Dozent gesucht für Auftrag - JetBrains - IntelliJ IDEA

JetBrains Junie: Kompakt-Kurs

Einordnung von JetBrains Junie

Rolle von Junie im JetBrains-Ökosystem
Abgrenzung zu JetBrains AI Assistant, klassischer Code-Completion und Chat-Funktionen
Grundprinzipien agentischer Software-Entwicklung in der IDE
Typische Aufgabenbereiche für KI-gestützte Code-Generierung
Nutzen und Grenzen von Junie in professionellen Entwicklungsprojekten

Installation, Aktivierung und IDE-Integration

Aktivierung des Junie-Plugins in unterstützten JetBrains IDEs
Einrichtung in IntelliJ IDEA, Rider, WebStorm und PyCharm
Prüfung von IDE-Version, Plugin-Status und Berechtigungen
Projektbezogene Grundkonfiguration für reproduzierbare Übungen
Umgang mit Arbeitsbereichen, Projektstruktur und Kontextinformationen

Lizenzierung, Datenschutz und Governance

Überblick über Lizenzmodell, Nutzungsrahmen und organisatorische Vorbereitungen
Datenschutzoptionen, Telemetrieeinstellungen und verantwortlicher Umgang mit Projektdaten
Bewertung sensibler Projektinformationen vor der Nutzung von KI-Funktionen
Regeln für Team-Governance, Freigaben und dokumentierte Nutzung
Abstimmung von Junie-Einsatz, Sicherheitsanforderungen und internen Entwicklungsrichtlinien

Prompts und Aufgabenformulierung

Strukturierte Prompts für Funktionen, Klassen, Module und Refactorings
Aufgaben mit fachlichem Kontext, technischen Randbedingungen und Akzeptanzkriterien beschreiben
Unterschied zwischen offenen Aufgaben, präzisen Änderungswünschen und iterativer Nachsteuerung
Prompts für Code-Erweiterungen, Fehleranalyse und Verbesserungsvorschläge
Bewertung von Agenten-Plänen vor der Code-Übernahme

Code-Generierung im Entwickleralltag

Erzeugung von Funktionen, Klassen, Boilerplate-Code und wiederkehrenden Strukturen
Generierung und Anpassung von API-Anbindungen
Unterstützung bei Refactorings unter Berücksichtigung bestehender Projektstrukturen
Analyse von Inline-Vorschlägen und Agenten-Ergebnissen
Nachbearbeitung generierter Inhalte anhand fachlicher und technischer Anforderungen

Qualitätssicherung für KI-generierten Code

Systematischer Code-Review von Junie-Ergebnissen
Einsatz von Tests, Inspections und IDE-Werkzeugen zur Validierung
Erkennen typischer Fehlerbilder, unvollständiger Annahmen und inkonsistenter Implementierungen
Prüfung auf Wartbarkeit, Lesbarkeit, Seiteneffekte und Coding-Standards
Dokumentierte Nacharbeit vor Commit, Merge oder produktiver Verwendung

Teamfähigkeit und Entwicklungsprozesse

Einbindung von Junie in bestehende Git-, Review- und Pull-Request-Prozesse
Dokumentation KI-gestützter Änderungen im Team-Kontext
Regeln für Verantwortlichkeiten, Freigaben und Review-Tiefe
Abstimmung mit Coding-Guidelines und Architekturvorgaben
Sinnvolle Einsatzbereiche für Einzelentwicklerinnen, Einzelentwickler und Entwicklungsteams