KI zum Coden: Verlässliche Hilfe von Llama bekommen

Alle vier Llama-Modelle in unserem Chat sind laut den Model Cards von Meta darauf ausgelegt, neben Text auch Code zu generieren. Sie sind praktische Partner beim Programmieren: Sie erklären fremden Code, schreiben kleine Funktionen, entwerfen Tests und verwandeln Fehlermeldungen in Lösungen. Allerdings machen sie Fehler mit absolutem Selbstbewusstsein. Die richtige Herangehensweise ist daher die eines Code-Reviewers: Lies jeden Vorschlag so, als käme er von einer schnellen, aber unerfahrenen Person im Team, und merge nichts, was du nicht selbst geprüft hast. Dieser Guide zeigt dir, wie du am besten fragst, wie du prüfst und wo die Grenzen in unserem Chat liegen.

Wofür sich Llama im Programmieralltag eignet

• Code erklären. Füge eine übernommene Funktion ein und frage Zeile für Zeile, was sie tut und was zu Fehlern führen könnte.
• Kleine, klar definierte Aufgaben. Eine Funktion zum Parsen eines Datums-Strings, eine Regex, eine SQL-Abfrage, ein Shell-Einzeiler oder ein CSS-Layout.
• Fehlersuche anhand von Fehlermeldungen. Füge die komplette Fehlermeldung zusammen mit dem relevanten Codeausschnitt ein.
• Tests. Prompts wie „Schreibe Unit-Tests für diese Funktion, inklusive Edge Cases“ bringen oft Sonderfälle ans Licht, an die du nicht gedacht hast.
• Übersetzen zwischen Sprachen. Von Python zu JavaScript, von einem Bash-Skript zu PowerShell.
• Architektur durchsprechen. Beschreibe dein Vorhaben und frage nach Schwachstellen, bevor du die erste Zeile schreibst.

Weniger stark ist das Modell bei großen Änderungen über viele Dateien hinweg, die es nicht sehen kann, bei Bibliotheken, die sich nach dem Wissensstand geändert haben, und bei allem, was vom genauen Setup deines Systems abhängt.

Gib den Kontext, den ein Teamkollege bräuchte

Schwach:
mein code funktioniert nicht, mach ihn heile
[300 Zeilen Code]

Stark:
Node.js 22, Vanilla JavaScript, keine Bibliotheken. formatDue(dateString)
soll das Fälligkeitsdatum in der lokalen Zeit der Person ausgeben, z. B. "Mo 3 März".
Bei Nutzern in Brasilien wird der Vortag angezeigt.

Was die Konsole anzeigt:
[exakte Ausgabe einfügen]

Code (nur formatDue und der Aufruf):
[einfügen]

Erkläre mir zuerst die Ursache, gib mir dann das korrigierte formatDue. Behalte
den Namen und das einzelne Argument bei und nutze keine externe Datumsbibliothek.

Die starke Version nennt Sprache und Versionen, beschreibt das Soll- und das Ist-Verhalten, enthält den genauen Wortlaut des Fehlers, beschränkt sich auf den relevanten Code und legt fest, wie der Fix aussehen soll. So vermeidest du Rätselraten. Eine Checkliste für jeden Coding-Prompt:

1. Sprache, Version, Framework und Bibliotheken.
2. Was der Code tun soll – und was er stattdessen tut.
3. Die genaue Fehlermeldung oder fehlerhafte Ausgabe, kopiert und nicht umschrieben.
4. Ein minimales Codebeispiel, das das Problem reproduziert.
5. Einschränkungen: „keine neuen Dependencies“, „muss unter Windows laufen“, „leicht verständlich für Einsteiger“.

Ein sicherer Workflow: planen, schreiben, ausführen, prüfen

1. Erst planen. Bei allem, was über eine einzelne Funktion hinausgeht, lass dir erst das Vorgehen skizzieren: „Erstelle einen Entwurf, wie du das strukturieren würdest (Dateien und Funktionen), aber schreibe noch keinen Code.“ Einen Plan zu ändern kostet wenig – 200 Zeilen Code umzuschreiben schon.
2. In kleinen Schritten arbeiten. Immer nur eine Funktion oder eine Änderung auf einmal. Lange Antworten bieten mehr Raum für Fehler, und die Antwortlänge in unserem Chat ist begrenzt. Wenn der Code abbricht, antworte einfach mit: „Fahre ab der letzten vollständigen Zeile fort.“
3. Selbst ausführen. Llama kann in unserem Chat keinen Code ausführen. Das Modell sagt nur voraus, wie funktionierender Code aussieht; erst das Ausführen zeigt dir, ob es klappt.
4. Echte Ergebnisse zurückmelden. Füge die neue Fehlermeldung oder falsche Ausgabe direkt ein. Ein paar kurze Iterationen führen meist schneller zum Ziel als eine einzige lange Erklärung.
5. Vor dem Commit prüfen. Lies jede Zeile. Frage danach separat: „Welche Edge Cases fehlen hier noch?“ und „Gibt es Sicherheitslücken im Code?“.

Typische Fallstricke

Erfundene Funktionen und Parameter

Modelle rufen gelegentlich Methoden auf, die es gar nicht gibt, oder nutzen Kommandozeilen-Flags anderer Tools. Wenn dir etwas unbekannt vorkommt, prüfe die offizielle Dokumentation, bevor du darauf aufbaust.

