Build Your Own AI

Was ist „Build Your Own AI“?

„Build Your Own AI“ ist ein Buch sowie ein dazugehöriges Lernprojekt zum Entwickeln von AI-Anwendungen, verfasst von Sebastian Wessel. Es erklärt anhand von TypeScript und echten Beispielen, wie Chatbots, RAG-Systeme, Toolaufrufe sowie AI-Agenten erstellt werden.

Es handelt sich nicht um eine kodenlose Plattform, mit der man durch Eingabe eines Satzes eine Anwendung erstellen kann, und es werden auch keine Abonnements für gehostete Modelle angeboten. Die offizielle Website dient hauptsächlich zum Durchblättern des Inhaltsverzeichnisses, zum Ansehen von Auszügen aus Kapiteln, zum Betrachten von Beispielprojekten sowie zum Kauf von E-Books.

Eine kurze Beschreibung

„Build Your Own AI“ ist ein praktisches Lehrbuch für Entwickler zu LLMs, das darauf abzielt, das zugrundeliegende Muster zu verstehen und kontrollierbare KI-Anwendungen mit wenigen Abhängigkeiten zu erstellen.

Autor und Lernpositionierung

Der Autor Sebastian Wessel beschreibt dieses Buch als eine Praxisanleitung „für Entwickler von Entwicklern“, die sich an Anfänger, Programmierer mit bereits vorhandenen Kenntnissen sowie Interessenten an KI-Anwendungen richtet. Der Inhalt zielt nicht darauf ab, wissenschaftliche Forschung oder den Aufbau grundlegender Modelle zu betreiben.

Beispiele verwenden TypeScript, Bun und direkte Netzwerkanfragen, um die Abstraktion durch Frameworks so weit wie möglich zu reduzieren. Der Leser kann die grundlegenden Konzepte auf Python, Java, Go oder andere Sprachen übertragen.

Hauptlerninhalte

Grundlagen großer Sprachmodelle

Die grundlegenden Kapitel erklären Konzepte wie Sprachmodelle, Wissensspeicherung, Tokenisierung und Kontext. Ziel ist es, Anwendungsentwicklern zu helfen, die Eingaben und Ausgaben der Modelle zu verstehen, anstatt in tiefe mathematische Herleitungen einzutauchen.

Lokales Modellbetrieb

Das Buch stellt LM Studio und Ollama vor, um den Lesern zu helfen, kostenlose Modelle auf ihrem eigenen Computer auszuführen. Dadurch kann man von der Abhängigkeit von externen Schnittstellen abkommen und die Abwägungen zwischen Hardware, Geschwindigkeit und Modellgröße betrachten.

Die erste KI-Anwendung

Die Leser beginnen mit grundlegenden Anfragen und fügen nach und nach Chat-Historien, Systemhinweise sowie Kontrollmechanismen hinzu. Die Beispiele vermeiden eine verborgene Logik, um die Funktion jedes Anfragefeldes leichter verstehen zu können.

Tipps für das Engineering

Der Inhalt umfasst Muster wie Systemhinweise, Schlussfolgerungen, Selbstreflexion und Hinweise des Code-Assistenten. Hinweise sind nur ein Teil des Systems und können Daten, Bewertungen, Berechtigungen und Fehlerbehandlung nicht ersetzen.

RAG-Suche zur Verbesserung der Generierung

Die RAG-Kapitel umfassen die Erstellung einer Wissensdatenbank, Vektorsuche, die Bewertung von Antworten sowie Verbesserungen bei der Suche. Die Leser lernen, wie man Modelle so einstellt, dass sie auf der Grundlage eigener Dokumente antworten – anstatt sich nur auf Parameter zu verlassen.

Wissensgraphen und Datenerstellung

Das Buch erläutert weiterhin das Wissensextrahieren, Wissensgraphen, Frage-Antwort-Datensätze sowie die Datenerfassung. Es eignet sich für Entwickler, die unstrukturierte Inhalte in suchbares Wissen umwandeln müssen.

Modellauswahl und -bewertung

Der Leitfaden vergleicht Modelle wie Llama und Qwen und erörtert Temperatur, Kontext sowie die Leistung bei verschiedenen Aufgaben. Da sich die Versionen der Modelle schnell ändern, sollte der Leser diese Methoden als Bewertungshilfen betrachten und nicht als endgültige Rangliste.

Toolaufruf

Der Abschnitt zur Aufrufung von Tools zeigt, wie Modelle Funktionen auslösen und mit der externen Umgebung interagieren können, und stellt zugleich moderne Methoden zum Aufruf von Tools sowie vereinfachte Implementierungen vor. Schwerpunkt liegen auf strukturierten Parametern, Berechtigungen und der Rückgabe von Ergebnissen.

