# Einführung

Datenbanken sind nicht mehr nur Orte zum Speichern von Bewerbungsdatensätzen. Heute unterstützen sie Echtzeitanalysen, eingebettetes SQL, Caching, Überwachung, Replikation, KI-Agentenspeicher und vollständige Anwendungs-Backends.

In diesem Artikel betrachten wir 10 Open-Supply-GitHub-Repositories, die beliebt, praktisch und bei der Entwickler-Group beliebt sind. Diese Instruments können kostenlos erkundet, einfach lokal getestet werden und sind flexibel genug, um sie bei Bedarf als Ihr eigener, selbstverwalteter Server bereitzustellen.

Unabhängig davon, ob Sie eine Internet-App, ein Analyse-Dashboard, ein KI-Produkt oder ein verteiltes System erstellen, helfen Ihnen diese Repositories dabei, das moderne Datenbank-Ökosystem zu verstehen und das richtige Instrument für Ihr nächstes Projekt auszuwählen.

# 1. Klicken Sie aufHaus

ClickHouse ist ein Echtzeit-Analyse-Datenbankverwaltungssystem, das für schnelle analytische Abfragen großer Datenmengen entwickelt wurde.

Es wird häufig für Dashboards, Protokolle, Ereignisanalysen, Beobachtbarkeit und Enterprise-Intelligence-Workloads verwendet, bei denen es auf die Abfragegeschwindigkeit ankommt.

Am besten für: Echtzeit-Analysedatenbanken

Warum es nützlich ist:

• Leistungsstarke analytische Abfragen
• Supreme für große Daten-Workloads
• Nützlich für Dashboards und Berichtssysteme
• Gute Wahl für Echtzeit-Analyseplattformen

# 2. DuckDB

DuckDB ist ein prozessinternes analytisches SQL-Datenbankverwaltungssystem. Es ist für die Ausführung in Ihrer Anwendung, Ihrem Pocket book oder Ihrer lokalen Umgebung konzipiert, ohne dass ein separater Datenbankserver erforderlich ist.

Es ist besonders nützlich für Datenwissenschaftler, Analysten und Ingenieure, die lokale Dateien abfragen, mit Tabellendaten arbeiten oder schnelle SQL-basierte Analysen durchführen möchten.

Am besten für: Lokale analytische SQL-Verarbeitung

Warum es nützlich ist:

• Wird in Ihrer Anwendung oder Ihrem Pocket book ausgeführt
• Supreme für die lokale Datenanalyse
• Funktioniert intestine mit Dateien wie CSV und Parquet
• Einfache Einrichtung mit leistungsstarker SQL-Unterstützung

# 3. Supabase

Supabase ist eine Postgres-Entwicklungsplattform, die Entwicklern eine dedizierte Postgres-Datenbank zusammen mit Instruments für Authentifizierung, APIs, Speicherung und Echtzeitfunktionen bietet.

Es ist beliebt bei Entwicklern, die Internet-, Mobil- und KI-Anwendungen erstellen und die Leistung von Postgres mit einem modernen Entwicklererlebnis verbinden möchten.

Am besten für: Erstellen von Apps mit Postgres

Warum es nützlich ist:

• Basierend auf PostgreSQL
• Beinhaltet Datenbank, Authentifizierung, APIs und Speicher
• Supreme für Internet- und cell Apps
• Nützliche Various zum Aufbau von Backend-Diensten von Grund auf

# 4. Redis

Redis ist ein schneller In-Reminiscence-Datenspeicher, der für Caching, Echtzeitanwendungen, Warteschlangen, Sitzungsspeicherung und mehr verwendet wird.

Es wird häufig von Entwicklern verwendet, die Hochleistungsanwendungen erstellen, die schnellen Zugriff auf häufig verwendete Daten benötigen. Redis unterstützt auch Datenstrukturen und moderne Abfrageanwendungsfälle und ist damit mehr als nur ein einfacher Cache.

Am besten für: Caching und Echtzeit-Datenanwendungen

Warum es nützlich ist:

• Sehr schnelle In-Reminiscence-Leistung
• Supreme für Caching und Sitzungsspeicherung
• Nützlich für Warteschlangen und Echtzeitsysteme
• Unterstützt mehrere Datenstrukturen

# 5. Prometheus

Prometheus ist ein Überwachungssystem und eine Zeitreihendatenbank. Es wird häufig zum Sammeln, Speichern und Abfragen von Metriken aus Anwendungen und Infrastruktur verwendet.

Wenn Sie Produktionssysteme aufbauen, ist Prometheus eines der wichtigsten Werkzeuge, um Beobachtbarkeit und Überwachung zu verstehen.

Am besten für: Überwachungs- und Zeitreihendaten

Warum es nützlich ist:

• Sammelt und speichert Metriken
• Leistungsstarke Abfragesprache für die Überwachung
• Wird häufig bei Cloud-nativen Systemen verwendet
• Supreme für Warnungen, Dashboards und Infrastrukturtransparenz

# 6. Vitess

Vitess ist ein Datenbank-Clustering-System zur horizontalen Skalierung von MySQL.

Es hilft Groups bei der Ausführung großer MySQL-Bereitstellungen, indem es Sharding, Routing, Replikation und Skalierung übernimmt. Dies ist nützlich, wenn eine einzelne MySQL-Datenbank für wachsende Anwendungs-Workloads nicht mehr ausreicht.

Am besten für: Skalierung von MySQL-Datenbanken

Warum es nützlich ist:

• Hilft MySQL horizontal zu skalieren
• Unterstützt Sharding und Clustering
• Nützlich für große Produktionssysteme
• Entwickelt für Anwendungen mit hohem Verkehrsaufkommen

# 7. LiteFS

LiteFS ist ein FUSE-basiertes Dateisystem zum Replizieren von SQLite-Datenbanken auf einem Maschinencluster.

SQLite ist einfach und leistungsstark, aber normalerweise ist es lokal. LiteFS hilft bei der Erweiterung von SQLite in verteilten Umgebungen, indem es die Replikation über mehrere Maschinen hinweg ermöglicht.

Am besten für: Replikation von SQLite-Datenbanken

Warum es nützlich ist:

• Fügt Replikation zu SQLite hinzu
• Nützlich für verteilte Anwendungen
• Behält die Einfachheit von SQLite bei
• Intestine für Edge- und Light-weight-Bereitstellungen

# 8. OpenViking

OpenViking ist eine Open-Supply-Kontextdatenbank, die für KI-Agenten entwickelt wurde. Es verwaltet Speicher, Ressourcen und Fähigkeiten über eine dateisystemähnliche Struktur.

Mit der zunehmenden Verbreitung von KI-Agenten sind Instruments wie OpenViking nützlich, um den Kontext zu organisieren, den ein Agent benötigt, um Aufgaben zu erledigen, sich Informationen zu merken und über verschiedene Ressourcen hinweg zu arbeiten.

Am besten für: Kontextdatenbanken für KI-Agenten

Warum es nützlich ist:

• Entwickelt für das Gedächtnis und den Kontext von KI-Agenten
• Organisiert Gedächtnis, Ressourcen und Fähigkeiten
• Unterstützt hierarchische Kontextbereitstellung
• Nützlich für Agenten-KI-Anwendungen

# 9. pgAdmin

pgAdmin ist eine Open-Supply-Verwaltungs- und Entwicklungsplattform für PostgreSQL.

Es bietet Entwicklern und Datenbankadministratoren eine grafische Oberfläche zum einfacheren Verwalten von Datenbanken, Schreiben von Abfragen, Überprüfen von Schemata und Arbeiten mit PostgreSQL.

Am besten für: Verwaltung der PostgreSQL-Datenbank

Warum es nützlich ist:

• Funktionsreiches PostgreSQL-Verwaltungstool
• Nützlich zum Schreiben und Testen von Abfragen
• Hilft bei der Überprüfung von Tabellen, Schemata und Datenbanken
• Supreme für Entwickler und Datenbankadministratoren

# 10. Administrator

Administrator ist ein Datenbankverwaltungstool, das in einer einzigen PHP-Datei verpackt ist.

Es ist leichtgewichtig, einfach bereitzustellen und nützlich, wenn Sie eine einfache Möglichkeit zum Verwalten von Datenbanken benötigen, ohne eine große Verwaltungsplattform einzurichten.

Am besten für: Leichte Datenbankverwaltung

Warum es nützlich ist:

• Einfache Bereitstellung einer einzelnen Datei
• Leichte Datenbankverwaltung
• Nützlich für den schnellen Datenbankzugriff
• Unterstützt mehrere Datenbanksysteme

# Letzte Gedanken

Das Datenbankökosystem hat sich weit über traditionelle relationale Datenbanken hinaus ausgedehnt. Datenbanken sind heute nicht nur ein Backend-Element. Sie sind einer der wichtigsten Bestandteile beim Aufbau zuverlässiger, Echtzeit- und leistungsstarker Webanwendungen.

Ich habe viele Entwickler gesehen, die sich stark auf das Frontend konzentrieren, während sie ein einfaches Backend verwenden und der Datenbankverwaltung wenig Aufmerksamkeit schenken. Dieser Ansatz funktioniert am Anfang oft, wird aber schnell zum Drawback, wenn die Anwendung schnellere Abfragen, bessere Überwachung, Caching, Skalierung, Replikation oder Datenverarbeitung in Echtzeit benötigt.

Deshalb ist diese Liste nützlich. Instruments wie ClickHouse und DuckDB eignen sich hervorragend für Analysen, während Supabase und Redis Entwicklern dabei helfen, moderne Anwendungen schneller zu erstellen. Prometheus, Vitess und LiteFS lösen wichtige Produktionsprobleme rund um Überwachung, Skalierung und Replikation. Für KI-Anwendungen führt OpenViking eine nützliche Richtung für die Verwaltung von Agentenkontext und -speicher ein.

Wenn Sie gerade erst anfangen, beginnen Sie mit DuckDB, Supabase und Redis. Wenn Sie Produktionssysteme erstellen, erkunden Sie als Nächstes ClickHouse, Prometheus, Vitess und pgAdmin. Das Ziel besteht nicht darin, jedes Instrument zu verwenden, sondern sie zu vergleichen, zu verstehen, was jedes einzelne am besten kann, und den richtigen Datenbank-Stack für Ihre Anwendung auszuwählen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

# Einführung

Selbsthosting beginnt oft mit einem einfachen Ziel: ein Instrument auf Ihrem eigenen Server auszuführen, anstatt sich auf einen Drittanbieterdienst zu verlassen. Aber es entwickelt sich schnell zu etwas viel Größerem. Wenn Sie mit dem Hosten Ihrer eigenen Anwendungen beginnen, lernen Sie natürlich, wie moderne Infrastruktur funktioniert, von der Bereitstellung und Vernetzung bis hin zu Speicherung, Überwachung, Backups und Systemzuverlässigkeit.

Der beste Weg, diese Fähigkeiten zu entwickeln, ist die Arbeit an realen Projekten. Glücklicherweise dokumentieren viele Open-Supply-Communities ihre Instruments, Bereitstellungsworkflows und Infrastrukturpraktiken direkt auf GitHub. Diese Repositorys enthalten oft Anleitungen, Konfigurationsbeispiele und reale Setups, die zeigen, wie Menschen tatsächlich Dienste auf ihrer eigenen Infrastruktur ausführen.

In diesem Artikel stellen wir 10 GitHub-Repositories vor, die Ihnen dabei helfen, Self-Internet hosting aus mehreren Blickwinkeln zu meistern. Einige helfen Ihnen herauszufinden, welche Instruments es im Self-Internet hosting-Ökosystem gibt, während andere Bereitstellungsplattformen, Workflow-Automatisierung, Überwachung, non-public Cloud-Speicherung, Infrastrukturverwaltung und sicheren Netzwerkzugriff vermitteln. Zusammen bieten sie einen praktischen Weg zum Erlernen, wie Sie Ihre eigenen selbst gehosteten Dienste entdecken, bereitstellen, betreiben und skalieren.

