Sie bitten Google Gemini, ein einfaches Skript zu schreiben, um Ihr CRM mit Google Sheets zu verbinden. Es spuckt selbstbewusst 50 Zeilen sauber aussehendes JavaScript aus. Sie fügen es in Ihre Automatisierungsplattform ein, klicken auf Ausführen und erhalten sofort einen Syntaxfehler.
Sie informieren Gemini über den Fehler. Es entschuldigt sich, gibt Ihnen eine "korrigierte" Version, und auch diese schlägt fehl.
Der Kreislauf der endlosen Fehlersuche beginnt. Wenn Ihnen das bekannt vorkommt, sind Sie nicht allein. KI-Modelle sind unglaublich klug, aber sie wollen gefallen. Wenn sie nicht genug Kontext haben, raten sie. Sie erfinden Bibliotheken, die es gar nicht gibt. Sie mischen und kombinieren Programmiersprachen.
Um funktionierenden, fehlerfreien Code von Gemini zu erhalten, braucht man kein Informatikstudium. Es bedarf eines spezifischen Rahmens, um der KI genau mitzuteilen, was Sie brauchen.
Hier erfahren Sie, wie Sie Gemini zwingen, Code zu schreiben, der tatsächlich beim ersten Versuch läuft.
Warum die Zwillinge kaputten Code schreiben
Bevor Sie die Ausgabe korrigieren können, müssen Sie verstehen, warum die Eingabe fehlschlägt. Gemini verarbeitet während seines Trainings Milliarden von Codezeilen. Dieser riesige Datensatz ist sowohl eine Stärke als auch eine Schwäche.
Wenn Sie nach "einem Python-Skript zum Parsen von E-Mails" fragen, greift Gemini auf einen riesigen Mix aus Python 2, Python 3, spezialisierten Enterprise-Frameworks und veralteten Tutorials zurück.
Realitätsprüfung: Gemini weiß von Natur aus nicht, wo Ihr Code gespeichert wird. Code, der für einen lokalen Computer geschrieben wurde, wird sofort fehlschlagen, wenn er in ein Cloud-Automatisierungswerkzeug wie Make oder n8n eingefügt wird.
Zu den Hauptgründen für das Scheitern von KI-Code gehören:
- Fehlender Umweltkontext: Es wird vorausgesetzt, dass Sie eine bestimmte Software installiert haben.
- Halluzinierte Bibliotheken: Sie erfindet ein Werkzeug, um ein komplexes Problem schnell zu lösen.
- Veraltete APIs: Sie verwendet die 2021er Version einer API, die 2024 geändert wurde.
- Logische Sprünge: Es überspringt notwendige Authentifizierungsschritte.
Um diese Fehler zu vermeiden, müssen Sie eine "Kontextbox" erstellen, aus der Gemini nicht entkommen kann.
Schritt 1: Erstellen Sie die unausweichliche Kontextbox
Der größte Fehler, den Unternehmer machen, ist die Verwendung einer "nackten Aufforderung". Eine nackte Aufforderung fragt einfach nach dem Endergebnis.
Nackte Aufforderung (Garantiert fehlgeschlagen): "Schreiben Sie ein Skript, um neue Stripe-Kunden auszuwählen und sie in Google Sheets zu speichern."
Um Code zu erhalten, der ausgeführt werden kann, müssen Sie die nackte Eingabeaufforderung durch eine strenge System-Eingabeaufforderung ersetzen. Sie müssen die genaue Umgebung, die Sprache und die Beschränkungen festlegen.
Kontextreiche Eingabeaufforderung (wird garantiert ausgeführt): "Sie sind ein erfahrener Google Apps Script-Entwickler. Schreiben Sie ein Skript, um neue Kunden von der Stripe-API abzurufen und sie an ein Google Sheet anzuhängen. Beschränkungen:
- Verwenden Sie NUR native Google Apps Script-Bibliotheken (
UrlFetchApp). - Verwenden Sie KEINE Node.js-Pakete.
- Die Stripe-API-Version ist 2024-06-20.
