LLM-gestütztes Projektmanagement: So arbeiten Software-Engineers effizienter
Der Artikel von Eivind Kjosbakken auf Towards Data Science beschreibt, wie sich die Arbeit von Software-Engineers durch LLM-Agenten fundamental verschoben hat: Wo früher rund 70 % der Zeit auf das Schreiben von Code entfiel, ist dieser Anteil laut Autor heute auf nahezu null gesunken. An seine Stelle treten 30 % für das Prompting von Agenten und 30 % für Testing – letzteres hat sich im Vergleich zum vorherigen Modell (15 %) also verdoppelt. Die gewonnenen 30 % Zeitbudget können für Weiterbildung, das parallele Starten weiterer Agenten oder intensiveres Plattform-Testing genutzt werden. Tasks gelangen typischerweise über Slack-Nachrichten (Produktfeedback oder Bug-Reports) oder aus laufenden Projekten zum Engineer; je gründlicher diese vor der Übergabe an den Agenten durchdacht und entambiguiert werden, desto länger kann der Agent vollständig autonom arbeiten. Konkret empfiehlt Kjosbakken, den Agenten zunächst alle offenen Fragen in einem HTML-Report zusammenstellen zu lassen, die der Mensch dann einmalig beantwortet. Der /goal-Command-Hook funktioniert als Reflexions-Mechanismus: Der Agent prüft bei vermeintlichem Abschluss eigenständig, ob wirklich alle geforderten Teile erledigt sind, und arbeitet andernfalls weiter – bis der Code im Dev-Branch landet.
- Zeitverteilung vorher: 70 % Code schreiben, 15 % Meetings, 15 % Testing — laut Autor heute komplett überholt.
- Ambiguitäten-Klärung läuft über einen HTML-Report, den der Agent generiert; der Engineer beantwortet jeden Punkt einmalig vor dem autonomen Run.
- Der /goal-Command ist ein Hook, der greift, sobald der Agent die Aufgabe als erledigt meldet — er erzwingt eine Selbstreflexion und ggf. weiteres Arbeiten.
- Als abgeschlossen gilt eine Aufgabe typischerweise erst dann, wenn der Code im Dev-Branch liegt.
- Task-Quellen im beschriebenen Workflow sind hauptsächlich Slack-Nachrichten (Produktfeedback/Bugs) sowie laufende Projekte.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
LLM-gestütztes Projektmanagement: So arbeiten Software-Engineers effizienter
Der Artikel von Eivind Kjosbakken auf Towards Data Science beschreibt, wie sich die Arbeit von Software-Engineers durch LLM-Agenten fundamental verschoben hat: Wo früher rund 70 % der Zeit auf das Schreiben von Code entfiel, ist dieser Anteil laut Autor heute auf nahezu null gesunken. An seine Stelle treten 30 % für das Prompting von Agenten und 30 % für Testing – letzteres hat sich im Vergleich zum vorherigen Modell (15 %) also verdoppelt. Die gewonnenen 30 % Zeitbudget können für Weiterbildung, das parallele Starten weiterer Agenten oder intensiveres Plattform-Testing genutzt werden. Tasks gelangen typischerweise über Slack-Nachrichten (Produktfeedback oder Bug-Reports) oder aus laufenden Projekten zum Engineer; je gründlicher diese vor der Übergabe an den Agenten durchdacht und entambiguiert werden, desto länger kann der Agent vollständig autonom arbeiten. Konkret empfiehlt Kjosbakken, den Agenten zunächst alle offenen Fragen in einem HTML-Report zusammenstellen zu lassen, die der Mensch dann einmalig beantwortet. Der /goal-Command-Hook funktioniert als Reflexions-Mechanismus: Der Agent prüft bei vermeintlichem Abschluss eigenständig, ob wirklich alle geforderten Teile erledigt sind, und arbeitet andernfalls weiter – bis der Code im Dev-Branch landet.
- Zeitverteilung vorher: 70 % Code schreiben, 15 % Meetings, 15 % Testing — laut Autor heute komplett überholt.
- Ambiguitäten-Klärung läuft über einen HTML-Report, den der Agent generiert; der Engineer beantwortet jeden Punkt einmalig vor dem autonomen Run.
- Der /goal-Command ist ein Hook, der greift, sobald der Agent die Aufgabe als erledigt meldet — er erzwingt eine Selbstreflexion und ggf. weiteres Arbeiten.
- Als abgeschlossen gilt eine Aufgabe typischerweise erst dann, wenn der Code im Dev-Branch liegt.
- Task-Quellen im beschriebenen Workflow sind hauptsächlich Slack-Nachrichten (Produktfeedback/Bugs) sowie laufende Projekte.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.