Kurs
Building AI Agents with Google ADK
1 Std.
2.5K
Open-Source-KI sorgt wieder für Aufsehen: Moonshot AI hat kürzlich„ “ Kimi K2 rausgebracht, ein Mixture-of-Experts (MoE)-Sprachmodell mit 32 Milliarden aktivierten Parametern und insgesamt einer Billion Parametern.
In diesem Blog erkläre ich dir, was Kimi K2 ist, wie du darauf zugreifen kannst, und zeige dir praktische Anwendungsfälle für Kimi K2. Wir zeigen dir, wie Kimi K2 dir helfen kann:
- Erstell strukturierte und responsive Webinhalte
- Grafische Ausgaben wie SVGs erstellen
- Mach interaktive Datenvisualisierung und statistische Analysen einfacher.
- Simuliere komplexe wissenschaftliche Phänomene
- Spannende Spiele entwickeln
- Plan detaillierte Routen mit coolen Funktionen
Wir halten unsere Leser über die neuesten Entwicklungen im Bereich KI auf dem Laufenden, indem wir ihnen jeden Freitag unseren kostenlosen Newsletter „The Median“ schicken, der die wichtigsten Meldungen der Woche zusammenfasst. Abonniere unseren Newsletter und bleib in nur wenigen Minuten pro Woche auf dem Laufenden:
Was ist Kimi K2?
Kimi K2 ist ein Sprachmodell von Moonshot AI mit 32 Milliarden aktivierten Parametern in einem riesigen Rahmen von insgesamt 1 Billion Parametern. Kimi K2 ist für agentenbasierte Aufgaben optimiert. Es ist so gemacht, dass es komplexe, toolbasierte Aufgaben erledigt, ausführt und durchdenkt.
Kimi K2 gibt's in zwei Versionen:
- Kimi-K2-Base, ein grundlegendes Modell für die individuelle Feinabstimmung; und
- Kimi-K2-Instruct, optimiert für allgemeine Chats und autonome Aufgabenausführung.
Kimi K2 zeigt vielversprechende Benchmark-Ergebnisse, vor allem beim agentenbasierten Programmieren und beim Einsatz von Tools:
Quelle: Kimi K2
Im Vergleich zu Open-Source-Alternativen wie DeepSeek V3, Qwen 2.5und LLaMA 4, Kimi K2 schneidet bei Benchmarks oft besser ab, erfordert aber möglicherweise sorgfältiges Prompt-Engineering, um in der Praxis optimale Ergebnisse zu erzielen, typischerweise durch iterative Verfeinerung. Aufgrund seiner MoE-Architektur mit Experten-Routing wurde es sogar mal als „DeepSeek V3 mit weniger Köpfen und mehr Experten” bezeichnet.
Die API-Infrastruktur ist zwar noch nicht ganz ausgereift und die Dokumentation könnte klarer sein, aber Kimi K2 ist trotzdem eine der günstigsten Optionen, die es gerade gibt. Es ist super für erfahrene Entwickler, die sich mit LLM-basierten Arbeitsabläufen auskennen, aber Anfänger müssen sich vielleicht erst mal ein bisschen reinfinden.
Wie komme ich zu Kimi K2?
Du kannst über die Chat-Oberfläche und die API auf Kimi K2 zugreifen.
Kimi-Chat
Du kannst über die Kimi Chat-Oberfläche auf Kimi K2 zugreifen. Kimi Chat-Oberfläche:
Als Nächstes erkläre ich dir Schritt für Schritt, wie du Kimi K2 über die API einrichtest. Du kannst also direkt zum Abschnitt mit den Beispielen springen.
Kimi K2 API
Du kannst auch über einen API-Endpunkt auf Kimi K2 zugreifen. Im Moment kannst du den Service für allgemeine Fragen kostenlos nutzen, solange du nicht die kostenlose Quote überschreitest. Danach musst du mit einem kostenpflichtigen Tarif weitermachen.
Du brauchst einen API-Schlüssel, den du in der Moonshot Developer Console erstellen kannst. Lass uns diesen Prozess Schritt für Schritt durchgehen.
Schritt 1: API-Schlüssel erstellen
So kannst du auf die Moonshot-API zugreifen, um das Kimi K2-Modell zu nutzen:
- Melde dich bei der Moonshot-Konsole an mit deinem Gmail-Konto mit deinem Gmail-Konto ein.
- Klick auf „ aufladen“ unter dem Reiter „Abrechnung“ und gib deine Kartendaten ein. Für dieses Tutorial reichen etwa 5 Dollar. Du bekommst zusätzlich 5 $ als Gutschein auf die Rechnung.