AI-Programmierumgebung Buddy

Das begleitende Buddy-Projekt demonstriert eine von KI angetriebene IDE im Browser, die Codeerstellung, Dateisystemwerkzeuge sowie Projektwissen umfasst. Es dient als Lehrbeispiel und sollte nicht direkt als ausgereifte kommerzielle Entwicklungsumgebung verwendet werden.

KI-Agenten

In den folgenden Kapiteln werden intelligente Checklisten-Agenten, Fakten-Agenten sowie Erweiterungen für Agenten erläutert. Der Leser kann so verstehen, wie Aufgaben aufgeteilt werden, wie Schleifen, Werkzeuge und Stoppsbedingungen miteinander kombiniert werden.

Feinabstimmung und RAG-Selektion

Das Buch bietet eine Grundlage für das Feintunen und vergleicht die Anwendungsszenarien von Feintuning mit RAG. Die meisten Probleme im Zusammenhang mit dem Aktualisieren von Wissen eignen sich besser für RAG, während Probleme bezüglich der Formatstabilität und des Verhaltens eher ein Feintunen erfordern.

Überblick über die Gliederung des Kapitels

Für welche Leser geeignet

• Frontend- und Full-Stack-Entwickler: Sie möchten KI-Anwendungen verstehen, anstatt nur auf vorgefertigte Frameworks zurückzugreifen.
• Backend-Entwickler: Es ist notwendig, Schnittstellen für Chatten, RAG und Toolaufrufe zu implementieren.
• TypeScript-Nutzer: Möchten LLM-Anwendungen in einer vertrauten Sprache lernen.
• Entwickler außerhalb von Python: Sie möchten universelle, übertragbare Muster beherrschen.
• Unabhängige Entwickler: Bereiten Sie sich darauf vor, lokale oder cloudbasierte AI-Prototypen zu entwickeln.
• Technischer Leiter: Es ist notwendig, RAG, Agenten und Anpassungsstrategien zu bewerten.

Für welche Anforderungen ist es nicht geeignet?

• Anwender, die hoffen, Websites oder Agenten ohne Programmieren direkt erstellen zu können.
• Für Leser, die vollständige mathematische Herleitungen sowie Forschungen zur Schulung grundlegender Modelle benötigen.
• Unternehmen, die nur einen Service für gehostete Chatbots kaufen möchten.
• Teams, die über vorbereitete Unternehmensrechte, Audits und Servicegarantien verfügen müssen.
• Projekte, bei denen man hofft, den Code direkt in die Produktion übernehmen zu können, ohne Sicherheitsanpassungen vorzunehmen.

Kaufen und Preis

Die offizielle Website bietet Zugänge zum Autorladen sowie zu anderen Buchhandlungen zum Kauf. Stand dem 24. August 2026 erfordert die Seite des Autorladens eine Sicherheitsüberprüfung, und auf der öffentlichen Seite wird kein einheitlicher Verkaufspreis angezeigt, den man direkt überprüfen könnte.

Verschiedene Geschäfte, Länder, Währungen, E-Book-Formate und Aktionen können zu Preisunterschieden führen. Vor dem Kauf sollten die auf der Endseite des Shops angezeigten Beträge, Steuern, Dateiformate, Anzahl der Downloads sowie die Rückgaberegeln berücksichtigt werden.

Der Kauf von Büchern beinhaltet keine Lizenzen für Cloud-Modelle und stellt auch keine kostenlosen Dienste Dritter aus den Beispielen dar. Für die Verwendung lokaler Modelle sind Kosten für Hardware, Energie und Speicherung anfallend, während der Einsatz kommerzieller Modelle nach den Preisen des Anbieters abgerechnet wird.

Anforderungen an die Umgebung vor dem Lernen

• VS Code, Zed oder andere Code-Editor.
• Bun zum Ausführen und Paketverwalter.
• Moderne Webbrowser.
• Docker-Laufumgebung.
• Ausreichend Speicherplatz auf der Festplatte für das lokale Modell.
• Es wird empfohlen, mindestens 16 GB RAM zu verwenden; 32 GB oder mehr sorgen für eine bessere Leistung.
• Für lokale große Modelle wird ein RTX 3080 oder eine leistungsstärkere GPU empfohlen.

Man kann auch ohne eine leistungsstarke Grafikkarte die Schnittstellen und Architekturen erlernen, doch die Geschwindigkeit der lokalen Inferenz wird eingeschränkt. Leser können kleinere Quantisierungsmodelle oder externe Schnittstellen verwenden, um bestimmte Kapitel zu bearbeiten.

