tkreutz2

@hellerKopf Ich glaube, mein Punkt wird schnell etwas härter gelesen, als ich ihn eigentlich gemeint habe. Mir ging es weniger darum, Juniors pauschal die Fähigkeit abzusprechen, sondern eher um die aktuelle Situation im Zusammenspiel aus Ausbildung, Praxis und den sich verändernden Anforderungen. Wir haben gerade einen ziemlich starken Wandel – insbesondere durch KI. Gleichzeitig hängen Ausbildung und Qualifizierung naturgemäß immer etwas hinterher. Die spannende Frage ist für mich deshalb eher: Wie lange dauert es, bis das Wissen, das heute eigentlich schon gebraucht wird, bei den aktuell Ausgebildeten wirklich ankommt und verinnerlicht ist? Das betrifft ja nicht nur Juniors, sondern genauso bestehende Teams. Der Unterschied ist nur, dass erfahrene Leute neue Werkzeuge schneller auf vorhandene Erfahrung aufsetzen können. Daraus ergibt sich für mich dieser Effekt: Kurzfristig setzen Unternehmen stärker auf erfahrene Kräfte + KI, weil es einfach schneller Wirkung zeigt. Aber im Hintergrund entsteht damit ein gewisser zeitlicher Versatz zwischen: dem, was gebraucht wird und dem, was vermittelt wird Und genau das finde ich gerade spannend – weniger die Frage, wer etwas „kann“ oder „nicht kann“.

Danke dir für den Einwand – vor allem den letzten Punkt sehe ich ziemlich ähnlich. Ich merke selbst, dass meine Aussage schnell in Richtung „KI macht alles einfacher“ gelesen wird. So war sie eigentlich nicht gemeint. Mein Eindruck ist eher: Der Einstieg wird einfacher, aber das eigentliche Problem verschiebt sich nur. Früher hast du Fehler im Code gehabt – heute hast du sie eine Ebene drüber, in der Systemdefinition. Und die sind meistens deutlich schwerer zu greifen. Was du zum Thema Ausbildung schreibst, würde ich sofort unterschreiben. Ich habe mich damit selbst mal etwas intensiver beschäftigt, weil ich genau da eine ziemliche Lücke sehe. Mein Eindruck ist: Wir bilden aktuell oft eher „Plattform-Nutzer“ aus als Leute, die Systeme wirklich verstehen oder gestalten können. Viele Lernumgebungen sind so gebaut, dass sie Komplexität verstecken – was für den Einstieg gut ist, aber langfristig auch dazu führt, dass ein echtes Systemverständnis gar nicht erst entsteht. Das wird mit KI aus meiner Sicht eher kritischer als besser. Wenn du Systeme nicht verstehst, kannst du auch nicht beurteilen, was die KI da eigentlich produziert. In dem Sinne sehe ich KI nicht als Ersatz für Fachkräfte, sondern eher als Verstärker: Gute Leute werden deutlich produktiver – aber ohne fundiertes Verständnis wird es schnell unübersichtlich. Die Diskussion um Qualifizierung hinkt da aktuell auf jeden Fall hinterher.

Ich habe versucht, das Ganze einmal zusammenzufassen und kritisch einzuordnen: NeuesBerufsbild.pdf

Dieses Problem kenne ich nur zu gut und einer meiner ehemaligen Chefs hat es am besten klassifiziert. Man nennt es das "Haben-Wollen-Syndrom". Es wird kein Tag im Leben des Admins geben, der friedlich verläuft, sobald der ERSTE Mitarbeiter etwas hat, was ein anderer Mitarbeiter nicht hat. Dabei ist es Sch...Egal, ob es der größere Monitor, der Drucker, die Workstation oder sonst was ist. Aus dem Grund funktioniert IT auch nur dann in diesem Bereich erfolgreich, wenn es of der gleichen organisatorischen Ebene agiert, wie alle anderen. Wenn andere Abteilungen beispielsweise einen GF im Vorstand haben zu einem Thema, muss es die IT auch haben. Ist das nicht der Fall, wird eine solche IT sich niemals gegen andere innerhalb der Organisation durchsetzen können, weil nie Kommunikation auf Augenhöhe stattfinden wird. Und das ist ein grundsätzliches Problem der betrieblichen Organisation, seit der Erfindung der Betriebswirtschaft im akademischen Bereich. Im Grunde genommen sind sehr viele Probleme in der IT Kommunikationsprobleme und die eigentliche Herausforderungen neben dem fachlichen Wissen im Laufe einer IT-Karriere wird es immer sein, Kommunikationsprobleme zu lösen.

