1. Feedback zu Ihrer Stack Overflow Challenge-Erfahrung
2. Drei Ansätze für dieselbe Challenge — Copy-Paste → Strukturiert → Professionell
3. Das KI-Tagebuch — Prompts als Engineering-Artefakte dokumentieren
4. GitHub Copilot & Claude Code — zwei Werkzeuge, drei Modi
5. Challenge Runde 2 — dieselbe Aufgabe, neuer Ansatz

Zentrale Erkenntnis: Die Art, wie Sie mit einem KI-Werkzeug interagieren, ist wichtiger als die Wahl des Werkzeugs.

In Vorlesung 1 haben Sie diese Aufgabe erhalten:

Ihre Mission: Erstellen Sie den Stack Overflow-Plot mit Python und KI-Werkzeugen nach.

• Finden Sie die Daten programmatisch
• Reproduzieren Sie das Diagramm: monatliche Fragenzahlen + gleitender Durchschnitt
• Erweitern Sie es: Überlagern Sie Markierungen für wichtige KI-Durchbrüche

Vollständige Übung: Stack Overflow Challenge — Runde 1

Kurze Handzeichen-Runde:

• Wer hat einen funktionierenden Plot erstellt?
• Wer hat teilweise funktionierenden Code erhalten?
• Wer ist beim Datenzugriff hängengeblieben?
• Wer hat halluzinierte API-Endpunkte erlebt?
• Wer hat jede Zeile des KI-generierten Codes gelesen?

Bitte füllen Sie dieses kurze Feedback-Quiz zu Ihrer Erfahrung aus:

Stack Overflow Challenge — Feedback zum ersten Versuch

Wir werden die aggregierten Ergebnisse gemeinsam betrachten.

Achten Sie auf die Muster — Ihre Schwierigkeiten wurden wahrscheinlich von vielen Kommiliton:innen geteilt.

Was Sie tun: Aufgabenbeschreibung nehmen und in den KI-Chat einfügen. Fertig.

Your mission: Recreate the Stack Overflow plot using Python + AI tools.
- Find the data programmatically (Stack Overflow Data Explorer, ...)
- Reproduce the chart: monthly question counts + rolling average
- Extend it: Overlay markers for key AI breakthroughs

Create a Python script that does all of this.

Oder: einen Screenshot der Folie direkt in den Chat einfügen.

LLMs werden überwiegend mit englischsprachigem Text trainiert (~90 %). Forschung zeigt:

• Englische Prompts liefern besseres Reasoning — selbst wenn die Frage in einer anderen Sprache gestellt wird (Shi et al., 2022; Etxaniz et al., 2023)
• „Cross-Lingual-Thought Prompting" — Reasoning über Englisch zu routen bringt signifikante Verbesserungen (Huang et al., 2023)
• Interne Repräsentationen sind auf Englisch ausgerichtet — die mittleren Schichten, in denen Reasoning stattfindet, arbeiten in einem englischzentrierten Raum (Wendler et al., 2024)

Übersetzt das Modell Ihren deutschen Prompt intern? Keine wörtliche Übersetzung — aber die stärksten Reasoning-Pfade wurden durch englische Daten geformt.

Best Practice: Prompten Sie auf Englisch, fordern Sie die Ausgabe in der gewünschten Sprache an. Das Modell generiert deutsche Tokens direkt — kein versteckter Übersetzungsschritt.

Die KI generiert ein vollständiges 50-100-Zeilen-Skript. Sieht beeindruckend aus.

Aber dann:

• Halluzinierte API-Endpunkte — plausible URLs, die 404 zurückgeben
• Hartcodierte Fake-Daten — Diagramm sieht toll aus, Zahlen sind erfunden
• Monolithische Struktur — alles in einer Funktion, nicht testbar
• Fehlende Abhängigkeiten — ModuleNotFoundError beim ersten Start

Was folgt: 10–15 Runden von „Das funktioniert nicht, weil..."

Halluzinations-Angriffsfläche: Ein breiter Prompt ohne Einschränkungen gibt der KI maximale Freiheit, plausibel klingende, aber falsche Inhalte zu generieren.

Ehrliche Frage: Als die KI 80 Zeilen Code in Sekunden generiert hat...

• Haben Sie ihn gelesen?
• Könnten Sie erklären, warum er genau diese API-Parameter verwendet?
• Könnten Sie das Datums-Parsing reparieren, wenn es auf neue Art bricht?

