AI Development lernen — ABXK

Was ist KI-Entwicklung? KI nutzen oder mit KI bauen

Wed, 14 Oct 2026 00:00:00 +0000

Fragen Sie drei Menschen, was „KI-Entwicklung“ bedeutet, und Sie hören womöglich drei verschiedene Antworten. Eine Programmiererin denkt an einen Assistenten, der im Editor Code vorschlägt. Ein Produktmanager denkt an einen Chatbot, der Kundenfragen beantwortet. Eine Forscherin denkt daran, ein Modell mit riesigen Datenmengen zu trainieren. Alle drei haben recht — aber sie beschreiben unterschiedliche Arbeit, mit unterschiedlichen Fähigkeiten, Werkzeugen und Kosten.

Dies ist Teil 1 von Level 0 unseres Lernpfads AI Development. Sie brauchen keine Programmierkenntnisse. Sie lernen die drei Wege der KI-Entwicklung kennen, erfahren, welche Rollen daran arbeiten, und sehen, wie dieser Lernpfad aufgebaut ist. So können Sie entscheiden, wo Sie einsteigen.

Wie eine KI-App funktioniert: Modell, Prompt, Daten, Oberfläche

Wed, 14 Oct 2026 00:00:00 +0000

Sie stellen dem Support-Chat eines Onlineshops eine Frage und bekommen eine hilfreiche Antwort. Es wirkt, als spräche ein einziges kluges Programm mit Ihnen. Tatsächlich arbeiten sieben Teile zusammen, und nur einer davon ist das KI-Modell. Der Rest ist gewöhnliche Software, die entscheidet, was das Modell zu sehen bekommt und was mit seiner Antwort geschieht.

Dies ist Teil 2 von Level 0 unseres Lernpfads AI Development. Teil 1 hat einen Onlineshop beschrieben, der auf einem fertigen Modell einen Support-Assistenten aufbaut. Jetzt schauen Sie in eine solche App hinein: Sie lernen ihre sieben Teile kennen und verfolgen eine Kundenfrage durch alle Stationen. Programmierkenntnisse brauchen Sie dafür nicht.

APIs, Tokens und Kontextfenster erklärt

Wed, 14 Oct 2026 00:00:00 +0000

Die meisten KI-Apps betreiben gar kein Sprachmodell selbst. Sie schicken Text an ein Modell bei einem Anbieter und bekommen Text zurück. Drei Begriffe prägen diesen Austausch: die API, über die jede Anfrage läuft, die Tokens, in denen das Modell jedes Stück Text zählt, und das Kontextfenster, das begrenzt, wie viel Text in eine Anfrage passt. Zusammen entscheiden sie, was Ihre App kann, wie schnell sie antwortet und was sie kostet.

No-Code, Low-Code oder Code: drei Wege, mit KI zu bauen

Wed, 14 Oct 2026 00:00:00 +0000

Angenommen, Sie möchten einen Assistenten, der die Fragen Ihrer Kolleginnen und Kollegen zu Reisekosten beantwortet. Sie könnten ihn auf einer Plattform per Klick zusammenstellen, ohne eine einzige Zeile Code. Sie könnten dieselbe Art von Plattform nutzen und ein paar Zeilen Code ergänzen, wo sie an ihre Grenzen stößt. Oder Ihr Entwicklerteam schreibt ihn als ganz normale Software. Alle drei Wege können zu einem funktionierenden Assistenten führen. Sie unterscheiden sich darin, wie schnell Sie starten, wie viel Sie selbst entscheiden und wie schwer es später fällt, den Kurs zu ändern.

Was KI-Coding-Assistenten tun – und wo sie scheitern

Wed, 14 Oct 2026 00:00:00 +0000

Ein KI-Coding-Assistent kann in Sekunden eine lauffähige Funktion schreiben. Er erklärt verwirrende Fehlermeldungen, schlägt Tests vor und benennt eine Variable im ganzen Projekt um. Derselbe Assistent ruft womöglich aber auch eine Funktion auf, die es nicht gibt, wählt eine jahrealte Version einer Bibliothek oder lässt Angreifern eine Tür offen. Und all das in Code, der sauber und selbstsicher aussieht.

