FAQ
Die Referenzseiten behandeln die Primitive im Detail — components, backends, types, deployments, leases. Diese Seite sammelt die kürzeren Fragen, die zuerst aufkommen, mit Antworten, die kurz genug sind, um an Ort und Stelle gelesen zu werden.
Die Fragen sind grob danach geordnet, was zuerst gefragt wird. Wenn eine Frage hier nicht steht, findet sich die Antwort meist auf einer der verlinkten Konzeptseiten.
Muss ich das alles selbst lernen?
Nein. Die Plattform ist so gebaut, dass ein LLM sie für dich steuern kann. Installiere das CLI, führe ppl mode general aus und übergib deinem Agenten eine Aufgabe, die mit ppl docs get flows/quickstart beginnt. Der Agent liest die Docs-Registry, wählt den richtigen Flow, führt die begrenzten Befehle aus und berichtet zurück. Du beantwortest Fragen, der Agent erledigt die Einrichtung. Siehe Agent-Modus-Ausgabe und den Quickstart für den Übergabe-Prompt.
Muss ich etwas installieren?
Nein — die App läuft im Browser. Eine lokale Installation brauchst du nur, wenn du components in Python oder C++ schreiben willst; in diesem Fall installierst du das ppl CLI.
In welchen Sprachen kann ich components schreiben?
Python und C++ sind beide erstklassig. Python ist die richtige Wahl für ML-Integrationen (PyTorch, ONNX, HuggingFace, Ultralytics). C++ ist die richtige Wahl für components mit niedriger Latenz und hohem Durchsatz — das Standard-C++-ML-SDK wird vorinstalliert ausgeliefert (Geometrie, Bild, Tensor-Helfer, Triton-Client, Multi-Objekt-Tracker).
Siehe den Quickstart für sowohl den Python- als auch den C++-Track.
Warum verwendet Pipelogic ein striktes Typsystem?
Streams zwischen components sind typisiert und werden beim Verdrahten geprüft. Eine Image-Ausgabe an eine [BoundingBox]-Eingabe anzuschließen, schlägt sofort fehl, bevor irgendetwas läuft.
Konkret gibt dir das:
- Sicherheit: Nichtübereinstimmungen werden zur Kompositionszeit abgefangen, nicht zur Laufzeit.
- Kompatibilität: components von verschiedenen Teams stecken ohne Überraschungen zusammen.
- Dokumentation: die Typsignatur ist die Spezifikation.
- Wiederverwendbarkeit: definiere einen Domänentyp einmal (
{x: Float, y: Float, depth: Float}), jeder Konsument stimmt der Form zu.
Kann ich meine eigenen Modelle verwenden?
Ja. Pipelogic liefert verwaltete Serving-Services, die eine Component über depends_on: wählt:
- Multi-Modell-Services (eine Instanz, viele Modelle) — Triton (ONNX, TensorRT, TorchScript, TensorFlow SavedModel), TorchServe (PyTorch MAR), Ollama (LLM- / VLM-Iteration).
- Parametrisierte Services (ein Modell = eine Instanz) — vLLM (LLM-Serving mit hohem Durchsatz), SGLang (strukturierte Generierung, VLMs, OpenAI-kompatibel).
Du kannst dein eigenes Artefakt hochladen und es an einen Component-vertex binden oder mit einem vertex auf eine Hub-Modell-ID zeigen und den Serving-Service es ziehen lassen.
Siehe Models für den Modellvorbereitungs-Workflow.
Kann ich mit Teamkollegen arbeiten?
Ja. Workspaces unterstützen mehrere Teamkollegen mit rollenbasiertem Zugriff. Components, backends und Dateien sind auf deinen Workspace beschränkt; du kannst die Eigentümerschaft zwischen Teamkollegen übertragen.
Welche Browser werden unterstützt?
Aktuelle Chrome, Firefox, Safari und Edge (Chromium-basiert). Ältere Browser funktionieren möglicherweise, werden aber nicht aktiv getestet.
Gibt es einen kostenlosen Tarif?
Ja. €0/Monat. 2 Mitarbeiter, 500 Credits/Monat (250/Tag-Limit), 2 GB Speicher. Nur geteilte Cloud-runtime.
Kann ich backends auf meiner eigenen Hardware ausführen?
Ja — in Plänen, die On-Premise-runtime berechtigen. Du registrierst eine Linux-Maschine bei deinem Workspace, hängst sie an eine runtime an und deployst. Zwei Registrierungspfade decken die häufigen Fälle ab: ein vernetzter Host, der sich selbst über HTTPS bei der Plattform registriert, und ein air-gapped Standort über einen Offline-Fingerprint-Genehmigungsflow (verfügbar in Plänen, die die air-gapped runtime berechtigen).
Einmal registriert, deployt dasselbe backend, das du in der verwalteten Cloud betrieben hast, unverändert auf deine eigene Hardware.
Was ist der Unterschied zwischen dem CLI und der App?
Beide bearbeiten dieselben zugrunde liegenden backend-Objekte. Nutze die App, wenn du vorhandene components zu einem funktionierenden backend zusammensetzen willst; nutze das CLI, wenn du die components selbst schreiben, Releases automatisieren oder Ops skripten willst.
Für die genaue Befehlssyntax führe ppl <command> --help aus.
Was ist eine transformation gegenüber einer component?
Eine component ist dein Code, deine Abhängigkeiten, dein Modell — verpackt als Image, das auf einer runtime läuft.
Eine transformation ist ein typisiertes inline-Primitiv — flatten, lift_unroll, pack_record, filter usw. Sie läuft in-process zwischen components, ohne ein Image, das ausgeliefert werden muss, und ohne einen Container, der hochgefahren werden muss, daher ist sie kostenlos nutzbar.
Siehe Transformations.
Welche Sprachen unterstützt das SDK?
- Python-SDK: CPython 3.10.
- C++-SDK: C++23, vom Standard-Build-System für dich erledigt.
Wie melde ich einen Bug?
Entscheide zuerst, ob es ein Bug in deinem backend ist (deine component stürzt ab, dein stream stockt — debugge ihn selbst über die deployment-Ansicht) oder ein Bug in Pipelogic selbst (die App verhält sich falsch, das CLI stürzt ab, eine verwaltete runtime versagt). Nur Letzteres ist etwas, das du bei uns einreichst.
Discord #bugs für schnelle Gespräche, support@pipelogic.ai für alles, was mehr Raum braucht. Gib an, was du gerade tatest, die Fehlermeldung und wie man es reproduziert.
Wo das hineinpasst
Jede Antwort oben verlinkt auf die Konzeptseite, die sie vollständig behandelt. Wenn keine der Fragen zu dem passt, was du brauchst, beginne mit dem Quickstart.