Es ist eigentlich ganz einfach, für einen Standard Arbeitsplatz mit Office und Windows reicht auch ein Standard System aus, z.B. von HP oder auch Lenovo. https://www.notebooksbilliger.de/lenovo+thinkcentre+neo+50q+tiny+12ln008mge+889739 Wenn jemand mehr braucht, hat er halt keinen Standard Arbeitsplatzplatz und man muss dann sowieso eine an die Aufgaben / Arbeitsplatz angepasste Konfiguration z.B. Workstation machen. Wir haben ein System im Homeoffice meiner Lebensgefährtin, welches äquivalent zu ihrem Arbeitsplatz System konfiguriert worden ist (16 GB RAM), bisher gab es noch keine Probleme. (Windows 11 + Office 365 Premium Abo). Okay, wenn sich Systemanforderungen ändern z.B. durch neues Windows, neue Anwendungen, dann muss man sowieso wieder neu bewerten, in der Regel spätestens nach 4 Jahren, wenn der PC / Arbeitsplatz abgeschrieben ist. (zu Hause deutlich längere Nutzungszeit). Für Poweranwendungen hat meine Lebensgefährtin noch einen Laptop mit stärkerer Ausstattung, aber wie gesagt, der Desktop ist noch nicht an seine Grenzen gekommen. Man kann Skeptikern ja die Möglichkeit geben, einfach mal ein System auszuprobieren. Da würde ich auch nichts groß messen oder Metriken erfassen, entweder es reicht, oder es reicht nicht. Als IT-Abteilung müsst Ihr ja wissen, welche Apps sonst noch im Einsatz sind und/oder ob es irgendwo ein Nadelöhr gibt. Die meisten Sachen kristallisieren sich eh vermutlich eher im Praxisbetrieb raus, als in der Theorie. Deswegen würde ich empfehlen, rechtzeitig zu dokumentieren und zu inventarisieren. (Auch aus Sicht der Apps, damit ggf. bei künftigen Anforderungen Änderungen in der Beschaffung rechtzeitig berücksichtigt werden können).

Guter Punkt – und ich glaube, genau da liegt der eigentliche Kern der ganzen Diskussion. Du beschreibst im Grunde das klassische Problem der Softwareentwicklung: Spezifikation und Implementierung driften auseinander – selbst wenn man sich noch so viel Mühe gibt. Der Unterschied, den ich im Projekt gerade konkret sehe (AXIOM Trader): Bei menschlichen Entwicklern wird ein Teil dieser Lücke meist durch Erfahrung und Intuition kompensiert. Bei der KI fällt diese Kompensation komplett weg – sie setzt exakt das um, was spezifiziert ist, inklusive aller Lücken. Das führt zu einem interessanten Effekt: → Architekturfehler werden nicht mehr „verdeckt“, sondern sofort sichtbar und reproduzierbar. Ich habe das im Projekt relativ deutlich gesehen: Der größte Fehler war am Ende kein Bug im Code, sondern ein fehlender Datenfluss bei eigentlich korrekten Komponenten. Das wäre in einem klassischen Team vermutlich länger „mitgeschleppt“ worden. Deshalb sehe ich KI weniger als Ersatz für Entwickler, sondern eher als Verstärker für Architekturqualität: - saubere Spezifikation → sehr gute Ergebnisse - unscharfe Spezifikation → zuverlässig schlechte Ergebnisse Dein Punkt zur Planungsphase passt da perfekt rein. Das Bottleneck verschiebt sich meiner Meinung nach von der Implementierung hin zur Definition von: - Zuständen - Datenflüssen - Invarianten Ich versuche das aktuell über relativ harte Guardrails + Pre-Check-Systeme zu erzwingen. Der Code ist da fast nur noch „Konsequenz der Architektur“. Was mich interessieren würde: Hast du in deinen Projekten Ansätze gesehen, wie man diese Spec-Drift systematisch in den Griff bekommt? Also eher methodisch (z. B. ArchUnit, Contracts, formale Constraints etc.) – unabhängig von KI?

