Show HN: KI, die GitHub-Codebasen in leicht verständliche Tutorials umwandelt

• Pocket Flow ist ein Projekt, das mithilfe von KI GitHub-Codebasen in anfängerfreundliche Tutorials umwandelt
• Es crawlt GitHub-Repositories, analysiert die zentralen Abstraktionen des Codes und verwandelt komplexen Code mithilfe von Visualisierungen in Tutorials, die leicht verständlich sind
• Es werden automatisch von KI erzeugte Beispielergebnisse für verschiedene GitHub-Repositories bereitgestellt
• Die grundlegende Einrichtung und Ausführung für den Projektstart werden erklärt
• Zusätzliche Materialien zu Entwicklungstutorials werden bereitgestellt

---

Tutorial-Erstellung für Codebasen mit KI

• Pocket Flow ist ein LLM-Framework mit 100 Zeilen, ein Projekt, das GitHub-Repositories analysiert und anfängerfreundliche Tutorials erstellt
• Dieses Projekt identifiziert die zentralen Abstraktionen einer Codebasis und analysiert ihre Interaktionen, um komplexen Code in Tutorials zu verwandeln, die auch Einsteiger verstehen können
• Über YouTube-Entwicklungstutorials und Substack-Post-Tutorials gibt es weitere Informationen

Beispiele für KI-generierte Tutorials zu beliebten GitHub-Repositories

• AutoGen Core: Erklärt, wie man ein KI-Team aufbaut, um Probleme zu lösen
• Browser Use: Erklärt, wie KI im Web navigiert und wie ein digitaler Assistent arbeitet
• Celery: Erklärt, wie man Apps mit Hintergrundaufgaben erweitert
• Click: Erklärt, wie man Python-Funktionen in Kommandozeilen-Tools umwandelt
• Codex: Erklärt, wie man gewöhnliches Englisch in funktionierenden Code umwandelt
• Crawl4AI: Erklärt, wie man wichtige Informationen aus Websites extrahiert
• CrewAI: Erklärt, wie man ein Team aus KI-Experten aufbaut, um komplexe Probleme zu lösen
• DSPy: Erklärt, wie man LLM-Apps optimiert
• FastAPI: Erklärt, wie man mit hoher Geschwindigkeit APIs erstellt
• Flask: Erklärt, wie man mit minimalem Code Web-Apps erstellt
• Google A2A: Erklärt, wie KI-Agenten zusammenarbeiten
• LangGraph: Erklärt, wie man KI-Agenten als Flussdiagramm entwirft
• LevelDB: Erklärt, wie man Daten schnell speichert
• MCP Python SDK: Erklärt, wie man leistungsstarke Apps entwickelt
• NumPy Core: Erklärt, wie man die Engine der Data Science beherrscht
• OpenManus: Erklärt, wie man KI-Agenten entwickelt
• Pydantic Core: Erklärt, wie man Daten validiert
• Requests: Erklärt, wie man mit Python mit dem Internet kommuniziert
• SmolaAgents: Erklärt, wie man kleine KI-Agenten entwickelt

Erste Schritte

• Das Repository klonen und die benötigten Abhängigkeiten installieren
• Die LLM-Konfiguration in utils/call_llm.py abschließen
• Das Hauptskript ausführen, um das GitHub-Repository zu analysieren und ein Tutorial zu erzeugen
• Mit verschiedenen Optionen können die zu analysierenden Dateien und die Sprache angegeben werden

Entwicklungstutorials

• Beschreibt mit Agentic Coding ein Entwicklungsparadigma, bei dem Menschen das Design übernehmen und Agenten den Code schreiben
• Verwendet das Framework Pocket Flow, damit Agenten Code schreiben
• Erklärt dies Schritt für Schritt in einem YouTube-Entwicklungstutorial

[GN⁺]

Hacker-News-Kommentare

• Es wurde gefragt, ob nur die Dokumentation oder auch nur der Code des Repositories verwendet wird
• Mit einem AI Studio API-Key ausprobiert und war beeindruckt
  • Die Verwendung einer Restaurant-Analogie zur Erklärung der API wirkt unnötig lang
  • Auch die Erklärung zu GraphQL zieht sich übermäßig in die Länge
  • Die generierte Dokumentation scheint eher für einen leicht technischen PM als für einen Software Engineer geeignet zu sein
  • Das ließe sich vermutlich durch bessere Prompts abmildern
• Es wäre gut, wenn der Prompt mehr Vielfalt bei Diagrammen fördern würde
  • Zum Beispiel könnte für einen dauerhaften State-Machine-Workflow mit AWS Step Functions ein Ablaufdiagramm besser geeignet sein als ein Flussdiagramm
• Beim Einsatz einer neuen Bibliothek wird als erster Schritt das Repository geklont und Claude Code gebeten, eine gute Dokumentation zu schreiben
  • Das könnte viele Schritte einsparen
• Durch viele Fragen an Cursor wurden ähnliche Ergebnisse erzielt
  • Wie auch andere erwähnt haben, wäre ein etwas anderer Tonfall wünschenswert
  • Eine Funktion für „Stilvorlagen“, die an den bevorzugten Schreibstil angepasst werden kann, wäre gut
  • Wenn es nicht zu viel Zeit kostet, könnte sogar ein PR eingereicht werden
• Ein Unternehmen namens mutable ai wurde letztes Jahr von Google übernommen und arbeitete daran, statt Tutorials Wikis auszugeben
• Das dspy-Tutorial ist hervorragend
  • dspy ist konzeptionell schwer zu verstehen, aber das Tutorial erklärt es gut
• Für die Nutzung im Browser gebaut
  • Die Ergebnisse der Bibliothek sind sehr beeindruckend
  • Am Output wurde überhaupt nichts manuell verändert
  • Derzeit gibt es Probleme damit, Codebasis und Dokumentation synchron zu halten (Codebeispiele gehen gelegentlich kaputt)
  • Es wird gefragt, ob sich das mit Teilen von Pocket lösen ließe
• Wirklich großartige Arbeit, und danke fürs Teilen
  • Ein gutes Beispiel dafür, welchen Wert LLMs haben
  • Hilft dabei, die negative Sicht auf Auswirkungen für Junior Engineers zu überwinden
  • Hilft, das Problem zu lösen, dass den meisten Projekten aktuelle Dokumentation fehlt
• Könnte ein Gamechanger für das Onboarding neuer Open-Source-Mitwirkender sein
  • Man könnte die Codebasis von postgres oder redis hineingeben, sie gut verstehen und dann mit Beiträgen beginnen
• Oben gibt es saubere Inhalte auf hohem Niveau, darunter wird jedoch schnell zu in menschlicher Sprache geschriebenem Code gewechselt
  • Durch das Betrachten relevanter Unit-Tests ließen sich womöglich nützlichere Nutzungsmuster extrahieren
  • Für die meisten Leser eines Tutorials ist entscheidend: „Wie benutzt man es?“