# GitHub-Repositories zur Beherrschung des Selbsthostings

// 1. Tolles selbstgehostetes Unternehmen

Der awesome-selfhosted/awesome-selfhosted Das Repository ist einer der besten Ausgangspunkte, um die Welt des Selbsthostings zu erkunden. Es handelt sich um eine kuratierte Liste kostenloser und Open-Supply-Anwendungen, die auf Ihren eigenen Servern gehostet werden können. Das Repository organisiert Hunderte von Instruments in verschiedenen Kategorien wie Dateispeicher, Passwort-Supervisor, Medienserver, Überwachungstools, Notizen-Apps, Automatisierungsplattformen und Entwicklerdienstprogramme.

Anstatt sich auf ein Instrument oder einen Workflow zu konzentrieren, hilft Ihnen Superior Selfhosted, das breitere Ökosystem zu verstehen. Es fungiert als Erkennungsebene für Selbsthosting, zeigt an, welche Arten von Diensten Menschen üblicherweise selbst ausführen, und hilft Ihnen bei der Identifizierung von Instruments, die Sie möglicherweise in Ihrer eigenen Infrastruktur bereitstellen möchten.

// 2. Abkühlen

Der coollabsio/coolify Mit dem Repository lernen Sie auf praktische Weise die moderne Anwendungsbereitstellung und das Infrastrukturmanagement kennen. Coolify ist eine selbstgehostete Open-Supply-Plattform als Service (PaaS), mit der Sie Web sites, APIs, Datenbanken und Full-Stack-Anwendungen auf Ihren eigenen Servern bereitstellen und dabei Arbeitsabläufe nutzen können, die denen moderner Cloud-Plattformen ähneln.

Was es für das Lernen besonders nützlich macht, ist, dass das Projekt mehr als nur die Kernplattform umfasst. Coolify unterhält umfangreiche Dokumentation und a coolify-examples Repository mit actual einsetzbaren Anwendungen, sodass Sie nicht nur verstehen, wie die Plattform funktioniert, sondern auch, wie produktionsbereite Apps strukturiert und bereitgestellt werden.

// 3. n8n

Der n8n-io/n8n Das Repository zeigt, wie sich Selbsthosting über Anwendungen hinaus auf die Automatisierungsinfrastruktur erstrecken kann. n8n ist eine Open-Supply-Workflow-Automatisierungsplattform, mit der Sie automatisierte Prozesse erstellen können, die APIs, Datenbanken und Dienste durch visuelle Workflows verbinden.

Das Projekt ist auch auf das Lernen ausgerichtet. Es umfasst eine umfangreiche Dokumentation, Hunderte integrierter Integrationen, Beispielworkflows und Anleitungen zum Erstellen KI-gestützter Automatisierungen mit Instruments wie LangChain. Diese Ressourcen helfen Benutzern zu verstehen, wie moderne Automatisierungssysteme aufgebaut sind, und behalten gleichzeitig die volle Kontrolle über Arbeitsabläufe und Daten.

// 4. Betriebszeit Kuma

Der louislam/uptime-kuma Mit dem Repository lernen Sie die Überwachungs- und Zuverlässigkeitsaspekte des Selbsthostings kennen. Uptime Kuma ist ein selbst gehostetes Überwachungssystem, mit dem Sie Web sites, APIs und Dienste durch Verfügbarkeitsprüfungen, Standing-Dashboards und Warnsysteme verfolgen können.

Über die Anwendung selbst hinaus umfasst das Projekt Dokumentation, Konfigurationshandbücher und Beispiele für Benachrichtigungen, Statusseiten und Dienstüberwachung. Die Arbeit mit diesen Ressourcen hilft Ihnen zu verstehen, wie Produktionssysteme nach der Bereitstellung von Diensten Transparenz und Zuverlässigkeit aufrechterhalten.

// 5. Nextcloud-Server

Der nextcloud/server Das Repository ist eines der klarsten Beispiele für Selbsthosting für Dateneigentum. Nextcloud ist eine selbst gehostete Dateisynchronisierungs- und -freigabeplattform. Die offizielle Dokumentation deckt alles von der Set up und Serverkonfiguration bis hin zur Dateiverwaltung, Benutzerverwaltung und Synchronisierung über Desktop- und cellular Shoppers ab. Dies macht es zu einer praktischen Möglichkeit, die Funktionsweise privater Cloud-Systeme zu erlernen, anstatt sich ausschließlich auf Dienste wie Google Drive oder Dropbox zu verlassen.

Was es für das Lernen besonders nützlich macht, ist, dass es über das einfache Datei-Internet hosting hinausgeht. Die Zusammenarbeit mit Nextcloud hilft Ihnen dabei, persistenten Speicher, Benutzerzugriff, Synchronisierung und Befehlszeilenverwaltung zu verstehen occund die operative Seite der Führung eines Dienstes, auf den die Menschen täglich angewiesen sind. Seine Administrator- und Benutzerhandbücher erleichtern die Verbindung des Produkts selbst mit den umfassenderen Infrastrukturkonzepten hinter Self-Internet hosting.

// 6. Immich

Der immich-app/immich Repository zeigt, wie Selbsthosting Cloud-Dienste für Verbraucher durch ein hochwertiges, modernes Erlebnis ersetzen kann. Immich ist eine selbst gehostete Foto- und Video-Backup-Plattform, die als Different zu Diensten wie Google Fotos entwickelt wurde und es Benutzern ermöglicht, ihre Medien zu verwalten und darauf zuzugreifen und gleichzeitig die volle Kontrolle über ihre Daten zu behalten.

Das Projekt umfasst außerdem eine klare Dokumentation, Einrichtungshandbücher und Konfigurationsanweisungen, sodass es nützlich ist, um zu lernen, wie medienintensive Anwendungen bereitgestellt und gewartet werden. Durch die Zusammenarbeit mit Immich beginnen Sie, praktische Themen wie Speicherverwaltung, Backup-Strategien, Leistungsüberlegungen und die Artwork und Weise zu verstehen, wie selbst gehostete Dienste den realen Alltagsgebrauch unterstützen können.

// 7. Notizen

Der usememos/memos Repository zeigt, wie Selbsthosting einen Cloud-Dienst für Verbraucher durch etwas Leichtes, Fokussiertes und vollständig unter Ihrer Kontrolle stehendes ersetzen kann. Memos ist ein selbstgehostetes Open-Supply-Notiztool, das auf einer Timeline-First-Schnittstelle basiert, die für eine schnelle Erfassung konzipiert ist. Notizen werden in Markdown gespeichert, es gibt keine Telemetrie und Ihre Daten bleiben standardmäßig portierbar.

Was es zu einem guten Ausgangspunkt für Selbst-Internet hosting macht, ist seine radikale Einfachheit. Die gesamte Anwendung wird als einzelne Go-Binärdatei in einem etwa 20 MB großen Docker-Picture geliefert und kann mit einem einzigen Befehl gegen SQLite, MySQL oder PostgreSQL bereitgestellt werden. Die Arbeit mit Memos führt Sie in die Kernkonzepte des Selbsthostings ein – Container-Bereitstellung, persistente Quantity-Bereitstellung und die Ausführung eines echten Dienstes auf Ihrer eigenen Infrastruktur – ohne die betriebliche Komplexität schwererer Plattformen.

// 8. Proxmox VE-Hilfsskripte

Der community-scripts/ProxmoxVE Das Repository hilft Ihnen, über Apps hinaus und in die Infrastrukturebene des Selbsthostings vorzudringen. Das Projekt ist eine von der Neighborhood betriebene Sammlung von Skripten zum Erstellen und Konfigurieren von LXC-Containern und virtuellen Maschinen auf Proxmox VE (PVE), was es besonders nützlich macht, um zu lernen, wie Selbsthoster die Plattform unter den von ihnen ausgeführten Diensten organisieren.

Was es für das Lernen wertvoll macht, ist, dass es über einen Skript-Dump hinausgeht. Das Projekt verfügt außerdem über eine eigene Web site und ein Wiki mit Hunderten von Skripten, Anleitungen und Beispielen für eine effizientere Verwaltung von Proxmox-Umgebungen. Wenn Sie damit arbeiten, können Sie Virtualisierung, Container und die Homelab-Struktur viel praktischer verstehen.

// 9. Toller Tunnelbau

Der anderspitman/awesome-tunneling Mit dem Repository lernen Sie einen der schwierigsten Aspekte des Selbsthostings kennen: den sicheren Zugriff auf Dienste außerhalb Ihres lokalen Netzwerks. Es handelt sich um eine kuratierte Liste von Tunneling-Lösungen, die sich an Selbsthoster und Entwickler richten, insbesondere für Anwendungsfälle wie die Offenlegung eines lokalen Webservers über eine öffentliche Area mit automatischem HTTPS, selbst hinter NAT oder anderen Netzwerkbeschränkungen.

Durch die Erkundung dieser Instruments werden Sie beginnen, die unterschiedlichen Ansätze für Fernzugriff, Service-Offenlegung und sicherere Konnektivitätsoptionen zu verstehen – wo Anfänger oft stecken bleiben, wenn sie von lokalen Experimenten zum realen Selbsthosting übergehen.

// 10. Leitfaden zum Selbsthosting

Der mikeroyal/Self-Internet hosting-Information Das Repository hilft dabei, das Gesamtbild des Selbsthostings zu verbinden. Anstatt sich auf eine Anwendung zu konzentrieren, handelt es sich um ein umfassendes Referenzhandbuch zum Erlernen von Self-Internet hosting-Geräten, Software program, {Hardware} und den Instruments, die zum Ausführen von Diensten in Ihrer eigenen Infrastruktur erforderlich sind.

Es hilft den Lesern, die Kategorien, Konzepte und unterstützenden Technologien rund um das Selbst-Internet hosting zu erkunden, was es besonders hilfreich macht, vereinzelte Experimente in ein klareres mentales Modell des Raums umzuwandeln.

# Repo-Rezension

Diese Tabelle gibt einen schnellen Überblick darüber, was jedes Repository lehrt und für wen es am besten geeignet ist. Zusammen decken diese Projekte den gesamten Weg des Selbsthostings ab, von der Entdeckung von Instruments und der Bereitstellung von Apps bis hin zur Verwaltung der Infrastruktur und der Sicherung des Fernzugriffs.

Repository	Was Sie lernen werden	Am besten für
Fantastisch, selbst gehostet	Entdecken Sie das Ökosystem selbst gehosteter Software program in Kategorien wie Speicher, Medien, Automatisierung, Entwicklertools und Überwachung	Anfänger erkunden, welche Instruments selbst gehostet werden können
Abkühlen	Moderne Bereitstellungsworkflows zum Hosten von Apps, Datenbanken und Diensten auf Ihrer eigenen Infrastruktur mithilfe einer Plattform im PaaS-Stil	Entwickler, die einfachere, selbst gehostete Bereitstellungen wünschen
n8n	Workflow-Automatisierung, API-Integrationen und Aufbau selbstgehosteter Automatisierungspipelines mit Hunderten von Integrationen	Benutzer ersetzen SaaS-Automatisierungsplattformen
Betriebszeit Kuma	Serviceüberwachung, Verfügbarkeitsverfolgung, Zustandsprüfungen, Warnungen und Zuverlässigkeitsmanagement für gehostete Dienste	Jeder, der mehrere selbst gehostete Anwendungen ausführt
Nextcloud-Server	Erstellen Sie eine non-public Cloud mit Dateispeicherung, Synchronisierung, Instruments für die Zusammenarbeit und Benutzerzugriffsverwaltung	Benutzer ersetzen Google Drive oder Dropbox
Immich	Betrieb einer selbst gehosteten Foto- und Videoverwaltungsplattform mit echten Speicher-, Backup- und Medienorganisationsanforderungen	Benutzer ersetzen Google Fotos
Memos	Einfaches Notizenmachen und persönliches Wissensmanagement durch Selbst-Internet hosting	Anfänger beginnen mit einer einfachen selbst gehosteten App
Proxmox VE-Hilfsskripte	Infrastrukturmanagement mit Virtualisierung, Containern und Homelab-Organisation mit Proxmox	Benutzer bauen eine seriöse Self-Internet hosting-Umgebung auf
Toller Tunnelbau	Sicherer Fernzugriff, Service-Offenlegung und Tunneling-Instruments zur Verbindung lokaler Dienste mit dem Web	Benutzer lernen Vernetzung und sicheren externen Zugriff
Leitfaden für Selbsthosting	Eine umfassendere Referenz für Instruments, {Hardware} und Konzepte für den Betrieb selbstgehosteter Infrastruktur	Leser bauen ein vollständiges mentales Selbsthosting-Modell auf

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

# Einführung

FastAPI hat sich zu einem der beliebtesten Python-Frameworks für die Erstellung moderner APIs entwickelt, da es schnell, entwicklerfreundlich und produktionsbereit ist. Egal, ob Sie ein einfaches Backend, eine Full-Stack-Webanwendung oder eine API für maschinelles Lernen erstellen möchten, FastAPI bietet Ihnen eine solide Grundlage mit sauberer Syntax und hervorragender Leistung. Aber eine der besten Möglichkeiten, bei FastAPI besser zu werden, besteht nicht nur darin, die Dokumentation zu lesen, sondern auch darin, echte Repositories zu studieren, die zeigen, wie die Leute es tatsächlich in der Praxis nutzen.