Genau das ist für mich auch der entscheidende Punkt. Ich sehe das weniger als Frage „KI vs. Mensch“, sondern als Frage der notwendigen Präzision in der Architektur. Bei menschlichen Entwicklern können unklare oder unvollständige Vorgaben oft durch Erfahrung und Kreativität ausgeglichen werden. Das System bleibt trotzdem funktionsfähig. Bei KI funktioniert das nicht. Sie setzt exakt das um, was spezifiziert ist – inklusive aller Lücken. Für mich führt das zu der Konsequenz, dass Architektur und Spezifikation deutlich präziser und strukturierter gedacht werden müssen, wenn man KI ernsthaft einsetzen will. Mein Ansatz mit dem AXIOM-Projekt geht genau in diese Richtung: Systeme so zu entwerfen, dass Zustände, Datenflüsse und Abhängigkeiten möglichst deterministisch und nachvollziehbar bleiben, anstatt sich auf implizite Annahmen zu verlassen. In dem Sinne passt der Vergleich eigentlich sehr gut – nur dass die fehlende „Kompensation“ der KI die Schwächen der Architektur deutlich sichtbarer macht.

Kurzes Update zum Projekt – inzwischen ist einiges passiert. Ich bin mittlerweile aus der reinen Experimentphase raus und habe das System einmal komplett refaktorisiert und stabilisiert. ## 🔧 Stand aktuell Die komplette Pipeline ist jetzt durchgängig: SQLite → Core → UI → Rendering Das hatte ich am Anfang tatsächlich nicht sauber geschlossen – das System hatte einen klassischen "Silent Failure": → Daten waren korrekt vorhanden → wurden aber nicht dargestellt Am Ende war das kein Bug, sondern ein Architekturproblem. ## 🧠 Wichtigste Änderung: Determinismus Ich habe im Rahmen des Refactorings eine harte Entscheidung getroffen: → vollständiges Verbot von float/double im Core Stattdessen läuft alles über ein eigenes Fixed-Point System auf int64-Basis. Grund: - reproduzierbare Ergebnisse - keine Rundungsfehler - plattformunabhängig ## 🧱 Architektur Ich habe die Struktur jetzt komplett klar gezogen: - Core (C++20, deterministisch, ohne UI) - Mapping Layer (DB → Core) - SQLite (DAO Pattern) - UI (Dear ImGui) - Rendering (Metal) Wichtig: Kein Layer kennt Funktionen eines anderen, die er nicht kennen darf. ## 🔧 Refactoring-Erkenntnis Der spannendste Punkt war ehrlich gesagt: Der größte Fehler im System war kein Code-Fehler, sondern ein fehlender Datenfluss. Das hat man erst gesehen, als alles „eigentlich korrekt“ war. ## 🌍 Ergebnis - Trades werden jetzt korrekt aus SQLite geladen - im Core deterministisch berechnet - im UI dargestellt - und auf der Weltkarte visualisiert ## 🚀 Nächster Schritt - Async DB Worker (kein I/O im UI Thread) - Interaktion auf der Map (Zoom / Selection) - Weiter Richtung Simulation / Constraints statt Logging ## 🧠 Fazit bisher Die eigentliche Schwierigkeit ist nicht: „Kann KI Code schreiben?“ sondern: „Kann man die Architektur so präzise definieren, dass KI gar nicht falsch arbeiten kann?“ Falls Interesse besteht, kann ich gerne nochmal detaillierter auf das Refactoring eingehen – das war tatsächlich der lehrreichste Teil.

Kurzes Update dazu: Ich habe die daraus entstandene Architektur-Anpassung inzwischen sauber in das ADR-0004 überführt und versioniert. Konkret wurde dort jetzt explizit festgehalten, dass: __int128 keine valide Grundlage für Cross-Platform-Code ist und alle entsprechenden Operationen über Compiler-Guards bzw. Intrinsics abgesichert werden müssen Das war im ursprünglichen ADR so nicht sauber formuliert und ist erst durch den Pre-Check sichtbar geworden. Für mich bestätigt das aktuell den Ansatz ganz gut: → reale Probleme führen zu architektonischen Präzisierungen, nicht nur zu Code-Fixes.

