Englisch ist die heißeste Programmiersprache der Welt! MongoDB hat gerade seinen MCP-Server veröffentlicht, und buchstäblich jeder kann jetzt Daten abfragen, ohne etwas über Datenbanken zu wissen. Von allem, was man mit diesem MCP-Server tun kann, gibt es zwei spezifische Gründe, warum ich sehr aufgeregt darüber bin: Erstens, die Möglichkeit, einem AI-Assistenten Zugriff auf den Kontext zu geben, der in Ihrer Datenbank gespeichert ist. Das ist riesig für diejenigen von uns, die Claude Code oder Codex verwenden, um Code zu schreiben, denn diese Assistenten können jetzt auf Ihre MongoDB-Datenbank zugreifen, um Ihre Daten so zu verarbeiten und zu verstehen, wie sie sind. Zweitens können Sie jetzt Abfragen in natürlicher Sprache schreiben. Das ermöglicht es jedem und seiner Mutter, Daten abzufragen, ohne etwas über Datenbanken zu wissen! Wenn Sie Englisch können, sind Sie bestens gerüstet. Übrigens können Sie Scoped-Service-Konten und granulare Berechtigungen verwenden, um zu steuern, welche Tools Lese- oder Schreibzugriff auf Ihre Daten erhalten. Das ist entscheidend, und ich wünschte, mehr Unternehmen würden das Gleiche tun. Hier ist ein Link zum GitHub-Repository des MCP-Servers: Danke an das @MongoDB-Team für die Zusammenarbeit an diesem Beitrag.

8 Regeln zur Verbesserung Ihres AI-Coding-Agenten. Alle diese Regeln funktionieren mit Claude Code, Cursor, VS Code und den meisten Programmiersprachen. Die Automatisierung dieser Regeln wird die Codequalität und Sicherheit, die von Ihren AI-Coding-Agenten produziert wird, um das 10-fache steigern. 1. Abhängigkeitsprüfungen - Verhindern Sie, dass Ihr Agent unsichere Bibliotheken basierend auf veralteten Trainingsdaten vorschlägt. 2. Geheimnisexposition - Automatische Behebung der Verwendung von fest codierten Anmeldeinformationen, die von Ihrem Coding-Agenten eingeführt wurden. 3. Datei- und Funktionsgröße - Automatisches Refactoring von Dateien oder Funktionen, die eine angemessene Länge überschreiten. 4. Komplexität und Parametergrenzen - Vereinfachen Sie übermäßig komplexen Code, der vom Agenten geschrieben wurde. 5. SQL-Injection - Automatische Behebung aller Datenbankinteraktionen mit unsaniertem Benutzereingaben. 6. Unbenutzte Variablen und Importe - Erkennen und Entfernen von totem Code. 7. Unsichtbare Unicode-Zeichen in AI-Regeldateien erkennen - Entfernen Sie Nullbreitenräume, Richtungsüberschreibungen und andere unsichtbare Zeichen, die bösartiges Verhalten verbergen können. 8. Unsichere OpenAI-API-Nutzung - Durchsetzen der Verwendung sicherer OpenAI-Endpunkte, ordnungsgemäßer Authentifizierung und Kontextisolierung. So können Sie dies automatisieren: Installieren Sie die @codacy-Erweiterung. Dies gibt Ihnen Zugriff auf eine CLI für lokale Scans und einen MCP-Server für die Agentenkommunikation. Von hier an, jedes Mal, wenn Sie Code generieren müssen: 1. Ihr Agent wird den Code schreiben. 2. Er wird dann die CLI von Codacy aufrufen, um ihn zu überprüfen. 3. Er wird alle Probleme in Echtzeit finden. 4. Ihr Coding-Agent wird die Probleme beheben. 5. Wenn der Code alle Prüfungen besteht, sind Sie fertig. Aufwand Ihrerseits: buchstäblich null! Codequalität und Sicherheit aufgrund dessen: 100x besser! Hier ist der Link zum Herunterladen der Erweiterung für Ihre IDE: Danke an das Codacy-Team für die Zusammenarbeit an diesem Beitrag.

Ich habe die Erfolgsquote meines Multi-Agenten-Spiels von 83 % auf etwas über 92 % gesteigert. Riesige Verbesserung! Hier ist die wichtigste Lektion, die ich gelernt habe: Bewege so viel Funktionalität wie möglich in Tools und lasse das LLM diese nutzen. Je weniger das LLM zu tun hat, desto besser. Ein LLM ist viel besser darin, zu entscheiden, welches Tool verwendet werden soll, als die Arbeit dieses Tools selbst zu erledigen, selbst wenn es sich um einfache Arbeiten handelt. Ich habe einen 100-zeiligen Prompt auf 25 Zeilen und 3 Python-Funktionen reduziert, die alle Funktionalitäten implementieren. Der Nachteil ist mehr Code, aber der Vorteil ist, dass die Zuverlässigkeit um fast 10 % gestiegen ist.