In diesem Artikel werden wir 10 GitHub-Repositories untersuchen, die Ihnen dabei helfen können, FastAPI durch verschiedene Lern- und Erstellungsstile zu erlernen. Einige bieten kuratierte Ressourcenlisten, andere bieten vollständige Projektvorlagen, andere konzentrieren sich auf praktische Tipps und Beispiele und andere zeigen, wie FastAPI für Authentifizierung, UI-Entwicklung, Microservices und Anwendungen für maschinelles Lernen verwendet wird. Zusammen bieten sie Ihnen eine umfassendere und praktischere Möglichkeit, das Framework über isolierte Tutorials oder Dokumentationen hinaus zu erlernen.

# 1. Erkundung des awesome-fastapi-Repositorys

Wenn Sie schnell das gesamte FastAPI-Ökosystem verstehen möchten, ist dies eines der besten Repositories für den Anfang.

Anstatt sich auf eine einzelne App oder ein einzelnes Tutorial zu konzentrieren, vereint es eine breite Palette an FastAPI-bezogenen Ressourcen – darunter Bibliotheken, Instruments, Artikel und Lernmaterialien – und ist so nützlich, um herauszufinden, was über das Kern-Framework hinaus existiert.

Es ist besonders hilfreich für Entwickler, die Bereiche wie Authentifizierung, Assessments, Bereitstellung, Projektgeneratoren und andere Instruments erkunden möchten, die die FastAPI-Entwicklung in der Praxis stärken können.

Repository: mjhea0/awesome-fastapi

# 2. Erstellen von Full-Stack-Apps mit der Full-Stack-Fastapi-Vorlage

Wenn Sie ein echtes Full-Stack-FastAPI-Projekt studieren möchten, ist dies ein großartiges Repository zum Erkunden. Es kombiniert FastAPI mit React, PostgreSQL, Docker und Bereitstellungstools in einem Setup.

Es ist besonders nützlich, um die Projektstruktur, die Backend- und Frontend-Integration und die Zusammenstellung von FastAPI-Apps im Produktionsstil zu erlernen.

Repository: fastapi/full-stack-fastapi-template

# 3. Besseren Code schreiben mit Fastapi-Tipps

Sobald Sie die Grundlagen kennen, ist dies ein großartiges Repository, um die Artwork und Weise zu verbessern, wie Sie FastAPI-Code tatsächlich schreiben. Der Schwerpunkt liegt auf praktischen Tipps, klareren Mustern und kleinen Particulars, die Ihnen helfen, besser zu verstehen, wie das Framework in der Praxis funktioniert.

Es ist besonders nützlich für Entwickler, die über Anfänger-Tutorials hinausgehen und bessere Gewohnheiten entwickeln möchten. Sie können intelligentere Methoden zur Codestrukturierung erlernen, häufige Fehler vermeiden und FastAPI-Anwendungen sicherer schreiben.

Repository: Kludex/Fastapi-Tipps

# 4. Konzept für Konzept lernen mit FastAPI-Studying-Beispiel

Wenn Sie lieber anhand kleiner Beispiele lernen möchten, ist dieses Repository ein sehr nützlicher Ausgangspunkt. Es enthält mehrere FastAPI-Beispiele, die unabhängig voneinander ausgeführt werden können, wodurch es einfacher wird, jeweils ein Konzept zu verstehen.

Dies macht es besonders hilfreich für Anfänger, die nicht direkt in ein großes Produktionsprojekt einsteigen möchten. Es bietet Ihnen eine einfachere und praktischere Möglichkeit, Funktionen zu testen und Vertrauen in das Framework aufzubauen.

Repository: oinsd/FastAPI-Studying-Beispiel

# 5. Backends und Frontends mit FastUI verbinden

Für Entwickler, die über APIs hinausgehen und auch über die Benutzeroberfläche nachdenken möchten, ist FastUI eine Erkundung wert. Es zeigt eine andere Möglichkeit, Webschnittstellen aus Python-Code zu erstellen, was es zu einem interessanten Projekt im breiteren FastAPI- und Pydantic-Ökosystem macht.

Es handelt sich nicht um ein typisches Einsteiger-Tutorial-Repository, aber es ist nützlich, wenn Sie verstehen möchten, wie Backend-Schemata und Frontend-Rendering auf strukturiertere Weise miteinander verbunden werden können. Das macht es zu einem starken Repository für alle, die über das vollständige Anwendungsdesign nachdenken, nicht nur über API-Endpunkte.

Repository: pydantic/FastUI

# 6. Handhabung der Authentifizierung mit Fastapi-Benutzern

Die Authentifizierung ist einer der wichtigsten Teile der Backend-Entwicklung, und dieses Repository hilft Ihnen, diese Seite von FastAPI viel schneller zu erlernen. Es bietet ein vorgefertigtes Benutzerverwaltungssystem, sodass Sie sehen können, wie allgemeine Authentifizierungsfunktionen in realen Projekten gehandhabt werden.

Es ist besonders nützlich, um Dinge wie Registrierung, Anmeldeabläufe, Passwortzurücksetzung, E-Mail-Verifizierung und OAuth zu lernen, ohne alles von Grund auf neu erstellen zu müssen. Für alle, die an Backend-Apps im Produktionsstil arbeiten, ist dies ein sehr praktisches Repository zum Studieren.

Repository: Fastapi-Benutzer/Fastapi-Benutzer

# 7. Erstellen einer vollständigen App mit dem Final-Fastapi-Tutorial

Wenn Sie gerne lernen, indem Sie ein vollständiges Projekt von Anfang bis Ende erstellen, ist dies eines der stärksten FastAPI-Repositories, die es zu studieren gilt. Es basiert auf einem vollständigen Tutorial-Projekt und hilft Ihnen zu erkennen, wie verschiedene Teile einer Anwendung zusammenpassen.

Dies ist besonders hilfreich, um Ideen wie Routing, Modelle, Authentifizierung und API-Design in einem realistischen Workflow zu verbinden. Anstatt Funktionen isoliert zu erlernen, erhalten Sie ein klareres Bild davon, wie eine echte FastAPI-App Schritt für Schritt erstellt wird.

Repository: ChristopherGS/ultimate-fastapi-tutorial

# 8. Stärkerer Begin mit der FastAPI-Vorlage

Dies ist ein nützliches Repository für Entwickler, die einen stärkeren Ausgangspunkt für echte FastAPI-Projekte wünschen. Es bietet Ihnen eine funktionsreichere Vorlage und ist somit eine gute Grundlage für Apps, die mehr als nur eine einfache Einrichtung benötigen.

Es ist auch hilfreich, um zu verstehen, wie eine wiederverwendbare Projektstruktur bei mehreren Builds Zeit sparen kann. Wenn Sie Ihr Setup standardisieren, mit verschiedenen Datenbanken arbeiten oder skalierbarere Grundlagen schaffen möchten, lohnt es sich, dieses Repository zu erkunden.

Repository: s3rius/FastAPI-Vorlage

# 9. Microservices mit python-microservice-fastapi verstehen

Wenn Sie verstehen möchten, wie FastAPI in ein Microservices-Setup passt, ist dieses Repository ein gutes Beispiel. Es zeigt separate Dienste, die mit Instruments wie Docker Compose und Nginx zusammenarbeiten, was es fortschrittlicher macht als ein einzelnes API-Projekt.

Dies ist besonders nützlich für Entwickler, die über die grundlegende Backend-Entwicklung hinausgehen und mit dem Erlernen einer servicebasierten Architektur beginnen möchten. Es gibt Ihnen einen praktischeren Einblick in die Verwendung von FastAPI in verteilten Systemen und größeren Anwendungskonfigurationen.

Repository: paurakhsharma/python-microservice-fastapi

# 10. Bereitstellung von Modellen für maschinelles Lernen mit der FastAPI-for-Machine-Studying-Reside-Demo

FastAPI wird häufig in KI- und maschinellen Lernprojekten verwendet, und dieses Repository zeigt ein Beispiel dafür aus der Praxis. Es zeigt, wie FastAPI in einer KI-Bilderzeugungsanwendung verwendet werden kann, wodurch es einfacher wird, das Framework in einer realen maschinellen Lernumgebung zu sehen.

Es ist ein nützliches Projekt für Entwickler, die mehr über Modellbereitstellung, KI-gestützte Internet-Apps oder die Verbindung von maschinellen Lernsystemen mit APIs erfahren möchten. Wenn Ihr Interesse an der Schnittstelle zwischen Python-Backend-Entwicklung und KI liegt, ist dies ein leistungsstarkes Repository, das Sie einbeziehen sollten.

Repository: FourthBrain/FastAPI-for-Machine-Studying-Reside-Demo

# Zusammenfassung

Die folgende Tabelle gibt einen kurzen Überblick darüber, worauf sich jedes FastAPI-Repository konzentriert, für wen es am besten geeignet ist und warum es sich lohnt, es zu erkunden.

Repository	Fokus	Am besten für	Warum es wichtig ist
awesome-fastapi	Ökosystemressourcen	Anfänger, Entdecker	Hilft Ihnen, nützliche FastAPI-Instruments und -Bibliotheken zu entdecken
Full-Stack-Fastapi-Vorlage	Full-Stack-Starter	Entwickler, die echte Apps erstellen	Zeigt, wie ein FastAPI-Projekt im Produktionsstil strukturiert ist
Fastapi-Tipps	Praktische Ratschläge	Entwickler gehen über die Grundlagen hinaus	Hilft Ihnen, saubereren und intelligenteren FastAPI-Code zu schreiben
FastAPI-Studying-Beispiel	Kleine lauffähige Beispiele	Anfänger	Erleichtert das Erlernen eines Konzepts nach dem anderen
FastUI	Benutzeroberfläche mit Python-Modellen	Vollständige App-Builder	Zeigt, wie FastAPI eine Verbindung zu Frontend-Ideen herstellen kann
Fastapi-Benutzer	Authentifizierungssystem	Backend-Entwickler	Hilft Ihnen, Authentifizierung und Benutzerverwaltung schneller zu erlernen
Final-Fastapi-Tutorial	Projektbasiertes Tutorial	Lernende, die vollständige Builds mögen	Verbindet Kernkonzepte von FastAPI in einer vollständigen App
FastAPI-Vorlage	Wiederverwendbare Projektbasis	Entwickler wollen Struktur	Gibt Ihnen eine stärkere Ausgangsbasis für echte Projekte
Python-Microservice-Fastapi	Microservices-Setup	Fortgeschrittene Entwickler	Zeigt, wie FastAPI in einer servicebasierten Architektur funktioniert
FastAPI-for-Machine-Studying-Reside-Demo	Beispiel für eine App für KI und maschinelles Lernen	Maschinelles Lernen und API-Builder	Demonstriert FastAPI in einem Anwendungsfall für maschinelles Lernen

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Claude Code hat sich schnell zu einem der am meisten diskutierten Agenten-Codierungstools entwickelt, da es weit mehr kann als nur Code generieren. Es kann eine vorhandene Codebasis lesen, Dateien bearbeiten, Terminalbefehle ausführen und mit den Instruments arbeiten, die Entwickler bereits verwenden, vom Terminal und der integrierten Entwicklungsumgebung (IDE) bis hin zu Desktop- und Browser-Workflows. In vielen Fällen können Sie einfach beschreiben, was Sie wollen, und die schwere Arbeit wird erledigt.

