Forschungsorientiertes Projekt, in dem Studierende ihren eigenen autonomen Coding-Agenten auf Basis von OpenClaw in einer kontrollierten Docker-Umgebung entwickeln. Der Agent erhält klar definierte Rechte (z. B. GitHub-Zugriff, Internetrecherche, Ticketbearbeitung) und wird als persönlicher „Coding Companion" konzipiert.
Der Fokus liegt darauf, Agenten, Pipelines und Konfigurationen so einzurichten, dass die Agenten qualitativ hochwertigen Code erzeugen. Dazu wird das im CCQ-Modul erlernte Wissen angewendet: Die Agenten erhalten z. B. eine passende Definition of Done, müssen Code-Coverage-Ziele erreichen und Mutation-Testing Quality Gates bestehen. Zusätzlich werden Architectural Guardrails in den Agent Instructions eingesetzt. Letztlich ist es das Ziel, dass die Agenten wartbaren, sicheren Code erzeugen – also die gleichen Qualitätskriterien erfüllen wie menschliche Entwickelnde.
Dieses Projekt ist Teil der Wahlspezialisierung (WASP) „Continuous Code Quality and Coding Agents" (CCQ). Die WASP besteht aus dem Modul CCQ, das auch als Wahlpflichtfach angeboten wird, und diesem Projekt. Beide Teile können auch separat belegt werden.
Ziel ist es, Studierenden einen echten Wettbewerbsvorteil zu verschaffen: Sie verlassen das Studium nicht nur als Entwickler:innen, sondern mit einem funktionsfähigen, reflektiert konzipierten persönlichen Coding-Agenten.
Studiengang: Informatik Bachelor, TH Köln
Modultyp: Projekt als Teil der WASP „CCQ – Continuous Code Quality and Coding Agents" (auch separat belegbar)
Zeitraum: SoSe 26
Teilnehmerzahl: 10–15 Studierende. Bei mehr Anmeldungen entscheidet ein kurzes Motivationsschreiben oder -gespräch.
Charakter: Forschungs- und projektorientiert, explorativ, Technical Action Research
Kontakt: Prof. Dr. Uwe van Heesch
Inhalt
- Lernziele
- Didaktisches Grundprinzip
- Projektstruktur
- Prüfungsform
- KI-Einsatz als Lerngegenstand
- Budget- und Token-Modell
- Datenschutz- und Sicherheitskonzept
- Mehrwert für Studierende
Lernziele
Technische Kompetenzen
- Einen autonomen KI-Agenten containerisiert betreiben (Docker)
- Rechte- und Sicherheitskonzepte für Agentensysteme implementieren
- API-Zugriffe kontrolliert konfigurieren (z. B. GitHub, Webzugriff)
- Agenten in ein Softwareprojekt (Ticketsystem, Repository) integrieren
- Quality Gates (Code Coverage, Mutation Testing) und CI/CD-Pipelines für Agenten konfigurieren
- Architectural Guardrails und Definition of Done in Agent Instructions umsetzen
- KI-Modelle kostenbewusst und zielgerichtet einsetzen
- Kommandozeilen und Build-Tools beherrschen, wie für das Projekt erforderlich
Methodische Kompetenzen
- Technische Probleme explorativ und strukturiert bearbeiten
- Konfigurationsentscheidungen dokumentieren und begründen
- Alternative Lösungsansätze systematisch vergleichen
- KI-gestützte Entwicklungsprozesse reflektieren
Wissenschaftliche Kompetenzen
- Technical Action Research betreiben
- Empirische Beobachtungen auswerten
- Erkenntnisse strukturiert dokumentieren
- An einem gemeinsamen wissenschaftlichen Paper mitarbeiten (optional, geht nicht in die Benotung ein)
Ethisch-rechtliche Kompetenzen
- Datenschutz- und Sicherheitsaspekte bei KI-Agenten bewerten
- Pseudonymisierungskonzepte technisch umsetzen
Didaktisches Grundprinzip: Prozess vor Produkt
Da das Terrain neu ist (Agentensysteme, autonome KI, OpenClaw), stehen im Zentrum:
- Systematisches Explorieren
- Konfigurationsentscheidungen begründen
- Alternativen testen und verwerfen
- Sicherheits- und Rechtekonzepte evaluieren
- Reflektierter Einsatz von KI-Tools
Der Fokus liegt bewusst nicht auf einem perfekten Endprodukt, sondern auf dem systematischen Erkenntnisgewinn. Die Bewertung orientiert sich primär am Prozess.
Projektstruktur
Phase 1 – Grundlagen & Setup
Phase 2 – Explorative Agentenentwicklung
Phase 3 – Mini-Projektphase
Phase 4 – Agent-Kollaborationstag
Phase 5 – Wissenschaftliche Auswertung
Prüfungsform
1. Portfolio (prozessbasiert)
- Konfigurationsentscheidungen
- Architekturdiagramme
- Sicherheitskonzept
- Token-Nutzung
- Fehlversuche und Iterationen
- Reflexion des KI-Einsatzes
2. Wöchentliche Reflexion
Blogbeitrag oder Video mit Dokumentation:
- Was wurde getan?
- Was hat funktioniert?
- Was nicht?
- Welche Hypothesen wurden verworfen?
3. Abschlusskolloquium
- Verteidigung des eigenen Vorgehens
- Diskussion von Sicherheits- und Designentscheidungen
- Kritische Reflexion
4. Gruppenprodukt
Gemeinsame Agenten-Architektur oder gemeinsame Konfiguration.
Individuelle Note basiert auf: Reflexion, Fachgespräch, dokumentiertem Erkenntnisgewinn und aktiver Beteiligung.
KI-Einsatz als Lerngegenstand
Der Einsatz von KI ist explizit erlaubt, explizit gefordert, aber reflektionspflichtig.
Studierende müssen dokumentieren:
- Welches Modell?
- Wofür?
- Mit welchem Effekt?
- Welche Fehlinterpretationen?
- Welche Kosten?
Ziel: ingenieurmäßiger KI-Einsatz.
Budget- und Token-Modell
| Option A – Zentrales Budget | Option B – Eigenverantwortlich |
|---|---|
|
|
Datenschutz- und Sicherheitskonzept
- Fiktives Projekt ohne reale personenbezogene Daten
- Pseudonyme für Studierende in allen öffentlichen Umgebungen (LLMs und Projekt)
- Trennung von realer Identität und Bot-Zugriff
- Minimale Rechtevergabe (Least-Privilege-Prinzip)
- Container-Isolation
- Volumes mit kontrollierten Dateirechten
Mehrwert für Studierende
- Praktische Erfahrung mit autonomen Agentensystemen
- Docker- und Rechtekonzepte
- KI-Engineering-Kompetenz
- Starkes Profil für Bewerbungen
- Wissenschaftliche Publikation möglich