Von Prompts zu Spezifikationen: So entwickelt man Software mit KI effizienter

Die letzten Jahre haben gezeigt, wie KI-Tools die Softwareentwicklung revolutioniert haben. Tools wie GitHub Copilot, Cursor oder Claude Code ermöglichen es Entwicklern, Code in Rekordzeit zu generieren. Doch mit dieser Geschwindigkeit entsteht ein neues Problem: Die entstandenen Systeme werden zu unübersichtlichen Ansammlungen von Prompts, die weder dokumentiert noch langfristig gewartet werden können.

Die zentrale Frage lautet nicht mehr, wie Code generiert wird, sondern was überhaupt entwickelt werden soll. Genau hier setzt das Konzept Spec-Driven Development (SDD) an – ein Ansatz, der die Entwicklung von der Spezifikation ausgehend strukturiert.

Warum Prompts allein nicht ausreichen

Viele Entwicklerteams stehen vor ähnlichen Herausforderungen:

• Fehlende Klarheit über die ursprüngliche Absicht hinter dem Code
• Unklare Dokumentation von Entscheidungen, die von KI-Systemen getroffen wurden
• Schwierigkeiten bei der Wartung und Weiterentwicklung, da niemand mehr nachvollziehen kann, warum bestimmte Funktionen existieren

Prompts sind zwar nützlich, um KI-Systeme zu steuern, aber sie sind schwer zu versionieren, zu überprüfen und langfristig zu pflegen. SDD bietet hier eine Lösung, indem es die Spezifikation zur zentralen Quelle der Wahrheit macht.

GitHub Spec Kit: Der Standard für Spec-Driven Development

GitHub hat kürzlich das Spec Kit veröffentlicht – ein Open-Source-Projekt, das den SDD-Ansatz systematisch umsetzt. Der Kern des Projekts besteht darin, dass Entwickler zunächst eine detaillierte Spezifikation erstellen, bevor sie mit der Implementierung beginnen.

Anstatt einen simplen Prompt wie „Erstelle eine API zur Analyse von Candlesticks“ zu verwenden, wird eine umfassende Spezifikation verfasst. Diese dient als Grundlage, auf der KI-Systeme automatisch folgende Komponenten generieren können:

• Eine technische Architektur
• Einen detaillierten Umsetzungsplan
• Ein Backlog mit Aufgaben
• Den eigentlichen Code
• Testfälle

Durch diese Struktur wird sichergestellt, dass alle Beteiligten – ob menschliche Entwickler oder KI-Systeme – auf derselben Grundlage arbeiten.

Ein praktisches Beispiel: Entwicklung eines Marktanalyse-Tools

Stellen Sie sich vor, Sie möchten ein System entwickeln, das große Mengen an historischen und Echtzeit-Candlesticks verarbeitet und daraus automatisiert Marktanalysen ableitet. Statt direkt mit der Programmierung zu beginnen, erstellen Sie eine Spezifikation in einer Markdown-Datei namens market-insight-engine.spec.md.

Diese Spezifikation umfasst:

• Ziel des Systems: Automatisierte Generierung von Marktinsights basierend auf Candlestick-Daten
• Unterstützte Datenquellen: CSV, REST-APIs, WebSockets und Kafka
• Struktur der Eingabedaten: Symbol, Timeframe, Timestamp, Open, High, Low, Close, Volume
• Zu berechnende Indikatoren: VWAP, EMA (9, 21, 200), SMA 20, ATR, ADX, RSI, MACD und Relative Volume
• Mustererkennung: Erkennung von Breakouts, Pullbacks, Akkumulationen und anderen Marktphänomenen
• API-Design: Endpunkte wie POST /insights mit definierten Eingabe- und Ausgabestrukturen
• Leistungsanforderungen: Verarbeitung von 10 Millionen Candlesticks in unter 30 Sekunden
• Skalierbarkeit: Unterstützung paralleler Verarbeitung und Multi-Worker-Systeme

Wichtig ist, dass in dieser Phase noch keine technischen Entscheidungen getroffen werden – weder die Wahl der Programmiersprache noch die Datenbank oder Infrastruktur werden hier festgelegt.

Wie KI-Systeme von der Spezifikation profitieren

Eine gut formulierte Spezifikation ermöglicht es KI-Systemen, nicht nur Code zu generieren, sondern eine vollständige technische Architektur abzuleiten. Ein Beispiel:

Kafka → Candlestick-Integration → Indikatoren-Berechnung → Mustererkennung → Insight-Generierung → REST-API → Dashboard

Darüber hinaus kann die KI automatisch ein detailliertes Backlog mit Aufgaben wie:

• Implementierung eines Candlestick-Parsers
• Berechnung des VWAP-Indikators
• Entwicklung eines Breakout-Detektors
• Erstellung von Dockerfiles und Helm-Charts
• Einrichtung von CI/CD-Pipelines

All diese Aufgaben entstehen direkt aus der Spezifikation und sind somit konsistent mit den ursprünglichen Anforderungen.

Der größte Vorteil: Konsistenz und Skalierbarkeit

Der Hauptnutzen von SDD liegt nicht in der Beschleunigung der Codegenerierung, sondern in der Schaffung von konsistenter und wartbarer Software. Wenn verschiedene KI-Tools wie Cursor, GitHub Copilot oder Claude Code auf dieselbe Spezifikation zugreifen, arbeiten sie alle nach denselben Regeln und Produzieren somit kompatiblen Code.

Die Spezifikation wird zum Vertrag zwischen Menschen und KI-Systemen. Sie definiert nicht nur, was entwickelt werden soll, sondern auch, wie die KI das System interpretieren und umsetzen soll.

Die Zukunft: Spezifikationen als zentrales Asset

In der Vergangenheit galt der Code selbst als das wertvollste Asset eines Softwareprojekts. Doch mit dem Aufstieg von KI-Tools verschiebt sich diese Perspektive. Heute ist die Spezifikation das entscheidende Dokument, das die Vision und die Anforderungen eines Systems klar definiert.

Es ist wahrscheinlich, dass in naher Zukunft Versionierungssysteme für .spec.md-Dateien genauso verbreitet sein werden wie Git-Repositories. Dieser Ansatz bietet eine nachhaltigere und skalierbarere Methode, um Software mit KI zu entwickeln – und könnte die Art und Weise, wie wir über Softwareentwicklung denken, grundlegend verändern.