KI-Agenten 'From Scratch': Warum ich auf Frameworks verzichte

Intro

Seit dem Start meines Antigravity-Projekts im Dezember 2025 verfolge ich eine klare Mission: Komplexität reduzieren.

In der KI-Welt greifen viele sofort zu riesigen Baukästen wie LangChain oder AutoGPT. Das geht schnell, aber man verliert oft die Kontrolle und das Verständnis für das, was unter der Haube passiert.

Ich wollte das Gegenteil beweisen. Ich wollte einen vollautonomen KI-Agenten bauen, der lokal auf meinem Rechner läuft – ohne Frameworks, nur mit reinem Python und Logik.

Hier ist der Bauplan meines "NeuroAgenten".

Die Herausforderung: Ein Gehirn allein reicht nicht. Ein LLM (Large Language Model) ist erst einmal nur ein Chatbot. Es kann reden, aber nicht handeln. Mein Ziel war ein System, das denkt (Strategie entwickelt), handelt (Dateien erstellt, analysiert, bearbeitet) und lernt (sich an frühere Aufgaben erinnert). Und das alles nach dem "Antigravity-Prinzip": So leichtgewichtig und kontrollierbar wie möglich.

Die Architektur (In 4 Schritten)

1. Das Fundament: Hardware Awareness. Software muss wissen, wo sie lebt. Mein Agent prüft beim Start automatisch die Umgebung: Bin ich auf dem Laptop? → Nutze ein kleines, effizientes Modell (Llama 3.2 3B via Ollama), um Akku zu sparen. Bin ich auf dem Desktop? → Schalte den Turbo ein (Llama 3.3 70B via Groq/Nvidia) für maximale Intelligenz. Business Value: Ressourcen-Effizienz und Skalierbarkeit.

2. Die Sicherheit: "The Smart Police". Autonomie braucht Grenzen. Niemand will, dass eine KI versehentlich Systemdateien löscht. Statt blindem Vertrauen habe ich eine "Bridge" gebaut. Jeder Befehl des Agenten (z.B. "Schreibe Datei") wird abgefangen, geprüft und nur ausgeführt, wenn er in der sicheren "Green Zone" bleibt. Business Value: Sicherheit by Design.

3. Das Gedächtnis: "The Vault". Chatbots vergessen alles, sobald man das Fenster schließt. Mein Agent nutzt ein lokales Vektor-Gedächtnis. Er speichert Informationen nicht nur als Text, sondern als mathematische Bedeutung. Dadurch "versteht" er Zusammenhänge auch noch Tage später, ohne dass ich Daten in eine teure Cloud hochladen muss. Business Value: Datenschutz und Langzeit-Kontext.

4. Der Loop: Von Reden zu Handeln. Das war der Durchbruch. Ich habe dem Agenten beigebracht, JSON (eine Datensprache) zu nutzen, um Werkzeuge zu steuern. Der Workflow ist jetzt autonom: Agent erhält Aufgabe ("Erstelle einen Wetter-Bericht"), Agent erstellt Plan, Agent führt Code aus, Agent prüft Ergebnis und korrigiert sich selbst, falls nötig.

Das Ergebnis. Was als Experiment begann, ist jetzt ein funktionierender digitaler Mitarbeiter. Er läuft lokal, kostet keine Lizenzgebühren und ich verstehe jede Zeile Code, weil ich sie selbst geschrieben habe.

Warum das wichtig ist? In einer Welt voller "Black Box"-Lösungen ist die Fähigkeit, Systeme von Grund auf zu verstehen und zu bauen, entscheidend. Es geht nicht darum, das Rad neu zu erfinden – sondern zu wissen, wie man es repariert und verbessert.

Tech Stack: Python, Ollama, Llama 3, Groq API, JSON. Frameworks: 0.

#AI #Python #SoftwareArchitecture #Antigravity #Llama3 #Innovation #Coding