You’re Still Paying for AI? That’s Just Dumb

0:00 Als Manis AI auf den Markt kam, wurde uns eines klar: Diese miteinander verbundenen KI-Agenten können nun tatsächlich fast alle Aufgaben automatisieren, die wir auf unseren Computern ausführen. Es schien, als würde die Mensch-Computer-Interaktion verschwinden. Und in manchen Fällen ist das absolut richtig. Die von ihnen gezeigten Anwendungsfälle sind beeindruckend. Menschen wollen etwas nicht selbst tun, also bitten Sie einfach einen KI-Agenten, sich darum zu kümmern, und es wird erledigt. Diese Agenten haben Zugriff auf alle möglichen Tools wie einen Browser und lokalen Dateizugriff. Denken Sie darüber nach. Was machen Sie wirklich auf Ihrem Computer? Sie stöbern, verarbeiten Informationen, notieren sie irgendwo oder wenden sie woanders an. Genau das tun diese KI-Agenten. Man verlangt von ihnen, echte Aufgaben zu erledigen, etwa Tools zur Visualisierung von Steuerrichtlinien zu erstellen oder Code zu schreiben. Sie können sie auch bitten, Ihre Steuererklärung zu machen, wenn Sie ihnen die richtigen Daten geben. Der Basisplan kostet 19 $

0:47 pro Monat. Sie erhalten insgesamt 1.900 Credits pro Monat und 300 Aktualisierungscredits pro Tag. Der Kreditverbrauch summiert sich schnell. Das Erstellen eines einfachen Diagramms kann bis zu 200 Credits kosten, und damit ist der Großteil Ihres Tageskontingents auf einmal weg. Die Entwicklung einer Web- App kostet 900 Credits, was nicht einmal mit dem Basisplan möglich ist. Wenn Sie also lediglich einen KI-Agenten möchten, der Aufgaben auf Ihrem Computer ausführt, wird Manis sehr schnell ziemlich kostspielig. Deshalb bin ich auf diese Open-Source-Alternative namens Agentic Seek gestoßen. Es macht im Grunde das Gleiche wie Manis, ist aber vollständig lokal. Wenn Sie über einen ausreichend leistungsstarken Computer verfügen, können Sie es vollständig auf Ihrer Maschine ausführen, ohne etwas zu bezahlen. Keine Abonnements, keine Kreditlimits. Das ist die Macht von Open Source und es ist super spannend. In diesem Video zeige ich Ihnen, wie Aentic Seek funktioniert. Ich werde Ihnen

1:32 echte Beispiele des Agenten in Aktion zeigen. Und wenn Sie es selbst ausprobieren möchten , zeige ich Ihnen genau, wie Sie es einrichten. Keine Sorge, wenn Sie keinen leistungsstarken Computer haben, können Sie Agentic Seek trotzdem mit einer API-Verbindung verwenden, was immer noch weitaus günstiger ist als Manis. Lassen Sie mich Ihnen zunächst eine Demo zeigen, die sie freigegeben haben, um Ihnen einen Einblick in die Funktionsweise des Agenten zu geben. Okay, hier können Sie deutlich sehen, dass sie ihren eigenen Agenten bitten, nach dem Agentic Seek-Projekt zu suchen, an dem sie gerade arbeiten. Der Agent muss zunächst herausfinden, welche Fähigkeiten für das Projekt erforderlich sind. Anschließend stellen sie eine Zip-Datei mit Kandidaten bereit und die Aufgabe der Agenten besteht darin, die Kandidaten zu finden, die den Projektanforderungen am besten entsprechen . Der Arbeitsablauf ist auf mehrere spezialisierte Agenten aufgeteilt. Einer davon ist der Planeragent. Zunächst beschließt es, zum GitHub-Repository zu gehen, um das Agentic Seek-