Hallo @Wodar Hospur, guter Punkt – das wirkt auf den ersten Blick tatsächlich wie ein Widerspruch, ist aber im Kern eine bewusste Designentscheidung, die ich gerade aufgrund eines KI‑Prechecks angepasst habe. Zur 64‑bit vs. 128‑bit Frage: Im ADR ist bewusst festgelegt: Persistenz / Datenmodell → int64_t (Fixed Point, skalierte Ganzzahlen) 128‑bit → nur als intermediäre Rechenhilfe (Multiply/Divide), nicht als Data-Type Das Problem ist durch den Pre‑Check jetzt sichtbar geworden: Damit verletze ich mein eigenes Blender-/DNA-Prinzip: Das ist kein Optimierungsproblem, sondern ein architektonischer Regelbruch. Deshalb die Anpassung: 64‑bit bleibt der definierte Datenraum 128‑bit wird nicht mehr als „implizit vorhanden“ angenommen sondern über: Compiler-Guards oder platform-spezifische Intrinsics (_umul128 etc.) explizit behandelt Das ADR ist an der Stelle aktuell noch nicht nachgeführt – das ist genau der Punkt, den dieser Pre‑Check sichtbar gemacht hat.

Hallo @hellerKopf , exakt an diesem Punkt schließt sich der Kreis zu meinem neuen Pre-Check-System. Du hast vollkommen recht: Wenn ich den Code genauso mühsam Zeile für Zeile prüfen muss, habe ich zeitlich nichts gewonnen. Genau deshalb zwinge ich die KI, die Beweislast umzukehren und das Konformitäts-Audit vorab selbst zu schreiben. Als menschlicher Architekt lese ich nicht mehr kopflos C++ Code, sondern prüfe primär die Plausibilität der von der KI gelieferten Beweiskette gegen meine Invarianten. Und hier ist der direkte Praxis-Beweis, wie dieses System ein rein menschliches Review schlägt: Ich habe die KI über meine Pipeline das Refactoring der Festkomma-Arithmetik (ADR-0004) in die Sandbox docs/pre-checks/0004-fixed-point-review.md generieren lassen. Beim Überfliegen des von der KI geschriebenen Audits fiel der Blick sofort auf Kapitel 4: „Grenzen und Risiken – Compiler-Unterstützung“. Die KI stellte dort in ihrem eigenen Audit fest: „Implementierung nutzt int128. Wenn der Compiler keine int128-Unterstützung bietet (z. B. MSVC ohne Emulation), schlägt die Compilation fehl.“ Einem menschlichen Junior-Entwickler (und Hand aufs Herz: auch vielen Senioren!) wäre dieser plattformspezifische Fehler beim schnellen Tippen unter macOS niemals aufgefallen. Sie hätten den Code eingecheckt, und das Windows-Build-System wäre Stunden später auf die Nase geflogen. Weil meine Pipeline die KI aber dazu zwingt, ein eigenes Risiko-Audit abzuliefern, wurde diese architektonische Sollbruchstelle sichtbar, bevor auch nur eine einzige Zeile Code live in den Core geflossen ist. Ich habe die KI aufgrund ihres eigenen Audits nun angewiesen, ein plattformunabhängiges Fallback via Compiler-Guards und x64-Hardware-Intrinsics (_umul128 / _udiv128) für den MSVC-Compiler auf Windows einzubauen, um das Blender-Prinzip (vollkommene OS-Unabhängigkeit) zu wahren. Der Code sieht im Pre-Check für Windows nun so aus: Vollständiger Source ist im Repository

