Wenn Sie nach Quellcode für KI suchen, benötigen Sie in der Regel eines von drei Dingen: Modellcode und -gewichte, einen Open-Source-Code-Agenten, der planen und Tools verwenden kann, oder einen Anwendungsstack, der es einem Modell ermöglicht, Dateien zu lesen, Befehle auszuführen und ein überprüfbares Ergebnis zurückzugeben. Diese Schichten sind miteinander verwandt, aber nicht dasselbe Produkt. Der schnellste Weg, sich in diesem Bereich zurechtzufinden, besteht darin, das Modell, die Agentenschleife und die Sandbox-Laufzeitumgebung, die die Arbeit ausführt, zu trennen.
Was „Quellcode für KI“ normalerweise bedeutet
Der Begriff ist weit gefasst, sodass zwei Personen ihn verwenden und völlig unterschiedliche Dinge meinen können.
Manchmal ist damit der Modell-Quellcode gemeint: Trainingscode, Inferenzcode, Tokenizer-Logik und herunterladbare Gewichte für ein offenes Modell. Manchmal ist damit die Agentensoftware gemeint: das Tool, das in einem Terminal oder Browser sitzt, ein Repository liest, eine Aufgabe plant, Code schreibt, Tests ausführt und seine eigene Ausgabe überarbeitet. Manchmal ist damit das Produktgerüst um diesen Agenten herum gemeint: API-Aufrufe, Authentifizierung, Sandbox-Lebenszyklus, Dateiverwaltung, Protokolle, Vorschauen und Überprüfungsmechanismen.
Diese Unterscheidung ist wichtig, denn ein Team, das nach einem offenen Modell sucht, sollte nicht dieselben Dinge bewerten wie ein Team, das nach einem Open-Source-Code-Agenten sucht.
Verwenden Sie diesen Schnellfilter:
| Wenn Sie brauchen… | Suchen Sie nach… |
|---|---|
| Ein Modell, das Sie ausführen, feinabstimmen oder über eine API aufrufen können | Modell-Repository, Modellkarte, Lizenz, Kontextgrenzen, Tool-Calling-Unterstützung |
| Ein Codierungstool, das innerhalb eines Projekts agieren kann | Open-Source-Code-Agent, CLI, Desktop-App oder Agentenplattform |
| Eine Produktionsausführungsschicht | Sandbox-Laufzeitumgebung, Workspace-Isolation, Paketrichtlinien, Umgang mit Geheimnissen, Protokolle und Vorschauen |
Wo man Quellcode für KI-Projekte findet
Für die meisten Entwickler-Workflows lautet die Antwort: „In mehreren Repos, nicht in einem.“
1. Modell-Repositories
Hier finden Sie die Modellarchitektur, Nutzungsdokumentation, Checkpoints oder Checkpoint-Links, Lizenzbedingungen und Benchmark-Notizen. Wenn Ihr Ziel lokale Inferenz, Feinabstimmung oder das Studium der Verpackung eines Modells für Codierungsaufgaben ist, beginnen Sie hier.
Das offizielle Qwen3-Coder-Repository von Qwen beschreibt beispielsweise Qwen3-Coder-Next als ein Open-Weight-Modell, das speziell für Coding-Agenten und die lokale Entwicklung entwickelt wurde, mit Langzeitkontext-Unterstützung und einem Funktionsaufruf-Format, das für agentische Workflows ausgelegt ist.
2. Agenten-Repositories
Hier finden Sie die Planungsschleife, die Tool-Verkabelung, die Terminal-Benutzeroberfläche, Modellanbieter-Adapter und manchmal Browser- oder MCP-Integrationen.
Drei nützliche Beispiele:
- OpenHands positioniert sich als offene Plattform für Cloud-Coding-Agenten und als Kontrollzentrum, das Agenten lokal, in Docker, auf VMs oder über Cloud-Backends ausführen kann.
- Goose ist ein Open-Source-Agent mit Desktop-, CLI- und API-Oberflächen, der auf Ihrem Rechner läuft und nicht auf Code-Aufgaben beschränkt ist.
- Qwen Code ist ein terminalorientiertes Codierungstool von Qwen, das sich auf agentische Codierungs-Workflows und nicht auf generischen Chat konzentriert.
