Zum Inhalt springen

Anwendungsfälle

KI für Entwickler

Von Ofrai Editorial (Use Case Research)

Engineering-Arbeit sind vor allem Tokens plus gelegentlich ein Diagramm. Ofrai stellt DeepSeek neben Claude und GPT, damit Sie Flash-Credits auf Loops und Premium-Credits auf die Erklärung legen, die Sie shippen.

Studio öffnen

Chat und Video verbrauchen Ofrai-Credits.

Coding-Loop

DeepSeek V4 Flash ist der Default-Hammer. Steigen Sie zu Pro, GPT oder Claude auf, wenn die Antwort in ein Design-Doc muss. Bild-Studio gibt es für Architecture-Doodles; optional.

Research und Specs

PDF/DOCX in Text-Studio hochladen. DeepSeek vs Claude vergleichen, wenn das Dokument lang ist und Sie zwischen zitierartiger Sorgfalt und Rohdurchsatz wählen.

Wann Sie chat-with-PDF ergänzen

Wenn die Spec als PDF kommt, in demselben Text-Studio zu chat-with-PDF wechseln und im selben Thread wie Ihre Code-Iterationen stellen.

Wann Sie von DeepSeek zu Claude wechseln

Bleiben Sie bei DeepSeek Flash für die Tests. Bei einem Patch, den Sie mergen würden, wechseln Sie zu Claude oder GPT für die Erklärung im Ticket.

Ein Arbeitstag in der Ticket-Schleife

Der meiste Entwicklungszeit ist nicht Tippen, sondern Kontext zu halten. KI hilft vor allem dort, wo Sie dieselben Dateien zum dritten Mal lesen. Ein realistischer Tag sieht so aus: Ticket lesen, bei langer Spezifikation das betroffene Modul in eine Chat-with-PDF-Sitzung einfügen und vor dem Code um einen Plan bitten. Dann erzeugen Sie zuerst den langweiligen, kleinen Teil: eine Migration, ein Testgerüst, ein Rename mit allen Aufrufern. Die interessante Architekturentscheidung bleibt beim Menschen, und das Modell übernehmen Sie dort, wo die Spezifikation keinen Interpretationsspielraum lässt.

Diese Reihenfolge zählt: Code, den Sie nicht geschrieben haben, ist Code, den Sie prüfen müssen. Je billiger die Erzeugung, desto weniger Prüfung zahlen Sie.

Prompts, die beim ersten Mal kompilieren

Kontext schlägt Raffinesse. Ein Prompt, der beim ersten Versuch Code liefert, enthält meist fünf Dinge: Sprache und Version, Framework und Hauptversion, die exakten Dateipfade, die_constraints, die nicht verletzt werden dürfen, und die erwartete Ausgabeform. Beispiel: 'TypeScript 5, Node 20, express 4. Füge src/routes/orders.ts und die Testdatei ein. Erzeuge einen paginierten GET-Handler passend zur Response-Hülle aus src/http/respond.ts. Keine neuen Abhängigkeiten. Gib einen Unified Diff zurück.'

Der Unified Diff ist wichtiger, als er aussieht: Er macht die Prüfung mechanisch und sichtbar, wenn das Modell etwas geändert hat, um das Sie nicht gebeten haben. Ist die erste Antwort falsch, ergänzen Sie eine fehlende Einschränkung, statt den ganzen Prompt neu zu schreiben.

Zwischen DeepSeek, GPT-5 und Claude Sonnet wählen

Nutzen Sie die Modelle für verschiedene Aufgaben. DeepSeek Flash ist die günstige Spur: Dateien lesen, kleine Refactorings, Testgerüste, alles, was Sie ohnehin Zeile für Zeile lesen. DeepSeek Pro ist die Denkspur für ein begrenztes Problem, etwa herauszufinden, warum ein Test über drei Dateien hinweg scheitert. GPT-5 ist der starke Generalist, wenn die Aufgabe Breite verlangt: unbekanntes Framework, Änderung über mehrere Dateien, ein Migrationsplan, mit dem Sie diskutieren werden.

Claude Sonnet ist die Spur für langen Kontext und sorgfältige Revision, besonders wenn Sie eine große Datei einfügen und einen Diff verlangen, der nur die genannten Stellen berührt. Die praktische Regel: das starke Modell dort einsetzen, wo Sie sonst eine Stunde verlieren, nicht eine Minute.

Wo KI-Code danebenliegt

Vier Fehler erklären den Großteil schlechter Ausgaben, und alle vier behebt man durch den Prompt statt durch das Modell. Erfundene APIs: Das Modell ruft eine Methode auf, die es in Ihrer Version nicht gibt. Beheben Sie das, indem Sie die echte Signatur einfügen und 'nur APIs verwenden, die in den eingefügten Dateien vorkommen' hinzufügen. Stille Verhaltensänderung: Es schreibt Logik um, die Sie nicht erwähnt haben. Nennen Sie die Dateien, die es anfassen darf. Plausible Refactorings, die Randfälle brechen: leere Arrays, Nullwerte, Zeitzonen.