Empfohlener Lernweg

1. Lesen Sie zuerst die Grundkapitel zu Modellen, Tokens und Kontext.
2. Installieren Sie Bun, Docker und Ollama und führen Sie ein kleines Modell aus.
3. Führen Sie die grundlegenden Chatanfragen aus und speichern Sie mehrere Historie-Ebenen.
4. Üben Sie systematische Hinweise und strukturierte Ausgaben.
5. Erstellen Sie mit wenigen Dokumenten die erste RAG-Wissensdatenbank.
6. Erstellen Sie Testfragen, um die Genauigkeit der Suche und der Antworten zu vergleichen.
7. Fügen Sie ein nur zum Lesen geeignetes Werkzeug hinzu, um Parameter zu überprüfen und Fehler zu verarbeiten.
8. Führen Sie das Buddy-Beispiel aus, um Dateiwerkzeuge und Projektwissen zu verstehen.
9. Einfache Intelligenzagenten implementieren und maximale Schrittanzahl sowie Stoppsbedingungen festlegen.
10. Schließlich wird der Anwendungsbereich von RAG, Prompting und Fine-Tuning verglichen.

Wie man den dazugehörigen Code verwendet

1. Gehen Sie zur offiziellen GitHub-Organisation und wählen Sie den Repository mit den Buchbeispielen aus.
2. Lesen Sie die README, die Anforderungen an die Umgebung und die Lizenz.
3. Kopieren Sie ein Beispiel für Umgebungsvariablen – senden Sie keine echten Schlüssel.
4. Führen Sie das minimale Beispiel Kapitel für Kapitel aus, um die Verbindung zum lokalen Modell und zur Datenbank zu überprüfen.
5. Ändern Sie einen Parameter und beobachten Sie die Veränderungen in der Ausgabe.
6. Erstellen Sie eigene Testbeispiele für RAG und Agenten.
7. Lassen Sie den Demonstriierungscode nicht direkt im öffentlichen Internet zugänglich.
8. Lizenz und abhängige Lizenzen erneut überprüfen, bevor sie für kommerzielle Projekte verwendet werden.

Offizielles GitHub-Projekt

Auf die Lizenzbedingungen des Codes muss besonders geachtet werden.

Die Lizenz für das Beispielarchiv mit Büchern ist die Creative Commons Namensnennung, Nicht-kommerziell, Keine Bearbeitung 4.0 International. Diese Lizenz erlaubt den nicht-kommerziellen Austausch, verbietet jedoch die kommerzielle Nutzung und beschränkt die öffentliche Verbreitung von überarbeiteten Versionen.

Daher bedeutet „Offenlegung des Repositoriums“ nicht, dass es den üblichen Definitionen für Open-Source-Software entspricht, und es kann auch nicht automatisch für kommerzielle Produkte verwendet werden. Für Änderungen, Veröffentlichungen oder kommerzielle Nutzung ist eine gesonderte Genehmigung des Autors erforderlich.

Bedeutung der Lizenz

• Das Ansehen und Lernen von Code stellt in der Regel kein Problem dar.
• Bei der Weitergabe von Urmaterialien müssen die Urheberangaben und Lizenzinformationen beibehalten werden.
• Die Genehmigungsunterlagen dürfen nicht hauptsächlich zu kommerziellem Gewinn verwendet werden.
• Das überarbeitete Material darf nicht unter dieser Lizenz öffentlich geteilt werden.
• Dritte Parteien unterliegen weiterhin ihren jeweiligen Lizenzen.
• Für kommerzielle Projekte muss eine separate Lizenz bei dem Autor eingeholt werden.

Vorteile des Projekts

• Mit Schwerpunkt auf der praktischen Anwendung – ohne sich nur auf Beispiele für Eingabefragen zu beschränken.
• Umfasst lokale Modelle, RAG, Toolaufrufe und die gesamte Kette der Agenten.
• Die Verwendung von TypeScript eignet sich für Webentwickler.
• Verminderung der Abstraktion des Rahmens, um die zugrundeliegenden Netzwerke und Datenstrukturen besser verstehen zu können.
• Der Beispielcode ist öffentlich zugänglich, was das Debuggen nach Kapiteln erleichtert.
• Es wird die Bewertung der gefundenen Antworten sowie der Vergleich verschiedener Modelle betont.
• Es ist nicht an ein bestimmtes Modell, eine Cloud-Plattform oder eine Programmiersprache gebunden.

Einsatzbeschränkungen und Hinweise

• Die Geschwindigkeit der Inhaltserneuerung kann hinter den schnell wandelnden Modellen und Schnittstellen zurückbleiben.
• Die Beispiele dienen der Veranschaulichung im Unterricht und stellen keine sicherheits- oder Skalierungslösungen für Produktionsumgebungen dar.
• Lokale Modelle haben hohe Anforderungen an GPU, Speicher und Festplatte.
• Einige Tools und Modellversionen können von denen im Buch abweichen.
• Die Code-Lizenz beschränkt die kommerzielle Nutzung sowie die Verbreitung von abgeleiteten Werken.
• Buddy verfügt über keine offizielle Veröffentlichungsversion und eignet sich daher nicht als wichtiges Entwicklungsumfeld.
• Der derzeitige offizielle Verkaufspreis für E-Books kann auf der öffentlichen Seite nicht ermittelt werden.
• Die Leser müssen weiterhin Authentifizierung, Berechtigungen, Überwachung und Datenschutz ergänzen.

