AI-SDK-Beispiele mit Develop AI Functions Example entwickeln

Die Develop AI Functions Example ist ein internes Skill innerhalb des offiziellen Vercel AI SDK Repositoriums auf GitHub. Es richtet sich nicht an Endanwender einer fertigen App, sondern an Entwicklerinnen und Entwickler, die selbst am AI SDK mitarbeiten und im Ordner examples/ai-functions eigene Beispielskripte für einzelne SDK-Funktionen pflegen. Ein Skill in diesem Sinn ist eine SKILL.md Datei mit einer kurzen Beschreibung, wann ein KI-Coding-Assistent wie Claude Code sie automatisch heranziehen soll. Laut Anbieter ist dieses konkrete Skill als internal markiert, es wird also nicht als eigenständiges Produkt vertrieben, sondern dient als Nachschlagewerk, das der Assistent im Kontext des Vercel Repositoriums lädt, sobald jemand neue Beispiele unter examples/ai-functions/src anlegen, ausführen oder ändern möchte.

Wofür das Skill konkret gedacht ist

Kernaufgabe ist es, Provider-Unterstützung zu validieren, Funktionen zu demonstrieren und Testfixtures zu erzeugen. Die Beispiele sind nach SDK-Funktion gegliedert, etwa generateText für nicht-streamende Textgenerierung, streamText für Streaming-Antworten, generateObject und streamObject für strukturierte Ausgaben nach einem Schema, dazu Bereiche für Agenten mit Werkzeugschleifen, für Embeddings einzeln und in Stapeln, für Bild- und Sprachgenerierung, Transkription, Reranking von Dokumenten sowie für Middleware, Provider-Registrierung und OpenTelemetry-Integration. Diese Struktur hilft dabei, schnell zu erkennen, wo ein neues Beispiel für einen bestimmten Anwendungsfall hingehört, statt Dateien wahllos zu verstreuen.

Namenskonvention und Aufbau

Das Skill schreibt eine klare Dateibenennung vor: Das Einstiegsbeispiel einer Funktion heißt immer basic.ts, weitere Beispiele folgen einem Muster aus Funktion, Anbieter und optional Unteranbieter oder Feature, etwa stream-text für den Anbieter openai mit der Datei tool-call.ts für ein bestimmtes Werkzeugaufruf-Szenario. Flache Dateien ohne Unterordner pro Anbieter sind ausdrücklich untersagt, damit die Struktur über Dutzende Provider hinweg konsistent bleibt. Jedes Beispiel nutzt einen gemeinsamen run Wrapper aus einer Bibliotheksdatei, der Umgebungsvariablen aus einer env Datei lädt und Fehler mit detaillierten API-Meldungen protokolliert, sodass beim Testen eines neuen Modells sofort ersichtlich ist, woran ein fehlgeschlagener Aufruf liegt.

Voraussetzungen für die Nutzung

Um dieses Skill sinnvoll einzusetzen, braucht man einen lokalen Klon des vercel/ai Repositoriums, eine funktionierende Node.js- und TypeScript-Umgebung sowie gültige API-Schlüssel der jeweiligen Modellanbieter in einer lokalen env Datei. Das Skill selbst wird nicht separat installiert, sondern liegt bereits im Repository und wird von einem kompatiblen Coding-Agenten automatisch erkannt, wenn dessen Beschreibung zum aktuellen Arbeitskontext passt.

Sicherheit und Umgang mit Zugangsdaten

Weil die Beispiele reale API-Aufrufe gegen Modellanbieter ausführen, landen Schlüssel und Zugangsdaten in einer lokalen env Datei, die niemals eingecheckt werden sollte. Wer neue Beispiele nach diesem Muster erstellt, sollte zusätzlich prüfen, dass keine echten Kundendaten oder internen Geheimnisse in Prompt-Strings landen, da diese Dateien im Repository dauerhaft sichtbar bleiben.

Praxisnutzen und Grenzen

Der praktische Nutzen liegt vor allem darin, dass neue Mitwirkende am AI SDK sofort eine einheitliche Struktur vorfinden und ein KI-Assistent beim Anlegen neuer Beispiele automatisch die richtigen Namensmuster und Vorlagen anwendet, was Codereviews beschleunigt. Die Grenze ist ebenso klar: Dieses Skill ist kein allgemeines Werkzeug für eigene Projekte, sondern ausschließlich für die Pflege des Vercel AI SDK Beispielordners gedacht, und ohne den Kontext dieses konkreten Repositoriums bietet es keinen Mehrwert. Wer ein eigenes SDK oder eine eigene Beispielsammlung pflegt, kann sich aber die Grundidee abschauen: klare Namenskonventionen plus ein gemeinsamer Wrapper für Umgebungsvariablen und Fehlerbehandlung sparen in jedem größeren Repository viel Abstimmungsaufwand.