GPT zum Coden: Gib Kontext, prüfe jede Zeile

GPT kann Fehlermeldungen analysieren, Funktionen entwerfen, fremden Code erklären und Tests vorschlagen. Es sieht aber nur, was du einfügst – und liegt manchmal selbstsicher falsch. Dieser Leitfaden zeigt, was du senden, fragen und prüfen solltest.

5 Min. LesezeitAktualisiert

GPT ist eine praktische Unterstützung beim Programmieren: Es liest Stacktraces ohne Murren, schreibt den langweiligen Teil einer Funktion, erklärt dir geerbte Regular Expressions und schlägt Testfälle vor, an die du nicht gedacht hast. Es erfindet aber auch Funktionen, die gar nicht existieren, übersieht Edge Cases und schreibt Code, der gut aussieht, aber beim zweiten Input scheitert. Um das Beste herauszuholen, ohne auf Fehler hereinzufallen, musst du echten Kontext liefern und jedes Ergebnis prüfen. Wie das geht, zeigt diese Anleitung für unseren kostenlosen GPT-Chat.

Was GPT gut kann – und wo es schwächelt

Sprachmodelle haben beim Training unzählige Mengen an öffentlichem Code und Dokumentationen verarbeitet. Deshalb beherrschen sie typische Muster in populären Programmiersprachen sehr gut. Typische Einsatzbereiche:

  • Zeile für Zeile erklären, was ein Code-Schnipsel tut;
  • aus einer Fehlermeldung eine kurze Liste wahrscheinlicher Ursachen machen;
  • kleine, in sich geschlossene Funktionen, Skripte und SQL-Queries schreiben;
  • Unit-Tests für eingefügten Code entwerfen;
  • Code zwischen Sprachen oder Bibliotheksversionen übersetzen;
  • einen Diff auf Bugs, saubere Benennung und Lesbarkeit prüfen.

Die Schwachstellen sind genauso vorhersehbar. Das Modell sieht nur, was du einfügst – den Rest deines Projekts muss es erraten. Sein Wissen endet am Trainings-Cutoff, brandneue Library-Releases kennt es also womöglich noch nicht. Und es kann deinen Code nicht ausführen: In unserem Chat gibt es kein Terminal und keinen Internetzugang. Die Aussage „das funktioniert“ ist also nur eine Vorhersage, kein Testergebnis.

Gib den Kontext an, den ein Kollege brauchen würde

Bevor du Hilfe bei einem Bug suchst, sammle genau das, was auch ein menschlicher Reviewer sehen wollte:

  1. Sprache, Framework und Version, zum Beispiel „Python 3.12, Django 5“.
  2. Den kleinstmöglichen Code-Ausschnitt, der das Problem zeigt – nicht das ganze Repository.
  3. Die genaue Fehlermeldung und den Stacktrace (kopiert, nicht abgetippt).
  4. Was du erwartet hast, was stattdessen passiert ist und was du bereits ausprobiert hast.
Schwach:
Mein Code funktioniert nicht, reparier das.

Stark:
Node 22, Express 5. Diese Route soll den User als JSON zurückgeben,
aber der Request hängt und antwortet nie. Kein Fehler in der Konsole.
Hier sind die Route und die genutzte Middleware:
[Code einfügen]
Erkläre zuerst die Ursache und zeige danach nur die korrigierte Route.

Die starke Variante sagt dem Modell genau, wo es ansetzen soll, was „repariert“ bedeutet und wie die Antwort aufgebaut sein soll. Wenn du die Erklärung vor dem Code anforderst, erkennst du eine falsche Diagnose zudem viel schneller.

Prompts für typische Programmieraufgaben

Ein paar Vorlagen, die du anpassen kannst. Ersetze die Teile in eckigen Klammern einfach mit deinen Details:

  • Erklären: „Erkläre diese [Sprache]-Funktion für jemanden, der grundlegend programmieren kann, aber diese Library nicht kennt. Weise auf alles Unerwartete hin.“
  • Tests: „Schreibe [Framework]-Unit-Tests für diese Funktion. Decke normale Eingaben, leere Eingaben, sehr große Inputs und ungültige Typen ab. Verändere die Funktion nicht.“
  • Refactoring: „Refaktoriere das für bessere Lesbarkeit, ohne das Verhalten zu ändern. Behalte die öffentlichen Funktionsnamen bei. Liste jede Änderung einzeln auf.“
  • Review: „Reviewe diesen Diff wie ein strenger Senior Developer. Melde zuerst Bugs, dann riskante Muster, dann Code-Style. Zitiere für jeden Punkt die Zeile.“
  • Regex: „Schreibe eine Regular Expression, die auf [Muster] matcht, aber nicht auf [Gegenbeispiel]. Zeige fünf Strings, die matchen sollten, und fünf, die abgewiesen werden müssen.“

Gleich ausprobieren: Frag nach einer Funktion samt Tests. Auf der Seite für Coding-Prompts findest du noch viele weitere, und unter Assistenten gibt es fertige Programmier-Helfer.

Luna oder Terra für Code?

In unserem Chat stehen zwei Modelle zur Auswahl. GPT-6 Luna ist der Standard: schnell und völlig ausreichend für Erklärungen, kleine Funktionen, Boilerplate und Einzeiler-Fixes. Für alles, was tiefere Logik erfordert, aktiviere Think: Das schaltet auf GPT-6.1 Terra um, das vor dem Antworten kurz nachdenkt. OpenAI stuft Terra im Software-Engineering als deutlichen Schritt nach vorn ein, betont aber auch, dass für die komplexesten Aufgaben die größeren Modelle GPT-6.1 Sol und GPT-6 Astra die bessere Wahl bleiben. Diese gibt es nicht auf gpt.me; GPT-6 Sol ist in unserer AI Chat App mit Pro-Abo verfügbar.