Was muss von dem Beispiel zur Produktionsumgebung hinzugefügt werden?

• Konten, Organisationen und Rollenrechte.
• Schlüsselverwaltung, Geschwindigkeitsbeschränkungen und Kostenbudget.
• Tipps zu Injektionen, Aufrufen von Tools mit übermäßigen Berechtigungen und Tests zur Datenleckage.
• Log-Demaskierung, Tracking, Alarme und Auditing.
• Offline-Bewertungssätze und kontinuierliche Qualitätsüberwachung.
• Wiederholung, Rückfall und Downgrade bei nicht verfügbarem Modell.
• Prozesse für die Aufbewahrung, Löschung von Daten und Nutzerrechte.
• Abhängigkeitslisten, Lizenzprüfungen und Lieferketten-Scans.

Privatsphäre und Sicherheit

Die Lokale Ausführung von Modellen kann die Übertragung von Texten an Cloud-Anbieter verringern, doch die Anwendung kann dennoch Daten in Protokolle, Vektordatenbanken und Browser-Speicher schreiben. Entwickler müssen den gesamten Datenfluss überprüfen.

Legen Sie bei der Lernphase keine Kundenunterlagen, persönliche Daten sowie Produkt-Schlüssel in die Beispielprojekte. Wenn Sie externe Modell-Interfaces verwenden, sollten Sie die Regeln des Anbieters zur Datenspeicherung und -verarbeitung einsehen.

API und Produktformen

BuildOwn.AI zeigt, wie man die Schnittstelle des Modells aufruft, ist aber selbst kein Anbieter einer Modell-API. Die Kategorisierung eignet sich eher für „Lernressourcen zur KI“ oder „Entwickler-Tutorials“ als für einen „KI-Anwendungs-Generator“.

Grundlegende Informationen

Häufige Fragen

Ist „Build Your Own AI“ ein AI-Tool?

Es handelt sich hauptsächlich um eine Sammlung von Entwicklerbüchern sowie zugehörigem Code – es ist keine Online-Plattform, auf der man direkt Anwendungen erstellen kann. Die Leser müssen selbst programmieren und die Modelle ausführen.

Ist Kenntnisse in Python erforderlich?

Das ist nicht notwendig – im Buch wird TypeScript verwendet, um die Konzepte zu erklären, wobei betont wird, dass die grundlegenden Muster auf andere Sprachen übertragen werden können. Grundkenntnisse in der Programmierung erleichtern das Lernen.

Ist eine hochwertige Grafikkarte unbedingt notwendig?

Nicht alle Kapitel sind notwendig, aber die Ausführung großer Modelle lokal wird erheblich von der Hardware beeinflusst. Es wird empfohlen, mindestens 16 GB RAM zu verwenden und geeignete quantisierte Modelle anzuwenden.

Wie viel kosten E-Books?

Der Autor-Shop ist derzeit durch Sicherheitsüberprüfungen geschützt; auf den öffentlichen Seiten wird kein einheitlicher Verkaufspreis angezeigt. Es sollten die Angaben im eigentlichen Shop sowie auf der Zahlelseite herangezogen werden.

Kann der Code für kommerzielle Zwecke verwendet werden?

Eine kommerzielle Nutzung ist nicht vorausgesetzt; die Beispiellager verwenden eine nicht-kommerzielle Lizenz mit Verbot der Weiterentwicklung. Für kommerzielle Projekte ist eine gesonderte Genehmigung des Autors erforderlich, und die zugrunde liegenden Lizenzen müssen überprüft werden.

Ist das Projekt Open Source?

Der Code ist öffentlich einsehbar, doch die eingeschränkte Lizenz entspricht nicht den Bedingungen für die freie Nutzung und Änderung typischer Open-Source-Software. Er sollte klar als Projekt zum Lernen von Open-Source-Code gekennzeichnet werden.

Zusammenfassung

„Build Your Own AI“ eignet sich für Entwickler, die die Struktur von LLM-Anwendungen wirklich verstehen möchten – insbesondere für diejenigen mit Erfahrung in TypeScript und Web-Technologien. Der Vorteil liegt in der klaren Struktur des Lehrplans sowie in den verständlichen Beispielen. Allerdings müssen Preis, Hardwareanforderungen, Lizenzbedingungen für den Code sowie Aspekte der Produktssicherheit im Voraus geklärt werden.