0%

Ab nach Hause

Das Abschlussprojekt lokal ausführen

Alles bisher lief innerhalb dieser Website, gegen ein Modell, das jedes Mal dieselbe Antwort gibt. Diese Lektion bringt das Projekt nach Hause: auf deinen eigenen Computer, mit seinen Tests, und dann mit einem echten Aufruf an einen echten Anbieter mit deinem eigenen Schlüssel. Nichts davon wird bewertet, und nichts später im Kurs hängt davon ab. Wenn du Python gerade nicht auf deinem eigenen Rechner einrichten kannst, lies die Schritte und hör am Ende dieser Seite auf.

Das Projekt hat eine README.md, die genau dafür geschrieben ist. Öffne sie jetzt im Projekteditor. Sie ist die Anleitung, der du zu Hause folgst, und diese Seite erklärt jeden Schritt.

Hol das Projekt von der Website

Verwende Download project, während du angemeldet bist, so wie am Ende von Python in der Praxis. Du bekommst eine ZIP-Datei deines Arbeitsbereichs. Entpacke sie in einen neuen, leeren Ordner und öffne ein in diesem Ordner. Jeder der folgenden Befehle beginnt dort.

Eine frische Umgebung und die Tests

Erstelle eine virtuelle Umgebung und installiere die Entwicklungsabhängigkeiten hinein, indem du das Python der Umgebung direkt aufrufst, damit nichts vom Aktivieren abhängt, so wie es Kapitel 12 von Python in der Praxis gezeigt hat. Unter und :

python3 -m venv .venv
./.venv/bin/python -m pip install -r requirements-dev.txt
./.venv/bin/python -m pytest -q

In PowerShell:

py -3 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements-dev.txt
.\.venv\Scripts\python.exe -m pytest -q

requirements-dev.txt beginnt mit -r requirements.txt, also installiert es die Laufzeitpakete openai, pydantic und requests in den Versionen des Kurses, dazu pytest. Wer das Programm nur ausführen will, installiert stattdessen requirements.txt.

Die Tests bestehen zu Hause genau wie in der Sandbox. Kapitel 10 hat sie mit dem Fake-Client und aufgezeichneten Antworten geschrieben, also brauchen sie kein Netzwerk, kein llm-api und keinen Schlüssel. Genau darum geht es, wenn man sie so schreibt: Sie prüfen deinen Code überall.

Dein Schlüssel, nur auf deinem Rechner

Setze jetzt die drei Einstellungen aus Lektion 2 im Terminal, mit deinem eigenen Schlüssel von deinem Anbieter. Setze zuerst ein Guthabenlimit für den Schlüssel (Lektion 3). Unter macOS und Linux setzt export jede davon für diese Terminalsitzung:

export STUDY_ASSISTANT_API_KEY=sk-or-...
export STUDY_ASSISTANT_BASE_URL=https://openrouter.ai/api/v1
export STUDY_ASSISTANT_MODEL=openai/gpt-oss-20b

In PowerShell setzt $env: jede davon für dieses Fenster:

$env:STUDY_ASSISTANT_API_KEY = "sk-or-..."
$env:STUDY_ASSISTANT_BASE_URL = "https://openrouter.ai/api/v1"
$env:STUDY_ASSISTANT_MODEL = "openai/gpt-oss-20b"

Ersetze sk-or-... durch deinen Schlüssel, und halte dich an die Regeln aus Lektion 1: Der Schlüssel bleibt in diesem Terminal und nirgendwo sonst. Nicht in einer Datei im Projektordner, nicht in einem Chat, nicht in einem Screenshot. Hier getippt, landet er im Verlauf deiner Shell, also mach das in einer privaten Sitzung auf deinem eigenen Rechner.

Führe dann einen Live-Befehl aus:

./.venv/bin/python study_assistant.py ask "How do I make an independent copy of a list?"

In PowerShell beginnst du die Zeile stattdessen mit .\.venv\Scripts\python.exe. Ein echtes Modell schreibt seine eigene Antwort, also ist der Wortlaut nicht der des Kursmodells, und die letzte Zeile sollte trotzdem Sources: 03-lists#4 oder ein anderes Label aus den Notizen sein. Öffne study-assistant-log.jsonl: Seine letzte Zeile nennt jetzt openai/gpt-oss-20b, mit der Token-Zahl des Anbieters und der Dauer des Laufs. Um die Summen und die Kostenschätzung zu sehen, führe ./.venv/bin/python summarize.py aus.

Was anders sein wird

Die festen Antworten des geskripteten Modells sind weg. Ein Live-Modell sucht vielleicht mit anderen Wörtern, liest eine Notiz ganz oder zitiert eine Passage, die es nicht bekommen hat, also braucht ask vielleicht seinen korrigierenden erneuten Versuch, und ab und zu besteht es seine Prüfung der Quellenangaben nicht und beendet sich mit 1. Das ist das Programm, das funktioniert: Es lehnt eine Antwort ab, die es nicht mit einer Quelle belegen kann. Die Token-Zahlen sind die eigene Zählung des Anbieters, einschließlich der Tool-Beschreibungen, also liegen sie für dieselbe Frage höher als beim Kursmodell.

Ein echtes Modell kann auch mehr Platz oder mehr Zeit brauchen als das Kursmodell. Wenn der Lauf mit Error: The reply was cut off at the max_tokens limit. oder einem Timeout endet, erhöhe DEFAULT_MAX_TOKENS in reliable.py oder CLIENT_TIMEOUT in client_calls.py ein wenig, wie Lektion 3 vorgeschlagen hat, eins nach dem anderen.

evals.py spricht weiterhin mit dem Kursmodell unter http://llm-api:8080/v1, das nur innerhalb dieser Website existiert, also meldet es zu Hause, dass es llm-api nicht erreichen konnte. stages.py ruft das main deines Programms auf, also schickt sein Block für Lektion 4 mit gesetzten drei Variablen echte Anfragen an deinen Anbieter, und ohne sie kann es das Kursmodell nicht erreichen. Beide Dateien sind für den Kurs; das Programm braucht sie zu Hause nicht.

Wenn sich ask zu Hause mit 1 beendet, lies zuerst die Error:-Zeile: Sie sagt, ob der Schlüssel fehlt, der Anbieter die Anfrage abgelehnt hat, das Netzwerk versagt oder ein Timeout ausgelöst hat, die Antwort abgeschnitten wurde oder die Antwort verworfen wurde. Sieh dir dann die letzten Zeilen des Logs an, die zeigen, ob das ein einzelner schlechter Lauf ist oder der Anfang eines Musters.

Warum bestehen die Tests des Projekts zu Hause ohne Schlüssel und ohne Netzwerk?

Welche Einstellungen liest der Lernassistent beim Start aus der Umgebung?

Zu Hause beendet sich ask mit Code 1. Was tust du zuerst?