Hallo zusammen, ich möchte die methodische Diskussion hier direkt aufgreifen und euch den nächsten Evolutionsschritt meines Experiments vorstellen. Die Frage, wie man die unzuverlässige „Junior-KI“ bändigt und reproduzierbare „Senior-Ergebnisse“ erzielt, hat mich zu einem radikalen Umdenken im Workflow gezwungen. Reines Prompt-Tuning in der IDE reicht ab einer gewissen Projektgröße nicht mehr aus. Wenn die KI direkt im Quellcode arbeitet, entstehen die von euch völlig zu Recht kritisierten Brüche (wie die Float-Leichen oder redundante Implementierungen). Ich habe daher ein automatisiertes KI-QS- und Pre-Check-System direkt in das Repository integriert. Die KI arbeitet ab sofort nicht mehr direkt auf den Quellcodedateien, sondern durchläuft eine strikte Vier-Phasen-Governance-Pipeline: Die Invarianten (decisions/prompt-guardrails.md): Hier sind die harten Architektur-Gesetze (wie das plattformunabhängige Blender-Prinzip, das absolute Float-Verbot und das Allokations-Verbot im Hotpath) maschinenlesbar für die KI hinterlegt. Die Sandbox (Pre-Check-Phase): Die KI darf bestehenden C++ Code nicht mehr direkt verändern. Sie muss jeden Code-Vorschlag zuerst in einer isolierten Review-Datei im neuen Verzeichnis docs/pre-checks/ablegen. Der Konformitäts-Beweis: In dieser Review-Datei muss die KI vorab schriftlich und logisch beweisen, dass ihr generierter Code-Vorschlag keine einzige Regel der Guardrails verletzt. Die Dialog-Historisierung: Parallel dazu wird der vollständige Konversations- und Prompt-Verlauf als Markdown-Dokument im Git-Repository versioniert. Wer das Repo klont, sieht somit in Zukunft nicht nur das fertige Produkt, sondern die lückenlose Evolution der "Mensch-Maschine-Diskussion". Die Praxisprobe läuft gerade: Ich habe die von euch angestoßene Architekturentscheidung ADR-0004 (Einführung von plattformunabhängiger FixedPoint-Arithmetik via int64_t zur Eliminierung aller Floats) ins Repo gepusht. Die Windows-Dev-Umgebung auf meinem Handheld steht. Die Entwickler-KI hat nun den Auftrag erhalten, das großflächige Core-Refactoring exakt nach diesem neuen Pre-Check-Muster in docs/pre-checks/0004-fixed-point-review.md vorzubereiten. Sobald die KI den Code und ihren Konformitätsbeweis dort abgelegt hat, werde ich als menschlicher Chef-Architekt das finale Review durchführen, bevor der Code live in den Xcode-Core fließt. Ich halte euch über die Ergebnisse dieses kontrollierten KI-Einsatzes auf dem Laufenden!

Hallo @hellerKopf , deine strukturierte Gegenüberstellung der LLM-Antworten deckt das Kernproblem perfekt auf. Sie zeigt genau das, was ich die „KI-Varianz-Krise“ (oder das Overconfidence-Pattern) nenne: Die KI optimiert auf Eloquenz, nicht auf Wahrheit (p. 6). Sie listet im Chat brav alle 20 RAII-Regeln auf, bricht diese aber im echten Code-Generierungsprozess, sobald der Kontext komplexer wird (p. 6). Sie verhält sich exakt wie ein Junior-Entwickler in der Theorieprüfung vs. Praxis. Um die KI auf das Level eines Seniors zu hieven, reicht rein esoterisches Prompt-Tuning oder das Erweitern von Text-Guidelines ab einem gewissen Punkt nicht mehr aus. Man muss die Software-Architektur selbst als Kontrollmechanismus aufbauen. Ich habe für diesen Zweck ein übergeordnetes Framework entwickelt, das ich als „Living Architecture Library“ (basierend auf einem SYNAPSE-CPP Kern) in meinen Projekten einsetze (pp. 1, 19). Das Ziel ist eine KI-Governance, die auf einem Drei-Instanzen-Modell basiert (pp. 1, 9): Instanz 1: Der Generator (Probabilistisch): Das ist die Entwickler-KI (wie Copilot oder Claude) (p. 9). Ihr Output ist grundsätzlich „untrusted“ (p. 9). Sie liefert lediglich Lösungs-Hypothesen im Akkord (Junior-Level) (p. 9). Instanz 2: Der Falsifikator (Antagonist): Ein separates KI-Agenten-System mit dem expliziten, destruktiven Auftrag: „Suche systematisch nach Fehlern, Memory Leaks und Logikbrüchen im Code von Instanz 1“ (p. 9). Instanz 3: Der Evaluator (Deterministisch): Ein harter, in C++20 geschriebener Kern, der nicht mehr auf Wahrscheinlichkeiten basiert (p. 9). Er prüft den generierten Code und die Systemzustände gegen unverrückbare mathematische und architektonische Invarianten (p. 9). Angewandt auf dein RAII-Beispiel: Wenn Instanz 1 Code generiert, jagt Instanz 3 (der Evaluator) diesen durch eine automatisierte Kette (z. B. zyklomatische Komplexitätsprüfung \(\le 10\), Clang-Tidy Matcher auf new/delete und automatisierte Test-Suites) (p. 9). Verletzt die KI eine dieser Invarianten, wird der Code rigoros verworfen, und das System triggert mit dem Fehlerprotokoll eine neue Iteration (p. 17). Erst durch diese deterministische Kontrollschicht (Instanz 3) wird die unzuverlässige „Junior-KI“ gezwungen, Code auf absolutem „Senior-Niveau“ abzuliefern (p. 9). Das System sichert sich selbst ab (p. 19). Dieses Prinzip der Markt- und Code-Governance nutzen wir auch im Axiom Trader (p. 16), um die KI-Autonomie mathematisch zu bändigen. Wenn dich (oder die anderen) die genauen mathematischen Invarianten-Prüfungen dieses Setups interessieren, kann ich das gerne mal näher aufdröseln!

