GenAI_Agents von NirDiamant: 55 Notebooks als Lernpfad, kein Framework

Ein Lehrpfad in Notebooks, kein installierbares Paket

Das Repository von NirDiamant versammelt nach eigener Angabe 55 Tutorials zu Generativen-AI-Agenten, von einfachen Konversationsbots bis zu Multi-Agenten-Systemen. Die Hauptsprache ist Jupyter Notebook, es gibt keine abrufbaren Releases, und die Lizenz ist auf GitHub als NOASSERTION ausgewiesen. Wer hier eine Bibliothek erwartet, die man per pip einbindet und in eine Anwendung importiert, sucht am falschen Ort. Der Nutzen liegt darin, dass jede Technik als ausführbares Notebook vorliegt: Man liest nicht über einen Agenten, man startet Zellen und sieht, was passiert. Das Publikum sind Entwickler und Data Scientists, die Agentenmuster verstehen wollen, bevor sie sich auf ein Framework festlegen, sowie Lehrende, die Beispiele für Kurse brauchen. Der Preis für diese Form ist, dass jedes Notebook seine eigene Umgebung mitbringt und die Sammlung als Ganzes keine gemeinsame API hat.

Was in den Notebooks tatsächlich passiert

Die README nennt ein Beispiel, das den Kern der Sammlung gut zeigt: agent_while_loop_from_scratch.ipynb baut den kleinsten echten Agenten aus einer Schleife. Der Agent ruft ein Modell auf, bekommt eine Aktion zurück, führt sie aus, hängt das Ergebnis an den Kontext und entscheidet erneut. Die README beschreibt genau das in einem Satz, der hängen bleibt: der Agent baue sich selbst eine Falle, und irgendwo müsse eine Regel leben, die ihn stoppt. Diese Regel ist der eigentliche Lerninhalt, nicht der Modellaufruf. Andere Notebooks setzen auf LangChain oder LangGraph, wieder andere auf MCP, RAG oder Multi-Agenten-Orchestrierung. Ein gemeinsames Datenflussmodell über alle 55 Beispiele hinweg gibt es nicht, und die README beansprucht es auch nicht. Wer die Sammlung durcharbeitet, lernt deshalb weniger ein System kennen als eine Reihe von Varianten desselben Grundmusters: Prompt, Werkzeugaufruf, Beobachtung, Abbruchbedingung.

Zum Ausführen: Jupyter, ein Modellzugang, viele Abhängigkeiten

Die README gibt keinen Installationsbefehl für das Repository als Ganzes. Das ist konsistent mit dem Aufbau: Man klont das Repository, öffnet ein Notebook in Jupyter oder einer vergleichbaren Umgebung und richtet die Zellen von oben nach unten ein. Konkrete Paketnamen, Config-Keys oder Umgebungsvariablen für die Modellanbindung nennt die README nicht, und ich habe sie nicht ausgeführt. Wer das Repository produktiv nutzen will, muss diese Angaben aus den Notebook-Zellen selbst ziehen, und dort unterscheiden sie sich von Beispiel zu Beispiel. Praktisch heißt das: pro Notebook eine eigene virtuelle Umgebung oder zumindest ein sorgfältig gepflegtes requirements-Set, plus ein API-Schlüssel für den Anbieter, den das jeweilige Notebook voraussetzt. Die README verweist zusätzlich auf ein npm install, mit dem ein KI-Assistent als Modul in Claude Code eingebunden wird. Das betrifft den Kurs von diamant-ai.com, nicht die Agenten-Notebooks, und sollte nicht verwechselt werden.

Die Grenze: kein Support, keine Versionierung, keine Lizenzklarheit

Der offensichtlichste Schwachpunkt ist die Lizenz. GitHub meldet NOASSERTION, also keine maschinenlesbare Angabe. Das bedeutet nicht, dass keine Lizenz existiert, sondern dass sie nicht automatisch erkannt wurde. Für eine Firma, die Code aus dem Repository in ein Produkt übernimmt, ist das ein Prüfpunkt vor allem anderen, und ich kann hier keine rechtliche Einschätzung geben. Der zweite Punkt ist die Wartung. Es gibt keine Releases, also keine Versionsnummern, an denen man sich festhalten könnte. Ein Notebook, das heute läuft, kann nach einer Änderung an einer Modell-API oder an LangChain brechen, und es gibt keinen Changelog, der das ankündigt. Der letzte Push liegt laut Repository-Angabe im September 2026, die README nennt zuletzt hinzugefügte Beispiele wie Trace-Based Agent Evaluation und einen Human-in-the-Loop Approval Agent. Das spricht für Aktivität, sagt aber nichts über die Haltbarkeit einzelner Beispiele. Wer reproduzierbare Builds braucht, ist hier falsch.