- Geh auf den Tab „API-Schlüssel“ und klick auf „API-Schlüssel erstellen“. Gib den API-Schlüsselnamen und das Projekt ein (lass die Standardeinstellungen erstmal so) und speicher den API-Schlüssel für später.
Schritt 2: Python-Umgebung einrichten
Jetzt richten wir eine Umgebung für alle unsere lokalen Experimente ein:
conda create -n kimi python=3.10
conda activate kimiDieser Code erstellt und aktiviert eine Python-Umgebung namens „ kimi “.
Schritt 3: Globale Variable einrichten
Es wird empfohlen, den API-Schlüssel als Umgebungsvariable in deinem Terminal zu exportieren oder in einer .env -Datei zu speichern. So speicherst du es in deiner Python-Umgebung (in diesem Fall „kimi ”):
export MOONSHOT_API_KEY="your_api_key"Um zu checken, ob die Moonshot-API in deiner Umgebung richtig als globale Variable gesetzt ist, mach Folgendes:
echo $MOONSHOT_API_KEYWenn du beim Ausführen des obigen Befehls den Schlüsselwert siehst, kannst du weitermachen. Wenn nicht, musst du den Schlüssel erst als globale Variable einrichten. Wenn du den API-Schlüssel in einer .env-Datei einrichtest, speicher ihn wie folgt:
MOONSHOT_API_KEY=your_api_keyJetzt können wir die Funktionen von Kimi K2 erkunden.
Schritt 4: Einen API-Aufruf machen
Jetzt, wo unser API-Schlüssel eingerichtet ist, lass uns mal eine einfache Chat-Vervollständigungsaufgabe mit dem Kimi K2-Modell versuchen.
from openai import OpenAI
import os
MOONSHOT_API_KEY = os.getenv("MOONSHOT_API_KEY", "your-moonshot-api-key")
client = OpenAI(
api_key=MOONSHOT_API_KEY,
base_url="https://api.moonshot.ai/v1"
)
def simple_chat(model_name: str):
messages = [
{"role": "system", "content": "You are Kimi, an AI assistant created by Moonshot AI."},
{"role": "user", "content": "Explain LLM to a 5-year-old."}
]
response = client.chat.completions.create(
model=model_name,
messages=messages,
stream=False,
temperature=0.6,
max_tokens=256
)
print(response.choices[0].message.content)
simple_chat("kimi-k2-0711-preview")Das obige Python-Skript richtet den API-Client mit dem angegebenen API-Schlüssel und Endpunkt ein. Die Funktion „ simple_chat() ” schickt eine vordefinierte Eingabeaufforderung im Chat-Format mit System- und Benutzernachrichten an das Kimi-Modell (kimi-k2-0711-preview) und zeigt dann die Antwort des Assistenten an.
Kimi K2 hat deutlich länger (ca. 5 Minuten) gebraucht, um Code zu generieren, als andere Modelle, die ich kürzlich ausprobiert habe (wie z. B. Grok 4 oder Gemini Diffusion). Trotz dieser anfänglichen Verzögerung waren die Grafiken und interaktiven Elemente der fertigen Anwendung aber echt präzise. Außerdem hat Kimi K2 seine Agentur-Fähigkeiten genutzt, um ein passendes lizenzfreies Bild von Unsplash für die HTML-Seite zu finden.
Beispiel 2: SVG-Darstellungen erstellen
Als Nächstes habe ich versucht, ein paar SVG-Darstellungen (Scalable Vector Graphics) zu erstellen. Obwohl es eine Weile gedauert hat, bis das Modell ein gutes SVG-Bild zurückgegeben hat, hat es letztendlich gute Arbeit geleistet.
Aufforderung: Erstelle eine SVG-Darstellung eines Schmetterlings.
Zuerst hab ich das Modell gebeten, einen Drachen zu erstellen, und das Ergebnis waren nur ein paar Schatten und Farben. Nach ein paar Versuchen hat das Modell dann aber eine ziemlich gute Darstellung eines Schmetterlings hingekriegt.
Beispiel 3: Analyse eines Datensatzes mit Simulation
In diesem Beispiel habe ich Kimi K2 gebeten, einen einfachen Datensatz zu analysieren und die Ergebnisse in einem HTML-Dashboard zu zeigen. Hier ist die Eingabeaufforderung, die ich verwendet habe:
Prompt: Mach ein interaktives HTML-Dashboard mit einer coolen und modernen Benutzeroberfläche, mit der Leute die Auswirkungen von Remote-Arbeit auf die Gehälter in verschiedenen Jobs simulieren und sehen können, basierend auf dem mitgelieferten Datensatz „ds_salaries.csv“.
