Über das Projekt
KI Coding entstand aus meiner Idee, Lernen und reale Softwareentwicklung stärker miteinander zu verbinden. Statt einzelne, voneinander getrennte Programmieraufgaben zu lösen, entwickeln Lernende Schritt für Schritt vollständige Anwendungen mit mehreren Dateien, einer echten Projektstruktur und dauerhaft gespeichertem Fortschritt.
Mein Ziel war es, nicht nur einen Online-Codeeditor mit KI-Chat zu bauen, sondern eine vollständige Lernplattform. Der Workspace, die Sandbox, das Fortschrittssystem, die adaptive Lernlogik und der KI-Tutor arbeiten dabei als zusammenhängendes System.
Meine Vision
Viele Lernplattformen vermitteln Programmieren durch kleine Übungen, die nach wenigen Minuten abgeschlossen sind. In der echten Softwareentwicklung entstehen Anwendungen jedoch über viele Entwicklungsschritte hinweg. Dateien werden ergänzt, Fehler analysiert, bestehender Code wird überarbeitet und neue Funktionen werden in eine wachsende Architektur integriert.
Genau dieses Erlebnis möchte ich mit KI Coding vermitteln. Die Plattform soll Lernende langfristig begleiten, ihren aktuellen Wissensstand berücksichtigen und ihnen dabei helfen, nicht nur Syntax, sondern auch strukturiertes Denken, Debugging und Softwarearchitektur zu erlernen.
Zentrale Funktionen
Projektbasiertes Lernen
Lernende entwickeln vollständige Anwendungen mit Dateien, Ordnern, Aufgaben und aufeinander aufbauenden Meilensteinen, statt ausschließlich isolierte Code-Snippets zu bearbeiten.
Adaptive Learning Engine
Das Lernsystem analysiert Fortschritt, erledigte Aufgaben, verwendete Hilfen, Code-Ausführungen und erworbene Skills, um die Lernerfahrung an den individuellen Wissensstand anzupassen.
Kontextbewusster KI-Tutor
Der Tutor berücksichtigt das aktuelle Projekt, aktive Dateien, Aufgaben, Meilensteine, Compilerfehler, Konsolenausgaben, Lernprofil und bisherigen Chatverlauf.
Professioneller Workspace
Ein Multi-Datei-Workspace mit Monaco Editor, Dateibaum, Tabs, Autosave, Projektverwaltung und integrierter Konsole vermittelt ein Arbeitsgefühl ähnlich einer modernen IDE.
Docker-Sandbox
Kotlin- und Python-Projekte können direkt im Browser ausgeführt werden. Die Ausführung erfolgt isoliert mit begrenzten Ressourcen, Timeout und geschütztem Dateisystem.
Automatische Validierung
Aufgaben werden nicht allein durch KI bewertet, sondern über reproduzierbare Datei-, Code-, Regex- und Output-Checks sowie tatsächliche Programmausführung validiert.
KI-Projektgenerator
Aus einer Projektidee erzeugt die Plattform strukturierte Lernprojekte mit Domänenmodellen, Services, Dateien, Meilensteinen, Aufgaben und technischen Prüfregeln.
AI Command Center
KI-Anbieter, Modelle und Plattformdienste werden zentral verwaltet. Tutor, Generator und Analysefunktionen können unabhängig unterschiedlichen Providern zugeordnet werden.
Technologien & Architektur
Das Backend basiert auf Kotlin und Ktor und verwendet PostgreSQL als zentrale Persistenz. Das Frontend wurde mit Next.js, React und TypeScript umgesetzt. Die Architektur ist modular nach Fachbereichen wie Authentifizierung, Projekte, Tutor, Lernen, Billing, Templates und KI-Verwaltung gegliedert.
Neue KI-Anbieter und Plattformdienste können eingebunden werden, ohne den Tutor oder den Projektgenerator grundlegend umzubauen. Diese Trennung war mir besonders wichtig, damit die Plattform langfristig erweiterbar bleibt.
Intelligente Lernunterstützung
Der KI-Tutor erhält nicht nur eine einzelne Frage. Er arbeitet mit einem strukturierten Projektkontext, der unter anderem die aktuelle Aufgabe, aktive Datei, vorhandene Projektdateien, Compilerfehler, Konsolenausgabe, Milestones, Skills und den bisherigen Lernfortschritt enthält.