Code zu verwenden, den Sie nicht verstehen, macht ihn deutlich schwieriger zu warten — selbst mit KI-Werkzeugen für zukünftige Änderungen.

Das ist der entscheidende Punkt. Keine Regel — ein Bewusstsein.

Was Sie tun: 5–10 Minuten nachdenken, bevor Sie die KI anfassen.

Verschiedene Anliegen identifizieren:

1. Datenrecherche — Woher kommen die Daten?
2. Datenzugriff — Abrufen und Cachen
3. Visualisierung — Plotten mit Formatierung
4. Meilenstein-Daten — Die 6 KI-Durchbruchsdaten
5. Integration — Alles zusammenführen

Dann mehrere fokussierte Prompts statt eines großen schreiben.

Die folgenden Beispiel-Prompts spiegeln jemanden mit API- und Python-Erfahrung wider. Ihre Prompts werden anders aussehen — und das ist völlig in Ordnung.

Die Strategie zählt (zerlegen, erst recherchieren), nicht die spezifischen Begriffe.

I need to get the monthly count of questions posted on
Stack Overflow from 2008 to 2024. What are my options?

Consider: Stack Exchange API, SEDE, data dumps, web
scraping, pre-existing datasets.

For each: pros, cons, rate limits, access requirements.

Dieser Prompt fragt nach Recherche, nicht nach Code.

Sie nutzen die KI als Analystin, bevor Sie sie als Programmiererin einsetzen.

Write a Python module `data_fetcher.py` that fetches
monthly SO question counts using SEDE.

Requirements:
- Return data as a pandas DataFrame
- Cache results locally as CSV
- Handle network errors with retry logic

Fokussierte Aufgabe mit einer Verantwortlichkeit. Präzise Anforderungen lassen weniger Raum für Halluzinationen.

Übermäßige Vorgaben können auch schaden — die KI findet vielleicht einen besseren Ansatz, wenn Sie etwas Freiheit lassen.

Die Aufgabe sagt: „Überlagern Sie Markierungen für wichtige KI-Durchbrüche aus der Zeitleiste."

Das sind bekannte Daten aus der Kurs-Zeitleiste:

• Transformer (Juni 2017) · ChatGPT (Nov 2022) · GPT-4 (März 2023)
• Cursor & KI-IDEs (Aug 2023) · Claude Code (Feb 2025) · Copilot Agent Mode (Feb 2025)

Bei nur 6 Meilensteinen könnten Sie sie einfach manuell eintippen. Das ist eine valide Engineering-Entscheidung.

Nicht alles muss KI-generiert werden. Zu wissen, wann man die KI nicht einsetzt, ist Teil der Kompetenz.

• Jedes Modul ist eigenständig und unabhängig testbar
• Halluzinationen sind isoliert — ein fehlerhafter API-Aufruf ist in data_fetcher.py, nicht überall
• Recherche vor Implementierung liefert konsistent bessere Ergebnisse

Zentrale Erkenntnis: Prompting ist Design. Wie Sie Prompts zerlegen, spiegelt wider, wie Sie Software zerlegen. Das ist kein Zufall.

I need a Python project that visualizes monthly SO question
counts with AI milestone markers.

Before writing code, first:
1. Research available data sources
2. Design a modular architecture
3. Define each module's interface
Then implement each module one at a time.

Das codiert den Denkprozess als Anweisungen. Ein Prompt, aber strukturiert.

Was Sie gewinnen: Bequemlichkeit. Was Sie verlieren: Kontrolle über Designentscheidungen.

Vorschau: Das ist ein Sprungbrett zu agentischen Workflows (Akt III).

Die eingebaute Chat-Historie (Copilot, ChatGPT) hat erhebliche Lücken:

• Keine Artefakt-Zuordnung — welcher Prompt führte zu welcher Code-Änderung?
• Kein Iterations-Tracking — wie viele Hin-und-her-Zyklen brauchte eine Aufgabe?
• Kein Intent-Tracking — was Sie tun wollten vs. was Sie gefragt haben
• Kein werkzeugübergreifender Vergleich — Historien an verschiedenen Orten, in verschiedenen Formaten
• Fragile Speicherung — Sitzungen können verloren gehen, wenn VS Code neu startet

Selbstreflexion. Sie erlernen eine neue Fähigkeit. Verbesserung erfordert bewusste Reflexion. Ohne Aufzeichnungen basiert das auf vager Erinnerung.

