Hinweis zur Privatsphäre: Wenn Sie sich mit Ihrem GitHub-Konto anmelden, werden Ihre Quiz-Versuche in Google Firebase gespeichert, damit Sie Ihren Fortschritt verfolgen können. Diese Daten sind nur für den Kursleiter einsehbar, werden nicht anderweitig weitergegeben und nach Semesterende gelöscht. Frühere Löschung auf Anfrage beim Kursleiter. Möchten Sie anonym bleiben? Nutzen Sie den Gastmodus oder ein GitHub-Konto ohne Ihren echten Namen.
Lädt...
Melden Sie sich an, um Ihren Fortschritt zu speichern und auf allen Geräten zu sehen.
●Fortschritt wird gespeichert
02 Vorlesung 2 Quiz: Vom Copy-Paste zum durchdachten Prompt
Punkte:0 / 15
Fragen-Übersicht
OffenRichtigFalsch
Anleitung
Dies ist ein interaktives Quiz. Melden Sie sich mit GitHub an, um Ihren Fortschritt zu speichern, oder fahren Sie als Gast fort.
Wählen Sie Ihre Antwort für jede Frage
Erhalten Sie sofortiges Feedback zu Ihrer Auswahl
Wiederholen Sie Fragen so oft Sie möchten
Verfolgen Sie Ihren Fortschritt über Sitzungen hinweg
Frage1
Drei Ansätze
In der Vorlesung wurden drei Ansätze für die Stack Overflow Challenge verglichen. Was ist der wesentliche Unterschied zwischen ihnen?
✓Richtig!
Die drei Ansätze (Copy-Paste, strukturierte Zerlegung, professionell) unterscheiden sich primär darin, wie viel ingenieurmäßiges Denken und Struktur Entwickler:innen vor und während des Promptings anwenden. Dasselbe KI-Werkzeug kann je nach gewähltem Ansatz sehr unterschiedliche Ergebnisse liefern.
✗Nicht ganz.
Hinweis
Überlegen Sie, was sich zwischen den drei Ansätzen ändert — die Werkzeuge bleiben gleich.
💡Lösung
Die drei Ansätze (Copy-Paste, strukturierte Zerlegung, professionell) unterscheiden sich primär darin, wie viel ingenieurmäßiges Denken und Struktur Entwickler:innen vor und während des Promptings anwenden. Dasselbe KI-Werkzeug kann je nach gewähltem Ansatz sehr unterschiedliche Ergebnisse liefern.
Frage2
Prompting-Fallen
Was bezeichnet das “80-20-Problem” im Kontext KI-gestützter Entwicklung?
✓Richtig!
Das 80-20-Problem beschreibt, wie ein einzelner breiter Prompt innerhalb von Minuten Code produzieren kann, der zu funktionieren scheint, aber die Behebung der verbleibenden Probleme — Debugging, Datenzugriffsprobleme, subtile Fehler — Stunden dauert. Die anfängliche Geschwindigkeit ist verführerisch, aber irreführend. Während Antwort A plausibel klingt, definiert die Vorlesung das 80-20-Problem spezifisch als die Lücke zwischen “sieht fertig aus” und “funktioniert tatsächlich”.
✗Nicht ganz.
Hinweis
Betrachten Sie das Verhältnis zwischen der Geschwindigkeit des ersten Ergebnisses und der Zeit für das Debugging.
💡Lösung
Das 80-20-Problem beschreibt, wie ein einzelner breiter Prompt innerhalb von Minuten Code produzieren kann, der zu funktionieren scheint, aber die Behebung der verbleibenden Probleme — Debugging, Datenzugriffsprobleme, subtile Fehler — Stunden dauert. Die anfängliche Geschwindigkeit ist verführerisch, aber irreführend. Während Antwort A plausibel klingt, definiert die Vorlesung das 80-20-Problem spezifisch als die Lücke zwischen “sieht fertig aus” und “funktioniert tatsächlich”.
