Von Autocomplete zu Agentic Testing: Testgenerierung mit Code Knowledge Graph

GenAI kann mehr als Code vervollständigen: Mit agentischen Workflows lassen sich Engineering-Aufgaben wie Testgenerierung und Refactoring-Absicherung teilautomatisiert umsetzen – sofern der Kontext stimmt. In der Praxis ist genau das die größte Hürde: große Repositories, verteilte Domänenlogik und die Frage, welche Stellen im Code für ein Requirement oder eine Änderung tatsächlich relevant sind.

In diesem Vortrag zeige ich, wie sich agentische Ansätze für Testing in Unternehmensumgebungen robust aufsetzen lassen und warum Graph-basierte Code-Knowledge-Modelle dabei oft besser funktionieren als reines Similarity-RAG. Am Beispiel unseres Tools CodeGraph (Graphdatenbank + LLM-Agenten) erläutere ich, wie Scoping, Retrieval und Nachvollziehbarkeit verbessert werden und welche Guardrails im Konzernumfeld wichtig sind (Governance, Zugriff, Kosten/Skalierung, Observability).

Lernziele

• Einordnung der wichtigsten Trends in GenAI/Agentic AI für Softwareentwicklung und Testing
  
• Praktische Prinzipien für Context Engineering (Scoping + Retrieval) in großen Codebasen
  
• Verständnis, wann und warum Graph-basierte Ansätze klassischen RAG-Setups überlegen sind
  
• Best Practices für den Einsatz im Unternehmenskontext (Qualität, Nachvollziehbarkeit, Betrieb)