Seminar DatoCMS: KI-gestützte Entwicklung mit Agent Skills und MCP Server

KI-Unterstützung wird als überprüfbarer Entwicklungsprozess und nicht als Abkürzung ohne Kontrolle eingeführt. Agent Skills stehen für repositorynahe Aufgaben im Mittelpunkt; ein MCP Server wird als Alternative für Umgebungen ohne lokalen Terminalzugriff eingeordnet. Alle Übungen verwenden begrenzte Rechte, Reviews, Tests und nachvollziehbare Änderungsprotokolle.

Inhaltsübersicht

Kapitelinhaltsverzeichnis

• Lernziele und Einsatzbereiche
• Vorbereitung und Arbeitsweise
• Seminarinhalte
• Praktische Übungen und Anwendung

Lernziele und Einsatzbereiche

Kapitelinhaltsverzeichnis

• Kompetenzziele
• Typische Einsatzszenarien
• Abgrenzung und Schwerpunkt

Kompetenzziele

Die Inhalte sind auf unmittelbar anwendbare, prüfbare Kompetenzen ausgerichtet.

• Geeignete und ungeeignete KI-Einsatzfälle anhand von Risiko und Prüfbarkeit unterscheiden.
• Agent Skills beziehungsweise MCP-Zugriff mit minimalen Rechten sicher einrichten.
• Modellierungs-, Migrations-, API- und Frontendaufgaben mit überprüfbaren Arbeitsaufträgen unterstützen.
• Änderungen durch Review, Tests, Protokollierung und Freigabegates absichern.

Typische Einsatzszenarien

Das Seminar eignet sich insbesondere für die folgenden Projekt- und Betriebssituationen.

• Beschleunigte Erstellung von Migrations- und Automatisierungsskripten.
• Unterstützung bei GraphQL-Queries, Typen und Frontend-Integration.
• Strukturierte Analyse eines bestehenden Schemas oder Importvorhabens.

Abgrenzung und Schwerpunkt

Die fachliche Tiefe wird durch folgende Grenzen bewusst fokussiert.

• KI-Ausgaben werden niemals ungeprüft auf produktive Environments angewendet.
• Content- und Rechtsentscheidungen bleiben menschliche Verantwortung.
• Tokens, personenbezogene Daten und Geschäftsgeheimnisse dürfen nicht unkontrolliert in Prompts gelangen.

Vorbereitung und Arbeitsweise

Kapitelinhaltsverzeichnis

• Zielgruppen
• Vorkenntnisse und Schulungsumgebung
• Didaktisches Vorgehen
• Qualitäts- und Abnahmekriterien

Zielgruppen

Entwicklung, technische Architektur, DevOps, Content Operations und Teams, die KI-Assistenten kontrolliert in DatoCMS-Arbeitsabläufe integrieren.

Vorkenntnisse und Schulungsumgebung

Praxis mit einer Entwicklungsumgebung, Kommandozeile und Versionsverwaltung. Grundkenntnisse von DatoCMS, APIs und sicheren Token-Verfahren sind erforderlich.

1. Schritt 1: Zugänge, Rollen und Schulungsprojekt vor Seminarbeginn kontrollieren.
2. Schritt 2: Beispieldaten, Assets, Quellmaterial oder Codebasis entsprechend dem Seminarthema bereitstellen.
3. Schritt 3: Ausgangszustand dokumentieren, damit Übungen wiederholt und Abweichungen eindeutig bewertet werden können.

Didaktisches Vorgehen

Kurze Fachblöcke werden unmittelbar mit Demonstrationen, geführten Arbeitsschritten, eigenständigen Laborphasen und kontrollierten Fehlerfällen verbunden.

1. Schritt 1: Ausgangsproblem und gewünschtes Sollverhalten präzisieren.
2. Schritt 2: Konfiguration oder Implementierung in kleinen, überprüfbaren Schritten ausführen.
3. Schritt 3: Normalfall, Grenzfall und mindestens einen Fehlerfall testen.
4. Schritt 4: Nachweis, Betriebsregel oder Checkliste aus dem Übungsergebnis ableiten.

