Lernpfad
AI Development lernen
Von „Was ist eine API?“ bis zur Produktionsarchitektur: fünf Level für alle, die mit KI bauen wollen — ohne Code, als Entwickler oder als technische Leitung. Die Artikel nutzen die Entwicklungs-Tools unseres Vergleichs und die Modelle unserer LLM-Datenbank als Beispiele, mit Grafiken, Tabellen und Code, wo er hilft.
25 Artikel in 5 Leveln · Zur Kategorie AI Development
Die fünf Level
- 0 Einstieg Ohne Vorwissen: was KI kann, die wichtigsten Begriffe und die ersten Schritte. 5 Artikel
- 1 Grundlagen Erste echte Aufgaben mit KI-Tools: einfache Techniken, die sofort funktionieren. 5 Artikel
- 2 Fortgeschritten Arbeitsabläufe statt einzelner Prompts: Tools kombinieren und die Qualität prüfen. 5 Artikel
- 3 Profi Automatisieren, integrieren, messen: KI als Teil Ihrer Systeme. 5 Artikel
- 4 Experte Strategie, Architektur und Bewertung auf dem Niveau von Fachleuten. 5 Artikel
Level 0 · Einstieg
Ohne Vorwissen: was KI kann, die wichtigsten Begriffe und die ersten Schritte.
Level 0 · Teil 1
Was ist KI-Entwicklung? KI nutzen oder mit KI bauen
KI-Entwicklung meint drei Dinge: mit KI Code schreiben, Apps auf einem Modell aufbauen und Modelle trainieren. Dazu die Rollen und Ihr Einstieg.
Level 0 · Teil 2
Wie eine KI-App funktioniert: Modell, Prompt, Daten, Oberfläche
Die sieben Teile einer KI-App einfach erklärt, von Oberfläche und Backend bis zu Modell, Daten, Leitplanken und Logs – und eine Support-Anfrage im Ablauf.
Level 0 · Teil 3
APIs, Tokens und Kontextfenster erklärt
Wie Apps mit Sprachmodellen sprechen: was APIs und API-Schlüssel sind, wie aus Text Tokens werden, was ins Kontextfenster passt und warum Sie pro Token zahlen.
Level 0 · Teil 4
No-Code, Low-Code oder Code: drei Wege, mit KI zu bauen
No-Code, Low-Code oder Code für KI-Apps im Vergleich: Tempo, Kontrolle, Änderungsaufwand, Skalierung und Lock-in, mit Beispielen und Signalen für den Wechsel.
Level 0 · Teil 5
Was KI-Coding-Assistenten tun – und wo sie scheitern
Autovervollständigung, Chat und Agenten: was KI-Coding-Assistenten gut können, welche Fehler sie typischerweise machen und warum Sie jede Änderung prüfen.
Level 1 · Grundlagen
Erste echte Aufgaben mit KI-Tools: einfache Techniken, die sofort funktionieren.
Level 1 · Teil 1
Ihr erster LLM-API-Aufruf, Schritt für Schritt
API-Schlüssel anlegen und sicher speichern, die erste Anfrage an ein Sprachmodell senden, die Antwort lesen und Fehler behandeln – mit Python-Code.
Level 1 · Teil 2
Prompt-Design für Entwickler: System-Prompts und Struktur
So schreiben Sie Prompts, die im Code zuverlässig funktionieren: Rollen, Trennzeichen, Beispiele, JSON-Ausgabe, Temperature und Versionierung.
Level 1 · Teil 3
Eine einfache KI-App ohne Code bauen
Einen FAQ-Assistenten auf einer No-Code-Plattform bauen, Schritt für Schritt: Steckbrief, saubere Wissensdateien, klare Anweisungen, Tests, Teilen und Pflege.
Level 1 · Teil 4
Ein Modell für Ihre App wählen: Qualität, Tempo, Kosten, Offenheit
So wählen Sie ein Sprachmodell für Ihre App: Qualität, Tempo, Kosten, Kontext und Offenheit abwägen, dann eine Shortlist mit eigenen Daten testen.
Level 1 · Teil 5
Eine kleine KI-Web-App veröffentlichen
Eine kleine KI-App sicher online bringen: statische Seite plus Serverless-Funktion, API-Schlüssel als Umgebungsvariable, Rate Limits, HTTPS, Logs, Kosten.
Level 2 · Fortgeschritten
Arbeitsabläufe statt einzelner Prompts: Tools kombinieren und die Qualität prüfen.
Level 2 · Teil 1
Embeddings und Vektordatenbanken erklärt
Wie Embeddings Text in Koordinaten der Bedeutung verwandeln, wie Ähnlichkeitssuche funktioniert und was eine Vektordatenbank beiträgt.
