ai-system-design-guide: ein Lernpfad durch zwanzig Kapitelordner, kein ausführbares System

Zwanzig nummerierte Ordner statt einer Bibliothek

Das Repository enthält nach der im README sichtbaren Struktur keine ausführbare Software, sondern eine Sammlung von Markdown-Kapiteln, die in numerierte Verzeichnisse einsortiert sind: 00-interview-prep, 01-foundations, 02-model-landscape, 03-training-and-adaptation, 04-inference-optimization, 06-retrieval-systems, 07-agentic-systems, 09-frameworks-and-tools, 11-infrastructure-and-mlops, 12-security-and-access, 13-reliability-and-safety, 14-evaluation-and-observability, 16-case-studies, 17-tool-use-and-computer-agents, 18-voice-and-audio-agents und 19-multimodal-generation. Die Nummerierung ist die eigentliche Ordnungsleistung. Sie macht aus verstreuten Einzeltexten einen Lernpfad, der sich von Grundlagen über Modellauswahl und Training bis zu Betrieb, Sicherheit und Fallstudien liest. Die Topics des Repositories spiegeln dieselbe Breite: agentic-ai, evals, rag, llm, aws, azure, claude, gemini, interview-questions. Wer die Sammlung als Nachschlagewerk nutzt, profitiert von dieser Ordnung. Wer sie als Softwarepaket einbindet, greift ins Leere, weil kein Manifest, kein Einstiegspunkt und kein Build vorhanden ist.

Die Zielgruppe steht im README, nicht im Code

Das README beschreibt den Inhalt als "practical, continuously updated guide to AI system design, RAG architectures, LLM engineering, agentic AI, MCP and A2A protocols, and AI engineering interview preparation" und nennt als Schwerpunkt "production patterns, model selection, evaluation, and real-world case studies from staff-level interviews". Daraus ergeben sich zwei klar getrennte Nutzergruppen. Die erste sind Ingenieure, die sich auf Systemdesign-Interviews vorbereiten und dafür eine Gliederung brauchen, die von LLM-Interna über Chunking-Strategien bis zu Reranking führt. Die zweite sind Teams, die neue Mitglieder in die Begriffe und Entscheidungsfelder von Produktionssystemen mit Sprachmodellen einarbeiten wollen. Für beide Gruppen ist der Wert ein sprachlicher und struktureller, kein technischer. Wer dagegen eine Referenzimplementierung für Retrieval, ein Eval-Harness oder eine Gateway-Konfiguration sucht, findet hier Beschreibungen von Konzepten, aber nichts, was sich starten lässt.

Der Einstieg besteht aus dem Öffnen von Dateien

Es gibt keine Installation. Der Weg in das Material führt über das Klonen des Repositories und das Lesen der verlinkten Markdown-Dateien, etwa 00-interview-prep/01-question-bank.md für den Fragenkatalog, 06-retrieval-systems/01-rag-fundamentals.md für die Grundlagen der Retrieval-Augmented Generation oder 02-model-landscape/01-model-taxonomy.md für die Modellauswahl. Das README gibt für verschiedene Vorhaben konkrete Einstiegspunkte: Wer produktionsreifes RAG bauen will, wird über 06-retrieval-systems/02-chunking-strategies.md, 06-retrieval-systems/04-vector-databases.md, 06-retrieval-systems/06-reranking-strategies.md bis 06-retrieval-systems/14-production-rag-at-scale.md geführt. Für Agenten beginnt der Pfad bei 07-agentic-systems/01-agent-fundamentals.md und führt über 07-agentic-systems/03-tool-use-and-mcp.md zu 09-frameworks-and-tools/02-langgraph-orchestration.md. Für Betrieb und Kosten sind 11-infrastructure-and-mlops/03-ai-gateways-and-model-routing.md und 11-infrastructure-and-mlops/04-finops-and-token-economics.md vorgesehen. Diese Pfade sind der praktischste Teil des Projekts, weil sie eine Reihenfolge vorgeben, statt eine alphabetische Liste anzubieten. Ob alle genannten Dateien im geklonten Stand existieren, lässt sich aus dem Material nicht bestätigen; das ist die erste Prüfung nach dem Klonen.

Zwei Evals-Leitfäden im Wurzelverzeichnis

Auffällig ist, dass die Evaluationskapitel nicht nur im Ordner 14-evaluation-and-observability liegen, sondern zusätzlich als zwei eigenständige Dateien im Wurzelverzeichnis: ai_evals_comprehensive_study_guide.md und ai_evals_complete_guide_langwatch_langfuse.md. Das README verlinkt beide mit unterschiedlichen Werkzeugnamen, einmal Phoenix und Langfuse, einmal LangWatch und Langfuse. Für Leser bedeutet das eine Wahl, die das Repository nicht auflöst. Zwei Leitfäden zum selben Thema mit überlappenden Werkzeugen erzeugen Redundanz, und ohne eine Angabe, welcher Stand aktueller ist, bleibt offen, welcher zuerst gelesen werden sollte. Das ist kein Fehler, der die Sammlung unbrauchbar macht, aber es ist eine Strukturschwäche, die bei einer Sammlung dieser Größe erwartbar ist. Wer Evals einführen will, sollte beide Dateien öffnen und selbst entscheiden, welche Werkzeugkette zur eigenen Infrastruktur passt, statt sich auf die Reihenfolge im README zu verlassen.

