🤖 AI Coach

Lernplattform für OneCode-Entwickler: Von den Grundlagen Künstlicher Intelligenz über Agentic Coding, MCP und Quality Gates bis zum Kundengespräch — in elf Kapiteln vom absoluten Null-Vorwissen bis zum CTO-Interview.

---

✨ Features

	Feature	Beschreibung
📚	11 Kapitel als MDX-Lektionen	60 ausführliche Lerneinheiten (~26 Stunden) — Inhalte liegen als MDX in content/kapitel/ und brauchen keinen Rebuild
🎓	KI-Tutor statt Multiple Choice	Mündliche Prüfungen per AI — der Tutor bewertet Verständnis, nicht auswendig gelernte Antworten
🛠️	Praxis-Aufgaben	Code-, Config-, Repo-Audit- und Freestyle-Aufgaben mit Akzeptanzkriterien und KI-Bewertung
📓	Lerntagebuch	Reflexion nach jedem Kapitel — ohne Noten, für echtes Verständnis
🌐	Übersetzung	Inhalte per Klick in andere Sprachen übersetzen (via Anthropic API)
🏆	Optionale Zertifikate & Nachweise	Externe Zertifizierungen und Artefakte pro Kapitel — blockieren den Lernpfad nicht
🎛️	Fokus-Modus	Ablenkungsfreies Lernen per Toggle
📊	Fortschrittsanzeige	Equalizer-Visualisierung für Lektionen und bestandene Tests
🐳	Docker-ready	docker compose up mit optionalem lokalen Ollama-Backend
🔌	Multi-Provider AI	Anthropic (Cloud) oder Ollama (lokal) — umschaltbar per .env

---

📖 Lernpfad — Kapitel & Lernziele

🔷 Kapitel 0 — Was ist Künstliche Intelligenz?

Von der Idee „denkender Maschinen" bis zum heutigen Stand — Grundbegriffe, die du für alles Weitere brauchst.

• Den Begriff KI definieren und von einfacher Automatisierung abgrenzen
• Machine Learning, Deep Learning und LLMs als aufeinander aufbauende Stufen erklären
• Die Transformer-Architektur vereinfacht beschreiben
• Realistische Erwartungen an LLMs formulieren — was sie können und was nicht
• Die wichtigsten Anbieter und Modelle benennen und grob einordnen

🔷 Kapitel 1 — Wie Sprachmodelle wirklich arbeiten

Tokens, Context Window, Sampling, Halluzinationen und Kosten — ohne Magie.

• Tokenisierung und Embeddings erklären
• Context Window als endliches Budget behandeln
• Temperature und Sampling begründet wählen
• Halluzinationen als Systemverhalten einordnen
• Modelle und Preise im Kundengespräch einordnen

🔷 Kapitel 2 — Prompt Engineering für Entwickler

Rolle, Instruktion, Kontext und Format so setzen, dass ein Modell lieferbar arbeitet.

• Vier Teile eines Prompts bewusst setzen (Rolle, Instruktion, Kontext, Format)
• Few-Shot und Chain-of-Thought begründet einsetzen
• Strukturierte Ausgaben mit XML-Tags und Schemas erzwingen
• System-Prompts von Task-Prompts trennen
• Prompt-Anti-Patterns erkennen und benennen

🔷 Kapitel 3 — Agentic Coding in der Praxis

Autocomplete, Chat und Agent als verschiedene Risikoklassen.

• Autocomplete, Chat, Agent als Risikoklassen unterscheiden
• Cursor mit Rules, Plan-Modus und gezieltem Kontext nutzen
• Claude Code, GitHub Copilot Agent Mode einordnen
• Codex, Aider, Cline vergleichen — ohne Tool-Religion
• Plan-/Review-Schleifen und Human Quality Gates als Default

🔷 Kapitel 4 — Kontext-Engineering: Rules, Context Files, Skills

Das technische Herz: Agenten lesen das Repo, nicht euren Slack.

• AGENTS.md als herstellerübergreifenden Standard schreiben
• .cursor/rules und CLAUDE.md abgrenzen
• Copilot Custom Instructions korrekt platzieren
• Skills als versionierte On-Demand-Workflows verstehen
• Repositories agentenfähig übergeben

🔷 Kapitel 5 — MCP und Werkzeuganbindung

Host, Client, Server, Primitives — der Hebel für Agenten im Repo.

• Host, Client, Server und die drei Primitives (Tools, Resources, Prompts) trennen
• Bestehende MCP-Server begründet anbinden
• Eigene MCP-Server verantwortungsvoll bauen
• Tool Poisoning und Confused Deputy im Kundengespräch erklären
• MCP als Integrationsschicht verkaufen

🔷 Kapitel 6 — Agentic Workflows entwerfen

Das einfachste Pattern, das funktioniert — plus Human Quality Gates.