Qualitäts- und Abnahmekriterien

• Konfigurationen und Arbeitsschritte sind reproduzierbar dokumentiert.
• Berechtigungen, Datenstände und Environments sind eindeutig voneinander getrennt.
• Positive und negative Testfälle besitzen ein erwartetes und nachvollziehbares Ergebnis.
• Fehlerzustände führen zu einer kontrollierten Diagnose und einem definierten Wiederanlauf.

Seminarinhalte

Kapitelinhaltsverzeichnis

• Einsatzmodell und Risikoklassen
• Agent Skills im Repository
• MCP Server als begrenzte Alternative
• Token-Scope und Geheimnisschutz
• Content Modeling mit KI-Unterstützung
• Migrationen und CMA-Skripte
• GraphQL und Frontend-Unterstützung
• Review, Tests und Änderungsnachweis
• Betriebsregeln und Wiederverwendung

Einsatzmodell und Risikoklassen

Aufgaben werden nach Datenzugriff, Änderungstiefe, Reversibilität und erforderlicher menschlicher Kontrolle klassifiziert.

1. Schritt 1: Geplante KI-Aufgaben inventarisieren.
2. Schritt 2: Jede Aufgabe einer Risiko- und Freigabeklasse zuordnen.
3. Schritt 3: Verbotene Daten, Aktionen und Ziel-Environments festlegen.

Agent Skills im Repository

Repositorynahe Fähigkeiten werden für CLI-, Schema-, Migrations- und Integrationsaufgaben mit sichtbaren Dateien und Versionskontrolle eingesetzt.

1. Schritt 1: Arbeitsrepository und Laufzeitvoraussetzungen prüfen.
2. Schritt 2: Benötigte Skills kontrolliert installieren beziehungsweise aktivieren.
3. Schritt 3: Ersten lesenden Auftrag ausführen und alle erzeugten Änderungen vergleichen.

MCP Server als begrenzte Alternative

MCP wird nur dort eingesetzt, wo kein lokaler Terminal- und Repositoryworkflow verfügbar ist.

1. Schritt 1: Begründung und Funktionsumfang des MCP-Einsatzes dokumentieren.
2. Schritt 2: Verbindung mit einem eng begrenzten Schulungstoken konfigurieren.
3. Schritt 3: Lesende und schreibende Aktionen getrennt testen und protokollieren.

Token-Scope und Geheimnisschutz

Technische Identitäten werden nach Aufgabe, Environment und Lebensdauer getrennt.

1. Schritt 1: Erforderliche API-Oberflächen und Aktionen bestimmen.
2. Schritt 2: Kurzlebigen beziehungsweise rotierbaren Token mit minimalem Scope anlegen.
3. Schritt 3: Prompt-, Log- und Commit-Inhalte auf Geheimnisse prüfen.

Content Modeling mit KI-Unterstützung

KI kann Inventur und Variantenvergleich beschleunigen, die Modellentscheidung bleibt jedoch fachlich begründet.

1. Schritt 1: Inhaltsbeispiele und Modellierungskriterien bereitstellen.
2. Schritt 2: Mehrere Schemaoptionen mit Vor- und Nachteilen erzeugen lassen.
3. Schritt 3: Vorschlag gegen Wiederverwendung, Editor Experience und API-Bedarf prüfen.

Migrationen und CMA-Skripte

Generierter Code wird in kleine, testbare Einheiten zerlegt und ausschließlich in einer Sandbox ausgeführt.

1. Schritt 1: Änderungsauftrag mit Vorbedingungen und Nachkontrollen formulieren.
2. Schritt 2: Code generieren und manuell auf Idempotenz sowie gefährliche Operationen prüfen.
3. Schritt 3: Sandboxlauf, Wiederholung und Fehlerfall testen.

GraphQL und Frontend-Unterstützung

Queries und Komponenten werden aus dem echten Schema abgeleitet und gegen reale Daten getestet.

1. Schritt 1: Benötigte Daten und Komponentenvertrag beschreiben.
2. Schritt 2: Query- oder Renderervorschlag erstellen lassen.
3. Schritt 3: Typen, Nullfälle, Komplexität und Frameworkkonventionen überprüfen.

Review, Tests und Änderungsnachweis

Jeder KI-gestützte Arbeitsschritt endet mit menschlichem Review und automatisierten beziehungsweise manuellen Kontrollen.