- Sie sollten eine robuste Fehlerbehandlung und Konsolenprotokolle für jeden Schritt vorsehen.
Merken Sie den Unterschied? Die zweite Eingabeaufforderung sperrt Gemini auf eine bestimmte Sprache und verbietet ihm die Verwendung nicht unterstützter Tools. Wenn Sie tiefer in die Steuerung des KI-Verhaltens eintauchen möchten, lesen Sie unseren Leitfaden über Dynamik zwischen System- und Benutzereingabeaufforderung.
Schritt 2: Die Regel "Erst denken, dann programmieren".
Gemini macht oft Fehler, weil es mit der Codegenerierung beginnt, bevor es die Logik vollständig geplant hat. Sie können das Modell dazu zwingen, langsamer zu werden und nachzudenken, indem Sie zuerst einen Pseudocode-Entwurf verlangen.
Anstatt sofort nach dem endgültigen Code zu fragen, sollten Sie Gemini bitten, seine Vorgehensweise zu erläutern.
Verwenden Sie diesen Zusatz zu Ihrer Aufforderung: "Bevor Sie einen Code schreiben, skizzieren Sie Ihre Schritt-für-Schritt-Logik in einfachem Englisch. Warten Sie auf meine Zustimmung, bevor Sie mit der Codierung beginnen."
Profi-Tipp: Diese Technik zwingt Gemini in einen aktiven Denkzustand. Sie können die Schritte überprüfen und offensichtliche Fehler erkennen, z. B. das Fehlen eines Schritts zur Authentifizierung eines Kennworts, bevor eine einzige Zeile Code geschrieben wird.
Sobald Sie die Logik genehmigen, hat das Modell einen klaren Fahrplan, dem es folgen kann. Dadurch werden Syntaxfehler und Logikschleifen drastisch reduziert. Diese Strategie ist besonders wichtig, wenn Sie verschiedene Modelle vergleichen, wie Gemini 3 Thinking vs. Pro.
Schritt 3: Bereitstellung von Arbeitsreferenzmaterial
KI-Modelle lernen am besten durch Beispiele. Wenn Sie möchten, dass Gemini einen benutzerdefinierten Knoten für Ihr Automatisierungswerkzeug schreibt, erwarten Sie nicht, dass es die genauen Formatierungsanforderungen aus dem Gedächtnis kennt.
Geben Sie ihm eine Vorlage.
Wenn Sie Code benötigen, der mit einer bestimmten Software integriert werden kann, besuchen Sie die offizielle API-Dokumentation dieser Software. Kopieren Sie einen kleinen Ausschnitt des offiziellen Beispielcodes und fügen Sie ihn in Ihre Eingabeaufforderung ein.
Beispiel Aufforderung zur Addition: "Hier ist ein Beispiel dafür, wie die Zielsoftware die Daten formatiert haben möchte: [Fügen Sie hier ein JSON-Beispiel oder einen Codeschnipsel ein] Stellen Sie sicher, dass Ihr Code die Daten in genau dieser Struktur ausgibt."
Wenn Sie die genaue Struktur vorgeben, muss Gemini nicht mehr raten. Das Modell fungiert als Übersetzer und nicht als Erfinder. Dies ist genau die gleiche Methode, die Fachleute beim Bau von zeitnahe technische Checklisten für interne Teams.
Schritt 4: Die iterative Fehlersuchschleife
Selbst bei einer perfekten Eingabeaufforderung werden Sie gelegentlich auf einen Fehler stoßen. Wie Sie mit diesem Fehler umgehen, entscheidet darüber, ob Sie das Problem in zwei Minuten oder zwei Stunden lösen.
Wenn der Code fehlschlägt, sagen Sie nicht einfach "es hat nicht funktioniert".
Tun Sie genau dies:
- Kopieren Sie die gesamte Fehlermeldung.
- Kopieren Sie die spezifische Codezeile, die den Fehler ausgelöst hat.
- Fügen Sie beides in Gemini ein.