Frage3
Halluzinationen
Was vergrößert laut der Vorlesung die “Halluzinationsfläche” beim Prompting einer KI?
✓Richtig!
Ein einzelner, breiter Prompt gibt der KI maximale Freiheit. Ohne Einschränkungen oder Struktur füllt das Modell Lücken, indem es plausibel klingende Inhalte generiert. Je breiter der Prompt, desto mehr Raum für Halluzinationen. Fokussierte, spezifische Prompts mit klaren Anforderungen reduzieren dieses Risiko. Die Angabe einer Bibliothek (B) schränkt die KI tatsächlich ein, was die Halluzinationsfläche verkleinert.
✗Nicht ganz.
Hinweis
Überlegen Sie, was der KI mehr Freiheit gibt, Dinge zu erfinden.
💡Lösung
Ein einzelner, breiter Prompt gibt der KI maximale Freiheit. Ohne Einschränkungen oder Struktur füllt das Modell Lücken, indem es plausibel klingende Inhalte generiert. Je breiter der Prompt, desto mehr Raum für Halluzinationen. Fokussierte, spezifische Prompts mit klaren Anforderungen reduzieren dieses Risiko. Die Angabe einer Bibliothek (B) schränkt die KI tatsächlich ein, was die Halluzinationsfläche verkleinert.
Frage4
Prompting Best Practices
Warum empfiehlt die Vorlesung, Prompts auf Englisch zu schreiben, auch für deutschsprachige Studierende?
✓Richtig!
Forschung zeigt, dass LLMs überwiegend mit englischsprachigem Text trainiert werden (GPT-3: ~93%, LLaMA: ~90%). Studien von Shi et al. (2022), Etxaniz et al. (2023) und Huang et al. (2023) belegen, dass das Prompting auf Englisch — selbst wenn die Frage in einer anderen Sprache gestellt wird — durchgängig die Reasoning-Leistung verbessert. Das Modell kann dennoch in jeder gewünschten Sprache antworten. Obwohl Englisch im Code verbreitet ist (A), bezieht sich die Empfehlung auf die Reasoning-Qualität, nicht auf Sprachanpassung.
✗Nicht ganz.
Hinweis
Betrachten Sie die Zusammensetzung der Trainingsdaten.
💡Lösung
Forschung zeigt, dass LLMs überwiegend mit englischsprachigem Text trainiert werden (GPT-3: ~93%, LLaMA: ~90%). Studien von Shi et al. (2022), Etxaniz et al. (2023) und Huang et al. (2023) belegen, dass das Prompting auf Englisch — selbst wenn die Frage in einer anderen Sprache gestellt wird — durchgängig die Reasoning-Leistung verbessert. Das Modell kann dennoch in jeder gewünschten Sprache antworten. Obwohl Englisch im Code verbreitet ist (A), bezieht sich die Empfehlung auf die Reasoning-Qualität, nicht auf Sprachanpassung.
Frage5
Strukturierte Zerlegung
Was ist der Zweck des ersten Prompts in Ansatz 2 (Strukturierte Zerlegung)?
✓Richtig!
Ansatz 2 beginnt mit einem Recherche-Prompt, der die KI auffordert, Datenquellenoptionen zu analysieren und zu vergleichen — ihre Vor- und Nachteile, Rate Limits und Zugriffsanforderungen. Es wird noch kein Code angefordert. Diese Strategie, die KI zunächst als Analystin einzusetzen, bevor man sie als Programmiererin nutzt, liefert durchgängig bessere Ergebnisse.
✗Nicht ganz.
Hinweis
Was tun Sie, bevor Sie etwas bauen?
💡Lösung
Ansatz 2 beginnt mit einem Recherche-Prompt, der die KI auffordert, Datenquellenoptionen zu analysieren und zu vergleichen — ihre Vor- und Nachteile, Rate Limits und Zugriffsanforderungen. Es wird noch kein Code angefordert. Diese Strategie, die KI zunächst als Analystin einzusetzen, bevor man sie als Programmiererin nutzt, liefert durchgängig bessere Ergebnisse.