2:18 Projekt zu identifizieren und die erforderlichen Fähigkeiten zu ermitteln. Es liest die Readme-Datei und die Projektbeschreibung, um diese Daten zu extrahieren. Aus irgendeinem Grund wird auch ein Vergleich zwischen Agentic Seek und Manis AI durchgeführt. Ich bin nicht ganz sicher, warum das passiert , aber es ist Teil des Planungsablaufs. Nachdem die erforderlichen Informationen gesammelt wurden, extrahiert der Planeragent den Inhalt der ZIP-Datei mit dem CV-Kandidaten. Nach dem Extrahieren navigiert es in den Ordner und beginnt, die Kandidatendateien nacheinander zu lesen. Sie können es beim Durchlaufen verschiedener Profile sehen. Nach der Verarbeitung der Dateien vergleicht es die Fähigkeiten der Kandidaten mit den Anforderungen des Agentic Seek- Projekts. Es kommt schließlich zu dem Schluss, dass die besten Partner Aisha Khan, Longch und noch einige andere sind. Es werden sie sogar nach der Passform eingestuft. Normalerweise müsste ein Mensch nach dem

3:05 Projekt suchen, die Qualifikationsanforderungen erfassen und alles in ein Tool wie den Chat GPT eingeben, aber dieser Agent automatisiert den gesamten Prozess von Anfang bis Ende ohne manuelle Eingaben und ohne Eingabeaufforderungen. Und das Beste daran: Für etwas wie Manis AI müssen Sie nichts bezahlen. Wenn Sie über einen ausreichend leistungsstarken Computer verfügen, läuft alles lokal, vollständig privat und völlig kostenlos. Das macht es so unglaublich. Ich habe das hier sogar selbst eingerichtet. Und das ist die Eingabeaufforderung, die ich ihm gegeben habe. Es muss online nach beliebten Science-Fiction-Filmen aus dem Jahr 2024 suchen und drei auswählen, die ich mir heute Abend ansehen sollte. Genau das ist passiert. Der Planer-Agent kam online und teilte meine Anfrage in kleinere Aufgaben auf. Und da ich darum gebeten habe, die Ergebnisse in einer Filmabend-Textdatei zu speichern, tut es das auch. Hier habe ich die Browseransicht gesehen, die zeigt, wie im Internet gesurft und gesucht wird

3:51 . Und das ist, was es getan hat. Wenn wir zurückkommen, wurde die Datei, in der der Agentenordner abgelegt wurde, tatsächlich in meinem Entwicklerordner gespeichert und dort automatisch die Datei movies.txt erstellt. Dies sind die Filme, die es mir gegeben hat. Es ist also ziemlich großartig und funktioniert wirklich gut. Ich habe auch eine Timing-Analyse durchgeführt. Die Anfrage, die wir gerade gestellt haben, besteht darin, nach Filmen zu suchen und sie in einer Textdatei zu speichern. Ich habe die Zeit aufgezeichnet und es hat 4 Minuten gedauert, die gesamte Aufgabe zu erledigen. Ich hatte das Gefühl, dass drei Quellen nicht ausreichen, also habe ich es angewiesen, stattdessen 10 Quellen zu durchsuchen. Das hat es getan, alle 10 durchsucht und es hat ungefähr 8 Minuten gedauert, bis ich einen Bericht erhalten habe. Insgesamt ist es ein ziemlich flexibler Agent. Meiner Meinung nach ist der Zeitpunkt wirklich gut, wenn man bedenkt, dass alle diese Sites besucht werden und die Daten gesammelt werden, die ich angefordert habe. Wenn Ihnen das Video gefällt, würde ich mich sehr freuen, wenn Sie den Kanal abonnieren könnten. Wir

4:37 testen auch Mitgliedschaften, um den Kanal zu unterstützen. Wir haben bisher nur die erste Stufe eingeführt. Derzeit werden vorrangige Kommentarantworten angeboten , aber durch ein Abonnement können wir besser erkennen, wie viele von Ihnen interessiert sind und unsere Arbeit unterstützen möchten. Wenn Sie dies für lohnenswert halten und es installieren möchten, gehen Sie wie folgt vor. Kommen Sie zur Hauptwebsite. Ich werde den Link in der Beschreibung unten haben. Gehen Sie von hier aus zur GitHub-Seite. Dort finden Sie alle Installationsbefehle, die ich Ihnen gleich zeigen werde. Die meisten davon sind bereits da. Sie müssen sie nur kopieren und einfügen . Befolgen Sie meine Schritte, und der Agent ist installiert und läuft. Klonen Sie zuerst das Repository. Kopieren Sie einfach den ersten Befehl und fügen Sie ihn hier ein. Dadurch wird das Repository geklont, in das Verzeichnis navigiert und die Beispiel-Umgebungsdatei in Ihre tatsächliche Umgebungsdatei umbenannt. Als Nächstes

