Agentische KI in der Entwicklung
Verifizierung und Validierung mittels Agentic AI
Embedded-Software wird von Jahr zu Jahr komplexer, was die Anforderungen an Verifizierung und Validierung erhöht. KI-Agenten auf Basis von Large Language Models (LLMs) können hier Abhilfe schaffen. Tapio Kramer und Christoph Stockhammer von MathWorks erläutern die Hintergründe.
Elektronik: Welche Trends sehen Sie derzeit im Bereich Embedded-Software-Testing und Code-Analyse?
Tapio Kramer, Sales Representative Polyspace Products Europe bei MathWorks: Ich sehe zwei klare Trends, besonders bei sicherheitskritischen Embedded-Systemen.
Tapio Kramer, MathWorks: »Verifizierung und Validierung finden immer früher im Entwicklungsprozess statt und werden zunehmend automatisiert.«
Erstens wollen Teams, dass ihre Tools nahtlos zusammenarbeiten. Tool-Brüche zwischen Modellierung, Codierung und den damit verbundenen Verifizierungs- und Validierungsaktivitäten, wie Softwaretests und Codeanalyse, sollen möglichst vermieden werden. Jede zusätzliche Tool-Schnittstelle verursacht Reibung – sowohl in technischer als auch in organisatorischer Hinsicht –, und diese Reibungsverluste werden besonders dann zu einer Herausforderung, wenn Zertifizierungen oder Compliance-Anforderungen erfüllt werden müssen. Wenn Unternehmen Tools und Workflows konsolidieren, steigt die Effizienz fast sofort.
Zweitens finden Verifizierung und Validierung immer früher im Entwicklungsprozess statt und werden zunehmend automatisiert. Niemand will monatelang entwickeln und erst dann grundlegende Probleme entdecken. Moderne Entwicklungsansätze helfen, diese Herausforderung zu lösen, indem sie Probleme so früh wie möglich erkennen, idealerweise bereits bei der Erstellung von Modellen oder Code und nicht erst nach dem Deployment in der Hardware.
Diese beiden Trends gehen Hand in Hand: frühzeitige Verifizierung und weniger, besser integrierte Tools. In Kombination mit den neuen AgenticAI Capabilities von Matlab, Simulink und Polyspace lassen sich diese Workflows dann noch schneller durchführen.
Wie verändert Agentic AI konkret die Nutzung von Matlab und Simulink?
Christoph Stockhammer, Principal Application Engineer bei MathWorks: Die neuen Workflows von MathWorks sind darauf ausgelegt, LLM-basierte Agenten direkt in etablierte Engineering-Tools zu integrieren, sodass die Agenten Berechnungen, Simulationen, Tests und Analysen innerhalb von Matlab, Simulink und Polyspace ausführen können. Anstatt generative KI also lediglich als Mechanismus zur Codegenerierung zu betrachten, positionieren diese Workflows Matlab, Simulink und Polyspace als Engineering-Tools, die von LLM-basierten Agenten bedient werden können.
Simulink Copilot zeigt, wie sich Designänderungen im Modell umsetzen lassen, und liefert dafür Schritt-für-Schritt-Anleitungen.
Im Mittelpunkt dieses Ansatzes steht die Integration über das Model Context Protocol (MCP). Matlab lässt sich mithilfe des Matlab MCP Server in agentische KI-Workflows integrieren. So werden die Verbindungen zwischen agentischen KI-Anwendungen und Matlab standardisiert. Ingenieure können nun über KI-Agenten Code ausführen, debuggen und Aufgaben direkt in Matlab automatisieren, anstatt auf manuelle Copy-Paste-Vorgänge zwischen einer KI-Chat-Oberfläche und der Matlab-Umgebung angewiesen zu sein. Nutzer können in Zukunft automatisiert einen Entwurf generieren und Code sofort ausführen lassen, Ergebnisse beobachten und auf der Grundlage der tatsächlichen Simulationsergebnisse iterieren.
Welche Rolle spielen Polyspace-Produkte dabei im MathWorks-Portfolio?
Tapio Kramer: MathWorks hilft Ingenieuren dabei, Ideen in funktionierende Systeme umzusetzen – oft ausgehend von Modellen in Matlab und Simulink. Beim Model-Based Design findet ein Großteil der Verifizierung bereits auf Modellebene statt.
Letztendlich werden sicherheitskritische Embedded-Produkte jedoch als C- oder C++-Code ausgeliefert. Dieser C/C++-Code kann aus Modellen deterministisch generiert, mit Coding-Agents erstellt, handgeschrieben oder eine Kombination aus allen dreien sein. Polyspace erweitert die Verifikation und Validierung auf der Modellebene bis hin zur Code-Implementierung. Es analysiert sowohl generierten als auch handgeschriebenen Code und bietet C- und C++-Softwaretests, was es zu einem wichtigen Baustein im End-to-End-Workflow macht.
In diesem Sinne vervollständigt Polyspace den MathWorks-Workflow, indem es sicherstellt, dass jeder bereitgestellte Code wie vorgesehen funktioniert, robust ist und Industriestandards entspricht.
Welche Probleme lösen solche Polyspace-Tools für Embedded-Software-Teams?
Tapio Kramer: Polyspace adressiert Softwarequalität auf Codeebene, indem es sowohl statische Codeanalyse als auch dynamische Tests in einer einheitlichen Umgebung bereitstellt. Die statische Analyse umfasst die Einhaltung von Codierungsstandards, wie MISRA, zu prüfen, und nutzt formale Methoden, um Runtime-Fehler frühzeitig zu erkennen.
Polyspace as You Code in VS-Code markiert eine Division durch Null. Polyspace Copilot schlägt eine Korrektur im C-Code vor.
Diese deterministischen Analysen liefern wertvolle Einblicke in die Softwarearchitektur und ermöglichen es Teams, die Robustheit und Wartbarkeit nachzuweisen. Polyspace bietet zudem dynamische Prüfungen für Unit- und Integrationstests sowie Coverage-Messungen sowohl in Workstations als auch in der Zielhardware.
Ein zunehmend wichtiger Aspekt ist die Cybersicherheit. Viele Vorschriften verlangen heutzutage den Nachweis, dass Embedded-Systeme gegen gängige Schwachstellen – vor allem Probleme mit der Speichersicherheit – gewappnet sind. Polyspace hilft Teams, zu demonstrieren, dass ihr Code nicht nur funktional korrekt, sondern auch sicher und robust ist.
Was ist neu in der Polyspace-Produktfamilie mit dem aktuellen Release 2026a?
Tapio Kramer: Das Release 2026a führt zwei neue Produkte ein: Polyspace as You Code und Polyspace Copilot. Hinzu kommt eine neue einheitliche Polyspace-Desktop-Anwendung.
Anbindung von Matlab und Simulink an KI-Agenten über MCP.
Polyspace as You Code integriert die statische Codeanalyse direkt in gängige IDEs wie Visual Studio Code, Visual Studio und Eclipse-basierte Umgebungen. Entwickler erhalten sofortiges Feedback zu Fehlern, Verstößen gegen Codierungsregeln und Sicherheitsproblemen, während sie Code schreiben – lange bevor sie in späteren Phasen Codeanalysen durchführen. Polyspace Copilot baut darauf auf und hilft Entwicklern durch generative KI, Fehler zu verstehen und Probleme durch kontextbezogene Erklärungen und Vorschläge schneller zu beheben.
Die neue Polyspace-Desktop-Anwendung vereint Konfiguration, Analyse, Test und Ergebnisverwaltung für alle Polyspace-Tools. Dies verringert den Aufwand für die Verwaltung von statischen Analysen, dynamischen Tests und Compliance-Aktivitäten über Teams und Projekte hinweg.
Generative KI bleibt auch in diesem Jahr ein wichtiges Thema. Was ändern Simulink Copilot und Polyspace Copilot für Entwickler?
Christoph Stockhammer: Die neuen generativen KI-Assistenten sind nicht einfach intelligente Suchwerkzeuge – sie sind kontextsensitiv und arbeiten direkt mit Modellen und Code.
Das Matlab Agentic Toolkit bietet KI-Programmieragenten Expertenwissen und eine Live-Verbindung zu Matlab, um Code zu erstellen, zu testen und zu debuggen, Apps zu entwickeln und Matlab-Toolboxen auf verschiedenen Agentenplattformen einzusetzen.
Simulink Copilot hilft Ingenieuren, Modelle und Fehler zu erklären. Außerdem können sie damit Tools und Techniken erlernen, Anleitungen für das Design bekommen und vordefinierte Aufgaben automatisieren, etwa die Überprüfung von Modellierungsstandards, das Ausführen von Tests und die Generierung von Code. Simulink Copilot liefert Erklärungen und Anleitungen auf Grundlage des aktiven Modells und der MathWorks-Dokumentation, um eine effiziente Optimierung des Systemverhaltens zu unterstützen.
Polyspace Copilot wiederum erklärt, warum ein Fehler auftritt, und schlägt Lösungen vor. Dadurch erhalten Entwickler kontextsensitive Fehlererklärungen und Anleitungen, die den Code-Analyseprozess beschleunigen.
Kurz gesagt: Simulink Copilot und Polyspace Copilot reduzieren den Aufwand für das Verstehen, Debuggen und Verbessern von Modellen und Code, ohne Ingenieuren die Kontrolle zu entziehen.
Wer profitiert heute am meisten von Polyspace?
Tapio Kramer: Polyspace wurde für Embedded-Software-Teams entwickelt, bei denen Qualität entscheidend ist: Entwickler, Qualitätsingenieure und Teams, die sicherheitskritische Produkte erstellen.
Polyspace vereint statische Analyse, dynamische Tests für den gesamten Softwareentwicklungszyklus – von der Entwickler-IDE bis zur CI-Pipeline – sowie einen KI-gestützten Assistenten in einer einzigen Tool-Suite. Es hilft Teams dabei, sicherere und leichter wartbare Embedded-Software zu liefern, ohne die Entwicklung zu verlangsamen.
Die Fragen stellte Andreas Knoll.