Zukünftige Kursarbeit. In Akt III werden Sie Ihre eigenen Prompting-Strategien analysieren. Dafür brauchen Sie Daten — Prompt-Anzahlen, Halluzinationsmuster, Iterationstrends. Das Tagebuch ist Ihr Datensatz.

Professionelle Evidenz. Am Ende dieses Kurses ist Ihr Tagebuch ein Portfolio darüber, wie Sie mit KI-Werkzeugen arbeiten — ein wertvolleres Signal als Code allein.

Bevor Sie überhaupt prompten, entscheiden Sie sich für einen professionellen Entwicklungsprozess:

1. Projekt mit ordentlicher Paketierung aufsetzen — Git-Repo von Anfang an
2. Jeden bedeutsamen Meilenstein separat committen
3. Anforderungen als Dokument definieren, bevor Code geschrieben wird
4. Tests vor der Implementierung schreiben
5. Infrastruktur-Tooling wählen (uv, gh)
6. Jede KI-Interaktion in einem diary/-Ordner dokumentieren

Das bettet den Software Development Lifecycle in Ihre Prompting-Strategie ein.

Create a Python project called so-challenge using uv for
dependency management. Separate data collection
(data_fetcher.py) from visualization (plotter.py), with a
module for milestones (milestones.py).

Set up pytest with test files for each module. Manage all
dependencies through pyproject.toml. Include a README.md.

Create a diary/ folder for tracking AI interactions.

Das ist der Scaffolding-Teil — welche Dateien und Strukturen erstellt werden. Aber der Prompt geht weiter...

For every prompt cycle, save the interaction record to
diary/ as a numbered markdown file. Use this format:

# NNN — Short Title
**Date**: YYYY-MM-DD  **Tool**: [name]  **Model**: [name]
**Iterations**: [number]
## Prompt
**YYYY-MM-DD HH:MM**
[The full prompt text as given by the user.]

Save this setup prompt as diary/001-project-setup.md.

Sie müssen das Format definieren — sonst erfindet die KI jedes Mal ein anderes.

Do NOT implement any logic yet — just create the project
structure, configuration, and empty module files with
docstrings describing their purpose.

Initialize a git repository and create an initial commit.
Then create a GitHub repository using the gh CLI and push.

Drei kritische Elemente:

• „Do NOT implement" — kontrolliert, was die KI nicht tun soll
• Git von Anfang an — Scaffolding bekommt eigenen Commit vor jeglichem Code
• Absicht statt Layout — beschreibt was Sie wollen, keinen ASCII-Verzeichnisbaum

Write a brief requirements specification for this project
and save it to docs/requirements.md.

Include:
- Functional requirements (data source, date range, plot type)
- Non-functional requirements (caching, error handling)
- Acceptance criteria for each requirement

Save the diary entry and commit everything together
with a meaningful commit message.

Das produziert ein Dokument, keinen Code — und committet es sofort mit seinem Tagebucheintrag.

Write pytest tests for data_fetcher.py. The module should:
- Fetch monthly SO question counts (2008-2024)
- Return a pandas DataFrame
- Cache results locally as CSV
- Handle network errors gracefully

Write the tests BEFORE the implementation. Use mocks for
network calls.

Save the diary entry and commit with a meaningful
commit message.

Diese Tests werden fehlschlagen — das ist der Sinn. Sie definieren das erwartete Verhalten vor der Implementierung.

Implement data_fetcher.py to pass the tests. Do not modify
the tests. Run the tests to confirm they pass.

Save the diary entry and commit with a meaningful commit
message describing what was implemented.

Kein Einfügen des Testcodes nötig — Sie sind in derselben Sitzung, die KI hat den Kontext bereits.

„Proper commit message" — die KI leitet sie aus den Änderungen ab. In einem realen Projekt können Commit-Vorlagen und Konventionen in Projektanweisungsdateien codiert werden.

Wenden Sie dasselbe Muster für jedes Modul an:

plotter.py: Tests → Implementierung → Commit

milestones.py: Tests → Implementierung → Commit

main.py: Integration → Commit

Jeder Zyklus produziert zwei Commits: erst Tests, dann Implementierung. Jeder Commit enthält seinen zugehörigen Tagebucheintrag.

Oder mit einem agentischen Werkzeug wie Claude Code können Sie den Zyklus komprimieren:

"Implement data_fetcher with tests. If tests pass, commit and move to plotter."