Aber die Verwendung von Claude Code sofort kratzt nur an der Oberfläche. Um einen echten Nutzen daraus zu ziehen, müssen Sie das umfassendere Ökosystem verstehen: benutzerdefinierte Fähigkeiten, Subagenten, Hooks, Integrationen, Projektanweisungen und wiederverwendbare Arbeitsabläufe. Dies sind die Teile, die Claude Code von einem hilfreichen Assistenten zu einem viel leistungsfähigeren Entwicklungssystem machen.

Aus diesem Grund besteht auch ein so großes wachsendes Interesse an Repositories, Leitfäden und Group-Instruments rund um Claude Code. Entwickler suchen nicht nur nach Eingabeaufforderungen; Sie wünschen sich bessere Möglichkeiten, das Agentenverhalten zu strukturieren, die Debugging-Zeit zu verkürzen, die Konsistenz zu verbessern und diese Instruments bei komplexen Projekten effektiver zu machen. In diesem Artikel schauen wir uns 10 GitHub-Repositories an, die Ihnen dabei helfen können.

# 1. Alles-Claude-Code

Wenn Sie ein Repository suchen, das zeigt, wie Claude Code in ein viel strukturierteres und leistungsfähigeres Agenten-Setup umgewandelt werden kann, ist dies ein guter Ausgangspunkt.

Das Projekt präsentiert sich als leistungsorientiertes System für die Nutzung künstlicher Intelligenz (KI)-Agenten und nicht nur als ein Bündel von Eingabeaufforderungen oder Konfigurationen – mit Funktionen, die Agenten, Fähigkeiten, Hooks, Regeln, Mannequin Context Protocol (MCP)-Konfigurationen, Speicheroptimierung, Sicherheitsscans und forschungsorientierte Arbeitsabläufe umfassen.

Der Betreuer sagt auch, dass das System durch mehr als 10 Monate täglichen Einsatz in der realen Welt geformt wurde und verknüpft es mit einem Hackathon-Sieg von Anthropic x Discussion board Ventures – was erklärt, warum es oft als ernstzunehmender Bezugspunkt für fortgeschrittene Claude-Code-Workflows und nicht als einfaches Starter-Repo angesehen wird.

Repository: affaan-m/everything-claude-code

# 2. Asystem-Prompts-and-Fashions-of-AI-Instruments

Dieses Repository ist nützlich, weil es Ihnen hilft, die umfassendere KI-Toollandschaft rund um Claude Code zu verstehen, nicht nur Claude Code selbst.

Das Projekt sammelt offengelegte Systemeingabeaufforderungen, Tooldefinitionen und modellbezogene Particulars aus einer breiten Palette von KI-Produkten, wobei das Repository Instruments wie Claude Code, Cursor, Devin, Replit, Windsurf, Lovable, Perplexity und andere auflistet.

Dies macht es besonders wertvoll für Personen, die sich für Immediate-Design, Agentenverhalten und den Vergleich der tatsächlichen Struktur verschiedener KI-Codierungs- und Produktivitätstools hinter den Kulissen interessieren, anstatt nur zu lernen, wie man ein Produkt isoliert verwendet.

Repository: x1xhlol/system-prompts-and-models-of-ai-tools

# 3. gstack

gstack ist ein starkes Beispiel dafür, wie Claude Code als koordiniertes KI-Staff und nicht als einzelner Assistent eingesetzt werden kann.

Es spiegelt das Claude-Code-Setup von Garry Tan wider, mit eigensinnigen Instruments, die Rollen wie CEO, Designer, Engineering Supervisor, Launch Supervisor, Doc Engineer und Qualitätssicherung (QA) zugewiesen sind, und die Dokumentation zeigt, dass diese Rollen durch wiederverwendbare Fähigkeiten und Slash-Befehle anstelle von Advert-hoc-Eingabeaufforderungen strukturiert sind.

Das macht es besonders nützlich für alle, die sich für rollenbasierte Orchestrierung, diszipliniertere Arbeitsabläufe und eine teamähnlichere Arbeitsweise mit Claude Code interessieren.

Repository: garrytan/gstack

# 4. Scheiße machen

Wenn Sie bei größeren Projekten strukturierter mit Claude Code zusammenarbeiten möchten, ist dieses Repo eine Erkundung wert. Anstatt sich auf einen langen Chat-Thread zu verlassen und zu hoffen, dass das Modell auf dem richtigen Weg bleibt, unterteilt es die Arbeit in klarere Phasen wie Diskussion, Planung, Ausführung, Überprüfung und Versand und trägt so dazu bei, Abweichungen bei zunehmender Komplexität zu reduzieren.

Es ist besonders hilfreich für Personen, die an spezifikationsgesteuerter Entwicklung, besserer Kontextverwaltung und zuverlässigeren mehrstufigen Agenten-Workflows über längere Codierungssitzungen interessiert sind.

Repository: gsd-build/get-shit-done

# 5. Claude-Code lernen

Wenn Sie verstehen möchten, wie ein Claude-Code-ähnlicher Gurt tatsächlich unter der Haube funktioniert, ist dies eine der besten Quellen zum Studieren.

Anstatt nur die Verwendung eines Agenten-Codierungstools zu zeigen, führt es Sie Schritt für Schritt durch die Erstellung eines solchen Instruments, beginnend mit der grundlegenden Agentenschleife und dann mit der Einbeziehung von Instruments, Subagenten, Aufgabensystemen, autonomen Agenten, Kontextkomprimierung und Git-Worktree-Isolation.

Dies macht es besonders wertvoll für Lernende, die über die Aufforderung hinausgehen und ein klareres mentales Modell dafür entwickeln möchten, wie diese Systeme in der Praxis entworfen, strukturiert und skaliert werden.

Repository: shareAI-lab/learn-claude-code

# 6. awesome-claude-code

Wenn Sie einen umfassenden Überblick über das Claude-Code-Ökosystem wünschen, ist dies eines der nützlichsten Repos, die Sie zur Hand haben sollten.

Es fungiert als großes kuratiertes Verzeichnis von Claude-Code-Fähigkeiten, Hooks, Slash-Befehlen, Agent-Frameworks, Apps und Plugins, sodass sein Wert weniger auf einem einzelnen Workflow als vielmehr auf der Entdeckung liegt.

Für Leser, die herausfinden möchten, was andere Entwickler tatsächlich verwenden, testen und erweitern, ist dies eine der schnellsten Möglichkeiten, das Ökosystem abzubilden und Instruments zu finden, die es wert sind, weiter erkundet zu werden.

Repository: er ist wirklich er/awesome-claude-code

# 7. Claude-Code-Vorlagen

Für Entwickler, die weniger Zeit damit verbringen möchten, Claude Code von Grund auf einzurichten, bietet dieses Repo eine praktische Abkürzung.

Es vereint vorgefertigte Konfigurationen für Agenten, benutzerdefinierte Befehle, Hooks, Einstellungen, MCP-Integrationen und Projektvorlagen und erleichtert so die Standardisierung von Setups über Projekte hinweg oder das schnelle Ausprobieren verschiedener Arbeitsabläufe, ohne alles manuell zu verkabeln.

Dies ist besonders nützlich, wenn Ihr Ziel Geschwindigkeit, Wiederholbarkeit und ein reibungsloserer Ausgangspunkt für die fortgeschrittenere Verwendung von Claude Code sind.

Repository: davila7/claude-code-templates

# 8. Claude-Code-Finest-Follow

Anstatt Ihnen ein installierbares Framework zur Verfügung zu stellen, hilft Ihnen dieses Repo dabei, zu lernen, wie Sie Claude Code effektiver nutzen können.

Es basiert auf praktischen Anleitungen für die Arbeit mit Befehlen, Fertigkeiten, Subagenten, Hooks, Einstellungen und Projektanweisungen und liest sich daher eher wie ein praktisches Spielbuch als wie ein Toolkit.

Dies macht es besonders hilfreich für Entwickler, die bessere Gewohnheiten entwickeln, verstehen möchten, warum bestimmte Muster funktionieren, und die Strukturierung von Claude Code in realen Projekten verbessern möchten.

Repository: shanraisshan/claude-code-best-practice

# 9. awesome-claude-code-subagents

Jeder, der sich für Subagenten interessiert, sollte sich dieses Repo ansehen, denn es verwandelt die Idee in eine große, praktische Beispielbibliothek.

Es sammelt spezielle Claude-Code-Subagentendefinitionen für viele verschiedene Entwicklungsaufgaben und zeigt, wie Rollenspezialisierung konkreter angewendet werden kann, anstatt bei einem abstrakten Konzept zu bleiben.

Das macht es zu einer wertvollen Ressource für Leser, die sehen möchten, wie spezialisierte Agenten in der Praxis aussehen und wie sie um echte technische Arbeitsabläufe herum organisiert werden können.

Repository: VoltAgent/awesome-claude-code-subagents

# 10. Claude-Code-System-Eingabeaufforderungen

Wenn Sie neugierig sind, wie Claude Code intern geführt wird, ist dies eines der interessantesten Repos auf der Liste.

Es verfolgt Claude Code-Systemaufforderungen, Beschreibungen integrierter Instruments, Subagenten-Eingabeaufforderungen, Token-Zählungen und Eingabeaufforderungsänderungen über viele Versionen hinweg und macht es für jeden wertvoll, der untersucht, wie sich das System im Laufe der Zeit entwickelt.

Für schnelle Forscher, Agentenentwickler und fortgeschrittene Benutzer, die die interne Struktur von Claude Code besser verstehen möchten, bietet es einen viel tieferen Einblick als die meisten Repos im Ökosystem.

Repository: Piebald-AI/claude-code-system-prompts

# Zusammenfassung

Die folgende Tabelle gibt einen kurzen Überblick darüber, was jedes Repository ist, wozu es hilft und warum es sich lohnt, es zu erkunden.

Repository	Fokus	Am besten für	Warum es wichtig ist
alles-claude-code	Vollständiges Agenten-Setup	Fortgeschrittene Benutzer	Verwandelt Claude Code in ein strukturierteres System
System-Eingabeaufforderungen und -Modelle-von-KI-Instruments	Eingabeaufforderungen und Instrument-Interna	Forscher, Energy-Consumer	Hilft beim Vergleich, wie KI-Instruments aufgebaut sind
gstack	Rollenbasiertes KI-Staff	Workflow-Designer	Zeigt, wie Agenten nach Funktion organisiert werden
Scheiße machen	Strukturierter Ausführungsablauf	Bauherren bei größeren Projekten	Reduziert Drift bei langen Codierungssitzungen
Claude-Code lernen	Bauen Sie ein Geschirr von Grund auf	Lernende, Entwickler	Erklärt, wie Claude-Code-ähnliche Systeme funktionieren
awesome-claude-code	Ökosystemverzeichnis	Jeder, der sich mit Werkzeugen beschäftigt	Hilft beim Entdecken nützlicher Claude Code-Ressourcen
Claude-Code-Vorlagen	Fertige Setups	Schnelllebige Entwickler	Spart Zeit bei der Konfiguration und Einrichtung
Claude-Code-Finest-Follow	Nutzungs-Playbook	Alltagsnutzer	Vermittelt bessere Arbeitsgewohnheiten und -muster
awesome-claude-code-subagents	Subagentenbibliothek	Agent-Builder	Zeigt die Rollenspezialisierung in der Praxis
Claude-Code-System-Eingabeaufforderungen	Interne Immediate-Verfolgung	Schnelle Forscher	Zeigt, wie sich Claude Code im Laufe der Zeit entwickelt

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung in Quantenmaschinelles Lernen

Quantenmaschinelles Lernen kombiniert Ideen aus Quantencomputing und maschinellem Lernen. Viele Forscher untersuchen, wie Quantencomputer bei maschinellen Lernaufgaben helfen könnten. Zur Unterstützung dieser Arbeit arbeiten mehrere Open-Supply-Projekte an GitHub Teilen Sie Lernressourcen, Beispiele und Code. Mithilfe dieser Repositorien ist es einfacher, die Grundlagen zu verstehen und zu sehen, wie sich das Fachgebiet entwickelt. In diesem Artikel untersuchen wir fünf Repositories, die besonders nützlich sind, um quantenmaschinelles Lernen zu erlernen und den aktuellen Fortschritt in diesem Bereich zu verstehen. Diese Ressourcen bieten verschiedene Einstiegspunkte für unterschiedliche Lernstile.

