Agentic Coding

KI im Coding-Alltag kennt jeder: GitHub Copilot, Cursor, Claude Code – Coding-Assistenten sind im Editor längst Standard. Aber was ist mit dem Rest des DevOps-Alltags? Kubernetes-Upgrades, Terraform-Refactoring an Produktivsystemen, AWS-Kostenanalyse – geht das auch mit KI-Assistenz? Spoiler: Ja. — Und der Unterschied ist erheblich. Das erste Kubernetes-Cluster aufzusetzen dauerte noch sechs Wochen. Das nächste – mit KI-Assistenz von Anfang an – zehn Tage.

Dieser Vortrag zeigt keine konstruierten Beispiele, sondern echte Projekte aus der Praxis: AWS-Kostenoptimierung über Main- und Sub-Accounts mit Savings Plans und Reserved Instances, komplexe CloudFront-ALB-Umbauten für Shopware-Ländershops an Produktivsystemen ohne Rückfalloption sowie Kubernetes-Cluster-Upgrades auf StackIT inklusive Risikobewertung und Kundenkommunikation. Die KI übernimmt dabei Analyse, Code-Entwürfe, Dokumentation und Kommunikation – und schafft damit Raum für das, was wirklich zählt: Architektur und Entscheidungen.

Dennoch ist die KI kein Autopilot. Die Architektur kommt vom Menschen, die Prompts kommen vom Menschen – und manchmal muss der Mensch eingreifen, bevor ein terraform apply im Desaster endet. Der Vortrag zeigt, welche DevOps-Aufgaben sich besonders für KI-Assistenz eignen, was die KI braucht (Tool-Zugriff, Kontext, klare Anforderungen) und wo die Kontrolle zwingend beim Menschen bleibt.

Agentic Coding im Team – Erfahrungen aus dem Projektalltag
KI-gestützte Entwicklungswerkzeuge versprechen mehr Geschwindigkeit und bessere Qualität – doch wie verändert sich dadurch die Zusammenarbeit im Team? Dieser Erfahrungsbericht zeigt, was passiert, wenn agentic Tooling nicht einfach jedem Einzelnen überlassen wird, sondern das Team gemeinsam lernt, damit zu arbeiten.

Aus der täglichen Praxis mit Claude Code berichten wir, welche Arbeitsweisen sich bewährt haben: wie kollaboratives, synchrones Arbeiten die Ergebnisqualität deutlich steigert gegenüber dem klassischen „jeder nutzt die Tools für sich und jemand räumt hinterher auf”. Welche Rolle spielen dabei CLAUDE.md/ AGENTS.md , um den Überblick über die Codebase zu behalten? Welche MCP-Integrationen und Tool-Skills machen den Alltag spürbar schneller?

Ein Ausblick führt in Richtung Spec-Driven Development und zeigt, wie Speech-to-Text und ein mitlaufender Agent aus Diskussionen automatisch Dokumentation und offene TODOs erzeugen können – weniger Tipp-Overhead, mehr Fokus auf das Wesentliche.

Diagnosing failures in large enterprise systems is no easy feat — engineers must sift through massive, heterogeneous log files to reconstruct what went wrong and why. Could AI agents take some of that burden off their shoulders?

In this talk, Juan Mejia Schuster and colleagues share hard-won lessons from building and evaluating tool-orchestrated LLM agents for root cause analysis, developed in collaboration with IBM. Drawing on real-world constraints — strict data privacy, limited context windows, and production-grade log volumes — they offer an honest account of what agentic AI systems can and cannot do today.

Spoiler: agentic workflows won’t necessarily make your diagnostics more accurate, but they can make them far more transparent and explainable. The team also unpacks the practical pitfalls — from unreliable tool-calling to immature frameworks — and what that means for engineers building AI-assisted debugging tools in the real world.

Whether you’re curious about LLMs in DevOps, agentic AI architectures, or just want a grounded take on the current state of the art, this talk delivers concrete design recommendations you can actually use.

Kurze Einführung in den Workshop-Tag und Überblick über die Agenda.

Einrichten der Workshop-Umgebung (XaresAICoder im Browser oder eigenes Setup), erstes Projekt starten und testen. Ziel: Alle Teilnehmer haben eine funktionierende Umgebung mit Zugriff auf Coding Agents.

Wie bringt man KI-Tools dazu, wirklich nützliche Arbeit zu leisten? In zwei aufeinander aufbauenden Übungen erleben die Teilnehmer den Unterschied zwischen agentic coding ohne und mit gezieltem Kontext (AGENTS.md , CONVENTIONS.md ). Gleicher Prompt, gleiches Tool – aber deutlich andere Ergebnisse. Anschließend gemeinsame Diskussion: Was hat sich durch den Kontext verändert und warum?

Individuelle Setup-Hilfe für Teilnehmer bei Bedarf.

Wie steuert man den Kontext gezielt? Welche Coding Agents und LLMs gibt es, und worin unterscheiden sie sich? Optionale weiterführende Aufgaben: Feature-Entwicklung mit dem Agent, Exception Handling nachrüsten und mehr.

Live-Demo: Mit dem in XaresAICoder integrierten API-Proxy wird sichtbar, was normalerweise verborgen bleibt – die tatsächliche Kommunikation zwischen Coding Agent und LLM. Wie unterscheiden sich Aider, Claude Code und Gemini CLI architektonisch? Was bedeutet das für Token-Verbrauch, Kosten und Sicherheit?

Hands-on Workshop: Die Teilnehmer bauen ihren eigenen KI-gesteuerten Game Master, der mehrere AI-Agenten in Echtzeit orchestriert. Würfeln, D&D-Regeln prüfen, Geschichten dynamisch generieren – alles mit Java, Spring AI und modernen Agentic-AI-Konzepten wie MCP, Agent-to-Agent-Kommunikation und RAG. Kurze Konzepteinführung, dann wird gemeinsam programmiert.

Anmeldung

Vortragsabend:
Anmeldung Vortragsabend über Meetup

Workshop:
Anmeldung Workshop über tinyurl.com/jugsagentic