Wenn Ihre Hauptfrage lautet: „Welchen Open-Source-Code-Agenten sollte ich mir zuerst ansehen?“, dann beginnen Sie mit den Agenten-Repos, nicht mit den Modellgewichten.
3. Sandbox- und Laufzeitdokumentation
Dies ist die Schicht, die viele Teams zunächst überspringen, um dann darauf zurückzukommen, wenn der Agent beginnt, echte Arbeit zu leisten.
Novitas Sandbox-Dokumentation beschreibt die Laufzeitumgebung als eine isolierte, zustandsbehaftete Umgebung für Agenten, die Code ausführen, Abhängigkeiten installieren, auf Dateien zugreifen, Browser verwenden und den Zustand über Sitzungen hinweg bewahren müssen. Dies ist die Ausführungsgrenze, nicht nur ein bequemer Wrapper. Sobald ein Agent Befehle ausführen kann, ist die Laufzeitumgebung genauso wichtig wie das Modell.
Was einen Open-Source-Code-Agenten ausmacht
Ein Open-Source-Code-Agent ist nicht nur ein LLM mit einer Prompt-Vorlage. Er wird zu einem Agenten, wenn er einen Workspace beobachten, eine nächste Aktion entscheiden, diese Aktion durch Tools ausführen, das Ergebnis lesen und weiter iterieren kann.
Diese Schleife benötigt in der Regel vier Teile:
| Schicht | Aufgabe |
|---|---|
| Planer | Zerlege die Aufgabe in Schritte und entscheide, wann die Aufgabe abgeschlossen ist |
| Modell | Denke über Dateien, Befehlsausgaben und frühere Tool-Aufrufe nach |
| Werkzeugschicht | Dateien lesen, Dateien schreiben, suchen, Befehle ausführen, Vorschauen öffnen |
| Sandbox | Isoliere die Ausführung, behalte den Workspace-Zustand bei und begrenze Nebenwirkungen |
Ohne die Sandbox wird aus einem „Open-Source-Code-Agenten“ oft ein „Modell mit gefährlichem Shell-Zugriff“.
An dieser Stelle beginnt der Stack auch eher wie eine Engineering-Infrastruktur als wie eine Chat-Funktion auszusehen. Sobald das Modell Pakete installieren, Ports öffnen und Dateien überschreiben kann, müssen Sie operationelle Fragen beantworten:
- Von welchem Repository-Zustand startet der Agent?
- Welche Befehle werden automatisch ausgeführt und welche erfordern eine Genehmigung?
- Kann der Agent Pakete abrufen oder beliebige URLs durchsuchen?
- Wo landen Protokolle, Diffs, Vorschauen und generierte Artefakte?
- Wie pausieren, setzen Sie fort oder beenden Sie eine Sitzung?
Diese Fragen bestimmen, ob das Projekt eine Demo oder ein Workflow ist, dem Ihr Team vertrauen kann.
Eine praktische Coding-Agent-Architektur
Der klarste Weg, über Quellcode für KI-Agenten nachzudenken, ist als Kette:
- Ein Benutzer beschreibt die Aufgabe.
- Das Modell verwandelt die Aufgabe in einen Plan.
- Der Agent ruft Tools auf, um die Codebasis zu inspizieren.
- Die Laufzeitumgebung führt diese Tool-Aufrufe in einem isolierten Workspace aus.
- Das Modell liest die Ergebnisse und entscheidet, was als Nächstes zu tun ist.
- Das System gibt einen Diff, die Testausgabe und eine Zusammenfassung zurück, die ein Prüfer verifizieren kann.
Diese Kette ist wichtiger als jede einzelne Benchmark-Zahl. Ein Modell kann bei der einstufigen Codegenerierung hervorragend sein und dennoch als Agent versagen, wenn es mit Tool-Aufrufen, langem Kontext oder der Fehlerbehebung zu kämpfen hat.