5:22 erstellen Sie eine virtuelle Umgebung für Python. Fügen Sie in diesen Ordner diesen Befehl ein, um Ihre Python-Umgebung einzurichten. Das Beste an diesem Agenten ist, dass er die Installation unter Windows, Mac OS und Linux unterstützt. Sie sind also nicht durch Ihr Betriebssystem eingeschränkt. Dies sind die beiden Installationsskripte, die alle Abhängigkeiten einrichten. Wählen Sie diejenige aus, die zu Ihrem Betriebssystem passt. Bei mir ist es Mac OS, also füge ich das ein und es installiert alle meine Abhängigkeiten. Wenn Sie dieses Installationsskript ausführen, tritt möglicherweise eine Fehlermeldung auf, genau wie ich. Der Fehler fordert Sie auf, Python Version 3.10 zu installieren. Sie müssen diese spezielle Version installieren, damit alles funktioniert. Die Methode ist je nach Betriebssystem unterschiedlich, sollte aber nicht zu schwierig sein. Für Mac OS installieren Sie es mit diesem Befehl. Sobald dies erledigt ist, sollte alles bereit sein. Nachdem Python 3.10 10 installiert ist und Sie das

6:08 Installationsskript ausgeführt haben, sollte alles eingerichtet sein und Sie sind bereit, den Agenten auszuführen. Lassen Sie mich Sie durch die Konfiguration führen, bevor Sie den Agenten ausführen, da dies je nach geplanter Verwendung ziemlich wichtig ist . Gehen Sie als Nächstes in Ihr Terminal und öffnen Sie das Verzeichnis in einem beliebigen Code-Editor. Ich öffne es im Cursor. Innerhalb der Codebasis finden Sie eine Datei namens config.ini. Diese Datei enthält die Konfigurationseinstellungen, die der Agent während der Ausführung verwendet. Je nachdem, wie Sie es verwenden möchten, müssen Sie einige Dinge ändern. Sie können den Agenten entweder lokal ausführen oder mit einer externen API verwenden. Wenn Sie ein LLM lokal ausführen möchten, gehen Sie zum GitHub-Repository. Darin sind alle Einzelheiten aufgeführt. Zunächst wird gezeigt, wie die Einstellungen für ein lokal laufendes LLM vorgenommen werden. Um mit diesem Agenten eine gute Leistung zu erzielen, müssen große Modelle lokal ausgeführt werden. Ohne diese wird es

6:54 wirklich nicht nützlich sein. Das Ausführen von 14B-Modellen von Olama, Deepseek oder Quen wird hier nicht viel helfen, da die Leistung nicht besonders gut sein wird. Sie benötigen mindestens ein 32B-Modell, damit es gut funktioniert. dafür ist eine RTX 4090 erforderlich. Auch die genannten 14B-Modelle benötigen mindestens eine RTX 3060, die zwar günstiger als die 4090, aber dennoch recht teuer ist. Wenn die lokale Einrichtung für Sie keine Option ist, fahren Sie mit der API-Einrichtung fort. Derzeit unterstützt es APIs von OpenAI, DeepS, Hugging Face, Together AI und Google. Dies sind die Anbieter, mit denen es derzeit zusammenarbeitet. Ich hoffte, Claude würde damit arbeiten. Support für Claude ist noch nicht verfügbar. Ändern Sie nun die Werte in der Konfiguration. Der erste Satz ist lokal auf „false“. Die Standardeinstellung ist „true“ . Definieren Sie anschließend den

