microsoft/generative-ai-with-javascript: ein Kurs, kein SDK

Ein Kurs mit Handlung, kein Paket für npm

Das Repository enthält keine Bibliothek, die man installiert und in eine Anwendung einbindet. Es ist ein Lehrgang: acht Lektionen mit je einer schriftlichen Einheit, einer Aufgabe, einem Quiz, einer Videosequenz und den zugehörigen Lösungen. Die Inhalte liegen unter lessons/, jeweils in einem eigenen Unterverzeichnis mit README.md, und die README des Projekts beschreibt jede Lektion als Bündel aus geschriebenem Text, Kurzvideo, Lösungen und einer Figur, mit der man über die Companion-App sprechen kann. Der thematische Bogen reicht von LLM-Grundlagen über Prompt Engineering, strukturierte Ausgaben, Retrieval Augmented Generation und Tool Calling bis zu zwei Lektionen zum Model Context Protocol, die laut README zuletzt ergänzt wurden. Adressat sind JavaScript-Entwickler ohne Vorerfahrung mit generativer AI. Wer bereits RAG-Pipelines oder MCP-Server betreibt, findet hier wenig Neues. Der Nutzen liegt darin, dass alle Beispiele in einer Sprache und einem Ökosystem bleiben, statt zwischen Python-Notebooks und JavaScript-Frontend zu wechseln.

Die Zeitreise als didaktische Klammer

Statt abstrakter Beispieldaten arbeitet der Kurs mit historischen Figuren. Die README nennt Leonardo da Vinci, Ada Lovelace und Montezuma als Gesprächspartner, die in jeder Lektion auftauchen. Diese Rahmenerzählung ist kein Marketing-Dekor, sondern bestimmt, welche Prompts und Daten die Übungen verwenden: Die Lernenden schreiben System-Prompts für Figuren, extrahieren strukturierte Daten aus Dialogen und bauen später Wissensabfragen über Figurenprofile. Das ist ein bewusster didaktischer Kompromiss. Wer den Kurs durcharbeitet, übt an unterhaltsamem Material, muss die Muster aber selbst auf die eigene Domäne übertragen. Für technische Domänen wie Log-Analyse, Vertragsprüfung oder Support-Tickets liefert der Kurs keine Beispiele. Das ist kein Mangel, sondern eine Grenze, die man vor dem Einstieg kennen sollte. Die README zitiert dazu eine Nutzerstimme: "It's like a comic book with code!". Das beschreibt die Zielsetzung recht genau.

Was die Companion-App tatsächlich ist

Das Verzeichnis app/ enthält eine Anwendung, mit der sich die Figuren interaktiv befragen lassen. Die README verweist für den Start auf zwei Wege: lokal nach der Anleitung in docs/setup/README.md oder direkt in GitHub Codespaces. Die App ist das einzige Stück lauffähiger Code, das über die Übungsbeispiele hinausgeht, und sie dient als Referenzimplementierung für die in den Lektionen behandelten Techniken. Ob sie RAG, Tool Calling und MCP vollständig abbildet oder nur einen Teil davon, lässt sich aus dem vorliegenden Material nicht sicher ableiten. Die README beschreibt sie als Ort, an dem man mit historischen Figuren über generative AI interagiert, und verweist auf einen Responsible-AI-Hinweis. Wer die App als Ausgangspunkt für ein eigenes Produkt betrachtet, sollte den Code selbst lesen, bevor er Annahmen über die Architektur trifft.

Start in Codespaces, Modellzugriff über GitHub Models

Der in der README beschriebene Weg ist kurz: Repository forken, im geforkten Repository auf Code wechseln, den Reiter Codespaces öffnen und Create codespace wählen. Die Umgebung ist vorkonfiguriert, und die Beispiele laufen laut README über GitHub Models, ohne zusätzliche Einrichtung und ohne eigene Kosten für den Modellzugriff. Das ist der eigentliche Einstiegsmechanismus: nicht ein npm install, sondern eine vorbereitete Cloud-Umgebung mit angehängtem Modellzugang. Die README lässt den lokalen Betrieb ausdrücklich als Alternative offen und verweist auf docs/setup/README.md, Abschnitt Option 2 running the app locally. Konkrete Umgebungsvariablen, Endpunkt-URLs oder SDK-Versionen nennt die README nicht. Wer lokal arbeitet, muss diese Angaben aus den Lektionen und den Dateien unter docs/setup/ ziehen. Für Teams, die den Kurs hinter einer Firewall oder mit einem eigenen Azure-Endpunkt durchführen wollen, ist das der erste Prüfpunkt, nicht die Lektionsreihenfolge.

