Beschreibung

Diese Maßnahme zeigt, wie KI-gestützte Softwareentwicklung im Bildungsrahmen professionell und verantwortungsvoll umgesetzt wird. Im Mittelpunkt steht ein lokales RAG-System, das neben einem wählbaren Sprachmodell auch eine gezielte Wissensbasis einbindet (z. B. Dokumentationen, Coding-Guidelines, vorhandener Projektcode, mathematische Referenzen).

Lernende entwickeln in Teams eine kleine Mathe-App (z. B. Geometrie-Labor, Übungsapp, Simulation). Sie nutzen KI nicht als „Autopilot“, sondern als Pair-Programming-Assistenz: Design skizzieren, Komponenten bauen, Fehler finden, Tests erstellen, Codequalität verbessern – mit klarer Verantwortung für das Ergebnis.

Besonderheiten

• Lokales RAG für Coding: Eigene Codebasis + Doku/Referenzen werden durchsuchbar und für die KI nutzbar.
• LLM-Auswahl: Modellwahl passend zum Ziel (z. B. mathematische Logik, Codequalität, Tool-Nutzung).
• Engineering-Workflow: Spezifikation → Prototyp → Tests → Debugging → Refactor → Review.

Didaktischer Aufbau

Die Maßnahme ist sprintartig aufgebaut: (1) Problem/Use-Case und Anforderungen, (2) UI/Modellierung, (3) Implementierung in Iterationen, (4) Testen und Fehleranalyse, (5) Refactoring und Dokumentation, (6) Ergebnisdemo und Reflexion: Was hat die KI beschleunigt? Wo waren Grenzen? Welche Qualitätskriterien gelten? Die technische Tiefe wird an Lerngruppe und Vorkenntnisse angepasst.

Themenübersicht

1. Use-Case & Spezifikation: Mathe-Problem in Anforderungen übersetzen
2. Projektstruktur: Komponenten, Datenmodelle, UI-Flows
3. KI-gestützte Implementierung: gezielte Prompts, Code-Reviews, Alternativen
4. Tests & Debugging: reproduzierbare Fehler, Checks, Grenzfälle
5. Optimierung: Refactoring, Performance, Verständlichkeit, Dokumentation

Zielgruppe

• Schüler: Gymnasiale Oberstufe (Profil/Informatik), leistungsstarke Projektgruppen.
• Studierende: Einstieg in moderne Entwicklungsworkflows mit KI-Unterstützung.
• Lehrkräfte: Fortbildung/Workshop für „KI im Coding-Unterricht“ inkl. Qualitäts- und Verantwortungsrahmen.

Organisation

• Durchführung: Präsenz (begleitet) · optional mehrtägig als Projektworkshop
• Zeitrahmen: ca. 6–16 UE (anpassbar)
• Setting: Projektgruppe · Workshop · AG
• Tools: Browser/IDE · lokale RAG-Demo/Instanz · Git (optional) · DigiLernFlow als Projektstruktur

Durchführung mit DigiLernFlow

DigiLernFlow bildet das Projekt als Kanban ab (Backlog, In Arbeit, Review, Fertig), dokumentiert Entscheidungen und Tests im Journal und sammelt Releases/Builds als Ergebnisartefakte. So werden Fortschritt, Qualität und Verantwortung sichtbar – nicht nur der „Showcase“ am Ende.

Motivation

Moderne Software entsteht nicht durch Tippen, sondern durch Denken, Prüfen und Verbessern. Mit lokalem RAG wird KI zum realistischen Entwicklungspartner – besonders dann, wenn Mathematik und Code sauber zusammenpassen müssen.