- Fügen Sie den Satz hinzu: "Erläutern Sie, warum dieser Fehler aufgetreten ist, und geben Sie dann den korrigierten Codeblock an."
Schnell gewinnen: Aufforderung an die KI erklären der Fehler zwingt sie dazu, die Ursache zu diagnostizieren, anstatt einfach blindlings eine neue Lösung zu erraten.
Wenn Gemini Ihnen eine Lösung gibt, die einen neuen Fehler einführt, sind Sie in einer Halluzinationsschleife gefangen. Beenden Sie die Generierung sofort. Beginnen Sie einen ganz neuen Chat. Fügen Sie Ihre ursprüngliche Eingabeaufforderung, den bisherigen Code und den neuen Fehler ein. Wenn Sie einen neuen Chat beginnen, wird der Speicher des Modells von seinen falschen Vermutungen befreit.
Schritt 5: Fragen Sie nach dem "Defensiv-Code".
Der meiste KI-generierte Code geht davon aus, dass alles perfekt läuft. Er geht davon aus, dass die API sofort reagieren wird. Er geht davon aus, dass die Daten immer korrekt formatiert sind.
In der realen Geschäftswelt kommt es bei APIs zu Zeitüberschreitungen, und es kommen Daten an, bei denen Schlüsselfelder fehlen. Wenn der Code von Gemini dies nicht berücksichtigt, wird Ihre Automatisierung abstürzen.
Weisen Sie Zwillinge immer an zu schreiben Abwehrcode.
Sagen Sie dem Modell: "Verpacken Sie alle API-Aufrufe in try/catch-Blöcke. Wenn eine Variable leer ist, protokollieren Sie eine klare Fehlermeldung, anstatt stillschweigend zu scheitern. Fügen Sie einen 5-Sekunden-Wiederholungsversuch hinzu, wenn der Server eine Zeitüberschreitung hat.
Dieser einfache Zusatz verwandelt ein anfälliges Skript in ein produktionsfähiges Asset. Es stellt sicher, dass Ihr System Ihnen genau mitteilt, warum etwas nicht funktioniert, und macht es unglaublich einfach, es zu reparieren. Wenn Sie sehen möchten, wie sich dies auf die verschiedenen Modelle auswirkt, sehen Sie sich unsere Aufschlüsselung von wie ChatGPT, Claude und Gemini Anweisungen interpretieren.
Sind Sie bereit, Ihre KI-Entwicklung zu skalieren?
Wenn Sie Gemini zwingen, Code zu schreiben, der tatsächlich funktioniert, müssen Sie Ihre Denkweise ändern. Sie behandeln die KI nicht wie einen magischen Verkaufsautomaten. Sie behandeln sie wie einen Nachwuchsentwickler, der strenge Anweisungen, klare Grenzen und eine schrittweise Überwachung benötigt.
Wenn Sie die Kunst der "Kontextbox" und der iterativen Debugging-Schleife beherrschen, können Sie benutzerdefinierte Automatisierungen in einem Bruchteil der üblichen Zeit erstellen. Sie hören auf zu debuggen und beginnen mit der Bereitstellung.
Wenn Sie sich nicht länger mit fehlerhaften Skripten herumschlagen wollen, sondern zuverlässige, skalierbare automatisierte Systeme aufbauen möchten, können wir Ihnen helfen. Buchen Sie eine Demo mit Evalics heute, um zu erfahren, wie wir kugelsichere KI-Workflows für wachsende Unternehmen implementieren.
Verwandte Ressourcen
- Prompt Engineering Schritt für Schritt Checkliste
- System-Eingabeaufforderung vs. Benutzer-Eingabeaufforderung
- Gemini 3 Thinking vs. Gemini 3 Pro Was ist der Unterschied in Google Workspace
- Wie ChatGPT Claude und Gemini System- und Benutzereingaben interpretieren
Offizielle Quellen
- Google AI für Entwickler Dokumentation
- Google Apps Script-Referenzhandbuch
- Stack Overflow Umfrage unter Entwicklern
Von Kevin Michael Schindler, Experte für KI-Automatisierung bei Evalics