* f4e2a1b  Integrate main.py and update README
* c8d3b7e  Implement milestones module
* 91a0f5c  Add tests for milestones module
* 7b2e4d9  Implement plotter module
* 3f8c1a6  Add tests for plotter module
* a5d9e2f  Implement data_fetcher module
* e1c7b3d  Add tests for data_fetcher module
* 6d4f8a1  Add requirements specification
* 9c3e8f1  Initial project scaffolding

Jeder Commit erzählt eine Geschichte. Jeder enthält einen Tagebucheintrag im diary/-Ordner.

git show auf einem beliebigen Commit → Code-Änderungen + der Prompt, der sie hervorgebracht hat.

• Tests als Halluzinations-Detektoren — halluzinierter Code schlägt sofort fehl
• Infrastruktur zählt — uv sync und alles funktioniert, keine „bei mir läuft's"-Probleme
• SDLC eingebettet ins Prompting — Anforderungen → Tests → Implementierung → Commit
• Die KI managt Prozesse, nicht nur Code — Anforderungsdokumente, Commit-Messages, Tagebucheinträge

Gleicher Erfahrungsvorbehalt: Wenn uv, pytest und TDD neu für Sie sind, starten Sie einfacher. Das Kernprinzip bleibt: Lassen Sie den Engineering-Prozess Ihr Prompting leiten.

Zwei Ärgernisse bemerkt:

1. Prompt 0 enthält eine lange Tagebuchformat-Spezifikation
2. Jeder folgende Prompt enthält „save the diary entry and commit"

Innerhalb einer Sitzung merkt sich die KI das. Aber morgen? Neue Sitzung = kein Gedächtnis.

Das ist nicht nur ein Tagebuchproblem. Denken Sie an alle Konventionen, die Sie wiederholen:

• Commit-Message-Format
• Testing-Anforderungen
• Coding-Standards
• Bibliothekspräferenzen

Textdateien, die die KI automatisch zu Beginn jeder Sitzung liest:

Gleiches Konzept, verschiedene Dateinamen. Konventionen einmal codieren, das Werkzeug wendet sie immer an.

Wir richten diese in Akt III ein. Vorerst: verstehen Sie, warum sie existieren.

# Project Instructions

## AI Diary
For every prompt cycle, save a diary entry to diary/
as a numbered markdown file with: date, tool, model,
iterations, and full prompt text with timestamps.
Always commit diary entries with the code changes.

## Conventions
- Run tests before committing implementation code
- Use meaningful commit messages derived from changes
- Do not modify existing tests when implementing

Mit dieser Datei erwähnen Sie das Tagebuch in keinem Prompt. Jede Sitzung weiß es einfach.

Wenn Sie eine CLAUDE.md für Ihr Projekt einrichten würden, was würden Sie hineinschreiben?

Denken Sie an:

• Was wiederholen Sie in Ihren Prompts?
• Welche Konventionen befolgt Ihr Team?
• Was sollte die KI nie tun?
• Was sollte die KI immer tun?

Nehmen Sie sich 2 Minuten. Teilen Sie eine Idee mit dem Kurs.

Zeitschätzungen sind erfahrungsabhängig — das relative Muster gilt, nicht die absoluten Zahlen.

Keiner dieser Ansätze ist „falsch". Sie stellen eine Progression dar.

• Ansatz 1: in Ordnung für schnelle Experimente
• Ansatz 2: angemessen für die meisten Aufgaben
• Ansatz 3: wenn Qualität und Wartbarkeit wichtig sind

Es geht nicht um Prompting-Tricks. Es geht darum, Software-Engineering-Denken auf KI-gestützte Entwicklung anzuwenden.

Die KI weiß nicht, was „gut" für Ihr Projekt bedeutet. Sie codieren Qualität durch Struktur, Anforderungen und Tests.

# 004 — Data Fetcher Implementation

**Date**: 2026-03-23
**Tool**: Claude Code
**Model**: Claude Opus 4.6
**Iterations**: 2

## Prompt

**2026-03-23 10:25**
Implement data_fetcher.py to pass the tests...

**2026-03-23 10:32**
The test test_retries_on_network_error is failing...

Vollständige Prompts mit Zeitstempeln. Keine Zusammenfassungen. Rohaufzeichnung der Konversation.

so-challenge/
├── src/so_challenge/
│   ├── data_fetcher.py
│   ├── plotter.py
│   └── milestones.py
├── tests/
├── docs/requirements.md
├── diary/
│   ├── 001-project-setup.md
│   ├── 002-requirements.md
│   ├── 003-data-fetcher-tests.md
│   ├── 004-data-fetcher-impl.md
│   └── ...
└── pyproject.toml

Jeder Tagebucheintrag zusammen mit dem Code committet, den er produzierte.