Hallo @hellerKopf , du triffst hier einen extrem wichtigen Punkt. Ein Experiment ohne klare Metriken und Definition von „Grenzen“ läuft Gefahr, rein anekdotisch zu bleiben. Vielen Dank für diesen methodischen Anstoß! Zu deiner Frage, was ich genau erfahren will und wo ich die Grenzen ziehe: Meine primäre Hypothese ist: Kann eine KI komplexe, plattformspezifische Systemarchitekturen (wie hardwarenahes Metal-Rendering gepaart mit deterministischer Trading-Logik) fehlerfrei verwalten, wenn der Mensch ausschließlich abstrakte Regeln vorgibt? Die Grenze ziehe ich da, wo die KI architektonische Brüche erzeugt (wie die von dir/Claude entdeckte Dreifach-Implementierung der Persistenz), weil der Kontext-Fenster-Horizont oder das logische Verständnis für das Gesamtgefüge reißt. Zu den Metriken (Quantitativ & Qualitativ): Da ich das Projekt alleine in meiner Freizeit hochziehe, sind vollumfängliche Langzeitstudien schwer machbar. Aber ich tracke für mich bereits einige Daten, die ich gerne im Verlauf des Projekts teilen kann: Entwicklungszeit (Time-to-Market): Wie viele Minuten vergehen vom Architektur-Konzept in der ARCHITECT.md bis zum kompilierbaren Feature in Xcode? (Spoiler: Bei UI-Prototypen extrem schnell, bei Refactorings im Core bricht die Geschwindigkeit ein). Fehlerrate / Regressionen: Wie oft führt ein neuer Prompt dazu, dass eigentlich funktionierende Features an anderer Stelle unbemerkt wegbrechen? Zu deiner Frage bezüglich der Formulierungen (Best-Practice-to-generate): Ja, absolut! Das ist im Grunde der Kern der ARCHITECT.md. Ich teste intensiv, welche Detailtiefe die KI benötigt. Meine bisherige Erkenntnis: Allgemeine Phrasen wie "Schreibe performanten Code" bewirken gar nichts. Die KI benötigt restriktive, imperative Verbote und mathematische Konzepte. Ein Beispiel: Erst als ich die Regel "Nutze RAII" durch die konkrete Anweisung "Nutze ausnahmslos std::unique_ptr oder Stack-Allokation für Ressourcen in src/core/" ersetzt habe, sank die Memory-Leak-Rate im generierten Code gegen Null. Ich dokumentiere diese Erkenntnisse parallel. Wenn daraus am Ende eine Art strukturiertes „Best-Practice-Template“ für C++20-Generierung entsteht, teile ich das sehr gerne hier im Forum! Die "feine Klinge" (Fixed-Point-Math für die Währungen) schlage ich übrigens gerade ein – ich poste das Update, sobald die Pipeline fehlerfrei steht.

Vielen Dank für das ehrliche und detaillierte Feedback! Genau das ist der springende Punkt: Es gibt hier definitiv noch einiges zu tun. Einige Funktionen und optimierte Codepfade sind aktuell auch bewusst temporär ausgeschaltet oder als Prototyp hinterlegt, während an ganz anderen Baustellen parallel weitergearbeitet wird. Man muss bei diesem Projekt massiv berücksichtigen, dass hier absolut iterativ vorgegangen wird. Der Code, den du jetzt siehst, ist der Zustand eines fließenden Übergangs. Insgesamt ist das ein völlig neuer, experimenteller Workflow, den es so in klassischen, (echten) Produktiv-Projekten eins zu eins wahrscheinlich nie geben wird – da dort von Anfang an ganz andere Code-Reviews und statische Analysen greifen. Es ist und bleibt ein Experiment, um die Grenzen der rein KI-gesteuerten Generierung auszuloten. Aber dafür ist es immerhin schon ein ganzes Stück weit gekommen und liefert eine stabile, native Metal-Oberfläche auf macOS, auf der wir jetzt die feineren architektonischen Klingen (wie Fixed-Point für Geldwerte und Allokations-Stopps im Hotpath) iterativ schleifen können. Ich halte euch hier über die nächsten Refactoring-Schritte auf dem Laufenden!