Code-Review mit KI: Mehr Fehler finden, ohne das Team zu ersetzen

Code-Review mit KI ergänzt die Prüfung durch Kolleginnen und Kollegen: Ein Sprachmodell liest den Pull Request, bevor ein Mensch es tut, und weist auf mögliche Fehler, Sicherheitsprobleme und Unklarheiten hin. Richtig eingesetzt spart das Zeit im Review und findet Fehler, die bei müder Durchsicht übersehen werden.

Was KI im Review gut findet

• Logikfehler wie vertauschte Bedingungen, falsche Grenzen in Schleifen, fehlende Fälle
• fehlende Fehlerbehandlung und nicht geprüfte Rückgabewerte
• typische Sicherheitsprobleme wie ungeprüfte Eingaben in Datenbankabfragen
• Abweichungen von Namenskonventionen und unklare Bezeichner
• Widersprüche zwischen Kommentar, Beschreibung und Code

Wo KI an Grenzen stößt

• Fachliche Anforderungen: Ob eine Änderung das Richtige tut, weiß das Modell nur, wenn Sie es ihm sagen.
• Fehlender Kontext: Sieht das Modell nur den Diff, kennt es aufrufende Stellen und Architekturentscheidungen nicht.
• Fehlalarme: Manche Hinweise sind falsch oder unwichtig. Zu viele davon führen dazu, dass alle ignoriert werden.
• Verantwortung: Die Freigabe bleibt bei Menschen.

So setzen Sie es auf

1. Kontext liefern: Diff, Beschreibung des Pull Requests, verknüpftes Ticket und relevante umliegende Dateien. Agenten-basierte Review-Werkzeuge holen sich diesen Kontext teils selbst.
2. Schwerpunkte festlegen: Korrektheit und Sicherheit zuerst, Stil nur, wenn kein Linter das erledigt.
3. Ausgabe strukturieren: jeder Hinweis mit Datei, Zeile, Schweregrad und Begründung.
4. Rauschen begrenzen: nur Hinweise ab einem bestimmten Schweregrad als Kommentar posten.

Beispiel-Prompt

Du prüfst einen Pull Request. Ziel der Änderung: <Beschreibung>.
Suche nach Fehlern in Logik, Fehlerbehandlung und Sicherheit.
Ignoriere Formatierung und Stil.
Gib für jeden Fund aus: Datei, Zeile, Schweregrad (hoch/mittel/niedrig),
Problem in einem Satz, Vorschlag zur Behebung.
Wenn du dir nicht sicher bist, kennzeichne den Fund als Frage.
Wenn du nichts Wichtiges findest, schreibe das.

<diff>
...
</diff>

Der letzte Satz ist wichtig: Ohne ihn erfinden Modelle gern Hinweise, um hilfreich zu wirken. Weitere Vorlagen finden Sie unter Prompt-Vorlagen; Grundregeln stehen in Prompts für Code.

Kosten und Datenschutz

Ein Review kostet je nach Größe des Diffs und mitgeschicktem Kontext einige tausend bis einige zehntausend Tokens. Bei vielen Pull Requests am Tag lohnt ein Blick auf die Summe; der KI-Kosten-Rechner hilft bei der Hochrechnung. Quellcode ist ein Geschäftsgeheimnis: Nutzen Sie nur Dienste mit vertraglicher Zusage, dass Eingaben nicht zum Training verwendet werden.

Erfolg messen

Bewährt hat sich, das KI-Review automatisch beim Öffnen eines Pull Requests laufen zu lassen, etwa als Schritt in der CI-Pipeline. Die Hinweise erscheinen dann als Kommentare, bevor die erste Person den Code ansieht. Die Prüfenden können sich so stärker auf Architektur und fachliche Richtigkeit konzentrieren.

Verfolgen Sie, wie viele KI-Hinweise tatsächlich zu Änderungen führen. Liegt der Anteil niedrig, ist der Prompt zu breit oder der Kontext zu dünn. Ergänzend lohnt es sich, die KI auch fehlende Tests benennen zu lassen; wie das geht, steht unter Tests mit KI schreiben. Einen Überblick über die Arten von Assistenten gibt KI-Code-Assistenten.