Dies ist Teil 5 von Level 0 unseres Lernpfads AI Development. Sie lernen die drei Hauptformen von Coding-Assistenten kennen, die Aufgaben, bei denen sie wirklich Zeit sparen, die Fehler, die sie typischerweise machen, und warum die Prüfung immer bei Ihnen bleibt. Programmieren müssen Sie dafür nicht: Ein kurzes Codebeispiel zeigt die typischen Fehler, und der Text erklärt sie in einfachen Worten.

Ihr erster LLM-API-Aufruf, Schritt für Schritt

Wed, 14 Oct 2026 00:00:00 +0000

Chat-Apps sind der einfachste Weg, ein großes Sprachmodell zu nutzen. Sobald KI aber in Ihrer eigenen Software arbeiten soll — in einem Support-Formular, einem Berichtsgenerator oder einem kleinen internen Tool —, muss Ihr Programm direkt mit dem Modell sprechen: über seine API (Application Programming Interface, eine Programmierschnittstelle). Ihr Code schickt eine Anfrage, und die Antwort kommt als Daten zurück, mit denen Ihr Programm weiterarbeiten kann.

Dies ist Teil 1 von Level 1 unseres Lernpfads AI Development. Sie legen einen API-Schlüssel an, speichern ihn sicher, senden eine erste Anfrage mit Python, lesen die Antwort und behandeln Fehler. Wenn Tokens und Kontextfenster für Sie neu sind, lesen Sie zuerst APIs, Tokens und Kontextfenster erklärt aus Level 0.

Prompt-Design für Entwickler: System-Prompts und Struktur

Wed, 14 Oct 2026 00:00:00 +0000

Im Chat mit einem KI-Assistenten kostet Sie ein unklarer Prompt eine zusätzliche Nachfrage. In einer App läuft derselbe Prompt hunderte oder tausende Male, mit Eingaben, die Sie vorher nie sehen. Eine kleine Schwäche wird dann zu einem stetigen Strom falscher Antworten. Beim Prompt-Design für Entwickler geht es darum, Prompts zuverlässig, testbar und sicher änderbar zu machen.

Dies ist Teil 2 von Level 1 unseres Lernpfads AI Development; er baut auf Ihrem ersten LLM-API-Aufruf auf. Sie lernen, Anweisungen auf die Rollen der Nachrichten zu verteilen, einen System-Prompt zu gliedern, Anweisungen und Daten zu trennen, Beispiele und JSON-Ausgaben zu nutzen, die Temperature zu wählen und Versionen Ihrer Prompts zu pflegen.

Eine einfache KI-App ohne Code bauen

Wed, 14 Oct 2026 00:00:00 +0000

Für eine nützliche KI-App müssen Sie keinen Code schreiben. Auf einer No-Code-Plattform setzen Sie die App in einem visuellen Editor zusammen: Sie schreiben Anweisungen, laden eigene Dokumente hoch und wählen ein Modell aus einer Liste. Die Plattform betreibt die App und stellt Ihnen ein Chatfenster zum Teilen bereit. An einem Nachmittag kann so ein Assistent entstehen, der Fragen aus Ihren eigenen Dateien beantwortet.

Dies ist Teil 3 von Level 1 unseres Lernpfads AI Development. Die Teile 1 und 2 haben gezeigt, wie Sie ein Modell aus Code aufrufen und Prompts schreiben, die in einer App funktionieren. Jetzt bauen Sie eine App ohne Code, vom Anfang bis zum Ende: einen FAQ-Assistenten für einen kleinen Coworking-Space. Wenn Sie nicht sicher sind, ob No-Code zu Ihrer Idee passt, lesen Sie zuerst No-Code, Low-Code oder Code aus Level 0.

