Die Zusammenarbeit zwischen Mensch und KI: Cloudflares OAuth 2.1 Bibliothek

In den letzten Jahren hat sich die Zusammenarbeit zwischen Mensch und künstlicher Intelligenz (KI) rasant weiterentwickelt. Ein bemerkenswertes Beispiel dafür ist die von Cloudflare entwickelte und open-source veröffentlichte OAuth 2.1 Bibliothek, die fast vollständig von Claude, einem KI-Modell, geschrieben wurde. Diese Entwicklung ist nicht nur technisch beeindruckend, sondern bietet auch einen faszinierenden Einblick in den kreativen Prozess, der hinter der Erstellung dieser Bibliothek steht.

Ein Blick auf die Entwicklung

Vor einigen Tagen teilte mein CTO Chris einen Link zur OAuth 2.1 Bibliothek von Cloudflare, die fast vollständig von Claude erstellt wurde. Was mich besonders interessierte, war nicht nur die technische Leistung, sondern die Art und Weise, wie der gesamte kreative Prozess dokumentiert wurde. Jeder Prompt, jede Iteration und jeder Moment menschlichen Eingreifens wurde in den Git-Commit-Nachrichten festgehalten – eine Art archäologischer Bericht über die Zusammenarbeit zwischen Mensch und KI.

Die Rolle der Prompts

Der leitende Ingenieur Kenton V begann als Skeptiker der KI. Er erklärte:

„Ich versuchte, meinen Skeptizismus zu validieren. Am Ende bewies ich mir selbst das Gegenteil.“

Zwei Monate später hatte Claude fast den gesamten Code für eine produktionsreife Authentifizierungsbibliothek generiert.

Dokumentation durch Git-Commits

Ein bemerkenswerter Aspekt dieser Entwicklung war, dass Kenton den Prompt, der zur Codegenerierung verwendet wurde, in jedem Commit dokumentierte. Dies machte die Analyse der Entwicklungsgeschichte möglich. In einer Zeit, in der wir zunehmend auf KI-Tools in der Softwareentwicklung setzen, wird diese Praxis immer wichtiger. Manchmal ist der ursprüngliche Prompt wertvoller und einfacher zu überprüfen als der resultierende Code, insbesondere wenn ein Ingenieur eine falsche Annahme erklärt, die das Modell blind folgt.

Muster in der Mensch-KI-Zusammenarbeit

Die Durchsicht von etwa 50 Commits offenbarte interessante Muster in der Zusammenarbeit:

• Prompt durch Beispiel: Der erste Prompt war ein umfangreicher Codeblock, der genau zeigte, wie die Bibliothek von einem Worker implementiert werden würde. Dieser Ansatz beseitigte Unklarheiten über Methodensignaturen und offenbarte praktische Überlegungen, die oft in abstrakten Spezifikationen fehlen.
• Effektive Kommunikation: Die effektivsten Prompts folgten einem konsistenten Muster: klarer Kontext über den aktuellen Stand, Erklärung, warum eine Änderung notwendig war, und spezifische Anweisungen für den nächsten Schritt.
• Dokumentation wird mühelos: Ein einziger Satz im Prompt generierte umfassende Schema-Dokumentation. Modelle scheinen bei diesen Dokumentationsaufgaben besonders gut abzuschneiden.

Wo die KI Schwierigkeiten hatte

Etwa 20 Commits später stellte ich fest, dass Kenton manuell eingreifen musste. Claude konnte eine Klassendeklaration nicht korrekt verschieben und benötigte einen Folge-Commit, um die Positionierung zu korrigieren. Später griff Claude auf grep und sed Bash-Befehle zurück, weil die Such- und Ersetzungsfunktion mit doppelten Codeblöcken nicht umgehen konnte. Ein Kommentar, der mir in Erinnerung blieb, lautete:

„Ich hätte das schneller von Hand erledigen können, na ja.“

Praktische Erkenntnisse

Wenn Sie mit KI-Coding-Tools arbeiten, sind hier einige Beobachtungen aus ihrem Ansatz:

• Fokussieren Sie sich auf das Ergebnis. Definieren Sie für einen Backend-Service die öffentlichen Endpunkte und ihr erwartetes Verhalten.
• Behandeln Sie Prompts als versionierte Assets. Die Einbeziehung von Prompts in Commit-Nachrichten schafft wertvollen Kontext für zukünftige Wartung und Debugging.
• Erwarten Sie mehrfache Iterationen. Fast jede Funktion erforderte mehrere Iterationen und Verfeinerungen.
• Scheuen Sie sich nicht, selbst Hand anzulegen. Einige Bugs und Styling-Probleme lassen sich schneller manuell beheben.

Prompts als Quellcode

Die Durchsicht dieser Commits regte einen Gedanken an: Was wäre, wenn wir Prompts als den tatsächlichen Quellcode behandeln würden? Stellen Sie sich Versionskontrollsysteme vor, in denen Sie die Prompts, die zur Generierung von Funktionen verwendet wurden, anstelle der resultierenden Implementierung einpflegen. Wenn Modelle sich unvermeidlich verbessern, könnten Sie die neueste Version verbinden und den gesamten Code mit verbesserter Fähigkeit regenerieren.

Persönliche Reflexion

Diese OAuth-Bibliothek repräsentiert mehr als einen technischen Meilenstein – sie ist ein Beweis für eine neue kreative Dynamik, in der künstliche Intelligenz mechanische Implementierungen übernimmt, während Menschen Richtung, Kontext und Urteil liefern. Es ist klar, dass während dieses Prozesses erheblicher menschlicher Einfluss erforderlich war. Trotz der Einschränkungen generierte Claude den Großteil des funktionalen Codes in dieser Bibliothek. Claude Code wurde erst vor zwei Wochen öffentlich gestartet und ermöglicht bereits dieses Maß an Zusammenarbeit.

Für den Moment ist es nur ein weiteres Werkzeug. Aber im Gegensatz zu einem Hammer verbessert sich dieses Werkzeug selbst, lernt aus jeder Interaktion und wird mit jeder Iteration fähiger.

Quellenliste:

• Quelle: I READ ALL OF CLOUDFLARE’S CLAUDE-GENERATED COMMITS