# 1. Kartierung des Feldes

Diese große Liste von awesome-quantum-machine-learning ( 3,2k) funktioniert wie ein „Inhaltsverzeichnis“ für das Feld. Es umfasst Grundlagen, Algorithmen, Lernmaterialien und Bibliotheken oder Software program. Es eignet sich hervorragend für Anfänger, die alle Unterthemen – wie Kernel, Variationsschaltungen oder {Hardware}-Limits – an einem Ort sehen möchten. Es ist unter CC0-1.0 lizenziert und dient als grundlegender Ausgangspunkt für alle, die die Grundlagen des quantenmaschinellen Lernens erlernen möchten.

# 2. Erkundung der Forschung

Der awesome-quantum-ml ( 407) Die Liste ist kleiner und konzentriert sich mehr auf hochwertige wissenschaftliche Arbeiten und wichtige Ressourcen zu Algorithmen für maschinelles Lernen, die auf Quantengeräten ausgeführt werden. Es ist perfect, wenn Sie bereits mit den Grundlagen des Fachgebiets vertraut sind und eine Reihe von Artikeln, Umfragen und wissenschaftlichen Arbeiten lesen möchten, in denen Schlüsselkonzepte, aktuelle Erkenntnisse und neue Tendencies bei der Anwendung von Quantencomputermethoden auf Probleme des maschinellen Lernens erläutert werden. Das Projekt akzeptiert auch Beiträge der Group über Pull-Requests.

# 3. Lernen durch Handeln

Das Repository Palms-On-Quantum-Machine-Studying-With-Python-Vol-1 ( 163) enthält den Code für das Buch Praktisches Quantenmaschinelles Lernen mit Python (Band 1). Es ist wie ein Lernpfad aufgebaut und ermöglicht es Ihnen, Kapiteln zu folgen, Experimente durchzuführen und Parameter zu optimieren, um zu sehen, wie sich Systeme verhalten. Es ist perfekt für Lernende, die lieber „durch die Praxis“ lernen Python Notizbücher und Skripte.

# 4. Projekte umsetzen

Obwohl es sich um ein kleineres Repository handelt, Quantenmaschinelles Lernen auf kurzfristigen Quantengeräten ( 25) ist sehr praktisch. Es enthält Projekte, die sich auf kurzfristige Quantengeräte konzentrieren – additionally die heutige verrauschte und begrenzte Qubit-{Hardware}. Das Repository umfasst Projekte wie Quanten-Help-Vektor-Maschinen, Quantenfaltungs-Neuronale Netze und Modelle zum erneuten Hochladen von Daten für Klassifizierungsaufgaben. Es hebt reale Einschränkungen hervor, was nützlich ist, um zu beobachten, wie quantenmechanisches Lernen auf aktueller {Hardware} funktioniert.

# 5. Pipelines bauen

Dies ist ein voll funktionsfähiges Gerät Qiskit-maschinelles Lernen ( 939) Bibliothek mit Quantenkernen, Quanten-Neuronalen Netzen, Klassifikatoren und Regressoren. Es integriert sich mit PyTorch über die TorchConnector. Im Rahmen der Qiskit Ökosystem, von dem es miterhalten wird IBM und die Hartree Heartdas Teil des Science and Know-how Services Council (STFC) ist. Es ist perfect, wenn Sie robuste Quanten-Machine-Studying-Pipelines aufbauen möchten, anstatt sie nur zu studieren.

# Entwickeln einer Lernsequenz

Eine produktive Lernsequenz besteht darin, mit einer „fantastischen“ Liste zu beginnen, um den Raum abzubilden, die auf Papiere fokussierte Liste zu verwenden, um Tiefe zu schaffen, und dann zwischen geführten Notizbüchern und kurzfristigen praktischen Projekten zu wechseln. Schließlich können Sie die Qiskit-Bibliothek als Ihr primäres Toolkit für Experimente verwenden, die zu vollständigen professionellen Arbeitsabläufen erweitert werden können.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Wir stellen OpenClaw vor

OpenClaw gewinnt zunehmend an Aufmerksamkeit als Framework für den Aufbau autonomer KI-Agenten, die mit Instruments interagieren, Arbeitsabläufe ausführen und Aufgaben automatisieren können. Anstatt sich ausschließlich auf Eingabeaufforderungen zu verlassen, können OpenClaw-Agenten Aktionen ausführen, sich mit externen Diensten verbinden und ihre Fähigkeiten durch modulare Fähigkeiten und Integrationen erweitern. Wenn das Ökosystem wächst, erfordert das Erlernen von OpenClaw mehr als nur das Verständnis des Kern-Repositorys.

In diesem Artikel untersuchen wir 10 GitHub-Repositories, die Ihnen helfen, OpenClaw zu meistern. Zu diesen Projekten gehören das offizielle Repository, geführte Lernressourcen, Kompetenzsammlungen, Speichersysteme und Bereitstellungstools. Zusammen bieten sie einen praktischen Weg zum Verständnis der Funktionsweise von OpenClaw und zum Aufbau leistungsfähigerer Agentensysteme darauf.

# OpenClaw mit GitHub-Repositories meistern

// 1. OpenClaw (Offizielles Repository)

Der offene Klaue/offene Klaue Das Repository ist der offizielle Ausgangspunkt zum Verständnis des OpenClaw-Projekts. Es enthält die Kerncodebasis sowie eine Dokumentation, die erklärt, wie das Agent-Framework funktioniert, wie es eine Verbindung zu externen Modellen herstellt und wie Fähigkeiten und Instruments seine Fähigkeiten erweitern.

Das Durcharbeiten des Repositorys hilft Ihnen, die Grundlagen von OpenClaw-Agenten zu verstehen, einschließlich der Artwork und Weise, wie sie Aufgaben ausführen, Instruments verwalten und mit externen Diensten interagieren. Die Dokumentation und Einrichtungsanweisungen bieten die Grundlage, die Sie benötigen, bevor Sie das breitere Ökosystem an Fähigkeiten, Speichersystemen und Bereitstellungstools erkunden.

// 2. OpenClaw-Meisterfähigkeiten

Der LeoYeAI/openclaw-master-skills Das Repository konzentriert sich auf die Entdeckung und Organisation von OpenClaw-Fähigkeiten. Fähigkeiten machen aus einer einfachen OpenClaw-Set up einen leistungsstarken Agenten, der mit externen Instruments, APIs und Diensten interagieren kann.

Die Erkundung dieses Repositorys hilft Ihnen zu verstehen, wie sich das OpenClaw-Ökosystem durch modulare Funktionen erweitert. Durch Durchsuchen und Experimentieren mit verschiedenen Fähigkeiten können Benutzer lernen, wie Agenten mit Instruments interagieren und wie echte Arbeitsabläufe rund um das Framework aufgebaut werden.

// 3. Fantastische OpenClaw-Fähigkeiten

Der VoltAgent/awesome-openclaw-skills Das Repository ist eine der größten kuratierten Sammlungen von OpenClaw-Kenntnissen. Es organisiert Tausende von Fähigkeiten in Kategorien und erleichtert so die Erkundung des Ökosystems und das Auffinden von Fähigkeiten, die für verschiedene Arbeitsabläufe related sind.

Dieses Repository ist besonders nützlich für fortgeschrittene Benutzer, die die Fähigkeiten ihres Agenten erweitern möchten. Anstatt wahllos nach Instruments zu suchen, hilft Ihnen die kategorisierte Struktur zu verstehen, wie OpenClaw in externe Systeme integriert wird und wie Fähigkeiten einen einfachen Agenten in eine vielseitige Automatisierungsplattform verwandeln können.

// 4. Fantastische OpenClaw-Anwendungsfälle

Der hesamsheikh/awesome-openclaw-usecases Das Repository konzentriert sich auf reale Beispiele dafür, wie OpenClaw-Agenten in der Praxis eingesetzt werden. Anstatt nur Fähigkeiten aufzulisten, werden praktische Arbeitsabläufe und Anwendungen hervorgehoben, die zeigen, wie die Technologie in alltägliche Aufgaben passt.

Das Studium dieser Beispiele hilft den Lesern, von der Theorie zur Anwendung zu gelangen. Es zeigt, wie OpenClaw Arbeitsabläufe automatisieren, mit Diensten interagieren und bei realen Aufgaben helfen kann, was es einfacher macht, den Wert agentenbasierter Systeme über das Experimentieren hinaus zu verstehen.

// 5. Lernen Sie OpenClaw

Der carlvellotti/learn-openclaw Das Repository bietet einen geführten Lernpfad für Personen, die einen strukturierten Einstieg in die Verwendung von OpenClaw wünschen. Anstatt nur das Kern-Repo zu erkunden, konzentriert sich diese Ressource darauf, Einrichtung, Arbeitsabläufe und praktische Nutzungsmuster auf verständlichere Weise zu erklären.

Es hilft Anfängern, von der Set up zur tatsächlichen Nutzung überzugehen, indem es typische Arbeitsabläufe durchläuft und erklärt, wie OpenClaw in alltägliche Automatisierungs- oder Assistentenaufgaben passt. Für Leser, die Tutorials dem Lesen von Quellcode vorziehen, erleichtert diese Artwork von geführter Ressource die Lernkurve erheblich.

// 6. memU

Der NevaMind-AI/memU Das Repository führt das Konzept des persistenten Speichers für KI-Agenten ein. Es ist als Speicherschicht konzipiert, die es lang laufenden Agenten wie OpenClaw ermöglicht, den Kontext über einen längeren Zeitraum hinweg beizubehalten, anstatt sich nur auf kurze Eingabeaufforderungen zu verlassen.

Die Arbeit mit Speichersystemen wie memU hilft den Lesern zu verstehen, wie sich Agenten von einfachen Aufgabenausführern zu proaktiven Assistenten entwickeln können. Außerdem werden Ideen wie langfristige Kontextspeicherung, reduzierte Token-Nutzung und kontinuierliches Agentenverhalten vorgestellt.

// 7. ClawRouter

Der BlockRunAI/ClawRouter Das Repository konzentriert sich auf das Modellrouting für Agenten im OpenClaw-Stil. Routing-Systeme helfen dabei, zu bestimmen, welches KI-Modell eine bestimmte Aufgabe bewältigen soll, was die Leistung, Kosteneffizienz und Flexibilität verbessern kann.

Das Erlernen der Routing-Infrastruktur hilft Benutzern zu verstehen, wie fortschrittlichere Agentensysteme aufgebaut sind. Anstatt sich auf ein einzelnes Modell zu verlassen, können OpenClaw-Setups durch Routing je nach Aufgabe dynamisch verschiedene Modelle auswählen, wodurch Agentenarchitekturen skalierbarer werden.

// 8. 1Panel

Der 1Panel-dev/1Panel Das Repository bietet ein Server-Kontrollfeld, das die Verwaltung selbst gehosteter Infrastruktur vereinfacht. Obwohl dies nicht spezifisch für OpenClaw ist, verlassen sich viele Benutzer auf Instruments wie 1Panel, um Dienste in VPS-Umgebungen (Digital Personal Server) bereitzustellen und zu verwalten.

Mithilfe von Plattformen wie 1Panel erfahren Leser, wie OpenClaw-Agenten zuverlässig gehostet und verwaltet werden können. Es werden praktische Bereitstellungsthemen wie Serververwaltung, Container-Orchestrierung und die Aufrechterhaltung einer stabilen Internet hosting-Umgebung für KI-Instruments vorgestellt.

// 9. Regenschirm

Der getumbrel/umbrel Repository ist ein Heimserver-Betriebssystem, das für die Ausführung selbstgehosteter Anwendungen über ein einfaches App-Ökosystem entwickelt wurde. Es ermöglicht Benutzern, Dienste über eine App-Retailer-ähnliche Oberfläche bereitzustellen und gleichzeitig die volle Kontrolle über ihre Infrastruktur zu behalten.

Die Erkundung von Umbrel hilft den Lesern zu verstehen, wie OpenClaw in einen breiteren Private-Server-Stack passen kann. Anstatt ein einzelnes Software auszuführen, können Benutzer eine vollständige, selbst gehostete Umgebung erstellen, in der KI-Assistenten neben anderen Diensten arbeiten.

