateizugriff, kein Tooling
IDE-Plugin	Copilot, Continue.dev	Nahtlos im Editor	Begrenzte Automatisierung
CLI-Agent	Claude Code	Vollzugriff, Agenten-Loops	Lernkurve, API-Kosten

Für dieses Tutorial fokussieren wir uns auf Claude Code, weil es das flexibelste und mächtigste Setup für professionelle Entwickler darstellt.

---

Claude Code installieren und einrichten

Claude Code ist ein npm-Paket und läuft überall, wo Node.js verfügbar ist.

# Installation global
npm install -g @anthropic-ai/claude-code

# Verifikation
claude --version

# Erste Authentifizierung (öffnet Browser für OAuth)
claude auth login

Nach dem Login wird ein API-Key in ~/.config/claude/ gespeichert. Alternativ kannst du direkt mit einem API-Key aus der Anthropic Console arbeiten:

# API-Key als Umgebungsvariable (empfohlen für CI/CD)
export ANTHROPIC_API_KEY="sk-ant-..."

# Oder dauerhaft in dein Shell-Profil:
echo 'export ANTHROPIC_API_KEY="sk-ant-..."' >> ~/.zshrc

Hinweis: Committe deinen API-Key niemals in ein Repository. Nutze .env-Dateien und trage sie in .gitignore ein.

Das Modell wählen

Claude Code nutzt standardmäßig das stärkste verfügbare Modell. Anthropic bietet aktuell drei Modelle an, die du kennnen solltest:

• Claude Opus 4.8 (claude-opus-4-8): Das stärkste Modell — für komplexe Architektur-Entscheidungen, mehrstufige Refactorings, schwierige Debugging-Sessions
• Claude Sonnet 4.6 (claude-sonnet-4-6): Ausgewogenes Verhältnis aus Geschwindigkeit und Intelligenz — der Sweet Spot für den täglichen Einsatz
• Claude Haiku 4.5 (claude-haiku-4-5): Am schnellsten und günstigsten — ideal für einfache Tasks, Code-Completion, schnelle Fragen

Für die meisten Entwickler-Workflows ist Sonnet 4.6 die beste Wahl: schnell genug für iteratives Arbeiten, stark genug für anspruchsvolle Aufgaben.

---

IDE-Integration: VS Code und JetBrains

Auch wenn Claude Code als CLI der mächtigste Ansatz ist, willst du KI oft direkt im Editor — ohne Terminal-Wechsel.

VS Code mit Continue.dev

Continue.dev ist Open Source, kostenlos und unterstützt Anthropic nativ:

# Extension in VS Code installieren
code --install-extension Continue.continue

Danach in ~/.continue/config.json das Modell konfigurieren:

{
  "models": [
    {
      "title": "Claude Sonnet",
      "provider": "anthropic",
      "model": "claude-sonnet-4-6",
      "apiKey": "sk-ant-..."
    }
  ],
  "tabAutocompleteModel": {
    "title": "Claude Haiku",
    "provider": "anthropic",
    "model": "claude-haiku-4-5",
    "apiKey": "sk-ant-..."
  }
}

Das Ergebnis: Haiku übernimmt die flüssige Code-Completion (schnell, günstig), Sonnet steht per Tastenkürzel für größere Fragen bereit.

JetBrains

Für JetBrains-IDEs (IntelliJ, WebStorm, PyCharm etc.) gibt es ebenfalls Continue.dev als Plugin — identisches Konzept, gleiches Config-Format. Alternativ bietet JetBrains AI Assistant native KI-Features, die sich über ein eigenes Abo finanzieren.

---

Gutes Prompting: Der Unterschied zwischen Ergebnis und Frust

Das Modell ist nur so gut wie deine Frage. Hier liegt der größte Hebel für alle, die neu mit KI-Tools arbeiten.

Die vier Bausteine eines guten Prompts

1. Aufgabe klar benennen Nicht: "Mach den Code besser" Sondern: "Refactore diese Funktion so, dass sie ohne globalen State auskommt und testbar ist"

2. Kontext mitliefern Das Modell weiß nicht, was in deinem Kopf ist. Erkläre:

• Welche Sprache/Framework
• Was der Code tun soll
• Was das aktuelle Problem ist
• Welche Constraints existieren (Performance, Kompatibilität, Team-Konventionen)

3. Beispiele geben Wenn du ein bestimmtes Output-Format oder einen Code-Stil willst, zeige ein Beispiel. Das ist konsistenter als es zu beschreiben.

4. Iterieren, nicht aufgeben Wenn das erste Ergebnis nicht passt: präzisiere, kritisiere, gib Feedback. KI-Sessions sind Gespräche, keine Einmal-Abfragen.