Gleichzeitig verhindern Tutor-Regeln und Guardrails, dass der Lernprozess durch vollständige Lösungen umgangen wird. Hinweise werden schrittweise aufgebaut: von einer kleinen Orientierung über einen konkreteren nächsten Schritt bis hin zu einer ausführlichen Erklärung.
Projekt- und Template-System
Lernprojekte können aus geprüften Templates erstellt oder mithilfe der KI generiert werden. Die Generator-Pipeline trennt Domänenplanung, didaktische Planung, Validierung und technische Template-Erzeugung voneinander.
Dadurch kann die Plattform konsistente Kotlin- und Python-Projekte mit Modellen, Services, Aufgaben, Skills, Startdateien und automatischen Checks erzeugen. Generierte Projekte werden nutzerbezogen gespeichert und bleiben auch nach Abmeldung oder erneutem Login erhalten.
Lernfortschritt & Analytics
Die Plattform speichert abgeschlossene Aufgaben, gestartete und beendete Meilensteine, Skills, Tutor-Nutzung, Hinweise, Programmausführungen und weitere Lernereignisse. Daraus entstehen individuelle Lernprofile und nachvollziehbare Fortschrittsdaten.
Diese Daten dienen nicht nur der Darstellung von Statistiken. Sie bilden die Grundlage für adaptive Empfehlungen und ermöglichen es dem Tutor, frühere Schwierigkeiten und bereits erworbene Fähigkeiten bei zukünftigen Hilfestellungen zu berücksichtigen.
KI-Verwaltung & Nutzungskontrolle
Über das AI Command Center können Anbieter wie Ollama, OpenAI, Anthropic, Gemini oder weitere kompatible Dienste verwaltet werden. Für jeden KI-Service lassen sich Provider, Modell, Aktivierung und technische Parameter getrennt konfigurieren.
Zusätzlich werden Anfragen, Tokenverbrauch, Antwortzeiten, Fehler, Fallbacks und geschätzte Kosten protokolliert. Damit bleibt nachvollziehbar, welche Funktionen welche KI-Ressourcen verwenden und wie sich die laufenden Kosten zusammensetzen.
Produkteinblicke
Technische Herausforderungen
Die größte Herausforderung bestand darin, viele voneinander abhängige Funktionen zu einem konsistenten Produkt zu verbinden. Authentifizierung, Rollen, persistente Projekte, Dateiverwaltung, Sandbox-Ausführung, automatische Prüfungen, Tutor-Gedächtnis, Billing und adaptive Lernlogik mussten zuverlässig zusammenspielen.
Besonders anspruchsvoll war die Balance zwischen deterministischer Softwarelogik und generativer KI. Technische Korrektheit darf nicht ausschließlich von einem Sprachmodell bewertet werden. Deshalb übernimmt die Plattform objektive Prüfungen selbst, während die KI für Erklärungen, Hinweise, Kontextanalyse und didaktische Unterstützung eingesetzt wird.
Was ich gelernt habe
Während der Entwicklung wurde mir besonders deutlich, dass eine gute KI-Lernplattform nicht allein durch ein leistungsfähiges Sprachmodell entsteht. Entscheidend sind eine klare Architektur, verlässliche Persistenz, reproduzierbare Validierung und ein sorgfältig aufgebauter Kontext.
Erst das Zusammenspiel aus klassischer Softwareentwicklung, künstlicher Intelligenz und didaktischer Produktlogik schafft eine Lernumgebung, die Lernende unterstützt, ohne ihnen das eigentliche Denken und Problemlösen abzunehmen.
Aktueller Stand
KI Coding hat sich von einem ersten Workspace-Prototyp zu einer umfangreichen Full-Stack-Plattform entwickelt. Authentifizierung, Projekte, Lernprofile, KI-Tutor, Sandbox, Template Studio, Projektgenerator, Billing, Lernanalyse und zentrale KI-Administration sind bereits als zusammenhängende Systeme umgesetzt.
Der aktuelle Fokus liegt auf der weiteren Verbesserung der adaptiven Lernstrategien, der Qualität generierter Projekte, der Tutor-Unterstützung und der Vorbereitung auf einen stabilen produktiven Betrieb.