Was die Sammlung nicht leistet

Die zentrale Einschränkung ist die fehlende Ausführbarkeit. Es gibt keine Tests, keine Beispiele mit erwarteten Ausgaben, keine Konfigurationsdateien, die sich validieren lassen. Ein Kapitel über Chunking-Strategien beschreibt Verfahren, aber der Leser kann nicht nachvollziehen, wie sich zwei Chunk-Größen auf ein konkretes Dokument auswirken, ohne selbst zu messen. Dasselbe gilt für Reranking, Gateway-Fallback oder Kostenoptimierung: Die Entscheidungen bleiben beim Leser. Ein zweiter Punkt ist die Aktualität. Das README bezeichnet die Sammlung als "continuously updated" und nennt Kapitel zur Modellauswahl für 2026 sowie eine Datei RESEARCH-RADAR.md für neue Forschung. Genau diese Teile altern am schnellsten. Ein Kapitel über Modellpreise oder Leaderboards kann nach wenigen Monaten irreführend sein, und die Sammlung bietet nach dem vorliegenden Material keine Versionsangaben pro Kapitel, an denen sich der Stand ablesen ließe. Wer Modellvergleiche daraus zitiert, sollte das Datum der letzten Änderung der jeweiligen Datei prüfen. Ein dritter Punkt: Es gibt keine Releases. Das Repository wird als fortlaufender Branch gepflegt, es gibt also keine stabilen Schnappschüsse, auf die sich ein Team festlegen könnte.

Abgrenzung zu system-design-primer

Der naheliegende Vergleich ist system-design-primer, das etablierte Repository zu klassischem Systemdesign. Der Unterschied liegt im Gegenstand und in der Methode. system-design-primer behandelt Lastverteilung, Caching, Datenbanken und Konsistenz und liefert dazu teils ausführbaren Beispielcode sowie Diagramme. ai-system-design-guide setzt den Schwerpunkt auf Sprachmodelle: Retrieval, Vektordatenbanken, Agenten, Werkzeugprotokolle wie MCP und A2A, Evaluationswerkzeuge, Token-Ökonomie und Regulierung. Die Schnittmenge ist klein. Wer wissen will, wie ein Modell-Gateway Anfragen bei Überschreitung von Rate Limits umleitet, wird in dieser Sammlung fündig; wer verstehen will, wie ein Warteschlangensystem bei Überlast reagiert, eher dort. Beide sind Textsammlungen, aber nur eine davon behandelt die Fragen, die in den letzten Jahren neu entstanden sind. Wer beides braucht, liest zwei Repositories, und das ist eine realistische Erwartung.

Pflege, Lizenz und Aktualisierung

Das Repository steht unter MIT. Diese Lizenz erlaubt Weitergabe und Bearbeitung, auch in kommerziellen Zusammenhängen, verlangt aber die Beibehaltung des Urheberrechtshinweises und des Lizenztextes. Für Teams, die einzelne Kapitel in eine interne Wissensdatenbank übernehmen wollen, ist das eine niedrige Hürde; die Lizenzfrage ersetzt allerdings keine rechtliche Prüfung, insbesondere wenn Inhalte in Schulungsunterlagen mit Markenbezug eingebettet werden. Der Pflegeaufwand liegt beim Betreiber, nicht beim Nutzer. Es gibt keine Abhängigkeiten, keine Sicherheitsupdates und keine Breaking Changes, weil nichts kompiliert oder installiert wird. Genau daraus entsteht das eigentliche Kostenrisiko: Eine Sammlung ohne Versionierung und ohne Releases kann jederzeit inhaltlich verschoben werden, und ein Team, das darauf verweist, merkt das erst beim nächsten Lesen. Wer die Kapitel in ein eigenes Repository spiegelt, sollte den Stand mit einem Commit-Hash festhalten, sonst ist später nicht rekonstruierbar, welche Fassung Grundlage einer Entscheidung war. Das README verweist zusätzlich auf eine Online-Version unter aidaddy.tech mit Suche und verlinkten Kapiteln; ob diese Fassung mit dem Repository synchron ist, lässt sich aus dem Material nicht beurteilen.

Redaktionelles Fazit

Wer eine strukturierte Leseliste zu RAG, Agenten, Evals und Modellauswahl für Vorbereitung oder Onboarding sucht, findet hier nummerierte Kapitelordner mit Dateinamen, die sich direkt ansprechen lassen. Wer Code zum Ausführen, Tests zum Nachvollziehen oder eine versionierte Abhängigkeit erwartet, ist hier falsch und sollte zu einem ausführbaren Kurs wechseln. Vor dem Einsatz im Team zuerst klären, ob die im README verlinkten Dateinamen wie 00-interview-prep/01-question-bank.md im geklonten Stand tatsächlich existieren, ob das Repository in die Dokumentationsablage des Teams passt, und ob die Kapitel zu Sicherheit und Governance den eigenen Compliance-Anforderungen genügen. Bleibt eine der drei Fragen offen, ist der Nutzen auf eine persönliche Leseliste beschränkt.

Offizielle Quellen

1. Issues
2. License: MIT
3. ombharatiya/ai-system-design-guide on GitHub
4. Project website
5. README