Frage6
Prompt-Design
Warum verbessert das Aufteilen einer Aufgabe in mehrere fokussierte Prompts (statt eines großen Prompts) die Qualität der KI-Ausgabe?
✓Richtig!
Wenn jeder Prompt auf eine einzelne, klar definierte Aufgabe abzielt, hat die KI einen klaren Umfang mit weniger Raum zum Halluzinieren. Zusätzlich ist ein Fehler auf ein Modul begrenzt, anstatt sich durch die gesamte Codebasis zu ziehen. Dies spiegelt das Software-Engineering-Prinzip der Separation of Concerns wider.
✗Nicht ganz.
Hinweis
Überlegen Sie, was passiert, wenn ein Bug in einem monolithischen Skript auftritt vs. in separaten Modulen.
💡Lösung
Wenn jeder Prompt auf eine einzelne, klar definierte Aufgabe abzielt, hat die KI einen klaren Umfang mit weniger Raum zum Halluzinieren. Zusätzlich ist ein Fehler auf ein Modul begrenzt, anstatt sich durch die gesamte Codebasis zu ziehen. Dies spiegelt das Software-Engineering-Prinzip der Separation of Concerns wider.
Frage7
Professioneller Ansatz
Warum werden in Ansatz 3 (Professionell) Tests vor dem Implementierungscode geschrieben?
✓Richtig!
Tests zuerst zu schreiben (im TDD-Stil) erstellt eine Spezifikation, die die Implementierung erfüllen muss. Wenn die KI einen API-Endpunkt halluziniert oder fehlerhaften Code generiert, fangen die Tests dies sofort ab — es gibt keine stillen Fehler. Tests dienen als automatische Halluzinationsdetektoren.
✗Nicht ganz.
Hinweis
Was passiert, wenn die KI fehlerhaften Code generiert, aber Tests bereits das erwartete Verhalten definieren?
💡Lösung
Tests zuerst zu schreiben (im TDD-Stil) erstellt eine Spezifikation, die die Implementierung erfüllen muss. Wenn die KI einen API-Endpunkt halluziniert oder fehlerhaften Code generiert, fangen die Tests dies sofort ab — es gibt keine stillen Fehler. Tests dienen als automatische Halluzinationsdetektoren.
Frage8
Ingenieurmäßiges Urteilsvermögen
Die Vorlesung gibt ein Beispiel für das manuelle Eintippen von 6 Meilensteindaten, anstatt einen KI-gestützten Scraper zu bauen. Welches Prinzip illustriert dies?
✓Richtig!
Wenn Sie bereits einen kleinen, bekannten Datensatz haben (6 Meilensteine), dauert das manuelle Eintippen 2 Minuten im Vergleich zu 20+ Minuten für den Bau einer automatisierten Lösung, die möglicherweise Daten halluziniert. Gutes ingenieurmäßiges Urteilsvermögen bedeutet, das richtige Werkzeug zu wählen — einschließlich gar keines. Der Punkt ist nicht, dass Automatisierung schlecht ist (D), sondern dass die Kosten-Nutzen-Analyse zählt.
✗Nicht ganz.
Hinweis
Betrachten Sie den Zeitaufwand zwischen Automatisierung und manueller Arbeit bei kleinen Aufgaben.
💡Lösung
Wenn Sie bereits einen kleinen, bekannten Datensatz haben (6 Meilensteine), dauert das manuelle Eintippen 2 Minuten im Vergleich zu 20+ Minuten für den Bau einer automatisierten Lösung, die möglicherweise Daten halluziniert. Gutes ingenieurmäßiges Urteilsvermögen bedeutet, das richtige Werkzeug zu wählen — einschließlich gar keines. Der Punkt ist nicht, dass Automatisierung schlecht ist (D), sondern dass die Kosten-Nutzen-Analyse zählt.
Frage9
KI-Tagebuch
Welcher der folgenden Punkte ist KEIN genannter Zweck des KI-Tagebuchs in diesem Kurs?
✓Richtig!