Bevor Sie in die Planungsschleife einsteigen, lohnt es sich, eine Modellrichtung zu nennen, die gut zu diesem Stack passt. Wenn Sie ein offenes Modell suchen, das nahe an der Closed-Source-Codierungsqualität bleibt, ist Qwen3-Coder eine der praktischsten Optionen, die Sie zuerst evaluieren sollten. Qwens offizielles Repo beschreibt Qwen3-Coder-Next als ein Open-Weight-Codierungsmodell für Agenten und die lokale Entwicklung mit Ergebnissen, die mit Claude Sonnet bei agentischen Codierungsaufgaben vergleichbar sind. Novitas aktueller Modellkatalog bietet Qwen3 Coder Next, Qwen3 Coder 480B A35B Instruct und Qwen3 Coder 30B A3B Instruct auch über die LLM-API an, was es einfacher macht, dieselbe Familie über verschiedene Kosten- und Qualitätsstufen hinweg zu testen, ohne Ihre Integration neu aufbauen zu müssen.
Wie man den Stack mit Novita aufbaut
Wenn Sie einen praktischen Ausgangspunkt wünschen, anstatt separate Anbieter zusammenzustückeln, ist die sinnvolle Aufteilung:
- Novita LLM API für Reasoning-, Generierungs- und Tool-Calling-Modelle
- Novita Sandbox für isolierte Codeausführung und persistenten Workspace-Zustand
Novitas LLM API ist OpenAI-kompatibel, sodass Sie einen vorhandenen OpenAI-Client auf Novita ausrichten können, indem Sie die Basis-URL und den Modellnamen ändern.
Schritt 1: Rufen Sie ein Modell über die OpenAI-kompatible API auf
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="YOUR_NOVITA_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3-coder-next",
messages=[
{"role": "system", "content": "Du bist ein Codierungsassistent."},
{"role": "user", "content": "Plane die Schritte, um einer FastAPI-Login-Route ein Ratenlimit hinzuzufügen."},
],
)
print(response.choices[0].message.content)
Das gibt Ihnen nur die Modellebene. Es gibt dem Modell keinen sicheren Ort zum Handeln.
Schritt 2: Führen Sie Code in einer Sandbox aus, nicht auf Ihrem Laptop
Novitas aktuelle Sandbox-Schnellstartanleitung verwendet das Novita-SDK-Objekt, um eine isolierte Code-Interpreter-Sitzung zu erstellen, Code auszuführen, Dateien zu inspizieren und die Sandbox dann herunterzufahren, wenn die Aufgabe abgeschlossen ist.
from novita_sandbox import Novita
novita = Novita()
sandbox = novita.code_interpreter.create()
try:
execution = sandbox.run_code('print("hallo von der sandbox")')
print(execution.logs)
files = sandbox.files.list("/tmp")
print(files)
finally:
sandbox.kill()
Dieses Muster ist der einfachste zuverlässige Ausgangspunkt für einen KI-Codierungs-Workflow:
- Das Modell entscheidet, was als Nächstes passieren soll.
- Die Sandbox führt den riskanten Teil in einer isolierten Umgebung aus.
- Die Sitzung kann den Zustand über die Aufgabe hinweg bewahren, anstatt bei jedem Schritt von vorne zu beginnen.
Schritt 3: Verbinden Sie Modellentscheidungen mit der Tool-Ausführung
Sobald Sie Tool-Aufrufe hinzufügen, wird die Agentenschleife unkompliziert:
| Tool | Zweck |
|---|---|
read_file |
Projektdateien in den Modellkontext laden |
write_file |
Codeänderungen anwenden |
search_files |
Symbole, Routen, Tests oder Konfigurationseinträge finden |
run_command |
Tests, Builds, Linter und Setup-Befehle ausführen |
list_files |
Repository-Struktur entdecken |
Novita dokumentiert auch Funktionsaufrufe und strukturierte Ausgaben für OpenAI-kompatible Modell-Workflows. Das ist wichtig, weil Agentenschleifen leicht brechen, wenn Tool-Argumente fehlerhaft oder inkonsistent sind. In der Praxis ist zuverlässiges Tool-Calling oft wichtiger als ein auffälliger Single-Turn-Benchmark.
Wann Open Source ausreicht und wann nicht
Open Source reicht in der Regel aus, wenn:
- Sie untersuchen möchten, wie das Modell oder der Agent funktioniert.
- Sie Teile des Stacks selbst hosten möchten.
- Sie die Kontrolle über Prompts, Tools und das Laufzeitverhalten benötigen.
