Agenten-Frameworks werden immer leichter aufzurufen und immer schwerer zu verstehen – was die plötzliche Beliebtheit eines KI-Engineering-Curriculums von Grund auf auf GitHub erklären dürfte. Das Repository rohitg00/ai-engineering-from-scratch – Slogan: "Learn it. Build it. Ship it for others." – sammelte an einem Tag rund 848 Sterne.
Der Anspruch sind erste Prinzipien. Statt SDK-Aufrufe zu verdrahten, führt das Curriculum Lernende dazu, KI-Systeme in vier Sprachen – Python, TypeScript, Rust und Julia – von Hand zu bauen. Es ist unter MIT-Lizenz kostenlos veröffentlicht, und begleitende Community-Beiträge nennen etwa 523 Lektionen sowie einen durchgängigen Do-it-yourself-Ansatz.
Dieser Ansatz trifft einen unbequemen, aber ehrlichen Moment. Die knappe Fähigkeit im KI-Engineering ist längst nicht mehr der Modellaufruf, sondern das Wissen darüber, was zwischen Prompt und Antwort passiert – Retrieval, Gedächtnis, Evaluation, Batching, Kosten, Fehlermodi. Wer nur Frameworks bedienen kann, merkt erst beim Ausfall oder bei der Rechnung, was ihm fehlt. Ein Curriculum, das diese Teile selbst umzusetzen verlangt, ist ein vernünftiges Gegenmittel gegen Framework-Flüssigkeit ohne Verständnis.
Die Einschränkung ist die übliche bei schnell wachsenden Community-Projekten: Diese Breite lädt zu ungleicher Qualität ein, und ein Lehrplan ist kein geprüfter Nachweis. Man sollte ihn als Landkarte behandeln und jede Lektion an Primärquellen prüfen. Es trendet aber aus einem Grund – viele Entwickler wollen wissen, was unter der Abstraktion steckt, nicht nur, wie man sie aufruft.