Das KI-Tagebuch dient drei Zwecken: Selbstreflexion über KI-gestützte Entwicklungsfähigkeiten, Bereitstellung von Daten für spätere Kursarbeitsanalysen und Erstellung professioneller Nachweise Ihres Workflows. Es ersetzt nicht Git-Commit-Nachrichten — tatsächlich verwendet Ansatz 3 sowohl Tagebucheinträge ALS AUCH aussagekräftige Commit-Nachrichten gemeinsam.
✗Nicht ganz.
Hinweis
Überlegen Sie, was das Tagebuch festhält, was Git-Commits nicht tun — und umgekehrt.
💡Lösung
Das KI-Tagebuch dient drei Zwecken: Selbstreflexion über KI-gestützte Entwicklungsfähigkeiten, Bereitstellung von Daten für spätere Kursarbeitsanalysen und Erstellung professioneller Nachweise Ihres Workflows. Es ersetzt nicht Git-Commit-Nachrichten — tatsächlich verwendet Ansatz 3 sowohl Tagebucheinträge ALS AUCH aussagekräftige Commit-Nachrichten gemeinsam.
Frage10
KI-Tagebuch
Warum ist der integrierte Chat-Verlauf von Tools wie Copilot oder ChatGPT unzureichend für die Nachverfolgung von KI-Interaktionen?
✓Richtig!
Der integrierte Chat-Verlauf hat erhebliche Lücken: keine Zuordnung zwischen Prompts und Codeänderungen, keine Verfolgung, wie viele Iterationen eine Aufgabe benötigte, kein Protokoll der Absicht im Vergleich zur tatsächlichen Anfrage, keine Möglichkeit zum werkzeugübergreifenden Vergleich und fragile Speicherung, die beim Neustart der IDE verloren gehen kann.
✗Nicht ganz.
Hinweis
Überlegen Sie, welche Informationen verloren gehen, wenn Sie nur ein Chat-Transkript haben.
💡Lösung
Der integrierte Chat-Verlauf hat erhebliche Lücken: keine Zuordnung zwischen Prompts und Codeänderungen, keine Verfolgung, wie viele Iterationen eine Aufgabe benötigte, kein Protokoll der Absicht im Vergleich zur tatsächlichen Anfrage, keine Möglichkeit zum werkzeugübergreifenden Vergleich und fragile Speicherung, die beim Neustart der IDE verloren gehen kann.
Frage11
Werkzeugkonfiguration
Welches Problem lösen Projektanweisungsdateien wie CLAUDE.md und .github/copilot-instructions.md?
✓Richtig!
Die KI erinnert sich nicht an Projektkonventionen über Sitzungen hinweg. Ohne Anweisungsdateien müssten Sie Konventionen (Tagebuchformat, Commit-Nachrichten-Stil, Testanforderungen, Coding-Standards) zu Beginn jeder neuen Sitzung erneut angeben. Anweisungsdateien kodieren diese Konventionen einmalig und werden automatisch gelesen.
✗Nicht ganz.
Hinweis
Was passiert, wenn Sie eine neue Chat-Sitzung starten — was vergisst die KI?
💡Lösung
Die KI erinnert sich nicht an Projektkonventionen über Sitzungen hinweg. Ohne Anweisungsdateien müssten Sie Konventionen (Tagebuchformat, Commit-Nachrichten-Stil, Testanforderungen, Coding-Standards) zu Beginn jeder neuen Sitzung erneut angeben. Anweisungsdateien kodieren diese Konventionen einmalig und werden automatisch gelesen.
Frage12
Werkzeugvergleich
Was ist ein wesentlicher Unterschied zwischen GitHub Copilot und Claude Code in VS Code?
✓Richtig!
Beide Tools können im Agent Mode Dateien lesen/schreiben und Terminalbefehle ausführen. Die wesentlichen Unterschiede sind: Copilot bietet Modellauswahl (GPT-4o, Claude Sonnet, Gemini), während Claude Code Anthropic-Modelle mit bis zu 1M Token Kontextfenstern verwendet. Beide haben kostenlose Stufen für Studierende.