// 10. ZeroClaw

Der Zeroclaw-Labs/Zeroclaw Das Repository stellt die nächste Technology der Assistenten-Infrastruktur dar, die auf dem OpenClaw-Ökosystem basiert. Im Mittelpunkt des Projekts steht die Schaffung schnellerer, tragbarerer und autonomerer Assistenzsysteme.

Das Studium von Projekten wie ZeroClaw hilft den Lesern zu verstehen, wie sich das Ökosystem entwickelt. Es zeigt, wie neue Instruments Agenten-Frameworks in Richtung flexiblerer Bereitstellungsmodelle und fortschrittlicherer Automatisierungsfunktionen vorantreiben.

# Überprüfung der Repositorys

Diese Tabelle fasst zusammen, was jedes Repository lehrt und für wen es am besten geeignet ist, während Sie das OpenClaw-Ökosystem erkunden.

Repository	Was Sie lernen werden	Am besten für
offene Klaue/offene Klaue	Kernarchitektur, Agenten-Workflows und die Grundlage des OpenClaw-Projekts	Jeder, der mit OpenClaw beginnt
LeoYeAI/openclaw-master-skills	Entdecken und experimentieren Sie mit OpenClaw-Fähigkeiten	Benutzer erweitern die Agentenfunktionen
VoltAgent/awesome-openclaw-skills	Großes kategorisiertes Verzeichnis von OpenClaw-Kenntnissen	Fortgeschrittene Benutzer erkunden das Ökosystem
hesamsheikh/awesome-openclaw-usecases	Praxisnahe Arbeitsabläufe und praktische Anwendungen	Benutzer suchen Inspiration für die Automatisierung
carlvellotti/learn-openclaw	Geführter Lernpfad und praktische Einrichtungsanweisungen	Anfänger lernen OpenClaw
NevaMind-AI/memU	Persistente Speichersysteme für KI-Agenten mit langer Laufzeit	Entwickler entwickeln proaktive Agenten
BlockRunAI/ClawRouter	Modellrouting und erweiterte Agenteninfrastruktur	Erweiterte OpenClaw-Setups
1Panel-dev/1Panel	VPS-Bereitstellung und Serververwaltung für selbst gehostete Instruments	Benutzer, die OpenClaw auf Servern hosten
getumbrel/umbrel	Aufbau eines breiteren, selbst gehosteten Private-Server-Stacks	Benutzer, die vollständige Heimserver-Setups erstellen
Zeroclaw-Labs/Zeroclaw	Neue Assistenz-Infrastruktur und zukünftige Ökosystem-Instruments	Leser erkunden, wohin sich das Ökosystem entwickelt

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Claude Expertise (oder Agent Expertise) können einen einfachen KI-Assistenten in etwas weitaus Mächtigeres verwandeln. Aber die meisten Menschen stoßen auf dieselbe Wand: Sie wissen nicht, wo sie zu finden sind?

Der Aufbau von Fähigkeiten von Grund auf ist langsam. Der klügere Schachzug ist die produktionsbereite Nutzung Claude-Code-Kenntnisse die Entwickler bereits auf GitHub teilen. Diese Liste umfasst die besten Repositories, die Sie finden können Über 1000 kostenlose Claude-kompatible Fertigkeitenvon Automatisierungsworkflows bis hin zu Agentensystemen.

1. Claude Expertise von Anthropic

Anthropik/Fähigkeiten | Offizieller Ausgangspunkt

Das ist das offizielles GitHub-Repository der Claude-Code-Kenntnisse. Dieses von Anthropic verwaltete Repository zeigt, wie Claude Expertise tatsächlich entworfen und intern verwendet werden. Das Repository listet auch die offiziellen Fähigkeiten (von Anthropic angeboten) auf, die in unseren Arbeitsabläufen verwendet werden können.

Was macht dieses Repositorium besonders?

• 17 offizielle Claude-Fähigkeiten
• Arbeitsabläufe bei der Dokumentenerstellung
• Kenntnisse sichern und aktualisieren
• Saubere, intestine dokumentierte Beispiele

Am besten für: Verstehen Sie die Grundlagen von Claude Expertise, bevor Sie größere Repositories erkunden.

2. Plattformübergreifende Agentenfähigkeiten

alirezarezvani/claude-skills | Unterstützung für mehrere KI-Codierungstools

Dieses Repo zeichnet sich dadurch aus, dass es über Claude hinausgeht. Die Unterstützung für dieses Repository erstreckt sich auf OpenAI Codex, Gemini CLI, OpenClaw, Cursor und viele weitere KI-Instruments. Es beinhaltet über 200 Fähigkeiten die auch mit mehreren KI-Instruments funktionieren.

Was macht dieses Repositorium besonders?

• Über 200 produktionsreife Fähigkeiten
• Kompatibilität mit Codex, Gemini CLI, Cursor und mehr
• Entwicklerorientierte Arbeitsabläufe
• Open-Supply-Lizenz

Am besten für: Bauherren, die in mehreren KI-Ökosystemen arbeiten.

3. Premium-Agent-Fähigkeitssammlung

VoltAgent/awesome-agent-skills | Handverlesene Fähigkeiten

Eine kuratierte Liste mit über 200 Agentenfähigkeiten von Entwicklern und Groups. Dies ist vielleicht nicht die zentrale Anlaufstelle für den Einkauf von Claude-Fähigkeiten, aber was es bietet, ist es Qualität. Dieses Repo konzentriert sich auf Qualität vor Quantitätwas es einfacher macht, verwendbare Fertigkeiten zu finden, ohne zu graben.

Was macht dieses Repositorium besonders?

• Mehrstufige Agenten-Workflows
• Anwendungsfälle aus der Praxis der Automatisierung
• Regelmäßig aktualisierte Neighborhood-Beiträge
• Kuratierte Liste der am häufigsten verwendeten Fähigkeiten

Am besten für: Entwickler auf der Suche nach praktischen, sofort einsetzbaren Fähigkeiten.

4. Größte Claude Expertise-Bibliothek

sickn33/antigravity-awesome-skills | Größte Claude Expertise-Sammlung

Das größte Repository auf dieser Liste. Mit Über 1200 FähigkeitenEs deckt quick jeden Anwendungsfall ab, den Sie sich vorstellen können. Dies ist eines dieser Repositories, die es wert sind, zur weiteren Referenz mit einem Lesezeichen versehen zu werden (Über 24.000 Github-Sterne beweist den Punkt).

Was macht dieses Repositorium besonders?

• Über 1.200 Agentenfähigkeiten
• Funktioniert mit Claude, Copilot, Cursor, Gemini CLI
• Große Auswahl an Automatisierungs- und Entwicklungsworkflows
• Großes Vertrauen bei einer großen Anzahl von Benutzern

Am besten für: Benutzer, die eine umfangreiche Bibliothek an Fähigkeiten an einem Ort wünschen.

5. Automatisierungsorientierte Agentenfähigkeiten

ComposioHQ/awesome-claude-skills | One-Cease für Automatisierungsagenten

Hier wird Claude zum Agent, der tatsächlich Dinge tut. Die in diesem Repository bereitgestellten Fähigkeiten sind darauf ausgelegt Workflow-Automatisierung. Und das Beste daran ist: Alle Fähigkeiten sind unabhängig vom Programmierassistenten. Das bedeutet, dass die Fähigkeiten nicht auf das Claude-Ökosystem beschränkt sind.

Was macht dieses Repositorium besonders?

• Hohe Kompatibilität der Fähigkeiten aller KI-Codierungsassistenten
• Ausführliche Liste der Automatisierungsfähigkeiten
• Ständiges Hinzufügen hält die Liste auf dem neuesten Stand
• Expertise können mit über 1000 Apps verbunden werden

Am besten für: Benutzer, die Automatisierung und reale Integrationen wünschen, nicht nur Textausgabe.

Wenn Sie mehr über Fähigkeiten im Claude-Code erfahren möchten, lesen Sie Was sind Fähigkeiten?

Letzte Gedanken

Claude Expertise sind eine der wirkungsvollsten Möglichkeiten, Ihren Arbeitsablauf zu verbessern. Es ist eine Stage-Up-Choice für Agenten und kann in weniger als einer Minute auf einem Codierungsassistenten installiert werden. Diese Plug-and-Play-Eigenschaft von Claude Expertise macht sie zur idealen Wahl für KI-Workflows.

Der eigentliche Vorteil liegt jedoch in der Verwendung von richtige Fähigkeiten, nicht das die meisten Fähigkeiten.

• Beginnen Sie mit Anthropics offizielles Repo für Klarheit
• Bewegen Sie sich nach VoltAgent für kuratierte Workflows
• Verwenden ComposioHQ für echte Automatisierung
• Erkunden Antigravitation wenn Sie Skalierung benötigen

Wählen Sie basierend auf Ihrem Anwendungsfall, nicht auf Hype. Wenn Sie zusätzliche Zeit damit verbringen, die für Ihre Anwendung geeignete Qualifikation zu finden, wird sich die Zeit später lohnen.

Mehr lesen: Kostenlose Anthropic Academy-Kurse mit Zertifikaten

Häufig gestellte Fragen

Bild vom Autor

# Einführung

Die meisten Ingenieure stoßen bei der Vorbereitung auf Vorstellungsgespräche auf Systemdesign, aber in Wirklichkeit geht es um viel mehr. Beim Systemdesign geht es darum, zu verstehen, wie große Systeme aufgebaut sind, warum bestimmte Architekturentscheidungen getroffen werden und wie Kompromisse alles von der Leistung bis zur Zuverlässigkeit beeinflussen. Hinter jeder App, die Sie täglich nutzen, von Messaging-Plattformen bis hin zu Streaming-Diensten, stehen sorgfältige Entscheidungen über Datenbanken, Caching, Lastausgleich, Fehlertoleranz und Konsistenzmodelle.

Die Herausforderung beim Systemdesign besteht darin, dass es selten eine einzige richtige Antwort gibt. Sie wägen ständig Kosten, Skalierbarkeit, Latenz, Komplexität und zukünftiges Wachstum ab. Sollten Sie die Datenbank jetzt oder später teilen? Legen Sie Wert auf starke Konsistenz oder letztendliche Konsistenz? Optimieren Sie für Lese- oder Schreibvorgänge? Dies sind die Artwork von Fragen, die oberflächliches Wissen vom echten architektonischen Denken trennen.

Die gute Nachricht ist, dass viele erfahrene Ingenieure diese Muster, Pannen und Interviewstrategien offen auf GitHub dokumentiert haben. Anstatt nur durch Ausprobieren zu lernen, können Sie echte Fallstudien, kuratierte Ressourcen, strukturierte Interviewrahmen und produktionstaugliche Designprinzipien aus der Group studieren.

In diesem Artikel überprüfen wir 10 GitHub-Repositories, die Grundlagen, Interviewvorbereitung, Konzepte verteilter Systeme, Systemdesign für maschinelles Lernen, agentenbasierte Architekturen und Fallstudien zur Skalierbarkeit in der Praxis abdecken. Zusammen bieten sie einen praktischen Fahrplan für die Entwicklung des strukturierten Denkens, das für die Entwicklung zuverlässiger Systeme im großen Maßstab erforderlich ist.

# Erkunden Sie GitHub-Repositories, um das Systemdesign zu meistern

// 1. Einführung in das Systemdesign

Der Systemdesign-Grundierung ist eines der am häufigsten referenzierten Repositories zum Erlernen der Grundlagen des Systemdesigns.

Es behandelt Kernkonzepte wie Skalierbarkeit vs. Leistung, Latenz vs. Durchsatz, CAP-Theorem, Caching, Lastausgleich, Datenbankskalierung und enthält Beispielfragen für Systemdesign-Interviews mit strukturierten Lösungen. Dies ist oft der erste Schritt, den Repository-Ingenieure zum Aufbau eines starken Fundaments nutzen.

// 2. Systemdesign 101

Systemdesign 101 Der Schwerpunkt liegt auf der einfachen und visuellen Erklärung komplexer Systemdesignthemen.