Eine praktische Aufteilung:

  • Luna: „Was macht dieser Code?“, Syntax-Fragen, Snippets konvertieren, Docstrings schreiben.
  • Terra: Off-by-one-Bugs, Concurrency-Probleme, Algorithmen entwerfen, Logik in langen Funktionen prüfen.

Unser Vergleich von Luna und Terra erklärt die Unterschiede im Detail.

Ein Review-First-Workflow

Behandle jede Antwort wie einen Pull Request von einem schnellen Junior-Entwickler, der seine Tests nie selbst ausführt.

  1. Lies zuerst die Erklärung. Wenn die genannte Ursache nicht zu deinen Symptomen passt, sag das direkt, bevor du dir den Code anschaust.
  2. Lies den Diff, nicht nur das Gesamtergebnis. Bitte um „zeige nur die Zeilen, die du geändert hast“, falls die Antwort alles neu schreibt.
  3. Lass den Code lokal laufen – mit deinen eigenen Tests und genau den Inputs, bei denen es gekracht hat.
  4. Gib Feedback. Poste die neue Fehlermeldung oder den fehlschlagenden Test. Genau in dieser Iteration liegt der eigentliche Wert des Chats.

Zwei Features unseres Chats helfen dir dabei: Code wird in formatierten Blöcken mit einem Kopier-Button geliefert, sodass keine störenden Zeichen mitrutschen. Und beim Neugenerieren bleiben frühere Antworten als Versionen erhalten – so kannst du zwei Ansätze für denselben Bug direkt vergleichen und die bessere Lösung wählen.

Sicherheitsregeln für KI-generierten Code

  • Niemals Secrets einfügen. Ersetze API-Keys, Passwörter, Tokens und Connection-Strings vor dem Absenden immer durch Platzhalter wie YOUR_KEY.
  • Prüfen, ob Packages wirklich existieren. Modelle erfinden manchmal plausible Bibliotheken oder Funktionen, die es gar nicht gibt. Check das offizielle Package-Registry, bevor du etwas installierst.
  • Vorsicht bei Shell-Befehlen. Lies jeden Befehl genau durch, der Dateien löscht, verschiebt oder Berechtigungen ändert. Führe niemals etwas als Administrator aus, nur weil ein Chat es vorschlägt.
  • Security-Basics kontrollieren. Frag gezielt nach SQL-Injections, Input-Validierung und Error-Handling – der erste Entwurf übergeht das gerne.
  • Lizenzen und interne Richtlinien beachten, wenn es um das Teilen von unternehmenseigenem Code mit externen Diensten geht.
Vor dem Einfügen reduzieren: Einen Bug auf das kleinstmögliche fehlerhafte Beispiel herunterzubrechen, dauert nur ein paar Minuten – und offenbart die Ursache oft schon von selbst. Wenn nicht, bekommt das Modell zumindest ein klares Problem statt einer riesigen Wand aus Code.

Wann ein Chat nicht das richtige Tool ist

Ein Chat-Fenster arbeitet nur mit dem, was du hineinkopierst. Sehr lange Verläufe werden gekürzt, damit das Modell den aktuellen Kontext behält – eine Datei, die du vor einer Stunde gepostet hast, gerät also schnell aus dem Blick. Wenn Änderungen viele Dateien betreffen, fährst du mit einem Editor mit integrierter KI oder einem Coding-Agenten, der dein Projekt versteht und Tests ausführen kann, deutlich besser. Für eine einzelne Funktion, eine Fehlermeldung oder ein schnelles Review ist der Chat aber meistens der direkteste Weg. Schau dir dazu auch unsere Seite für Entwickler und das Tool Code-Assistent an.

FAQ

Kann GPT meinen Code in eurem Chat ausführen?

Nein. Unser Chat bietet weder Code-Execution noch Internetzugang. Er analysiert deinen Code und prognostiziert das Verhalten. Führe den Code daher immer selbst aus und teste das Ergebnis.

Welche Programmiersprachen werden unterstützt?

Alle gängigen Sprachen, darunter Python, JavaScript, TypeScript, Java, C#, C, C++, Go, Rust, PHP, Ruby, Swift, Kotlin und SQL. Bei exotischen Sprachen oder brandneuen Bibliotheksversionen sinkt die Qualität.

Darf ich Code meines Arbeitgebers einfügen?

Prüfe zuerst die Richtlinien deines Unternehmens. Nachrichten laufen über unsere Server und unser KI-Gateway zu den Modellen von OpenAI. Wir speichern die Texte nicht, dennoch solltest du Secrets und vertrauliche Daten immer entfernen. Details findest du in unserer Datenschutzerklärung.

Warum schlägt die Antwort eine Funktion vor, die es gar nicht gibt?

Das Modell berechnet wahrscheinlichen Code. Dabei kann ein plausibler Name herauskommen, selbst wenn die Library diese Funktion nicht enthält. Kopiere in diesem Fall den relevanten Teil der Dokumentation in den Chat und weise das Modell an, nur dort gelistete Methoden zu nutzen.

Hast du eine Frage? Frag einfach los

Kein Account und kein Download nötig. Öffne den Chat, tippe deine Frage ein und die Antwort erscheint in Sekundenschnelle.

Chat starten