✗Nicht ganz.
Hinweis
Beide Tools können ähnliche Dinge — was sich unterscheidet, sind die Modelle und die Kontextgröße.
💡Lösung
Beide Tools können im Agent Mode Dateien lesen/schreiben und Terminalbefehle ausführen. Die wesentlichen Unterschiede sind: Copilot bietet Modellauswahl (GPT-4o, Claude Sonnet, Gemini), während Claude Code Anthropic-Modelle mit bis zu 1M Token Kontextfenstern verwendet. Beide haben kostenlose Stufen für Studierende.
Frage13
Werkzeugnutzung
Was ist der Unterschied zwischen dem “Ask”-Modus und dem “Agent/Edit”-Modus in KI-Coding-Tools?
✓Richtig!
Im Ask-Modus agiert die KI als Beraterin — sie beantwortet Fragen, erklärt Code und schlägt Änderungen vor, bearbeitet aber keine Dateien direkt. Im Agent/Edit-Modus agiert die KI als Mitarbeiterin — sie kann Dateien lesen und schreiben, Befehle ausführen und Änderungen über mehrere Dateien hinweg vornehmen, während Sie die Ergebnisse überprüfen.
✗Nicht ganz.
Hinweis
Denken Sie an die Analogie: Beraterin vs. Mitarbeiterin.
💡Lösung
Im Ask-Modus agiert die KI als Beraterin — sie beantwortet Fragen, erklärt Code und schlägt Änderungen vor, bearbeitet aber keine Dateien direkt. Im Agent/Edit-Modus agiert die KI als Mitarbeiterin — sie kann Dateien lesen und schreiben, Befehle ausführen und Änderungen über mehrere Dateien hinweg vornehmen, während Sie die Ergebnisse überprüfen.
Frage14
Fortgeschrittenes Prompting
Die Vorlesung diskutiert das Kodieren eines mehrstufigen Prozesses in einem einzigen Prompt (einem “Meta-Prompt”). Was ist der wesentliche Kompromiss?
✓Richtig!
Ein einzelner Meta-Prompt, der den Zerlegungsprozess kodiert, ist bequemer (ein Prompt statt fünf), aber die KI entscheidet über die Modulgrenzen, die Datenquelle und die Bibliothekswahl. Wenn Sie manuell zerlegen, bauen Sie das mentale Modell der Lösung auf — essenziell für das Debugging, wenn etwas schiefgeht.
✗Nicht ganz.
Hinweis
Wer hat das mentale Modell der Lösung, wenn die KI die Zerlegung vornimmt?
💡Lösung
Ein einzelner Meta-Prompt, der den Zerlegungsprozess kodiert, ist bequemer (ein Prompt statt fünf), aber die KI entscheidet über die Modulgrenzen, die Datenquelle und die Bibliothekswahl. Wenn Sie manuell zerlegen, bauen Sie das mentale Modell der Lösung auf — essenziell für das Debugging, wenn etwas schiefgeht.
Frage15
Prompt-Design
In Ansatz 3 enthält Prompt 0 die Anweisung “Do NOT implement any logic yet.” Warum ist das wichtig?
✓Richtig!
Zu kontrollieren, was die KI NICHT tut, ist genauso wichtig wie ihr zu sagen, was sie tun soll. Ohne die explizite Einschränkung wird die KI in jeder Datei Implementierungscode generieren und damit den geplanten Workflow — zuerst Tests schreiben, dann dagegen implementieren — umgehen.
✗Nicht ganz.
Hinweis
Was würde passieren, wenn Sie diese Einschränkung nicht angeben?
💡Lösung
Zu kontrollieren, was die KI NICHT tut, ist genauso wichtig wie ihr zu sagen, was sie tun soll. Ohne die explizite Einschränkung wird die KI in jeder Datei Implementierungscode generieren und damit den geplanten Workflow — zuerst Tests schreiben, dann dagegen implementieren — umgehen.