Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com20. Juni 2023 · Q010077

GPT-Engineer: Generate an Entire Codebase with 1 Prompt!

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel erklärt Einrichtung und Nutzung von GPT-Engineer anhand eines Web-Scraping-Auftrags und einer einfachen Website. Laut Autor entstanden beim Scraping verwendbare Dateien und eine CSV; die Web-App benötigte noch Anpassungen, und der Bericht nennt Installations- und Dienstfehler als mögliche Hürden.

Mittel

Frank Andrade beschreibt GPT-Engineer als Werkzeug, das aus einer Projektbeschreibung Code und die dazugehörigen Dateien erzeugen soll. Der Bericht führt durch die Einrichtung: Repository klonen, Python-Umgebung aktivieren, OpenAI-API-Schlüssel setzen, ein Projekt aus dem Beispielordner kopieren und dessen `main_prompt` bearbeiten.

Als ersten Versuch lässt der Autor Artikeltitel aus h2-Elementen einer Website auslesen und in eine CSV-Datei schreiben. Seinem Bericht zufolge erzeugte das Werkzeug dafür Python-Dateien und eine CSV mit den gewünschten Daten. In einem zweiten Versuch sollte ein knapper Prompt eine Website über Hunde erstellen. Der Autor berichtet, dass dafür zwar Dateien entstanden, aber noch Anpassungen nötig waren, damit die Web-App lief.

Als mögliche Probleme nennt der Artikel eine fehlende `requirements.txt` sowie einen zeitweiligen Fehler bei einem überlasteten OpenAI-Dienst. Als Behelf für die fehlende Datei empfiehlt der Autor, die Bibliotheken aus `all_output.txt` zu übernehmen. Die Beispiele zeigen persönliche Erfahrungen und sind kein unabhängiger Nachweis dafür, dass GPT-Engineer Anwendungen generell ohne Nacharbeit erstellt.

Ausführlich lesen

Der vollständige Bericht von Frank Andrade aus dem Jahr 2023 stellt GPT-Engineer als Werkzeug vor, das aus einer Projektbeschreibung mehrere Dateien für eine Anwendung erzeugen soll. Der Autor beschreibt den Vorteil darin, dass Nutzer den Code nicht selbst in einzelne Dateien kopieren und das Projektgerüst nicht von Hand anlegen müssten. Der Artikel ist eine praktische Installations- und Nutzungseinführung, kein systematischer Leistungsvergleich.

Die Anleitung beginnt mit dem Klonen des GitHub-Repositories und der Einrichtung der Umgebung: Im Projektverzeichnis sollen `make install` und anschließend die Aktivierung der virtuellen Umgebung ausgeführt werden. Bei einem Fehler wegen eines fehlenden `venv` empfiehlt der Autor, zuerst mit Python 3 und pip oder conda eine Umgebung anzulegen und danach die Einrichtung zu wiederholen. Außerdem muss ein OpenAI-API-Schlüssel als Umgebungsvariable hinterlegt werden.

Für ein neues Projekt soll man den Beispielordner kopieren und die darin enthaltene Datei `main_prompt` bearbeiten. Sie enthält zunächst eine Beschreibung für ein Snake-Spiel in Python. Als ersten Versuch ersetzt Andrade diese Vorgabe durch den Auftrag, Artikeltitel von einer Website aus h2-Elementen auszulesen und als CSV zu speichern. Laut Bericht erzeugt GPT-Engineer nach dem Start mit dem Projektpfad Dateien im zugehörigen `workspace`-Ordner. Der Autor berichtet, dass sein Versuch Python-Dateien für das Auslesen sowie eine CSV-Datei mit den gewünschten Daten hervorgebracht habe und das Scraping erfolgreich gewesen sei.

Der Artikel nennt zugleich Einschränkungen und mögliche Probleme. Eine `requirements.txt` werde möglicherweise nicht erzeugt; als Behelf schlägt der Autor vor, die Bibliotheken aus dem entsprechenden Abschnitt der generierten `all_output.txt` zu übernehmen. Bei einem Fehler wegen eines überlasteten oder nicht verfügbaren OpenAI-Dienstes solle man es später erneut versuchen. In einem zweiten Beispiel lässt Andrade mit dem knappen Prompt „Create a website about dogs“ eine Web-App erstellen. Nach eigener Einschätzung waren anschließend noch Anpassungen nötig, damit die Anwendung lief. Die Beispiele belegen daher vor allem, dass das Werkzeug Dateien und einen ersten Codeentwurf erzeugen kann; sie zeigen nicht, dass ein beliebiger Auftrag ohne Nacharbeit zu einer funktionsfähigen Anwendung führt.

Der Autor empfiehlt das Repository für weitere Informationen und lädt Leser dazu ein, eigene Ergebnisse und nötige Anpassungen mitzuteilen. Die dargestellten Resultate sind persönliche Erfahrungen mit den damaligen Projekt- und Dienstversionen; eine unabhängige Prüfung oder allgemeine Erfolgsquote enthält der Bericht nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna wurden gemeinsam geprüft. Die von Luna angegebenen Stufen und Anteile bei den Sammelfragen wurden bei der Einordnung nicht übernommen. Teilfragen gab es keine, daher entfällt diese Bewertung.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Fehler 'No module named venv' bei der Einrichtung und seine Lösung über eine virtuelle Umgebung mit Python 3 (pip oder conda)
  • Der Standard-Prompt 'snake game in python' als Ausgangsbeispiel, das ohne Änderung ausgeführt werden kann

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, die Beispiele seien kein unabhängiger Nachweis dafür, dass GPT-Engineer Anwendungen generell ohne Nacharbeit erstelle, steht so nicht im Bericht.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 35 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 38 %Hintergrund, keine Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
Beteiligung und Gemeinwohl
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →