Ich habe mich in den letzten Wochen zum ersten Mal etwas intensiver mit ESP32 und ESPHome beschäftigt – und bin ehrlich gesagt ziemlich angefixt davon, wie niedrig die Einstiegshürde inzwischen geworden ist, wenn man KI beim Entwickeln mit einbezieht.
Ausgangspunkt war eigentlich nur der Wunsch nach einem digitalen Bilderrahmen, der eben nicht über Hersteller-App und Cloud mit Fotos versorgt wird. Unsere Familienfotos liegen ohnehin auf einem Unraid-Server im Heimnetz. Also sollte das Gerät von dort seine Bilder bekommen und zusätzlich ein paar Werte aus Home Assistant anzeigen.
Als Hardware nutze ich ein Seeed Studio reTerminal E1004 mit 13,3-Zoll-6-Farb-ePaper und ESP32-S3.
Die daraus entstandene Architektur ist inzwischen ungefähr:
SMB-Fotoablage → eigener Docker-Container auf Unraid → Bildauswahl, Skalierung und Dithering → PNG per HTTP → ESPHome/E1004
Der ESP32 entscheidet selbst, wann ein neues Bild angefordert wird, lädt es per HTTP, dekodiert es und aktualisiert anschließend das ePaper. Home Assistant ist über die native ESPHome-API angebunden und liefert zusätzlich Werte aus meinem Energiedashboard.
Besonders spannend fand ich aber weniger den Bilderrahmen selbst als die Art, wie das Projekt entstanden ist.
Ich kann nicht wirklcih programmieren, habe vorher noch keinen Docker-Container selbst entwickelt und das war auch mein erstes richtiges ESPHome-Projekt. Trotzdem konnte ich meine Anforderungen Stück für Stück mit ChatGPT durchgehen, mir die Architektur erklären lassen und daraus jeweils komplette YAML- bzw. Container-Versionen erzeugen lassen.
Das fühlte sich für mich tatsächlich nach einer Veränderung beim DIY-Coding an: Man muss nicht mehr zwingend erst eine Programmiersprache beherrschen, bevor man eine Idee ausprobieren kann. Viel wichtiger wird, dass man seine Anforderungen sauber beschreiben, Ergebnisse beurteilen und die richtigen technischen Informationen als Kontext liefern kann.
Ganz ohne Grenzen ging das allerdings nicht. Gerade bei der Verarbeitung der großen Bilder auf dem ESP32 sind ChatGPT und ich ziemlich tief in eine falsche Richtung abgebogen. Das eigentliche Problem war am Ende wesentlich unspektakulärer – und stand praktisch schon in einer Beispielkonfiguration des Herstellers.
Das war für mich eines der interessantesten Learnings des Projekts: KI ersetzt gute Herstellerdokumentation nicht. Im Gegenteil – gut strukturierte Beispiel-YAMLs, Pinbelegungen und funktionierende Referenzkonfigurationen werden mit KI eigentlich noch wertvoller, weil sie nicht mehr nur dem Menschen etwas erklären, sondern gleichzeitig technischen Kontext für das Modell liefern.
Im Video habe ich den kompletten Entstehungsweg einmal zusammengefasst – inklusive Docker-Pipeline, Dithering, ESPHome, Home-Assistant-Anbindung und einigen Sackgassen beim KI-Coding.
Mich würde vor allem interessieren: Wie weit geht ihr inzwischen bei ESPHome-/ESP32-Projekten mit KI-Unterstützung? Nutzt ihr ChatGPT/Claude & Co. nur für einzelne Codefragmente oder lasst ihr euch inzwischen auch komplette Architekturen und Konfigurationen daraus entwickeln?