Data Scientists arbeiten anders als klassische Softwareentwickler. Sie explorieren in Notebooks, probieren Hypothesen aus und verwerfen vieles wieder. Coding-Agenten passen auf den ersten Blick gut dazu, weil sie schnell Code für Analysen, Visualisierungen und Modelltraining erzeugen. Doch gerade in Data Science entstehen dabei leicht Ergebnisse, die sich nicht reproduzieren lassen oder auf stillen Fehlern beruhen. Dieser Ratgeber zeigt, wie Data-Teams Agenten einsetzen, um schneller vom Experiment zur verlässlichen Pipeline zu kommen.
Notebooks und Agenten: eine schwierige Beziehung
Notebooks sind ideal zum Explorieren, aber ein schwieriges Arbeitsumfeld für Agenten. Zellen werden in beliebiger Reihenfolge ausgeführt, Zustand versteckt sich im Kernel, und Ausgaben vergrößern die Dateien erheblich. Claude Code kann Notebooks lesen und bearbeiten, Cursor bietet ebenfalls Notebook-Unterstützung. Trotzdem liefern Agenten oft bessere Ergebnisse, wenn die eigentliche Logik in Python-Modulen liegt und das Notebook nur noch aufruft und visualisiert.
Ein praktischer Ansatz ist deshalb, Agenten gezielt beim Übergang einzusetzen: Aus einem explorativen Notebook extrahiert der Agent Funktionen in ein Modul, schreibt Tests dazu und ersetzt die Zellen durch Aufrufe. Was vorher eine Woche Aufräumarbeit war, ist so in wenigen Stunden erledigt.
Reproduzierbarkeit als oberste Regel
Ein Agent, der eine Analyse schreibt, trifft unzählige kleine Entscheidungen: wie fehlende Werte behandelt werden, welche Zeilen gefiltert werden, welcher Zufallsseed verwendet wird. Wenn diese Entscheidungen nicht festgehalten werden, lässt sich ein Ergebnis später weder erklären noch wiederholen. Für Data-Teams gehört deshalb eine klare Liste von Reproduzierbarkeitsregeln in die CLAUDE.md oder AGENTS.md.
Dazu zählen festgelegte Umgebungen mit gepinnten Paketversionen, fixe Seeds, versionierte Datenstände, keine stillen Datentransformationen und ausdrückliche Hinweise, wenn Annahmen getroffen wurden. Agenten befolgen solche Regeln zuverlässig, wenn sie konkret formuliert sind.
- Definieren Sie die Projektumgebung mit einem Werkzeug wie uv, Poetry oder conda und pinnen Sie die Versionen.
- Verlangen Sie in der Regeldatei, dass jede Datenbereinigung als eigene, getestete Funktion umgesetzt wird.
- Lassen Sie den Agenten am Ende jeder Analyse eine kurze Liste der getroffenen Annahmen ausgeben.
- Überführen Sie wiederkehrende Analysen in Pipelines, etwa mit Orchestrierungswerkzeugen wie Airflow, Dagster oder Prefect.
Datenschutz bei Analysen mit Agenten
Agenten lesen häufig nicht nur Code, sondern auch Beispieldaten, um den Code darauf abzustimmen. Wenn diese Daten personenbezogen sind, gelangen sie in den Kontext des Modells. Arbeiten Sie deshalb mit Stichproben aus synthetischen oder anonymisierten Daten und halten Sie Rohdaten außerhalb des Arbeitsverzeichnisses. Für Freitextdaten wie Kundenanfragen oder Gesprächsnotizen kann Textwash Pro personenbezogene Angaben automatisch entfernen, bevor sie in Experimente einfließen.
Achten Sie außerdem auf Ausgaben in Notebooks. Zellenausgaben mit Tabellenauszügen werden mitversioniert und landen damit auch im Kontext des Agenten, wenn er das Notebook liest. Ein einfacher Pre-Commit-Hook, der Ausgaben vor dem Commit entfernt, verhindert, dass echte Datensätze unbemerkt im Repository auftauchen. Klären Sie zudem mit Ihrer Datenschutzbeauftragten, welche Datenkategorien grundsätzlich nicht mit externen Diensten verarbeitet werden dürfen.
Was ein Data-Science-Workshop vermittelt
Im Workshop arbeiten Data Scientists und Data Engineers an eigenen Projekten. Typische Übungen sind die Überführung eines Notebooks in ein getestetes Modul, das Aufsetzen einer reproduzierbaren Umgebung, die Erstellung von Datenvalidierungen und das Review agentisch erzeugter Analysen auf statistische Fehler. Ein besonderer Fokus liegt auf typischen Agenten-Fehlern in diesem Feld: Datenlecks zwischen Trainings- und Testdaten, falsch interpretierte Metriken und überzeugend klingende, aber unbegründete Schlussfolgerungen.
Am Ende steht eine Regeldatei, die auf Ihre Datenlandschaft und Ihre Werkzeuge zugeschnitten ist.
Workshop mit neooutput
Die Agentic-Coding-Workshops von neooutput werden von unseren AI Code Engineers geleitet, remote oder vor Ort, auf Deutsch oder Englisch. Für Teams, die zusätzlich LLM-Anwendungen, RAG-Systeme oder Agenten bauen möchten, stehen unsere AI Code Engineers auch on Demand zur Verfügung.
Besprechen Sie Ihr Vorhaben mit uns in einem kostenlosen 15-Minuten-Erstgespräch.
Häufige Fragen
Können Coding-Agenten mit Jupyter Notebooks arbeiten?
Ja, Claude Code und Cursor können Notebooks lesen und bearbeiten. Für verlässliche Ergebnisse empfehlen wir dennoch, wiederverwendbare Logik in Module auszulagern und das Notebook schlank zu halten.
Wie stellen wir sicher, dass Analysen korrekt sind?
Durch Tests für Datenbereinigung und Berechnungen, explizit dokumentierte Annahmen und ein fachliches Review durch eine Person mit statistischem Verständnis. Der Agent beschleunigt die Umsetzung, ersetzt aber nicht die inhaltliche Prüfung.
Dürfen Agenten echte Daten sehen?
Das sollten Sie mit Ihrem Datenschutz klären. In der Regel ist es sicherer, mit synthetischen oder anonymisierten Stichproben zu arbeiten und Rohdaten außerhalb des Agenten-Kontexts zu halten.