7:40 Anbieternamen. Wählen Sie einen beliebigen Anbieter aus der Liste. Ich habe OpenAI gewählt und es als meins festgelegt. Definieren Sie als Nächstes das Anbietermodell. Ich empfehle die Verwendung von GPT40 anstelle von GPT4 mini. Ich habe beide getestet und GPT40 hat viel besser abgeschnitten. Wenn Sie Zugriff auf andere Anbieter haben, kann die Leistung sogar noch besser sein. Ich hatte keine Credits für Deepseek oder die anderen, also habe ich einfach GPT40 verwendet. Es funktionierte gut und stärkere Modelle würden es nur noch weiter verbessern. Dies sind die wichtigsten Einstellungen, die Sie aktualisieren müssen. Öffnen Sie dann Ihre ENV-Datei. Fügen Sie in diese Datei Ihren API-Schlüssel ein, unabhängig davon, ob er von OpenAI, DeepS oder einem anderen von Ihnen verwendeten Anbieter stammt. Sobald dies erledigt ist, ist Ihre Konfiguration für den grundlegenden Gebrauch bereit. Es gibt auch einige optionale Einstellungen. Einer davon ist für einen Headless- Browser. Dies bedeutet, dass das Browserfenster

8:25 nicht geöffnet wird, während der Agent ausgeführt wird. Es wird weiterhin alles tun, aber leise im Hintergrund. Lassen Sie dies auf „true“ eingestellt. Sie können auch die Sprech- und Hörmodi aktivieren. Diese ermöglichen es dem Agenten, zu antworten und Ihre Stimme anzuhören. Sie können ein echtes Gespräch führen. Setzen Sie einfach beide Optionen auf „true“ und es funktioniert. Bevor Sie den Agenten starten, müssen Sie einige Dinge wissen. Sie müssen Docker installiert und ausgeführt haben, damit der Agent gestartet werden kann, da er in einem Container gespeichert ist. Es holt Container ab und richtet sie automatisch ein. Starten Sie zuerst Docker. Sobald es läuft, können Sie die Dienste starten. Kehren Sie als Nächstes zum GitHub-Repository zurück. Und hier führen Sie diesen Befehl aus. Bei Mac OS und Windows ist es unterschiedlich . Der Mac OS-Befehl funktioniert auch unter Linux. Führen Sie das einfach aus, wenn Sie Linux verwenden. Wenn Sie Ihre Python-Umgebung nicht aktiviert haben und ein neues Terminal geöffnet haben, führen Sie

9:13 zuerst den Befehl zur Umgebungsaktivierung aus. Dadurch werden einige Backend-Dienste sowie das Front- End gestartet. Die von ihnen aufgebaute Struktur ist für mich etwas verwirrend, da Backend und Frontend normalerweise separat eingerichtet werden. Hier ist der Aufbau anders. Nachdem Sie das ausgeführt haben, starten Sie das Back-End, das von der API verwaltet wird . py. Lassen Sie es mich Ihnen zeigen. Das ist mein Backend. Dies sind die ausgeführten Dienste. Es sind lediglich Docker- Container. Ich verwende diesen Befehl und jetzt laufen sie alle. Denken Sie außerdem daran, dass Sie sowohl das Front-End als auch das Back-End in separaten Terminalfenstern ausführen müssen. Dies läuft also hier und der Python-API-Befehl wird in einem anderen Terminal ausgeführt. Ein weiterer Fehler besteht darin, dass es nicht startet, wenn Sie nur Python oder Python 3 verwenden. Sie müssen explizit die Python 3.10-API schreiben. py, damit es funktioniert. Fügen Sie das ein und das Backend wird gestartet . Gehen Sie dann zu dieser Adresse, localhost

10:00 3000, und Sie finden dort Ihren einsatzbereiten Agenten. Damit sind wir am Ende dieses Videos angelangt. Wenn Sie den Kanal unterstützen und uns helfen möchten, weiterhin Tutorials wie dieses zu erstellen, können Sie dies tun, indem Sie unten auf die Schaltfläche „Super-Danke“ klicken. Wie immer vielen Dank fürs Zuschauen und wir sehen uns beim nächsten Mal.