Lassen Sie zuerst die Tests schreiben, danach die Implementierung. Plausible aber falsche Nebenläufigkeit: Lassen Sie es die Annahmen am Ende ausdrücklich nennen. Und unabhängig davon lesen Sie den Diff.

Credits pro Ticket, nicht pro Platz

Credits folgen Tickets, nicht Personen, damit sind sie planbar. Budgetieren Sie ein Zwei-Stunden-Ticket als eine Planungsrunde, zwei bis drei Generierungsrunden, eine Prüfrunde und einen kurzen Text für den Pull Request. Multiplizieren Sie das mit der Zahl der Tickets im Sprint und vergleichen Sie es mit den Kosten derselben Arbeit in voller Konzentration. Die Gewohnheit, die das ehrlich hält: günstige Modelle auf günstige Tickets, starke Modelle für die zwei oder drei Tickets, die wirklich Risiko tragen.

Notieren Sie, welches Modell welchen Diff erzeugt hat, denn nach einem Quartal zeigt diese Liste den echten Engpass: Erzeugung oder Prüfung.

Was Sie an den Pull Request anhängen

Die Prüfung ist das Lieferobjekt. Legen Sie zum Diff drei Dinge bei: einen Absatz, was sich geändert hat und warum, die Tests, die Sie gelaufen haben, mit Ausgabe, und jede Annahme, die der Code über Daten oder Konfiguration trifft. Nennen Sie ausdrücklich, welche Dateien Sie nicht erwartet haben, denn das ist das Erste, was ein Prüfer nachschlägt. Wenn ein Modell den Code geschrieben hat, schreiben Sie das in die Beschreibung, statt es zu verstecken: Prüfer können ihre Aufmerksamkeit dann auf die Teile richten, die sie ohnehin übersprungen hätten.

Bewahren Sie den Prompt in Ihrer Bibliothek neben dem fertigen Branch auf, damit ein späterer Fix mit demselben Kontext neu erzeugt werden kann, statt neu erarbeitet zu werden.

Wer das übernehmen sollte, und wer in der IDE bleiben sollte

Das passt zu Entwicklern, die wöchentlich in einer fremden Codebasis arbeiten, die Tests schreiben, die sie lieber nicht schreiben würden, und die Zeit in Migrationen und Boilerplate verlieren. Es passt zu Teams, in denen dieselben Leute Code und Dokumentation schreiben. Weniger geeignet ist es, wenn Ihre Arbeit von Architekturentscheidungen mit starkem organisatorischem Kontext geprägt ist, denn das Modell sieht die Politik eines Systems nicht, das es nie gelesen hat. Weniger geeignet auch auf regulatorischen oder sicherheitskritischen Wegen ohne Prüfkultur, wo eine plausible falsche Antwort schlimmer ist als keine Antwort.

Und wenn Ihr Team nicht sorgfältig prüfen kann, ist mehr generierter Code nicht mehr gelieferter Code, sondern mehr aufgeschobenes Lesen.

Die erste Stunde mit dem Coding-Workflow

Probieren Sie ein Ticket einmal vollständig durch, bevor Sie Gewohnheiten ändern. Nehmen Sie einen kleinen, klar spezifizierten Bug. Fügen Sie den fehlschlagenden Test und die zwei relevantesten Quelldateien in das Text-Studio ein. Bitten Sie zuerst um einen Plan, lesen Sie den Plan, und bitten Sie erst danach um einen Unified Diff. Lokal anwenden, Test laufen lassen, und danach anhand des Ergebnisses behalten oder verwerfen, nicht anhand des selbstbewussten Tons der Antwort.

Schieben Sie danach das Spezifikationsdokument in Chat with PDF und stellen die drei Fragen, die Sie einem Kollegen gestellt hätten. Eine Stunde und wenige Credits sagen Ihnen, ob diese Schleife Ihre Tickets verkürzt, und der verworfene Diff sagt Ihnen genau, wie viel Prüfung Sie hätten leisten müssen.

Studio öffnen

FAQ

Gibt es eine API?
Diese Site ist der Ofrai-Workspace. Docs oder Support prüfen für programmatischen Zugang; diese Seiten beschreiben die Produkt-Studios.
Warum nicht nur DeepSeek?
Weil Schreiben und Review weiterhin von Claude oder GPT profitieren. Sie können das mit denselben Ofrai-Credits prüfen, ohne ein zweites Seat zu kaufen.
Was kostet eine Generierung?
Jeder Job zeigt Ofrai-Credits im Studio. Katalog-Credits sind Startpunkte; Auflösung und Dauer können die Endsumme verändern.
Wie starte ich auf Ofrai?
Öffnen Sie Bild- oder Video-Studio von dieser Seite, wählen Sie ein empfohlenes Modell, übernehmen oder passen Sie den Startprompt an und generieren Sie aus Ihrer Bibliothek.
Was ist KI für Entwickler auf Ofrai?
Ein token-first Workspace: DeepSeek Flash für günstige Loops, Pro oder Claude oder GPT für die Erklärung im Ticket, dann für Spec-Fragen. Gleiches Text-Studio, gleiches Wallet.

Verwandte Modelle

Werkzeuge