Zwei Lektionen MCP und die Frage der Aktualität

Die Lektionen 7 und 8 behandeln das Model Context Protocol. Lektion 7 zeigt laut README, wie man einen ersten Server baut und testet, Lektion 8, wie man einen MCP-Client durch die Anbindung eines LLM verbessert. Das ist der technisch anspruchsvollste Teil des Kurses und zugleich der, der am schnellsten veraltet. MCP ist eine junge Spezifikation, und Kursmaterial, das einen Serveraufbau Schritt für Schritt erklärt, hängt an Protokolldetails, die sich ändern können. Die README kündigt an, dass weitere Lektionen folgen werden, nennt aber keine Versionsstände der behandelten Spezifikation. Wer den MCP-Teil als Referenz für eine eigene Implementierung nutzt, sollte parallel die aktuelle Spezifikation lesen. Für die übrigen Lektionen gilt diese Sorge weniger stark: Prompt Engineering, strukturierte Ausgaben und RAG-Grundmuster sind stabiler als die Transport- und Registrierungsschicht eines Protokolls.

Grenzen: Beispiele sind keine Produktionsarchitektur

Der Kurs führt in Konzepte ein, er entwirft kein System. Das zeigt sich an mehreren Stellen. Die Beispiele laufen gegen GitHub Models in einer Codespaces-Umgebung, was für das Lernen praktisch ist, aber nichts über Rate Limits, Fehlerbehandlung, Wiederholungsversuche oder Kostenkontrolle in einem eigenen Deployment aussagt. Die Zeitreise-Figuren liefern unterhaltsame Prompts, aber keine Vorlage für Domänen, in denen Genauigkeit und Nachvollziehbarkeit wichtiger sind als Gesprächsfluss. Und die Companion-App ist ein Lernwerkzeug, dessen Umfang die README nicht als Produktionsrahmen beschreibt. Wer wissen will, wie man Token-Kosten begrenzt, Modellantworten validiert oder Ausfälle abfängt, findet im Material keine Hinweise. Für diese Fragen ist der Kurs der falsche Ausgangspunkt, unabhängig davon, wie gut die einzelnen Lektionen geschrieben sind.

Alternative: LiteLLM oder Vercel AI SDK statt Kurs

Der Unterschied liegt in der Kategorie, nicht im Funktionsumfang. LiteLLM und das Vercel AI SDK sind Bibliotheken, die Modellaufrufe vereinheitlichen, Streaming behandeln und Anbieterwechsel abstrahieren. Ein Kurs kann das nicht ersetzen, und eine Bibliothek kann keinen Kurs ersetzen. Wer bereits weiß, wie ein System-Prompt aufgebaut ist und was strukturierte Ausgaben bedeuten, gewinnt durch die ersten vier Lektionen wenig und sollte direkt zu einer Bibliothek greifen, die diese Muster als API anbietet. Wer dagegen noch nie einen Tool-Call implementiert oder eine RAG-Pipeline aufgebaut hat, bekommt im Kurs die Reihenfolge und den Zusammenhang, die eine API-Referenz nicht liefert. Die ehrliche Einordnung lautet: Der Kurs und die Bibliotheken konkurrieren nicht. Sie greifen an unterschiedlichen Punkten der Lernkurve.

MIT-Lizenz, Wartung und Übersetzungen

Das Repository steht unter der MIT-Lizenz, die README verweist auf die Datei LICENSE im Wurzelverzeichnis. Damit ist die Weitergabe und Anpassung der Inhalte ausdrücklich erlaubt, solange Copyright- und Lizenzhinweis erhalten bleiben. Für Unternehmen, die den Kurs intern anpassen und Mitarbeitern bereitstellen wollen, ist das eine niedrige Hürde. Ob dabei Marken- oder Namensrechte von Microsoft berührt werden, regelt die MIT-Lizenz nicht, und dazu gibt das Material keine Auskunft. Zur Pflege: Der letzte Push liegt laut Repository-Metadaten im September 2026, das Projekt ist nicht archiviert. Die README ruft aktiv zu Übersetzungen auf und beschreibt das Verfahren: In jedem Lektionsordner liegt ein translations/-Verzeichnis, in das eine Datei nach dem Muster README.<language code>.md gelegt wird, etwa README.es.md. Für deutschsprachige Teams bedeutet das, dass eine eigene Übersetzung vorgesehen und willkommen ist, aber selbst gepflegt werden muss. Ein Upgrade auf neue Kursversionen bleibt Handarbeit, weil keine Releases ausgewiesen sind.

Redaktionelles Fazit

Der Kurs passt zu JavaScript-Entwicklern, die LLM-Aufrufe, Prompt-Aufbau, strukturierte Ausgaben, RAG, Tool Calling und MCP einmal vollständig durchlaufen wollen, bevor sie Architekturentscheidungen treffen. Wer Produktionscode für eine bestehende Anwendung braucht, sollte zuerst das Verzeichnis app/ öffnen: Dort steht, wie eng die Beispiele an GitHub Models und den Codespaces-Ablauf gebunden sind. Prüfe vor jedem Fork, ob die gewählte Modell- oder Hosting-Plattform dieselben Aufrufmuster unterstützt, die die Lektionen verwenden.

Offizielle Quellen

1. Issues
2. License: MIT
3. microsoft/generative-ai-with-javascript on GitHub
4. Project website
5. README