Es ist besonders hilfreich für Anfänger, die eine Instinct benötigen, bevor sie in die tiefgreifende technische Dokumentation eintauchen. Die Erläuterungen sind prägnant und auf das Interview ausgerichtet, was es zu einem guten Ausgangspunkt für eine strukturierte Vorbereitung macht.

// 3. Systemdesign im Maßstab

Der Systemdesign im Maßstab Das Repository bietet einen strukturierten Pfad zum Erlernen des Entwurfs verteilter Systeme.

Es geht durch Architekturgrundlagen, Skalierungstechniken, Datenbanken, Caching-Ebenen und Beispiele aus der Praxis. Dies ist nützlich, wenn Sie einen eher kursähnlichen Verlauf statt einer Sammlung von Hyperlinks wünschen.

// 4. Beste Systemdesign-Ressourcen

Der Beste Systemdesign-Ressourcen Das Repository ist eine kuratierte Liste hochwertiger Artikel, Movies und Leitfäden zum Thema Systemdesign.

Anstatt einen linearen Kurs zu unterrichten, fungiert er als Roadmap, die Ihnen dabei hilft, verschiedene Dimensionen verteilter Systeme und Architekturdenken zu erkunden.

// 5. Handbuch für Systemdesign-Interviews

Der Handbuch für Systemdesign-Interviews Bietet einen systematischen Rahmen für die Vorgehensweise bei Systemdesign-Interviews.

Der Schwerpunkt liegt darauf, wie Sie Ihre Antwort strukturieren, Anforderungen klären und Schritt für Schritt über Komponenten nachdenken. Dies macht es besonders nützlich für die Simulation und Übung von Vorstellungsgesprächen.

// 6. Systemdesign-Akademie

Akademie für Systemdesign ist ein großes und organisiertes Repository mit Grundlagen, Fallstudien, Architekturmustern und Whitepapers.

Es ist hilfreich, wenn Sie bestimmte Themen wie Nachrichtenwarteschlangen, verteilte Speicherung oder Konsistenzmodelle durchsuchen und Ihr Verständnis gezielt vertiefen möchten.

// 7. Prime-Ressourcen für Systemdesign-Interviews

Der Prime-Ressourcen für Systemdesign-Interviews Das Repository kuratiert ausführliche Materialien zu vielen Systemthemen, darunter Ratenbegrenzung, API-Gateways, verteilte Protokolle und Datenbank-Sharding.

Es eignet sich am besten, wenn Sie bei Ihrer Vorbereitung bestimmte Schwachstellen stärken möchten.

// 8. Design maschineller Lernsysteme

Design maschineller Lernsysteme konzentriert sich auf die Gestaltung maschineller Lernsysteme in Produktionsumgebungen.

Es deckt den gesamten Lebenszyklus von der Datenerfassung und Modellschulung bis hin zur Bereitstellung und Überwachung ab. Wenn Sie in KI- oder datengesteuerten Systemen arbeiten, verbindet dieses Repository das klassische Systemdesign mit ML-spezifischen Einschränkungen.

// 9. Entwurfsmuster für Agentensysteme

Der Entwurfsmuster für Agentensysteme Das Repository untersucht Entwurfsmuster für den Aufbau agentenbasierter Systeme und intelligenter Arbeitsabläufe.

Dies ist besonders related für Ingenieure, die mit großen Sprachmodellen und Multiagentensystemen arbeiten und eine strukturierte Architekturführung wünschen.

// 10. Skalierbarkeitstechnik

Der Skalierbarkeitstechnik Das Repository ist eine kuratierte Liste von Ressourcen, die sich auf den Aufbau zuverlässiger und leistungsstarker Systeme im großen Maßstab konzentrieren.

Es enthält Fallstudien und Beispiele aus der Praxis großer Technologieunternehmen und hilft Ihnen zu verstehen, wie theoretische Konzepte in der Praxis angewendet werden.

# Überprüfung der Repositorys

Diese Tabelle gibt Ihnen einen schnellen Überblick darüber, was jedes Repository lehrt und für wen es am besten geeignet ist, sodass Sie sofort den richtigen Lernpfad für das Systemdesign auswählen können.

Repository	Was Sie lernen werden	Am besten für
Systemdesign-Grundierung	Kernkonzepte verteilter Systeme, Skalierbarkeitskompromisse, Caching, Datenbanken, Lastausgleich und strukturierte Interviewlösungen	Ingenieure bauen solide Grundlagen auf und bereiten sich auf Vorstellungsgespräche vor
Systemdesign 101	Visuelle und vereinfachte Erklärungen wichtiger Architekturmuster und realer Systembeispiele	Anfänger, die eine schnelle Instinct wünschen, bevor sie tiefer eintauchen
Systemdesign im Maßstab	Schrittweises Architekturdenken, Skalierungstechniken und praktische Aufschlüsselungen verteilter Systeme	Entwickler, die einen strukturierten, kursähnlichen Weg wünschen
Beste Systemdesign-Ressourcen	Kuratierte Artikel, Leitfäden und Movies aus allen Bereichen des Systemdesigns	Lernende, die es vorziehen, hochwertiges externes Materials zu erkunden
Handbuch für Systemdesign-Interviews	Ein wiederholbarer Rahmen für die Herangehensweise und Strukturierung der Antworten auf Systemdesign-Interviews	Kandidaten üben Reside-Interviewszenarien
Akademie für Systemdesign	Berichterstattung im Enzyklopädie-Stil über Muster, Fallstudien und verteilte Systemkomponenten	Ingenieure schließen spezifische Wissenslücken
Prime-Ressourcen für Systemdesign-Interviews	Tiefe Einblicke in Ratenbegrenzung, Sharding, Messaging-Systeme und architektonische Kompromisse	Entwickler stärken gezielt Schwachstellen
Design maschineller Lernsysteme	Durchgängige ML-Systemarchitektur einschließlich Datenpipelines, Bereitstellung und Überwachung	ML-Ingenieure arbeiten an Produktions-KI-Systemen
Entwurfsmuster für Agentensysteme	Architekturmuster für LLM-basierte und Multiagentensysteme	Ingenieure, die KI-native oder agentengesteuerte Systeme entwickeln
Skalierbarkeitstechnik	Praxisnahe Fallstudien und Efficiency-Engineering-Prinzipien im großen Maßstab	Leitende Ingenieure konzentrierten sich auf Zuverlässigkeit und hochskalierte Systeme

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Bei technischen Interviews geht es nicht darum, zufällige Fragen auswendig zu lernen. Es geht darum, klares Denken, starke Grundlagen und die Fähigkeit, unter Druck zu argumentieren, zu demonstrieren. Der schnellste Weg, dieses Vertrauen aufzubauen, besteht darin, von Ressourcen zu lernen, die bereits Tausenden von Ingenieuren zum Erfolg verholfen haben.

In diesem Artikel werden wir die 10 vertrauenswürdigsten GitHub-Repositories für die Vorbereitung von technischen Vorstellungsgesprächen untersuchen und dabei die Codierung von Vorstellungsgesprächen, das Systemdesign, Backend- und Frontend-Rollen und sogar Vorstellungsgespräche für maschinelles Lernen abdecken. Jedes Repository konzentriert sich auf das, was in Interviews wirklich zählt, von Datenstrukturen und Algorithmen bis hin zu skalierbarem Systemdesign und realen Kompromissen.

# GitHub-Repositories für Acing Tech-Interviews

// 1. jwasham/coding-interview-university

Coding-Interview-Universität ist ein checklistenbasierter, mehrmonatiger Studienplan für Software program-Engineering-Interviews, der sich auf die wichtigsten CS-Themen konzentriert (Datenstrukturen, Algorithmen, Huge-O und Problempraxis). Es begann als persönliche Roadmap des Autors und entwickelte sich zu einem strukturierten Repo mit Ressourcen, täglicher Anleitung und einem klaren Weg zur Vorbereitung für Unternehmen wie Google, Amazon und Microsoft.

// 2. donnemartin/system-design-primer

Der Systemdesign-Grundierung ist ein strukturierter Open-Supply-Leitfaden zum Erlernen des Entwurfs skalierbarer Systeme und zur Vorbereitung auf Systemdesign-Interviews. Es organisiert die verstreuten „Programs at Scale“-Konzepte an einem Ort, mit klaren Kompromissen (wie Latenz vs. Durchsatz und Konsistenz vs. Verfügbarkeit), praktischen Bausteinen (CDNs, Load Balancer, Caches, Datenbanken, Warteschlangen) und praktischer Interviewpraxis mit Beispiellösungen, Diagrammen und Anki-Lernkarten für räumliche Wiederholungen.

// 3. Yangshun/Tech-Interview-Handbuch

Handbuch für Tech-Interviews ist ein kostenloser, kuratierter technischer Leitfaden zur Vorbereitung von Vorstellungsgesprächen für vielbeschäftigte Ingenieure, der vom Autor von Blind 75/Grind 75 erstellt wurde. Er deckt die gesamte Interviewreise durchgängig ab, einschließlich Greatest Practices für Codierungsinterviews, kuratierte Problemlisten und -muster, Algorithmus-Spickzettel, Lebenslauf und Verhaltensvorbereitung und sogar Entrance-Finish-Ressourcen, wobei die meisten Inhalte direkt im Repo geschrieben sind (nicht nur Hyperlinks) und offen für Group-Beiträge sind.

// 4. kdn251/interviews

Interviews ist ein umfassendes Repository zur Vorbereitung von Coding-Interviews, das von Kevin Naughton Jr. kuratiert wurde und dem Zehntausende von Ingenieuren vertrauen. Es kombiniert klare Erklärungen der Kerndatenstrukturen und -algorithmen mit kategorisierten Problemimplementierungen, Reside-Coding-Übungen, Simulationsinterviewplattformen und Lernressourcen und macht es zu einer praktischen All-in-One-Referenz für die Vorbereitung auf Interviews im FAANG-Stil.

// 5. ashishps1/awesome-leetcode-resources

Das Fantastische LeetCode DSA-Ressourcen Das Repository ist eine strukturierte Sammlung hochwertiger Materialien zur Beherrschung von Datenstrukturen, Algorithmen und gängigen LeetCode-Mustern. Der Schwerpunkt liegt auf musterbasiertem Lernen, grundlegenden Konzepten, kuratierten Problemlisten wie „Blind 75“ und „Prime Interview“-Units sowie Vorlagen, Artikeln, Movies, Büchern und visuellen Instruments, was es zu einer praktischen Drehscheibe für die effiziente Vorbereitung von Coding-Interviews macht.

// 6. binhnguyennus/awesome-scalability

Das Leseliste zum Design skalierbarer Systeme ist eine kuratierte, intestine organisierte Bibliothek mit Artikeln, Vorträgen, Büchern und Fallstudien aus der Praxis, die erklären, wie große Systeme schnell, zuverlässig und belastbar bleiben, wenn sie von Tausenden auf Milliarden von Benutzern wachsen. Es ist auf praktische Ergebnisse ausgerichtet: Diagnose langsamer Systeme (Skalierbarkeit vs. Leistung), Verhinderung und Wiederherstellung nach Ausfällen (Verfügbarkeit und Stabilität), Vorbereitung auf Systemdesign-Interviews (Notizen, Architekturen, Diagramme) und sogar Skalierung der technischen Organisation selbst (Einstellung, Administration, Kultur).

// 7. DopplerHQ/awesome-interview-fragen

Tolle Interviews ist eine „Meta-Liste“ technischer Interviewressourcen: Anstatt eine einzelne Fragenbank zu sein, werden viele hochwertige Pay attention mit Interviewfragen zu einem breiten Themenspektrum zusammengestellt. Es soll Ihnen dabei helfen, schnell Interviewfragen für einen bestimmten Stack oder eine bestimmte Domäne zu finden, ohne im Web suchen zu müssen. Das Repo ist außerdem als nicht mehr aktiv unterstützt gekennzeichnet. Betrachten Sie es additionally als eine große Momentaufnahme von Hyperlinks, die immer noch nützlich sind, aber möglicherweise ältere/veraltete Ressourcen enthalten.