In einem Produktionsprojekt würden Sie das wahrscheinlich nicht tun. Aber dies ist ein Kurs über den Aufbau von KI-Kompetenz.

Prompts sind Engineering-Artefakte. Wenn Sie Ihren Quellcode nicht wegwerfen würden, warum dann die Anweisungen, die ihn erzeugt haben?

• Sehen, welcher Prompt welchen Code erzeugt hat — ein git diff erzählt die Geschichte
• Prompts über die Zeit vergleichen — hat sich Ihr Prompting zwischen Woche 2 und Woche 10 verbessert?
• Modelle vergleichen — derselbe Prompt an Copilot vs. Claude, leicht zu diffen
• Teilen und diskutieren — Prompts liefern Kontext, den Code allein nicht bieten kann

Im Agent-Modus können beide Werkzeuge: Dateien lesen/schreiben, Befehle ausführen, Tests starten, Git-Commits erstellen, gh CLI nutzen. Die Kernfähigkeiten sind konvergiert.

Die Namen unterscheiden sich, das Konzept ist dasselbe: Wie viel Autonomie geben Sie der KI?

• Ask: KI ist Beraterin. Sie berät, Sie führen aus.
• Agent/Edit: KI ist Kollaborateurin. Sie ändert, Sie prüfen.
• Plan: KI ist Architektin. Sie entwirft, Sie genehmigen, dann baut sie.

Beide Werkzeuge können im Agent-Modus fast jede Aufgabe bewältigen. Einige Anfangsbeobachtungen:

• Copilots Inline-Vervollständigungen (außerhalb des Agent-Modus) sind ideal für fließende Bearbeitungen — kein Äquivalent in Claude Code
• Copilots Modellflexibilität — Wechsel zwischen GPT-4o, Claude Sonnet, Gemini in einer Sitzung
• Claude Codes Kontextfenster — bis zu 1M Tokens, Vorteil bei großen Codebasen
• Claude Codes eigenständige CLI — funktioniert außerhalb von VS Code, nützlich für Skripting und CI/CD

Probieren Sie beide aus und vergleichen Sie. Dokumentieren Sie Ihre Präferenzen im KI-Tagebuch — genau dafür ist es da.

Beide Werkzeuge fragen vor dem Ausführen von Befehlen nach. Für wiederholte Workflows Auto-Genehmigung konfigurieren:

Claude Code — ~/.claude/settings.json:

{ "permissions": { "allow": [
    "Edit", "Write", "Bash(git:*)", "Bash(uv:*)"
] } }

Copilot — VS Code Trust-Modell: „Allow" oder „Always Allow" pro Befehlsmuster klicken.

Best Practice: Mit Standardeinstellungen beginnen, Berechtigungen hinzufügen, wenn Sie entdecken, was Sie regelmäßig ausführen.

Dieselbe Aufgabe. Ihr Ansatz sollte nicht derselbe sein.

Verwenden Sie Ansatz 3 — den professionellen SDLC-Workflow mit integriertem Tagebuch.

Abzugebende Leistungen:

• Ein GitHub-Repo mit sauberer Commit-Historie (Code + Tagebucheinträge pro Commit)
• Ein diary/-Ordner mit nummerierten Einträgen
• Der generierte Stack Overflow-Trend-Plot

Referenz-Repo: github.com/l3gj0n/so-challenge

Vollständige Übung: Runde 2

Ein funktionierender Plot ohne Commit-Historie und ohne Tagebuch ist weniger wert als ein teilweise funktionierender Plot mit einem sauberen Git-Log und vollständigen Tagebucheinträgen.

Wir bewerten, wie Sie arbeiten, nicht nur was Sie produzieren.

Zeitplan: Beginnen Sie während dieser Sitzung, wenn die Zeit es erlaubt. Fertigstellen bis Vorlesung 3.

Feedback nach der Challenge wird gesammelt, nachdem Sie Runde 2 abgeschlossen haben — wir vergleichen Ihre Erfahrung über beide Versuche zu Beginn von Vorlesung 3.