Von Copy-Paste zu Claude Code: Meine KI-Coding-Evolution
Was ich beim Aufbau eines persönlichen KI-Assistenzsystems gelernt habe, und warum Context Engineering wichtiger ist als das Modell.
Ich habe angefangen, KI zum Coden zu nutzen, sobald es möglich war.
Ende 2022, als GPT-3.5 rauskam, sprang ich zwischen ChatGPT und meinem Editor hin und her. Prompt kopieren, Antwort einfügen, debuggen, wiederholen. Jeder Fensterwechsel bedeutete Kontextverlust. Jeder neue Chat bedeutete, alles noch mal zu erklären: Projektstruktur, Coding-Style, Einschränkungen. Kleine Scripts liefen gut. Alles Größere war wie Katzen hüten.
Ich habe alles ausprobiert: Claude, Bard, fine-tuned Models, dann KI-native Editoren wie Cursor, Windsurf, den Chat-Modus von Copilot. Was funktioniert hat, war Claude Code im Terminal. CLI-Workflows passen zu meiner Denkweise. Ich lebe schon für Git und Scripts im Terminal. Claude dort hinzuzufügen bedeutete, im Flow zu bleiben.
Was ich viel zu lange gebraucht habe zu verstehen: Das Tool ist weniger wichtig als die Vorbereitung.
Die fortschrittlichste KI produziert immer noch mittelmäßige Ergebnisse ohne ein ordentliches Setup. Der Unterschied zwischen „KI, die halluziniert" und „KI, die qualitativ hochwertigen Code liefert" ist Context Engineering: klare Anweisungen, gepflegte Dokumentation, Workflows, die durch das verfeinert wurden, was tatsächlich funktioniert.
Mit der Zeit habe ich ein Ökosystem rund um Claude aufgebaut. Es liest meine Dokumentation, verbindet sich mit meinen Datenbanken, automatisiert meinen Browser. Spezialisierte Agenten kümmern sich um Research, Faktencheck, Code Review. Das System kennt meine Einschränkungen, bevor ich sie erwähne.
Diese Infrastruktur verwandelt ein Spielzeug in ein Werkzeug. Und als es funktionierte, hat mich das Ergebnis überrascht.
GitHub-Contributions: 385 in 2024, 1.623 in 2025. Eine Vervierfachung. Über eine Million Zeilen in 91 Repositories hinzugefügt. Native iOS-Apps mit SwiftUI. Full-Stack-Webanwendungen mit Next.js. Research-Pipelines, die Quellen verknüpfen und Berichte generieren. Arbeit, die ein Team erfordert hätte.
Ich muss klarstellen: Ich bin kein Entwickler von Beruf. Mein Hauptjob ist Product Marketing, vierzehn Jahre technische Komplexität in Marktstrategie zu übersetzen. Ich war immer technisch genug, um gefährlich zu sein, und habe Dashboards und interne Tools für Teams gebaut, lange bevor KI ins Spiel kam.
Was sich geändert hat, ist der Umfang. Jetzt shippe ich Produkte, nicht nur Prototypen.
KI hat die Lernkurve zum Einsturz gebracht. React wurde innerhalb von Wochen von einschüchternd zu vertraut. SwiftUI hat geklickt, weil ich durch Bauen lernen konnte, nicht durch das Lesen von Docs, die ich vergessen würde. Python wurde mein Werkzeug für alles, weil ich mich auf Probleme konzentrieren konnte, nicht auf Syntax.
Diese Geschwindigkeit potenziert sich. Ideen, die in meinem Notizbuch gestorben wären, werden jetzt funktionierende Prototypen. Tools, von denen ich mir wünschte, dass sie existieren, baue ich. Technische Diskussionen, die ich früher nur beobachtet habe – jetzt trage ich bei.
Das ist es, was KI-Coding wirklich bietet. Nicht Ersatz, sondern Verstärkung.
Wenn es hier eine Lektion gibt, dann dass das Setup wichtiger ist als das Modell. Context Engineering ist eine echte Fähigkeit, und du lernst sie durchs Machen, nicht durchs Studieren.
Wenn du auf einem ähnlichen Weg bist, ob als Marketer, der coden lernt, als Designer, der technischer wird, oder als Domain-Experte, der Tools baut – wisse, dass niemand von uns das alles herausgefunden hat. Genau das ist der Punkt.