- Sie mit der Übernahme der operativen Arbeit vertraut sind.
Open Source allein reicht in der Regel nicht aus, wenn:
- Sie eine stabile Multi-User-Ausführung mit Audit-Logs und Überprüfungsabläufen benötigen.
- Sie eine Isolation benötigen, die stark genug für nicht vertrauenswürdigen Code ist.
- Sie Modell-Routing, Preistransparenz oder mehrere Modellstufen hinter einer API benötigen.
- Sie möchten, dass der Agent den Zustand über längere Aufgaben hinweg bewahrt, ohne diese Laufzeit selbst zu bauen.
Dies ist der Punkt, an dem Teams aufhören, abstrakt nach „Quellcode für KI“ zu fragen, und stattdessen fragen, welche Teile sie tatsächlich besitzen möchten. Einige Teams möchten die volle Kontrolle. Andere möchten offene Modelle und Open-Source-Tools, aber nicht die Last, jede Laufzeitkomponente selbst zu betreiben.
Fazit
Der beste Weg, sich dem Quellcode für KI zu nähern, besteht darin, ihn nicht mehr als ein einziges Artefakt zu betrachten. Modell-Repos, Open-Source-Code-Agenten und Sandbox-Laufzeitumgebungen lösen unterschiedliche Probleme. Wenn Sie sie vermischen, wird Ihre Bewertung schnell unklar.
Beginnen Sie mit der Schicht, die Sie tatsächlich benötigen:
- Wünschen Sie lokale oder selbst gehostete Modellkontrolle? Beginnen Sie mit offenen Modell-Repos.
- Wünschen Sie einen Open-Source-Code-Agenten? Beginnen Sie mit OpenHands, Goose oder Qwen Code.
- Wünschen Sie einen funktionierenden Codierungs-Stack, der sicher planen, handeln und ausführen kann? Kombinieren Sie eine OpenAI-kompatible Modell-API mit einer isolierten Sandbox-Laufzeit.
Deshalb ist die Kombination aus einem offenen Codierungsmodell und einer verwalteten Ausführungsgrenze oft der praktischste Weg. Sie behalten die Flexibilität auf der Modellebene, ohne einem Modell auf Ihrem primären Rechner rohen Shell-Zugriff zu gewähren.
FAQ
Wo finde ich Quellcode für KI?
Normalerweise an drei Orten: Modell-Repos, Agenten-Repos und Sandbox- oder Laufzeitdokumentation. Wenn Sie einen Open-Source-Code-Agenten wünschen, beginnen Sie mit Agentenprojekten wie OpenHands, Goose oder Qwen Code anstelle von allgemeinen Modell-Repos.
Was ist ein Open-Source-Code-Agent?
Es ist ein Agent, der Dateien inspizieren, eine Aufgabe planen, Tools verwenden, Befehle ausführen und seine Ausgabe innerhalb eines Projekts überarbeiten kann. Der wichtige Unterschied zu einem Code-Assistenten ist die Aktion, nicht nur die Generierung.
Reicht Modell-Quellcode aus, um einen KI-Codierungs-Agenten zu bauen?
Nein. Ein Modell allein bietet Ihnen keinen Repository-Zugriff, keine Tool-Verkabelung, keine Ausführungskontrolle, keine Protokolle, keine Vorschauen und keine Isolation. Sie benötigen immer noch eine Agentenschleife und eine Laufzeitumgebung, in der die Aktionen des Modells sicher ausgeführt werden können.
Welches Modell sollte ich zuerst für offene Codierungs-Workflows testen?
Wenn Sie ein offenes Modell wünschen, das speziell für Coding-Agenten entwickelt wurde, ist Qwen3-Coder ein guter Ausgangspunkt. Das aktuelle Qwen3-Coder-Repo betont agentisches Codieren und Langzeitkontext-Unterstützung, und Novita stellt mehrere Qwen3-Coder-Varianten über dieselbe API bereit.
Warum brauchen Coding-Agenten eine Sandbox?
Weil sie Befehle ausführen, Abhängigkeiten installieren und Dateien ändern. Eine Sandbox gibt dem Agenten eine isolierte Laufzeit, bewahrt den Aufgabenstatus und begrenzt den Schaden, wenn das Modell etwas falsch macht.