Veraltete APIs

Die Trainingsdaten enden an einem Stichtag: laut den Model Cards von Meta im August 2024 für Llama 4 und im Dezember 2023 für Llama 3.3 und 3.1. Bibliotheken, die danach veröffentlicht oder verändert wurden, kennt das Modell nicht – es schlägt dann oft die alte Vorgehensweise vor. Gib an, welche Version du nutzt, und füge bei Bedarf die relevanten Abschnitte der aktuellen Doku ein.

Code, der funktioniert, aber unsicher ist

Achte auf SQL-Queries per String-Verkettung, fehlende Eingabevalidierung, Hardcoded Secrets im Quellcode, deaktivierte Zertifikatsprüfungen und zu offene Dateirechte. Frage bei allem, was öffentlich erreichbar ist, explizit nach einem Sicherheits-Review.

Plausible, aber falsche Logik

Off-by-One-Fehler, Zeitzonen, Rundungsfehler bei Geldbeträgen oder leere Listen. Schreibe einen Test mit bekannten Ergebnissen, bevor du dich auf die Ausgabe verlässt.

Keine Secrets im Chat teilen

Füge niemals API-Schlüssel, Passwörter, Private Keys, Connection-Strings oder Kundendaten ein. Ersetze sie durch Platzhalter wie API_KEY_HERE. Deine Nachrichten laufen über unsere Server und einen externen Inference-Provider, um die Antwort zu generieren; betrachte jedes Secret, das deinen Rechner verlassen hat, als kompromittiert und tausche es aus. Beachte zudem interne Richtlinien deines Arbeitgebers zur Nutzung externer Tools. Mehr dazu unter KI-Datenschutz und Sicherheit.

Welches Llama-Modell eignet sich für Code?

Starte mit dem Standardmodell: Llama 4 Maverick. Llama 3.3 70B ist eine starke reine Text-Alternative und ideal für eine zweite Meinung zum selben Problem. Llama 3.1 8B ist schnell bei kleineren Aufgaben wie Regexes oder Shell-Befehlen, bei komplexeren Problemen solltest du die Ausgabe aber genau prüfen. Unser Modell-Guide vergleicht alle vier Varianten.

Du möchtest Llama direkt im Editor oder in deiner App nutzen? Da die Gewichte der Modelle offen sind, kannst du Llama lokal ausführen oder per API anbinden. Wirf vorab einen Blick auf unsere Llama-Lizenzseite.

Prompts zum Kopieren

• „Erkläre diesen Code für jemanden, der neu im Projekt ist. Nenne danach drei Szenarien, wie er in Production fehlschlagen könnte: [Code]“
• „Schreibe eine [Sprache]-Funktion, die [Aufgabe]. Ergänze Type Hints, einen Docstring und drei Beispielaufrufe mit dem erwarteten Ergebnis.“
• „Schreibe Unit-Tests mit [Framework] für diese Funktion. Decke Standardeingaben, leere Werte und ungültige Eingaben ab: [Code]“
• „Portiere diesen [Sprache A]-Code zu [Sprache B] mit identischem Verhalten. Weise auf Dinge hin, für die es kein direktes Äquivalent gibt.“
• „Prüfe diesen Code ausschließlich auf Sicherheitsprobleme, sortiert nach Schweregrad: [Code]“

Nutze den Code-Assistenten für schnelle Aufgaben, stöbere durch die Coding-Prompts, lies Llama für Entwickler oder lass dir jetzt direkt Code von Llama erklären.

FAQ

Kann Llama meinen Code ausführen?

Nein. In unserem Chat verarbeitet und generiert das Modell ausschließlich Text. Es kann weder Code ausführen noch auf deine Dateien oder Repositories zugreifen. Führe den Code also immer selbst aus und teste ihn.

Darf ich Code, den Llama schreibt, in eigenen Projekten nutzen?

Grundsätzlich ja, aber du trägst die Verantwortung: Du musst ihn prüfen und testen. Sei vorsichtig bei längeren Codeabschnitten, die bekannten Projekten ähneln, da hier Lizenzpflichten greifen können. Dies ist allgemeine Information, keine Rechtsberatung.

Funktioniert es in manchen Sprachen besser als in anderen?

Meistens ja. Weit verbreitete Sprachen mit vielen frei zugänglichen Codebeispielen (wie Python, JavaScript, Java, PHP oder SQL) liefern in der Regel bessere Ergebnisse als Nischensprachen oder brandneue Frameworks. Unabhängig von der Sprache solltest du das Ergebnis immer testen.

Warum schlägt das Modell veraltete Bibliotheksversionen vor?

Die Trainingsdaten enden an einem Stichtag. Nenne die gewünschte Version und füge die relevanten Abschnitte der Dokumentation ein – dann kann sich das Modell daran orientieren, statt aus dem Gedächtnis zu antworten.

Darf ich Code meines Unternehmens hier einfügen?

Nur, wenn deine Unternehmensrichtlinien das erlauben. Entferne vorab unbedingt alle Secrets und personenbezogenen Daten. Im Zweifel fährst du am sichersten mit einem vereinfachten Beispiel, das dasselbe Problem zeigt.