Level 2 · Teil 2
Retrieval-Augmented Generation (RAG) Schritt für Schritt
Wie RAG vom Einlesen bis zur belegten Antwort funktioniert: zerlegen, einbetten, abrufen, neu sortieren, antworten, prüfen — und wann Sie RAG nicht brauchen.
Level 2 · Teil 3
Strukturierte Ausgabe und Function Calling
Verlässliches JSON von einem Sprachmodell und sichere Funktionsaufrufe: Schemas, Validierung, Wiederholungen, Tool-Beschreibungen und nötige Prüfungen.
Level 2 · Teil 4
KI-Funktionen mit Evals testen
Warum Unit-Tests für KI-Funktionen nicht reichen: ein Eval-Set aufbauen, Metriken von Exact Match bis KI-Richter wählen, Rückschritte in der CI abfangen.
Level 2 · Teil 5
Ein KI-gestützter Coding-Workflow, der sicher bleibt
Planen, erzeugen, prüfen, testen, committen: ein Workflow für KI-gestütztes Programmieren mit kleinen Diffs, Tests zuerst, Secret- und Paketprüfung.
Level 3 · Profi
Automatisieren, integrieren, messen: KI als Teil Ihrer Systeme.
Level 3 · Teil 1
KI-Agenten bauen: Tools, Schleifen und Gedächtnis
Wie ein KI-Agent arbeitet: die Schleife aus Planen, Handeln und Beobachten, Tools, Gedächtnis, Stoppregeln, Freigaben und was die METR-Daten zeigen.
Level 3 · Teil 2
Webdaten für KI-Apps: Scraping, APIs und die Regeln
Wie KI-Apps Webdaten sauber beschaffen: zuerst offizielle APIs, dann höfliches Scraping, robots.txt, Nutzungsbedingungen, DSGVO, Proxys und Änderungskontrolle.
Level 3 · Teil 3
GPU-Infrastruktur für KI: wann sich das Mieten lohnt
Wann ein KI-Projekt eigene GPUs braucht, wie Sie den Speicher aus der Modellgröße schätzen und wann GPUs auf Abruf, reserviert, als Spot oder Serverless passen.
Level 3 · Teil 4
Fine-Tuning, RAG oder Prompting: so entscheiden Sie
Was Prompting, RAG und Fine-Tuning jeweils ändern, welche Daten und Pflege sie brauchen, wie Sie sie kombinieren — und eine Entscheidungstabelle mit Beispielen.
Level 3 · Teil 5
Observability für LLM-Apps: Logs, Traces, Kosten, Qualität
Was Sie bei jeder LLM-Anfrage protokollieren, wo der Datenschutz Grenzen setzt, wie Traces Abläufe zeigen, welche Alarme nötig sind und wie Sie Drift erkennen.
Level 4 · Experte
Strategie, Architektur und Bewertung auf dem Niveau von Fachleuten.
Level 4 · Teil 1
LLM-Architektur im Produktivbetrieb: Gateways, Caching, Fallbacks
Wie LLM-Apps im Betrieb schnell, sicher und verfügbar bleiben: Gateway, drei Arten von Caches, Fallbacks, Ratenlimits, Guardrails, Versionen und SLOs.
Level 4 · Teil 2
Modelle mit offenen Gewichten selbst betreiben
Wann sich eigene Open-Weight-LLMs lohnen: Lizenzen, Serving-Software, GPU-Speicher, Betrieb und der Abstand zu geschlossenen Modellen in unseren Daten.
Level 4 · Teil 3
Multi-Agenten-Systeme: Muster und Fallstricke
Wann mehrere KI-Agenten mehr leisten als einer: Orchestrator, Pipeline, Prüfer, gemeinsamer Speicher, Fehlerfortpflanzung, Kosten, Traces und Freigaben.
Level 4 · Teil 4
Coding-Benchmarks erklärt: SWE-bench, Aider, Terminal-Bench
Was SWE-bench Verified, Aider Polyglot und Terminal-Bench messen, wie sie bewerten, wo sie täuschen und wie Sie Modelle mit Ihrem eigenen Code testen.
Level 4 · Teil 5
Kosten und Latenz von LLMs im großen Maßstab optimieren
Kosten und Antwortzeit einer LLM-App senken, ohne Qualität zu verlieren: Token-Budgets, Caching, Batching, Modell-Routing, Streaming, Kosten je Erfolg.
Werkzeuge und Daten zum Lernpfad
13 Tools in AI Development Alle Tools vergleichen 343 Sprachmodelle in der LLM-Datenbank