LangGraph als Gegenmodell: Bibliothek statt Beispielsammlung

Der naheliegende Vergleich ist LangGraph, das in den Notebooks selbst als Abhängigkeit auftaucht. LangGraph ist eine Bibliothek mit versionierten Releases, dokumentierter API und einem Graph-Modell, in dem Zustand, Knoten und Kanten explizit sind. Man importiert es, man bekommt Semver, man kann Fehler melden. GenAI_Agents verfolgt den umgekehrten Ansatz: Der Code ist das Dokument, und der Leser entscheidet, was er davon übernimmt. Der Unterschied zeigt sich im Fehlerfall. Bei LangGraph sucht man in der Dokumentation nach der geänderten Signatur. Bei einem Notebook sucht man im eigenen Code. Für Lernzwecke ist die zweite Variante oft besser, weil sie nichts verbirgt. Für Betrieb ist die erste klar überlegen. Wer beides will, kann die Notebooks als Referenz lesen und die tragfähigen Muster in eine versionierte Bibliothek übertragen, aber das ist Arbeit, die die Sammlung nicht abnimmt.

Die Werbeschicht im Repository

Die README ist zu großen Teilen Verkaufsfläche. Ganz oben steht ein Kurs namens Prompt to Production mit 20 Modulen, danach Sponsorenlogos von CodeRabbit und Qodo, ein Newsletter mit der Angabe von über 50.000 Abonnenten, drei YouTube-Videos und ein Rabattcode für ein Buch. Alle Kurslinks laufen über einen Cloud-Function-Tracker mit Parametern wie utm_source=github und notebook=genai-agents--readme. Das ist kein Vorwurf an sich, sondern eine Einordnung: Wer das Repository als neutrale Referenz behandelt, übersieht, dass ein Teil der Inhalte auf ein kostenpflichtiges Angebot zuläuft. Die Notebooks selbst sind davon nicht betroffen, aber die Reihenfolge der Empfehlungen und die Hervorhebung einzelner Beispiele sind es möglicherweise. Für die Bewertung zählt deshalb der Code in den Ordnern, nicht die Startseite.

Für wen sich das Durcharbeiten lohnt

Am meisten profitiert, wer bereits Python und einen Modellzugang hat und wissen will, wie ein Agent tatsächlich tickt, bevor er ein Framework wählt. Das While-Loop-Notebook ist dafür der richtige Einstieg, weil es die Abbruchbedingung sichtbar macht, die in fertigen Frameworks hinter Abstraktionen verschwindet. Danach lohnt sich ein gezielter Blick auf die Notebooks zu RAG und Multi-Agenten, je nachdem, welches Problem ansteht. Wer dagegen eine Komponente für ein bestehendes System sucht, sollte direkt zu LangGraph oder CrewAI greifen und die Sammlung höchstens als Ideenquelle lesen. Ebenso ungeeignet ist sie für Teams, die reproduzierbare Umgebungen brauchen: Ohne Releases und ohne zentrale Abhängigkeitsdatei ist jede Umgebung Handarbeit. Vor dem ersten Klonen sollte man ein einzelnes Notebook öffnen und prüfen, ob die Modellnamen, Endpunkte und Paketversionen darin zum eigenen Stack passen. Passt das nicht, ist der Aufwand für die Umgebung größer als der Lerneffekt.

Redaktionelles Fazit

Als Einstieg für Entwickler, die Agentenkonzepte in ausführbarem Python sehen wollen, ist die Sammlung brauchbar; wer eine Bibliothek mit versionierten Releases und Support sucht, sollte bei LangGraph oder CrewAI bleiben. Vor dem ersten Klonen lohnt ein Blick in eine einzelne Notebook-Zelle: Wer dort keine Modellnamen, API-Endpunkte und Abhängigkeitsversionen findet, die zum eigenen Stack passen, spart sich das Einrichten. Die Lizenzangabe NOASSERTION auf GitHub heißt, dass die Bedingungen vor jeder Weitergabe im Repository selbst geprüft werden müssen.

Offizielle Quellen

1. Issues
2. NirDiamant/GenAI_Agents on GitHub
3. Project website
4. README