heise+ | Strukturelle Code-Signale als Navigationshilfe für agentische QA-Systeme

Agentische Qualitätssicherungssysteme – also LLM-Instanzen, die im Rahmen von Tool-Use-Schleifen autonom Repositories untersuchen und auf Schwachstellen analysieren – haben bei isolierten Aufgabenstellungen einen hohen Reifegrad erreicht. Sie parsen Ticketspezifikationen, identifizieren Randbedingungen und erkennen potenzielle Fehlerquellen im Änderungskontext.

• Große Sprachmodelle können Code semantisch analysieren und strukturelle Schwachstellen identifizieren.
• In gewachsenen Codebasen führen fehlende Priorisierung und architektonischer Kontext zu ineffizienter Analyse.
• Versionskontroll-Metadaten ermöglichen es, den Suchraum zu verkleinern und risikorelevante Komponenten gezielt zu priorisieren.

Die Herausforderung im industriellen Einsatz liegt selten in der semantischen Qualität der Analyse, sondern in der Auswahl der Zielkomponenten. Trifft ein Agent ohne strukturierte Kontextinformationen auf eine Enterprise-Codebasis mit zahlreichen Modulen und mehrjähriger Historie, greift er zwingend auf flache Heuristiken zurück:

• Traversierung hierarchischer Dateibäume nach Namenskonventionen,
• Priorisierung anhand reiner Dateigrößen (LOC),
• Fokussierung auf die jüngsten Commits des Arbeitszweigs.

Dieses Vorgehen führt zu einem fundamentalen Allokationsproblem: Der Agent wendet erhebliche Token-Budgets und Ausführungszeit für strukturell unkritische Module auf. Gleichzeitig bleiben architektonisch instabile Komponenten – etwa stark gekoppelte Dateien mit hoher Änderungshäufigkeit und geringer Entwicklerredundanz – unberücksichtigt, sofern sie nicht zufällig Gegenstand des aktuellen Tickets sind. Für Testmanager entsteht dadurch das Risiko einer Scheinsicherheit: Analysierte Dateimenge und Risikoabdeckung sind nicht dasselbe.