// 8. Chalarangelo/30-Sekunden-Interviews

30 Sekunden Interviews ist eine von der Group kuratierte Sammlung häufig gestellter Interviewfragen mit kurzen, klaren Antworten, die für eine schnelle Überarbeitung vor Interviews konzipiert sind. Der Schwerpunkt liegt auf praktischen, häufig gestellten Themen in den Bereichen JavaScript, React, HTML, CSS, Barrierefreiheit, Knoten und Sicherheit. Anstelle ausführlicher Tutorials liegt der Schwerpunkt auf schneller Erinnerung, realistischem Verständnis und Selbstvertrauen unter dem Druck eines Vorstellungsgesprächs, was es very best für die Vorbereitung in letzter Minute macht.

// 9. arialdomartini/Again-Finish-Developer-Interview-Fragen

Fragen im Vorstellungsgespräch für Again-Finish-Entwickler ist eine diskussionsgesteuerte Sammlung offener Fragen zu den Themen Backend-Engineering, Systemdesign, Datenbanken, verteilte Systeme, Architektur, Sicherheit und Teampraktiken. Es werden absichtlich keine Antworten bereitgestellt, sondern eher zu tiefgründigen Fachgesprächen als zu auswendig gelernten Antworten angeregt. Die Ressource eignet sich am besten dazu, einen nachdenklichen Dialog anzustoßen und reale Überlegungen, Design-Kompromisse und technische Reife zu bewerten, anstatt Interviews im Checklisten-Stil zu führen.

// 10. Khangich/Machine-Studying-Interview

Mindestpraktikabler Studienplan für Interviews zum maschinellen Lernen ist eine praktische Roadmap für ML-Ingenieur- und Information-Science-Interviews, die sich auf das konzentriert, was tatsächlich auftaucht. Es kombiniert Fallstudien zum ML-Systemdesign (Empfehlung, Feed-Rating, Anzeigen, Suche), grundlegende ML-Grundlagen (Statistik, klassisches ML, Deep Studying) und Übungen zur Vorbereitung auf Vorstellungsgespräche (SQL, bei Bedarf ein wenig LeetCode), alles unterstützt durch kuratierte Lektüre, Assessments und echte Interviewgeschichten.

# Letzte Gedanken

Wenn ich eines gelernt habe, dann ist es, dass es bei einer guten Vorbereitung auf Vorstellungsgespräche nicht darum geht, Ressourcen zu sammeln, sondern darum, die richtigen konsequent zu nutzen. Diese Repositories decken Codierung, Backend-Grundlagen, Systemdesign, Skalierbarkeit und maschinelles Lernen auf eine Weise ab, die tatsächlich echte Interviews widerspiegelt.

Mein Rat ist einfach: Führen Sie so viele berufsrelevante Probeinterviews durch, wie Sie können. Lernen Sie die Beispielantworten, verstehen Sie die dahinter stehende Denkweise und machen Sie es sich zur Gewohnheit, jeden Tag etwa 20 Fragen zu üben. Wenn die Zeit für ein Vorstellungsgespräch kommt, werden sich Ihre Antworten nicht wie auswendig oder erzwungen anfühlen, sondern ganz natürlich und mit Zuversicht kommen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Beim Erlernen von KI geht es heute nicht nur darum, Modelle des maschinellen Lernens zu verstehen. Es geht darum zu wissen, wie Dinge in der Praxis zusammenpassen, von Mathematik und Grundlagen bis hin zum Aufbau realer Anwendungen, Agenten und Produktionssysteme. Bei so vielen On-line-Inhalten kann es leicht passieren, dass man sich verloren fühlt oder zwischen zufälligen Tutorials hin und her springt, ohne einen klaren Weg zu finden.

In diesem Artikel erfahren Sie mehr über die 10 beliebtesten und wirklich nützlichen GitHub-Repositories zum Erlernen von KI. Diese Repos decken das gesamte Spektrum ab, einschließlich generativer KI, großen Sprachmodellen, Agentensystemen, Mathematik für ML, Pc Imaginative and prescient, realen Projekten und KI-Engineering in Produktionsqualität.

# GitHub-Repositories zum Lernen von KI

// 1. Microsoft/Generative-AI-für-Anfänger

Generative KI für Einsteiger ist ein strukturierter 21-Lektionen-Kurs von Microsoft Cloud Advocates, der lehrt, wie man echte generative KI-Anwendungen von Grund auf erstellt. Es verbindet klare Konzeptlektionen mit praktischen Builds in Python und TypeScript und deckt Eingabeaufforderungen, Chat, RAG, Agenten, Feinabstimmung, Sicherheit und Bereitstellung ab. Der Kurs ist einsteigerfreundlich, mehrsprachig und darauf ausgelegt, die Lernenden mit praktischen Beispielen und Neighborhood-Unterstützung von den Grundlagen zu produktionsreifen KI-Apps zu führen.

// 2. Rasbt/LLMs von Grund auf

Erstellen Sie ein großes Sprachmodell (von Grund auf) ist ein praktisches, lehrreiches Repository und eine Ergänzung zum Manning-Buch, das lehrt, wie LLMs funktionieren, indem ein GPT-Modell Schritt für Schritt in reinem PyTorch implementiert wird. Es geht durch Tokenisierung, Aufmerksamkeit, GPT-Architektur, Vorschulung und Feinabstimmung (einschließlich Befehlsoptimierung und LoRA), alles für die Ausführung auf einem normalen Laptop computer konzipiert. Der Schwerpunkt liegt auf einem tiefen Verständnis durch Code, Diagramme und Übungen und nicht auf der Verwendung von LLM-Bibliotheken auf hoher Ebene. Dies macht es very best, um LLM-Interna von Grund auf zu erlernen.

// 3. DataTalksClub/llm-zoomcamp

LLM Zoomcamp ist ein kostenloser, praxisorientierter 10-wöchiger Kurs, der sich auf die Erstellung realer LLM-Anwendungen, insbesondere RAG-basierter Systeme, auf der Grundlage Ihrer eigenen Daten konzentriert. Es umfasst Vektorsuche, Bewertung, Überwachung, Agenten und Greatest Practices durch praktische Workshops und ein Abschlussprojekt. Es ist für das Lernen im eigenen Tempo oder in Gruppen konzipiert und legt den Schwerpunkt auf produktionsreife Fähigkeiten, Neighborhood-Suggestions und den Aufbau eines Finish-to-Finish-Methods und nicht nur auf die Theorie.

// 4. Shubhamsaboo/awesome-llm-apps

Tolle LLM-Apps ist eine kuratierte Präsentation echter, ausführbarer LLM-Anwendungen, die mit RAG, KI-Agenten, Multi-Agenten-Groups, MCP, Sprachschnittstellen und Speicher erstellt wurden. Es beleuchtet praktische Projekte mit OpenAI, Anthropic, Gemini, xAI und Open-Supply-Modellen wie Llama und Qwen, von denen viele lokal ausgeführt werden können. Der Schwerpunkt liegt auf dem Lernen anhand von Beispielen, der Erforschung moderner Agentenmuster und der Beschleunigung der praktischen Entwicklung von LLM-Apps im Produktionsstil.

// 5. panaversity/learn-agentic-ai

Lernen Sie Agentic AI mit Dapr Agentic Cloud Ascent (DACA) ist ein cloudnatives, systemorientiertes Lernprogramm, das sich auf die Entwicklung und Skalierung von agentenbasierten KI-Systemen auf globaler Ebene konzentriert. Es lehrt, wie man mithilfe der Protokolle Kubernetes, Dapr, OpenAI Brokers SDK, MCP und A2A zuverlässige, interoperable Multi-Agent-Architekturen erstellt, wobei der Schwerpunkt auf Arbeitsabläufen, Ausfallsicherheit, Kostenkontrolle und realer Ausführung liegt. Das Ziel besteht nicht nur darin, Agenten zu erstellen, sondern Entwickler darin zu schulen, produktionsbereite Agentenschwärme zu entwerfen, die unter realen Einschränkungen auf Millionen gleichzeitiger Agenten skaliert werden können.

// 6. dair-ai/Mathematik-für-ML

Mathematik für maschinelles Lernen ist eine kuratierte Sammlung hochwertiger Bücher, Aufsätze und Videovorträge, die die mathematischen Grundlagen von modernem ML und Deep Studying abdecken. Es konzentriert sich auf Kernbereiche wie lineare Algebra, Evaluation, Wahrscheinlichkeit, Statistik, Optimierung und Informationstheorie, wobei die Ressourcen von anfängerfreundlich bis hin zu Forschungstiefe reichen. Ziel ist es, den Lernenden dabei zu helfen, eine starke mathematische Instinct zu entwickeln und die Theorie hinter Modellen und Algorithmen für maschinelles Lernen sicher zu verstehen.

// 7. ashishpatel26/500-AI-Machine-learning-Deep-learning-Pc-vision-NLP-Initiatives-with-code

Über 500 Projektliste für künstliche Intelligenz mit Code ist ein umfangreiches, ständig aktualisiertes Verzeichnis von KI/ML/DL-Projektideen und Lernressourcen, gruppiert nach Bereichen wie Pc Imaginative and prescient, NLP, Zeitreihen, Empfehlungssysteme, Gesundheitswesen und Produktions-ML. Es verlinkt zu Hunderten von Tutorials, Datensätzen, GitHub-Repos und „Projekten mit Quellcode“ und ermutigt Neighborhood-Beiträge über Pull-Requests, um die Funktionsfähigkeit der Hyperlinks aufrechtzuerhalten und die Sammlung zu erweitern.

// 8. armankhondker/awesome-ai-ml-resources

Roadmap für maschinelles Lernen und KI (2025) ist ein strukturierter Leitfaden für Anfänger bis Fortgeschrittene, der Schritt für Schritt erklärt, wie man KI und maschinelles Lernen erlernt. Es deckt Kernkonzepte, mathematische Grundlagen, Werkzeuge, Rollen, Projekte, MLOps, Interviews und Forschung ab und verlinkt gleichzeitig zu vertrauenswürdigen Kursen, Büchern, Aufsätzen und Communities. Ziel ist es, den Lernenden einen klaren Weg durch ein schnelllebiges Feld zu bieten und ihnen dabei zu helfen, praktische Fertigkeiten zu erwerben und sich auf die Karriere vorzubereiten, ohne überfordert zu werden.

// 9. spmallick/learnopencv

LearnOpenCV ist ein umfassendes, praktisches Repository, das den LearnOpenCV.com-Weblog begleitet und Hunderte von Tutorials mit ausführbarem Code zu den Themen Pc Imaginative and prescient, Deep Studying und moderne KI bietet. Es umfasst Themen von klassischen OpenCV-Grundlagen bis hin zu hochmodernen Modellen wie YOLO, SAM, Diffusionsmodellen, VLMs, Robotik und Edge AI, mit einem starken Fokus auf die praktische Umsetzung. Das Repository ist very best für Lernende und Praktiker, die KI-Konzepte durch den Aufbau realer Systeme und nicht nur durch das Lesen von Theorien verstehen möchten.

// 10. x1xhlol/system-prompts-and-models-of-ai-tools

Systemaufforderungen und Modelle von KI-Instruments ist ein Open-Supply-KI-Engineering-Repository, das dokumentiert, wie reale KI-Instruments und -Agenten strukturiert sind, und über 30.000 Zeilen mit Systemaufforderungen, Modellverhalten und Entwurfsmustern offenlegt. Es ist besonders nützlich für Entwickler, die zuverlässige Agenten und Eingabeaufforderungen erstellen, da es praktische Einblicke in die Gestaltung von Produktions-KI-Systemen bietet und gleichzeitig die Bedeutung von sofortiger Sicherheit und Leckverhinderung hervorhebt.

# Letzte Gedanken

Meiner Erfahrung nach besteht der schnellste Weg, KI zu erlernen, darin, sie nicht mehr als Theorie zu betrachten, sondern parallel zum Lernen mit dem Aufbau zu beginnen. Diese Repositories funktionieren, weil sie praktisch und eigensinnig sind und von echten Ingenieuren gestaltet werden, die echte Probleme lösen.

Mein Rat ist, einige auszuwählen, die Ihrem aktuellen Niveau und Ihren Zielen entsprechen, sie Ende für Ende durchzugehen und konsequent weiterzuentwickeln. Tiefe, Wiederholung und praktisches Üben sind weitaus wichtiger als die Jagd nach jedem neuen Pattern.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.