Das Dashboard sollte die folgenden erweiterten Teile haben:
1. Dynamische Simulationssteuerung (Benutzersimulator):
Responsive Schieberegler und Zahlenfelder zum Einstellen:
Fernprämie (%)
Job-Profil-spezifische Multiplikatoren
Inflation oder Deflation des Grundgehalts
Echtzeit-Feedback dazu, wie sich Eingabeänderungen auf den Datensatz auswirken
Tooltips, die die Auswirkungen der einzelnen Parameter erklären
2. Interaktionsdiagramme und Heatmaps:
Gehalt vs. Jobprofil × Remote-Verhältnis-Interaktionsdiagramm
Optionale Schalter zum Umschalten zwischen Balken-, Linien- oder Heatmap-Ansicht
Markiere Ausreißer oder statistisch wichtige Wechselwirkungen.
3. Statistische Einblicke in Echtzeit:
Live-Regressionsausgabe (OLS, ANOVA)
p-Werte und Signifikanzschwellen hervorheben
Visuelle Restdiagramme oder Modelldiagnosen (wenn möglich)
4. Modernes Interface-Design:
Mobilfreundliches Design ohne Abhängigkeiten mit reinem HTML/CSS/JS
Kartenlayout mit ausklappbaren Abschnitten für mehr Übersichtlichkeit
Reibungslose Animationen, Übergänge und Hell-/Dunkel-Umschaltung
Stell sicher, dass alle Ausgaben in einer einzigen index.html-Datei kopier- und einfügbar sind, ohne dass du irgendwelche externen Abhängigkeiten brauchst. Füge Platzhalterlogik zum Laden der CSV-Datei über ein Element „<input type="file">“ ein. Bonus: CSV-Vorschau-Tabelle und Download-Export-Optionen für simulierte Daten hinzugefügt.
In „ ” (Ein Modell zur Simulation der Reaktion von Patienten auf eine medikamentöse Therapie) hat das Modell in diesem Versuch mit Kimi K2 den hochgeladenen Datensatz erfolgreich angenommen und verarbeitet und die Simulationssteuerung anhand der aus den Daten abgeleiteten Variablen korrekt aktualisiert. Die Benutzeroberfläche hat coole Funktionen wie den Wechsel zwischen Dunkel- und Hellmodus, was für ein angenehmes Sehvergnügen sorgt.
Allerdings fehlten in den Ergebnissen ein paar wichtige analytische Teile. Es gab keine Interaktionsdiagramme, keine Heatmap-Visualisierungen und keine Echtzeit-Statistiken wie Regressionszusammenfassungen oder ANOVA-Ergebnisse. Kimi K2 hat zwar die Struktur und die UI-Logik gut hingekriegt, aber seine Grenzen beim statistischen Denken und bei der interaktiven Visualisierung waren in diesem Fall echt deutlich zu sehen.
Beispiel 4: Wissenschaftliche Simulation
Das Team hinter Kimi hat einen Anwendungsfall für seine Chat-Oberfläche gezeigt, um wissenschaftliche Simulationen zu checken und den HTML-Code in der Chat-Oberfläche vorab anzusehen. Hier sind die Eingabeaufforderungen, die ich ausprobiert habe:
Aufforderung: Erstelle eine 3D-Partikel-Galaxie-Simulation
Ich hab ein paar Änderungen an der Simulation gemacht, um zu sehen, wie sich das Modell an Änderungen anpasst, z. B. eine Draufsicht mit korrekter Partikelrotation und unterschiedlicher Partikelgröße.
Überarbeitete Aufforderung: Passe die aktuelle 3D-Partikel-Galaxie-Simulation so an, dass die Galaxie von oben (aus der Perspektive oberhalb der galaktischen Ebene) gerendert wird. Die Sterne und Arme sollten wie eine Spirale aussehen, die sich nach außen dreht, und sich um die Z-Achse (senkrecht zum Bildschirm) drehen. Stell sicher, dass:
Die Sternpositionen sind von oben gesehen in einer flachen Spirale verteilt.
Die Drehgeschwindigkeit beeinflusst die Winkelrotation in der XY-Ebene.
Es wird keine vertikale Neigung oder Dicke der Y-Achse angezeigt – mach die Z-Dimension flach.
Kamera/Blickwinkel ist über der Galaxie fixiert (orthografische oder Top-Down-Perspektive)
Du kannst optional eine leuchtende Ausbuchtung in der Mitte hinzufügen, um den galaktischen Kern zu simulieren.
Behalte alle vorhandenen Steuerelemente (Sternanzahl, Armanzahl, Zoom, Drehgeschwindigkeit) und achte darauf, dass die Neugenerierung das Layout der Draufsicht widerspiegelt.
