Funktionen mit den richtigen Prompts verstehen

Du arbeitest im Team Sales Data Analytics bei einem städtischen Mobilitätsverleih, der Fahrräder und Motorroller für Kurzzeitmieten anbietet. Die Preise sind dynamisch: In den Stoßzeiten (7–10 Uhr, 17–20 Uhr) gelten keine Rabatte; außerhalb der Stoßzeiten können die Preise je nach Nachfrage und Nutzung um bis zu 40 % sinken.

Die folgende Funktion berechnet Preise und ist in pricing.py gespeichert — eine Datei, die das LLM lesen und verwenden kann:

def calc_price(base_price, is_peak, discount_ratio):
  if is_peak:
    return base_price
  return base_price * (1 - 0.4 * discount_ratio)

Diese Übung ist Teil des Kurses

KI-gestütztes Programmieren für Entwickler

Anleitung zur Übung

- Bitte das Modell, die Funktion im Hinblick auf **Lesbarkeit und Korrektheit** zu verbessern. Gib Kontext zu Peak- und Off-Peak-Preisen sowie zum **Use Case der dynamischen Preisgestaltung** an und fordere auf, die Antwort als **PEP 8–formatierten Python-Code** zurückzugeben.

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Diese Übung ist Teil des Kurses

KI-gestütztes Programmieren für Entwickler

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Lerne, wie KI-Modelle das Programmieren durch Completion, Debugging und Dokumentation verbessern. Beherrsche die Grundlagen des Prompt Engineerings und entdecke, wie Kontext KI-Antworten smarter macht. Dieses Kapitel legt das Fundament, KI als praktischen Coding-Assistenten zu nutzen.

Exercise 1: Das Paradigma des KI-gestützten Codings Exercise 2: KI-Modelle auf Aufgaben abstimmen Exercise 3: KI-Workloads klassifizieren Exercise 4: Grundlagen des Prompt-Engineerings Exercise 5: Funktionen mit den richtigen Prompts verstehen

Aktuelle Übung

Exercise 6: Prompts für Codeänderungen verfeinern Exercise 7: Kontext hinzufügen für klügere KI-Antworten Exercise 8: Den richtigen Kontext bei Codieraufgaben wählen Exercise 9: Code durch Prompt-Iteration verbessern

Lerne, Prompts zu formulieren, die Modelle durch komplexes Denken führen, Code effektiv dokumentieren und testgetriebene Implementierungen erzeugen. Am Ende dieses Kapitels kannst du Prompts entwerfen, die sowohl die Qualität des generierten Codes als auch deinen gesamten Entwicklungs-Workflow verbessern.

Exercise 1: Fortgeschrittenes Prompt-Engineering für Coding-Unterstützung Exercise 2: Prompts für effektives Debugging Exercise 3: Wirksame Rollenbeschreibungen Exercise 4: Code mit AI dokumentieren Exercise 5: Prompts für Code-Dokumentation optimieren Exercise 6: Aussagekräftige Commit-Messages mit KI Exercise 7: Tests schreiben und Code mit AI absichern Exercise 8: Prompts für sicheres, KI-gestütztes Programmieren Exercise 9: Lücken in KI-generierten Tests erkennen

Geh in diesem Kapitel über das Erstellen von Prompts hinaus und hinein in die Praxis des KI-Einsatzes in der Produktion. Erfahre, wie du Modelle anhand von Leistung, Kosten und Aufgabenfit vergleichst und auswählst; wie du Guardrails einbaust, die Ausgaben sicher und compliant halten; und wie du Workflows auf Effizienz trimst, ohne Qualität einzubüßen.

Exercise 1: Das beste KI-Tool für die Aufgabe auswählen Exercise 2: Die Kosten von AI-Assistenten verstehen Exercise 3: Abwägen der Trade-offs von Reasoning-Modellen Exercise 4: Guardrails für verantwortungsbewusstes AI-Coding Exercise 5: Sicherheits- und Ethik-Guardrails für einen KI-Workflow Exercise 6: Sicherheits-Geländer in einen AI-Workflow einbauen Exercise 7: KI für Geschwindigkeit, Kosten und Qualität optimieren Exercise 8: Wirksame Strategien zur Kontrolle von Modellkosten Exercise 9: Modellleistung und Kosten ausbalancieren Exercise 10: Glückwunsch!