1. Schritt 1: Reviewcheckliste und Abnahmekriterien vor der Generierung festlegen.
2. Schritt 2: Diff, Tests und Laufzeitprotokolle gemeinsam auswerten.
3. Schritt 3: Freigabe, Ablehnung oder Nacharbeit mit Begründung dokumentieren.

Betriebsregeln und Wiederverwendung

Bewährte Arbeitsaufträge, Sicherheitsgrenzen und Prüfschritte werden als teamfähige Runbooks gepflegt.

1. Schritt 1: Erfolgreiche Prompts in parameterisierte Arbeitsaufträge überführen.
2. Schritt 2: Erlaubte Tools, Datenquellen und Environments festhalten.
3. Schritt 3: Regelmäßige Überprüfung und Verantwortliche definieren.

Praktische Übungen und Anwendung

Kapitelinhaltsverzeichnis

• KI-gestützte Schemaanalyse
• Generierte Migration in der Sandbox
• GraphQL- und Komponentenreview
• Team-Runbook für KI-Einsatz
• Prüf- und Abnahmekriterien

KI-gestützte Schemaanalyse

Szenario: Ein uneinheitliches Schulungsschema soll auf Duplikate, unklare Benennung und potenzielle Blocks untersucht werden.

1. Schritt 1: Schema und Bewertungskriterien bereitstellen.
2. Schritt 2: Lesende Analyse mit Agent Skill oder MCP durchführen.
3. Schritt 3: Vorschläge fachlich und technisch verifizieren.
4. Schritt 4: Freigegebene Maßnahmen in einer priorisierten Liste dokumentieren.

Prüfkriterium: Der Bericht ist nachvollziehbar, enthält keine unbelegten Änderungen und unterscheidet Beobachtung, Empfehlung und menschliche Entscheidung.

Generierte Migration in der Sandbox

Szenario: Ein Modell erhält ein neues Feld und eine Datenüberführung für bestehende Records.

1. Schritt 1: Auftrag mit Vorbedingungen und Sollzustand formulieren.
2. Schritt 2: Migrationsvorschlag generieren und Zeile für Zeile prüfen.
3. Schritt 3: Sandboxlauf und Wiederholung durchführen.
4. Schritt 4: Tests, Diff und Rückfallweg dokumentieren.

Prüfkriterium: Der Code ist idempotent, geprüft, in der Sandbox zweimal ausführbar und nicht direkt auf Produktion angewendet.

GraphQL- und Komponentenreview

Szenario: Eine KI erzeugt Query und Renderer für mehrere Structured-Text-Blocks.

1. Schritt 1: Komponentenvertrag und reale Beispieldaten festlegen.
2. Schritt 2: Query und Renderer erzeugen lassen.
3. Schritt 3: Typprüfung, Testfälle und Komplexitätskontrolle ausführen.
4. Schritt 4: Abweichungen korrigieren und Reviewentscheidung protokollieren.

Prüfkriterium: Alle Blocktypen, Nullfälle, Typen und Performancegrenzen sind durch manuelle sowie automatisierte Prüfungen abgedeckt.

Team-Runbook für KI-Einsatz

Szenario: Ein Team benötigt verbindliche Regeln für sichere, nachvollziehbare KI-Unterstützung.

1. Schritt 1: Einsatzfälle und Risiken sammeln.
2. Schritt 2: Regeln nach lesen, schreiben und veröffentlichen staffeln.
3. Schritt 3: Review- und Testpflichten ergänzen.
4. Schritt 4: Runbook mit einem Beispielszenario validieren.

Prüfkriterium: Ein kurzes Runbook nennt erlaubte Aufgaben, verbotene Daten, Tokenregeln, Reviewpflicht und Eskalationsweg.

Prüf- und Abnahmekriterien

Die Übungen werden nicht allein nach sichtbarer Funktion, sondern nach Reproduzierbarkeit, Sicherheit, Datenqualität und Betriebsfähigkeit bewertet.

• Der Ausgangszustand, die Änderung und der geprüfte Zielzustand sind dokumentiert.
• Mindestens ein Negativ- oder Störungstest wurde kontrolliert durchgeführt.
• Geheimnisse, produktive Daten und unbeteiligte Systeme wurden nicht in die Übungen einbezogen.
• Offene Punkte besitzen Priorität, verantwortliche Stelle und nächsten Prüftermin.