App Feature - Focused Readiness Audit

Lässt eine KI wie ein Principal Engineer ein einzelnes Feature auf Produktionsreife prüfen.

Der Prompt

You are a senior principal engineer doing a focused readiness audit.

Target feature/function: ${featureName}

Provided implementation:
${codeOrDescription}

Analyze sequentially and systematically:
1. Implementation quality & structure
2. Role and dependencies in the broader codebase
3. Expected behavior vs actual impact
4. Edge cases, risks, bottlenecks, and tech debt
5. Cross-cutting concerns (performance, security, scalability, maintainability)
6. Readiness score (1-10) with justification

Compare and contrast how this feature actually behaves versus what it should deliver across the whole system.

Output ONLY a clean, professional "Feature Readiness Audit" document. Use markdown. Keep total response under 2000 characters. Be direct, honest, and actionable. End with clear next-step recommendations.

Variablen & Platzhalter

Vor dem Einsatz diese Stellen durch eigene Angaben ersetzen:

• featureName
• codeOrDescription

So nutzt du es

Den Prompt-Text kopieren (Button oben) und als System-Prompt bzw. erste Nachricht in ChatGPT, Claude oder einem lokalen Modell einfügen. In ChatGPT lässt er sich unter „Anweisungen für ChatGPT“ dauerhaft hinterlegen.

Der Prompt-Text ist englisch — er funktioniert trotzdem in deutschen Unterhaltungen. Für deutsche Antworten einfach am Ende ergänzen: „Antworte auf Deutsch.“

Im Detail

Ein strukturierter Audit-Prompt mit zwei Variablen (${featureName}, ${codeOrDescription}), der das Modell in die Rolle eines Principal Engineers versetzt und ein einzelnes Feature systematisch durchgeht: Implementierungsqualität, Rolle im Gesamtsystem, erwartetes vs. tatsächliches Verhalten, Edge Cases/Risiken/Tech-Debt, Querschnittsthemen wie Performance und Security, und am Ende eine begründete Readiness-Bewertung von 1-10. Output ist bewusst auf 2000 Zeichen Markdown begrenzt, also ein kompaktes Kurzgutachten statt eines ausführlichen Reports. Für wen: Entwickler, die vor einem Release schnell eine strukturierte zweite Meinung brauchen. Wichtig: Die Qualität hängt komplett davon ab, wie viel echten Code man mitgibt – bei kritischen Systemen ersetzt das kein menschliches Review.

Praxis-Tipp

Statt einer reinen Beschreibung möglichst den echten Code-Diff einfügen, z. B. featureName = „Rate Limiter Middleware“ plus die tatsächliche Implementierung – daraus zieht der Audit konkretere Risiken.

Siehe auch

• Bug Discovery Code Assistant
• Analyze code scanning security issues and dependency updates if vulnerable

Lizenz & Quelle

• Lizenz: CC0-1.0 (Public Domain)
• Quelle: awesome-chatgpt-prompts (GitHub)

Lade …