Structure IDE: Lokale KI für effektives Programmier-Interview-Training

Die Vorbereitung auf technische Interviews ist oft eine Herausforderung. Viele Entwickler suchen nach Tools, die nicht nur Übungsaufgaben bereitstellen, sondern auch fundiertes Feedback liefern – und das am besten ohne Abhängigkeit von externen Servern. Genau hier setzt Structure an, eine lokal betriebene macOS-IDE, die speziell für das Training von Programmierinterviews entwickelt wurde.

Das von Qt 6 und C++ gestützte Tool nutzt das lokale Sprachmodell Gemma 4 über Ollama, um einen intelligenten Interview-Coach zu ermöglichen. Im Gegensatz zu generischen KI-Codegeneratoren setzt Structure darauf, Entwicklern zu helfen, selbstständig bessere Lösungen zu finden – nicht fertige Antworten vorzugeben.

Eine strukturierte Lernumgebung für technische Herausforderungen

Structure bietet eine viergeteilte Oberfläche, die den gesamten Lernprozess abbildet:

• Problemstellung: Klare Aufgabenbeschreibungen mit Beispielen, Constraints, Tags und Komplexitätsvorgaben
• Code-Editor: Unterstützung für C++ oder Python zur direkten Lösungsumsetzung
• Testumgebung: Lokale Ausführung von sichtbaren und versteckten Tests
• Tutor-Panel: KI-basiertes Feedback durch Gemma 4, das auf der aktuellen Lösungsstrategie aufbaut

Die Anwendung umfasst fünf spezialisierte Modi, die sich an unterschiedliche Lernphasen anpassen:

• Lernmodus: Fördert das eigenständige Denken durch sokratische Fragen und progressive Hinweise
• Interviewmodus: Simuliert strenge Prüfungsbedingungen mit präzisen Feedback
• Debugmodus: Fokussiert sich auf konkrete Fehlerquellen in der Codeausführung
• Speedrun: Zeitgesteuerte Aufgaben für schnelle Problemlösung unter Druck
• Reviewmodus: Wandelt Lösungsversuche in nachhaltiges Wissen um

Ein zentrales Designprinzip ist die lokale Datenhaltung. Sämtliche Übungsdaten, Codeversuche, Bewertungen und Einstellungen werden in einer SQLite-Datenbank auf dem eigenen Gerät gespeichert. Die Ausführung erfolgt lokal über clang++ oder python3, während Gemma 4 über Ollama auf demselben System läuft. Damit entfallen Datenschutzbedenken, die bei cloudbasierten Lösungen häufig auftreten.

Einbindung von Gemma 4: KI als Coach, nicht als Codegenerator

Structure nutzt Gemma 4 nicht als Autovervollständigungstool, sondern als intelligenten Interview-Coach, der auf Basis des gesamten Kontexts handelt:

• Die Aufgabenstellung
• Den aktuellen Codeversuch
• Die Testergebnisse (sichtbar und versteckt)
• Die erwarteten und tatsächlichen Ausgaben
• Die gewählte Komplexitätsangabe des Nutzers
• Den ausgewählten Lernmodus

Die Standardkonfiguration setzt auf das kompakte Modell gemma4:e2b, das schnelle Antwortzeiten ermöglicht und ideal für die Echtzeit-Interaktion während des Lernens ist. Für leistungsfähigere Hardware steht eine manuelle Auswahl größerer Gemma-4-Modelle zur Verfügung, die eine detailliertere Analyse ermöglichen – bei entsprechend höherer Rechenlast.

Ein zentrales Feature ist die gezielte Prompt-Gestaltung, die die KI auf ihre eigentliche Aufgabe fokussiert:

• Fehleranalyse: Bei fehlgeschlagenen Tests vergleicht die KI erwartete und tatsächliche Ausgaben
• Komplexitätsbewertung: Prüft die vom Nutzer angegebene Zeit- und Speicherkomplexität
• Codequalität: Gibt nur dann konkrete Verbesserungsvorschläge, wenn tatsächlich sinnvoll
• Vermeiden von Halluzinationen: Keine erfundenen Fehler, wenn Tests erfolgreich durchlaufen

Diese gezielte Steuerung stellt sicher, dass die KI tatsächlich hilfreich ist und nicht nur oberflächliche Ratschläge erteilt. Die Architektur von Structure trennt klar zwischen:

• KI-Client: Kommunikation mit Ollama über OpenAI-kompatible Endpunkte
• Prompt-Builder: Erstellt kontextspezifische Anfragen je nach Lernmodus
• Execution Engine: Führt lokale Tests aus und sammelt Ergebnisse
• Tutor-Engine: Verbindet Modellausgaben mit dem Lernworkflow

Die Implementierung umfasst zudem Smoke-Tests, die die Stabilität des Systems sicherstellen – ein wichtiger Aspekt für ein Tool, das Entwickler in stressigen Situationen wie echten Interviews nutzen.

Lokale Installation und erste Schritte

Die Einrichtung von Structure erfolgt vollständig lokal und erfordert keine externe Anbindung. Die notwendigen Schritte sind:

git clone 
cd structure-ide
cmake -S . -B build -DCMAKE_PREFIX_PATH="$(brew --prefix qt)"
cmake --build build
scripts/setup-gemma4-local.sh
open build/Structure.app

Nach dem Start kann der Nutzer aus einem vorgefertigten Aufgabenkatalog wählen und direkt mit der Lösung beginnen. Die KI gibt nach jedem Versuch streamendes Feedback, das auf der aktuellen Codeversion und den Testergebnissen basiert. Eine Besonderheit ist die Echtzeit-Synchronisation zwischen Code, Tests und Feedback – der Lernprozess bleibt somit flüssig und ohne Unterbrechungen.

Datenschutz und Performance als Kernprinzipien

Structure adressiert zwei kritische Punkte bei KI-gestützten Lerntools:

1. Datenschutz: Alle Daten bleiben auf dem lokalen Gerät. Weder Code noch Lernhistorie werden an externe Server übertragen.
2. Performance: Durch den Einsatz des kompakten Gemma-4-Modells bleibt die Antwortzeit kurz – ideal für den Einsatz während der Vorbereitung.

Die Möglichkeit, zwischen verschiedenen Modellgrößen zu wählen, ermöglicht eine skalierbare Lösung: Entwickler mit älterer Hardware können trotzdem effizient trainieren, während anspruchsvollere Nutzer von detaillierteren Analysen profitieren. Diese Flexibilität macht Structure zu einer langfristig nutzbaren Plattform.

Fazit: Ein neues Kapitel für Interview-Vorbereitung

Structure beweist, dass KI im technischen Lernumfeld mehr sein kann als ein Codegenerator – sie kann ein kritischer Gesprächspartner sein, der Entwickler gezielt zu besseren Lösungen führt. Durch die Kombination aus lokaler Ausführung, gezielter KI-Nutzung und durchdachter Benutzeroberfläche entsteht ein Tool, das nicht nur übt, sondern versteht und korrigiert.

Für Entwickler, die sich auf technische Interviews vorbereiten, ohne auf Datenschutz oder Performance verzichten zu wollen, könnte Structure zum unverzichtbaren Begleiter werden. Die Integration von Gemma 4 zeigt dabei, wie lokale KI-Modelle sinnvoll eingesetzt werden können – nicht als Black Box, sondern als transparenter und kontrollierbarer Coach.