Beispiel-Prompts im Vergleich

# Schlechter Prompt:
"Schreib mir eine Authentifizierung"

# Guter Prompt:
"Schreib eine JWT-basierte Middleware für Express.js (TypeScript), die:
- Bearer-Tokens aus dem Authorization-Header liest
- Das Token mit einem Secret aus process.env.JWT_SECRET verifiziert
- Bei Fehler 401 mit { error: 'Unauthorized' } antwortet
- Den decodierten Payload als req.user verfügbar macht
Nutze die 'jsonwebtoken'-Bibliothek. Keine globalen Variablen."

Der gute Prompt ist nicht viel länger — aber er eliminiert Mehrdeutigkeiten, die sonst zu mehreren Iteration-Runden führen.

---

Warum Kontext König ist

Bei Claude Code läuft alles in einer Session, die einen Kontext-Fenster hat — eine Obergrenze, wie viel Text (Code + Instruktionen + Chat-Verlauf) das Modell gleichzeitig "sehen" kann. Das klingt technisch, hat aber direkte Auswirkungen auf deine Produktivität:

• Zu langer Kontext ohne Fokus? Das Modell verliert den Faden.
• Zu wenig Kontext? Es fehlen wichtige Details für korrekte Lösungen.

Best Practices für Kontext-Management:

• Starte neue Sessions für unabhängige Aufgaben (nicht alles in einen langen Thread)
• Nutze CLAUDE.md-Dateien im Projekt-Root für persistente Instruktionen (Konventionen, Stack, wichtige Pfade)
• Weise explizit auf relevante Dateien hin, statt zu hoffen, dass das Modell sie findet
• Bei langen Sessions: Fasse zwischendurch den Stand zusammen ("Wir haben X implementiert, Y ist noch offen, jetzt machen wir Z")

Eine CLAUDE.md im Projekt-Root könnte so aussehen:

# Projekt: E-Commerce Backend

- Stack: Node.js 20, Express, PostgreSQL, TypeScript strict mode
- Migrations: Flyway, niemals direkt in der DB editieren
- Tests: Jest + Supertest, Coverage-Ziel 80%
- Konvention: Fehler immer über AppError-Klasse werfen
- Deployment: Railway via GitHub Actions

Diese Datei wird automatisch von Claude Code geladen und gibt dem Agenten den nötigen Projekt-Kontext — ohne dass du ihn in jeder Session neu erklären musst.

---

Häufige Fehler

Hier sind die Stolperfallen, die fast alle Einsteiger machen:

1. Zu vage fragen "Verbessere meinen Code" ist keine Aufgabe. Sage, was verbessert werden soll und warum — Performance, Lesbarkeit, Fehlerbehandlung, Testbarkeit?

2. Den Output blind übernehmen KI-generierter Code kann plausibel klingen und trotzdem falsch sein. Review ist Pflicht — besonders bei Sicherheitsrelevanz (Auth, Kryptographie, SQL).

3. Zu lange Sessions ohne Reset Nach mehreren Stunden und Dutzenden Nachrichten in einer Session leidet die Qualität. Neue Session starten, Kontext komprimiert mitgeben.

4. Kein Versions-Pinning "Schreib mir React-Code" kann in React 16 oder React 19 resultieren. Immer die Version nennen.

5. API-Keys in Code oder Commits Der Klassiker. Nutze Umgebungsvariablen, .env-Dateien mit .gitignore, und prüfe mit Tools wie git-secrets oder trufflehog.

6. Das falsche Modell für die Aufgabe Opus 4.8 für simple Umbenennung von Variablen — das ist wie mit einem Ferrari zum Bäcker fahren. Haiku 4.5 für komplexe Architektur-Entscheidungen — das kostet dich Zeit durch schlechtere Ergebnisse. Wähle bewusst.

7. Kontext unterschätzen "Der kennt meinen Stack doch schon" — nein, das tut er nicht, wenn du eine neue Session startest. Kontext muss explizit sein.

---

Nächste Schritte

Du hast jetzt das Fundament: Tools installiert, erstes Setup konfiguriert, grundlegendes Prompting verstanden. In Teil 2: Skills, Agents & Automatisierung geht es tiefer:

• Wie du Claude Code mit Skills und Custom Tools erweiterst
• Agenten-Loops: Wenn KI selbstständig mehrere Schritte plant und ausführt
• Integration in CI/CD-Pipelines (GitHub Actions, pre-commit hooks)
• Automatisierte Code-Reviews, Test-Generierung und Migrations-Workflows
• Wann Agenten sinnvoll sind — und wann sie Schaden anrichten

Der Sprung von "KI beantwortet meine Fragen" zu "KI erledigt meine Tasks" ist der wichtigste Produktivitäts-Hebel. Teil 2 zeigt dir, wie das in der Praxis aussieht.