• Anthropic-Patterns (Chaining, Routing, Parallel, Orchestrator-Worker, Evaluator-Optimizer) zuordnen
• Single-Agent vs. Multi-Agent begründen
• Human Quality Gates an teuren Stellen platzieren
• Agents in GitHub Issues und CI einbinden
• Erfolg in Durchsatz, Qualität und Kosten messen

🔷 Kapitel 7 — Von Vibe Code zu Production Software

Fraunhofer-Risiken, Audit, Umbau, agentenfähige Übergabe.

• Vibe Coding von KI-gestütztem Engineering unterscheiden
• Architektur- und Datenmodell-Audit in einer Woche priorisieren
• Auth, Permissions, Secrets als Production-Blocker benennen
• Dependencies und Supply Chain prüfen
• CI, Fehlerbehandlung, Logging und agentenfähige Übergabe skizzieren

🔷 Kapitel 8 — Qualitäts- und Sicherheitsgate für KI-Code

Evals, Guardrails, PR-Gates, Observability, OWASP GenAI Top 10.

• Evals beschreiben und minimale Eval-Sets für Agent-Code definieren
• LLM-as-a-Judge mit Rubrics einsetzen
• Guardrails mit Tripwires von Prompt-Appellen unterscheiden
• OWASP GenAI LLM Top 10 2026 im Kundengespräch zuordnen
• Tracing, Token- und Kostenkontrolle mit Langfuse/OpenTelemetry skizzieren

🔷 Kapitel 9 — Lokale LLMs für Entwickler

Datenschutz, Offline, Demos — und der ehrliche Qualitätsabstand zur Cloud.

• Vier Gründe für lokale Modelle nennen (ohne den Qualitätsabschlag zu beschönigen)
• Ollama, LM Studio, llama.cpp voneinander trennen
• Quantisierung und GGUF mit VRAM-Faustformel erklären
• Lokales Coding-Setup (Aider + Ollama) inkl. Context-Falle beschreiben

🔷 Kapitel 10 — Das Kundengespräch

Drei Angebote, Discovery, Einwände, AI Act — und der skeptische CTO.

• Die drei OneCode-Angebote mit Pitch, Pain und Lösung unterscheiden
• Discovery-Fragen stellen, die zum richtigen Angebot führen
• Copilot-, Preis- und „machen wir selbst"-Einwände souverän beantworten
• AI-Act-Pflichten nennen, die Softwareanbieter wirklich treffen
• Simuliertes CTO-Interview bestehen

---

🏅 Optionale Zertifikate & Nachweise

Externe Zertifizierungen, die den Lernpfad ergänzen — keine Pflicht, aber wertvoll für Kundengespräche.

Kapitel	Zertifikat / Nachweis	Anbieter	Hinweis
1	🎖️ Transformer-basierte Large Language Models verstehen	KI-Campus	Deutschsprachig, Grundlagen
3	🎖️ Accelerate AI-assisted development using GitHub Copilot (APL-2007)	Microsoft Applied Skills	Kostenloses Lab, Englisch
4	🎖️ Claude Code in Action	Anthropic Academy	Kostenloses Badge über Quizzes
4	🎖️ Introduction to Agent Skills	Anthropic Academy	Passt zur Skills-Lektion
5	🎖️ Integrate MCP tools with agents in Microsoft Foundry (APL-3034)	Microsoft Applied Skills	Kostenloses Lab, MCP-spezifisch
5	🎖️ Hugging Face MCP Course	Hugging Face / Anthropic	Kostenlos, Fundamentals-Zertifikat
6	🎖️ Resolve GitHub issues by using GitHub Copilot	Microsoft Applied Skills	Kostenloses Lab zu Agent Mode
8	🎖️ Secure AI solutions in the cloud (APL5009)	Microsoft Applied Skills	Kostenloses Lab zu Guardrails & Härtung
9	📝 Internes Artefakt: Lokales Setup dokumentieren	—	Modell, Quantisierung, Hardware, Benchmark vs. Cloud

---

🚀 Lokal starten

cp .env.example .env
npm install
npm run dev

Die App liegt auf http://localhost:3000. Ohne ANTHROPIC_API_KEY funktionieren Lektionen, aber nicht Tutor und Übersetzung.

🐳 Docker Compose

cp .env.example .env
docker compose up --build

Optional mit lokalem Ollama:

docker compose --profile ollama up --build

Dann in .env: AI_PROVIDER=ollama und OLLAMA_BASE_URL=http://ollama:11434/v1.

📂 Inhalte

Lektionen liegen in content/kapitel/ als MDX plus kapitel.yml. Der Container mountet dieses Verzeichnis, Korrekturen brauchen keinen Rebuild.

Zielgruppe: Absolut kein Vorwissen zu KI/LLMs vorausgesetzt. Jeder Fachbegriff wird bei erster Verwendung erklärt, Konzepte werden schrittweise mit Alltagsanalogien aufgebaut.