Kompetenz im Bereich KI-Entwicklung: Verfolgen Sie Ihre Programmiergewohnheiten im Bereich KI

Ich habe eine Erweiterung entwickelt, die Ihnen beim Programmieren Einblicke in Ihre KI-Nutzung gewährt – wie viele Token Sie verbrauchen, welche Modelle Sie bevorzugen, wie Sie Ihre Prompts strukturieren und wie Ihr ökologischer Fußabdruck aussieht. Sie heißt „AI Engineering Fluency“, und ich habe ein Video aufgenommen, in dem ich Ihnen die Funktionsweise der Erweiterung vorstelle.

Funktionsweise

Nach der Installation der Erweiterung liest diese lokale Protokolldateien aus Ihren KI-Editoren aus – VS Code, Copilot CLI, Claude Code, Gemini CLI, Cursor, Crush, Mistral und weitere. Alle Daten verbleiben auf Ihrer Festplatte. Es werden keine Daten von Ihrem Rechner übertragen, es sei denn, Sie aktivieren die Cloud-Synchronisierung.

Die Erweiterung durchsucht diese Sitzungsprotokolle und ermittelt, welche Aktivitäten Sie mit KI auf diesem Rechner durchgeführt haben. Anschließend fasst sie die Daten zusammen, um Ihnen direkt in der Statusleiste einen Überblick zu bieten: die heutige Token-Nutzung sowie eine gleitende 30-Tage-Gesamtsumme.

Diagramme zur Token-Verfolgung und -Nutzung

Wenn Sie auf das Symbol in der Statusleiste klicken, wird ein detailliertes Fenster mit folgenden Informationen angezeigt:

‌

An dem Tag, an dem ich das Walkthrough aufgezeichnet habe, hatte ich bereits 23 verschiedene Arbeitssitzungen absolviert und über 120 Millionen Tokens in verschiedenen Tools verarbeitet. Sie können sich Diagramme pro Tag, pro Woche oder pro Monat anzeigen lassen. Mir ist aufgefallen, dass meine eigene Nutzung seit November einem „Hockeyschläger“-Muster folgt – sie steigt einfach immer weiter an. Anhand der Diagramme können Sie die Daten zudem nach Modell, Editor oder sogar Repository aufschlüsseln.

Das Dashboard schlüsselt die Aktivitäten zudem nach Modus auf. In meinem Fall finden viele Sitzungen im CLI-Tool- und im Agentenmodus statt, doch für direkte Fragen nutze ich nach wie vor den „Ask“-Modus. Diese Unterscheidung ist wichtig, da nicht jede KI-Interaktion die gleiche Art von Arbeit darstellt.

Erkenntnisse zur Nutzung verschiedener Modelle

Eine der interessanteren Erkenntnisse: Bei 18 % meiner Sitzungen in den letzten 30 Tagen wurden mehr als ein Modell verwendet. Der Höchstwert lag bei fünf verschiedenen Modellen in einer einzigen Sitzung. Offenbar wechsle ich zwischen umfangreicheren Modellen für die Planung und einfacheren Modellen für die Umsetzung hin und her – etwas, dessen mir erst durch die Daten bewusst wurde.

Auswirkungen auf die Umwelt

Da uns all diese Token-Daten vorliegen, schätzt die Erweiterung zudem Ihren ökologischen Fußabdruck. Dazu gehören der CO₂-Verbrauch, der Wasserverbrauch sowie entsprechende Kennzahlen wie „wie weit könnten Sie mit einem Auto fahren“ oder „wie viele Smartphone-Ladevorgänge entspricht das“. Diese Zahlen sind Schätzungen, die auf öffentlich zugänglichen Daten zum Energie- und Wasserverbrauch bestimmter Modelle bzw. Anbieter basieren; daher betrachte ich sie eher als Richtwerte denn als exakte Angaben. Besonders aufschlussreich waren für mich der geschätzte Wasserverbrauch und die Anzahl der Bäume, die benötigt würden, um meinen CO₂-Verbrauch auszugleichen. Jedes Mal, wenn Sie eine Eingabe senden, wird irgendwo in einem Rechenzentrum Rechenleistung verbraucht – dies macht diesen Verbrauch sichtbar.

‌

Der Fluency-Score

Der eigentliche Nutzen liegt in dem, was wir als „Fluency Score“ bezeichnen. Dieser vergleicht Ihre Nutzungsmuster mit sechs Aspekten der KI-Entwicklung:

Jeder Aspekt umfasst vier Stufen („Skeptiker“, „Entdecker“, „Mitarbeiter“, „Stratege“). Die Auswertung zeigt Ihnen, wo Ihre Stärken liegen und wo noch Verbesserungspotenzial besteht – mit Links zu Dokumentationen und kurzen Videos, damit Sie mehr über Funktionen erfahren können, von deren Existenz Sie möglicherweise noch nichts wussten.

‌

Beispielsweise befindet sich mein „Prompt Engineering“ auf Stufe vier, da ich mehrstufige Sitzungen mit durchschnittlich 4,8 Austauschrunden durchführe. Mein „Context Engineering“ könnte jedoch noch verbessert werden – ich könnte beim Hinzufügen von Dateien und Symbolen zu den Konversationen noch präziser vorgehen. Die Erweiterung erfasst zudem, welche Dateien in die Konversationen eingebunden wurden und ob ich diesen Kontext selbst hinzugefügt habe oder ob dies vom Editor für mich übernommen wurde, wodurch sich die Bewertung des „Context Engineering“ weniger abstrakt anfühlt.

Unterstützte Editoren

Die Erweiterung unterstützt eine Vielzahl von Werkzeugen:

Und hat Zuschauer für:

Und sogar eine CLI-Version für schnelle Statistiken im Terminal. Wenn Sie eines dieser Tools nutzen, erhalten Sie sofort Einblicke in Ihre KI-Nutzung.

Erste Schritte

Installieren Sie die Erweiterung über den VS Code Marketplace oder den JetBrains Marketplace. Es ist auch eine CLI-Version über npm verfügbar:

npx @rajbos/ai-engineering-fluency stats

Es ist kostenlos, Open Source, und alle Ihre Daten verbleiben lokal. Das Repository finden Sie unter github.com/rajbos/ai-engineering-fluency – Beiträge und Feature-Anfragen sind ebenfalls über das Repository willkommen.

Dieser Beitrag erschien ursprünglich auf devopsjournal.io