Fullstack Starter – produktionsreifes Monorepo-Template für AI-native Entwicklung
(github.com/first-fluke)Andrej Karpathy hat kürzlich Folgendes geschrieben: „Wenn man die Dinge, die im letzten Jahr erschienen sind, nur richtig miteinander verknüpft, könnte man wohl 10x leistungsfähiger werden – wenn man das nicht hinbekommt, ist das ein Kompetenzproblem.“ Aber Agenten, Subagenten, Prompts, Kontext, MCP, Workflows … es sind auch Werkzeuge, die einem ohne Handbuch in die Hand gedrückt wurden.
Alex Wawro sagte: „Jetzt ist jeder ein CEO.“ Gemeint ist wohl, dass wir in einer Zeit angekommen sind, in der man als Einzelentwickler ein Fullstack-Produkt bauen kann.
Beides stimmt. Einen Service per Klick zusammenzubauen ist einfacher geworden. Aber Software zu bauen, die sowohl für Menschen als auch für AI leicht gleichzeitig zu reviewen und zu warten ist, bleibt schwierig. Um diese Werkzeuge richtig zu nutzen, braucht es zuerst ein solides Fundament.
Ich veröffentliche das Fundament, das ich beim Bauen von Services als AI SWE aufgebaut habe, als Open Source. Gegenüber einem Start auf der grünen Wiese könnt ihr damit vermutlich etwa zwei Wochen sparen.
Technologie-Stack
- Web: Next.js 16, React 19, TailwindCSS v4
- API: FastAPI, async SQLAlchemy, PostgreSQL
- Mobile: Flutter 3.38, Riverpod
- Infra: Terraform, GCP (Cloud Run, Cloud SQL)
- CI/CD: GitHub Actions + Workload Identity Federation (keyless)
- Observability: OpenTelemetry
Warum das wichtig ist
Die Qualität von AI-generiertem Code schwankt je nach Modell stark. Ein gut gestaltetes Template gibt Muster vor, denen die AI folgen soll, und strikte Linting-Regeln sowie CI können als Guardrails dienen.
Wichtige Merkmale
- mise monorepo: integrierte Toolchain für Node, Python und Flutter
- i18n aus einer einzigen Quelle: gleichzeitig für Web und Mobile nutzbar
- Automatische Generierung von API-Clients: Orval (Web), swagger_parser (Mobile)
- Rust-basierte Toolchain: Biome, uv, Turbopack
Produktionsmuster und Troubleshooting, die in der Dokumentation oft fehlen, wurden direkt in den Code eingearbeitet. Wenn Verbesserungen nötig sind, hinterlasst bitte ein Issue.
GitHub: https://bit.ly/3L1frc0
15 Kommentare
Ich frage mich, ob Sie es noch immer gut nutzen. Kann man es bedenkenlos einführen?
Ich nutze es sehr gern. Wenn Sie sich die Commit-Historie ansehen, wurde es auch letzte Woche aktualisiert~
Wow!! In letzter Zeit werden so viele KI-Tools veröffentlicht, aber irgendwie scheint es noch schwieriger geworden zu sein, tatsächlich eine saubere Produktionsstruktur aufzubauen.
Die Aussage „Die Fähigkeit, Tools miteinander zu verbinden, ist selbst schon eine Fähigkeit“ passt hier wirklich perfekt.
Dass ihr so eine Grundlage als Open Source veröffentlicht, wird sicher sehr vielen Menschen eine große Hilfe sein. 👍
Vielen Dank für den tollen Artikel!
Vielen Dank für das Lob..!
Der moderne Tech-Stack und die LLM-Tools sind gut eingerichtet, sodass sich das vermutlich gut für die anfängliche Projektkonfiguration nutzen lässt. Besonders beeindruckend ist die automatische Zusammenstellung der Skills passend zum Tech-Stack. Noch besser wäre es, wenn bei künftigen Major-Version-Updates auch ein Migrationsleitfaden bereitgestellt würde.
Ich werde darauf achten, danke!
So etwas gibt es also, krass.
Das Einrichten war jedes Mal mühsam ;_;, ich werde es gut nutzen, danke!
Danke!
Ich habe es jetzt so eingerichtet, dass sich auch die Template-Version prüfen lässt. Bitte beachten Sie die Release Notes~
Wow, was ist das denn? krass Danke 🙏
Vielen Dank!
Ich glaube, Sie haben mit den 2 Wochen zu bescheiden formuliert — selbst 2 Monate wirken noch knapp.
Vielen Dank, dass Sie das positiv sehen.
Jedes Mal war das Einrichten stressig, und ich habe immer wieder vergessen und dieselben Fehler wiederholt, aber das wirkt nützlich.
Vielen Dank!