Seit der Veröffentlichung von ChatGPT im November 2022 haben sich viele Wirtschafts- und Lebensbereiche nachhaltig verändert – nicht zuletzt die R-Programmierung. Für R gibt es eine Reihe neuer Pakete, die KI bequem nutzbar machen. Eine Übersicht.

Quelle: Stephen Turner, https://gettinggeneticsdone.blogspot.com/2025/06/r-production-ai.html
ellmer: In der R-Programmierung mit LLMs interagieren
ellmer unterstützt u. a. ChatGPT, Claude, AWS Bedrock, Azure OpenAI, DeepSeek, Gemini, Hugging Face, Mistral, Perplexity. Auch Streaming und der Aufruf von Tools durch die LLMS (tool calling) wird unterstützt.
- CRAN: https://cran.r-project.org/package=ellmer
- GitHub: https://github.com/tidyverse/ellmer/
- Dokumentation: https://ellmer.tidyverse.org/
- Blogartikel: https://posit.co/blog/announcing-ellmer/
Mit chat_ollama() kann man lokal installierte Modelle ansprechen.
Beispiel für den Start eines Chats:
library(ellmer) chat <- chat_openai( model = "gpt-4o-mini", system_prompt = "Du bist ein freundlicher, aber kurz angebundener Gehilfe.", )
Die Chat-Objekte bewahren den Kontext der Konversation, d. h. jede neue Anfrage baut auf vorherigen auf.
Es ist auch möglich, eine interaktive Chat-Konsole zu öffnen:
live_console(chat)
chores: regelmäßig wiederkehrende Aufgaben automatisieren
Das chores-Paket verbindet ellmer mit RStudio oder Positron und stellt Werkzeuge bereit, um repetitive Aufgaben zu automatisieren.
- CRAN: https://cran.r-project.org/package=chores
- GitHub: https://github.com/simonpcouch/chores/
- Dokumentation: https://simonpcouch.github.io/chores/
- Blogartikel: https://posit.co/blog/introducing-chores/

Beispiele für Einsatzgebiete von chores: Funktionen mit roxygen2 dokumentieren, Fehlerbehandlung von stop oder rlang auf das modernere cli umstellen.
Der ursprüngliche Name von chores war pal.
Hinter den Kulissen arbeitet chores auf Basis von Markdown-Dateien, die Anweisungen für bestimmte Aufgaben enthalten. So kann man auch eigene Gehilfen erstellen und anwenden.
gander: Die Arbeitsumgebung von R für LLMs nutzbar machen
gander fühlt sich an wie Github Copilot – mit dem Bonus, dass die KI die Objekte in der Arbeitsumgebung von R erkennt – etwa Variablen, Datensätze, Funktionen, wie auch Dateien im Arbeitsverzeichnis.
- CRAN: https://cran.r-project.org/package=gander
- GitHub: https://github.com/simonpcouch/gander/
- Dokumentation: https://simonpcouch.github.io/gander/
- Blogartikel: https://posit.co/blog/introducing-gander/
BTW: LLMs die R-Umgebung beschreiben
In eine ähnliche Richtung zielt das btw-Paket. Für interaktive Nutzung gedacht, sammelt es Informationen über die R-Umgebung, Paket-Dokumentation und Arbeitsverzeichnis und stellt sie in der Zwischenablage zur Verfügung, sodass man sie bequem in Chats einfügen kann.
- CRAN: (Bei Erstellung dieses Beitrags noch nicht auf CRAN)
- GitHub: https://github.com/posit-dev/btw/
- Dokumentation: https://posit-dev.github.io/btw/
- Blogartikel: https://posit.co/blog/custom-chat-app/
ragnar: RAG (Retrieval-Augmented Generation) in R
ragnar unterstützt RAG (Retrieval-Augmented Generation, „‚abrufgestützte Generierung“) von R aus. Gemeint ist eine Technik, bei der ein KI-Modell externe Datenquellen abruft, um relevantere und genauere Antworten zu generieren. Man kann Dateien oder ganze Webseiten in data frames einlesen, Dateien in Markdown umwandeln oder alle Links auf einer Webseite heraussuchen. ragnar hilft, Text in Abschnitte aufzuteilen, in Vektorspeicher einzubetten (Voreinstellung: duckdb), und Textabschnitte abzurufen, um ein LLM mit Kontext zu versorgen.
- CRAN: https://cloud.r-project.org/package=ragnar
- GitHub: https://github.com/tidyverse/ragnar/
- Dokumentation: https://ragnar.tidyverse.org/
Das Anwendungsbeispiel auf der github-Dokumentationsseite zeigt, wie man ein online veröffentlichtes Buch (in diesem Fall R for Data Science) verarbeiten und LLMs als Wissen zur Verfügung stellen kann.
vitals: LLM-Evaluierungen in R
- CRAN: (Bei Erstellung dieses Beitrags noch nicht auf CRAN)
- GitHub: https://github.com/tidyverse/vitals/
- Dokumentation: https://vitals.tidyverse.org/
vitals ist eine R-Übertragung des Python-Frameworks inspect und zielt auf ellmer-Anwender ab. Bisher ist es noch recht experimentell.
kuzco: Computer Vision (Maschinelles Sehen) mit R-Programmierung
- CRAN: (Bei Erstellung dieses Beitrags noch nicht auf CRAN)
- GitHub: https://github.com/frankiethull/kuzco
- Dokumentation: (Noch keine pkgdown-Website)
- Blogartikel: https://posit.co/blog/kuzco-computer-vision-with-llms-in-r/
kuzco unterstütz lokale LLMs bei der Klassifizierung von Bildern und der Rückgabe strukturierter Daten. Ziel ist, Ausgaben bei der Bildklassifikation zu standardisieren und LLMs als Alternativen zu keras und torch zu etablieren. Implementiert sind bereits Bildklassifikation, Bilderkennung, Sentiment-Analyse und Text-Extraktion.
mall: LLMs für NLP (Natural Language Processing)
Das mall-Paket enthält Hilfsfunktionen für Natural Language Processing: Sentiment-Analyse, Text-Klassifikation, Text-Extraktion, Verifizierung.
Fazit: Sehr dynamische Entwicklung in der R-Programmierung mit LLMs!
Die Entwicklung schreitet sehr dynamisch voran – es wird spannend sein zu beobachten, welche Schritte folgen!
Es lohnt sich jedenfalls, die kommende Posit-Konferenz im Auge zu behalten.
Dank an Stephen Turner für einen englischsprachigen Überblick, und an Posit für die schnell entwickelten Pakete!
Früherer Beitrag: R-Programmierung mit KI: GitHub Copilot in RStudio
Was sind Eure Erfahrungen?