Ein Modell für Ihre App wählen: Qualität, Tempo, Kosten, Offenheit

Wed, 14 Oct 2026 00:00:00 +0000

Bei Ihrem ersten API-Aufruf stand in der Anfrage ein Platzhalter als Modell. In einer echten App gehört genau dieses Feld zu Ihren wichtigsten Entscheidungen. Es bestimmt die Qualität der Antworten, wie lange Nutzer warten und was jede Anfrage kostet. Die Auswahl ist groß: Allein unsere LLM-Datenbank führt 343 Modelle.

Dies ist Teil 4 von Level 1 unseres Lernpfads AI Development. Sie erfahren, welche Kriterien zählen und wie sie gegeneinander wirken. Außerdem sehen Sie, was offene und geschlossene Gewichte für Ihre App bedeuten und wie Sie eine Shortlist mit Ihren eigenen Daten testen. Hilfreich sind die Grundlagen zu Tokens und Kontextfenstern aus Level 0.

Eine kleine KI-Web-App veröffentlichen

Wed, 14 Oct 2026 00:00:00 +0000

Ihr Skript aus Teil 1 läuft auf Ihrem Laptop. Damit andere es nutzen können, muss es im Internet laufen — ohne dass Ihr API-Schlüssel offenliegt, ohne Einladung zum Missbrauch und ohne böse Überraschung auf der Rechnung. Software so auf einen Server zu bringen, dass Menschen sie erreichen, nennt man Deployment.

Dies ist Teil 5 und damit der letzte Teil von Level 1 unseres Lernpfads AI Development. Sie richten die einfachste solide Architektur für eine kleine KI-Web-App ein: eine statische Seite und eine Serverless-Funktion. Sie erfahren, wo der API-Schlüssel liegt, wie Sie Anfragen und Kosten begrenzen, wie Sie Ihre eigene Domain mit HTTPS nutzen und was Sie nach dem Start beobachten. Die Anleitung baut auf Ihrem ersten LLM-API-Aufruf auf und auf den Teilen einer KI-App aus Level 0.

Embeddings und Vektordatenbanken erklärt

Wed, 14 Oct 2026 00:00:00 +0000

Eine Kundin tippt „Bekomme ich mein Geld zurück?“ in Ihr Hilfe-Center. Die Antwort steht in einem Artikel namens „Rückerstattung“, doch die Stichwortsuche findet nichts — die beiden Texte haben kein Wort gemeinsam. Embeddings lösen dieses Problem. Sie verwandeln Text in Zahlen, die seine Bedeutung erfassen. So findet Software Texte, die dasselbe meinen, auch wenn die Wörter verschieden sind.

Dies ist Teil 1 von Level 2 (Fortgeschritten) in unserem Lernpfad AI Development. Sie lernen, was ein Embedding ist, wie Ähnlichkeitssuche funktioniert, was eine Vektordatenbank beiträgt und welche Einstellungen in der Praxis zählen. Teil 2 baut daraus eine RAG-Pipeline Schritt für Schritt.

Retrieval-Augmented Generation (RAG) Schritt für Schritt

Wed, 14 Oct 2026 00:00:00 +0000

Ein Sprachmodell weiß nur, was in seinen Trainingsdaten stand. Ihre Preisliste, Ihr internes Wiki oder die Richtlinie, die sich letzte Woche geändert hat, kennt es nicht. Retrieval-Augmented Generation (RAG, abrufgestützte Textgenerierung) schließt diese Lücke. Bevor das Modell antwortet, sucht Ihre Anwendung die passendsten Passagen in Ihren eigenen Dokumenten und fügt sie dem Prompt hinzu. Das Modell antwortet dann auf Grundlage dieser Passagen und nennt seine Quellen.

Dies ist Teil 2 von Level 2. Er baut auf Embeddings und Vektordatenbanken aus Teil 1 auf. Sie gehen die ganze Pipeline Schritt für Schritt durch und erfahren, wo sie typischerweise bricht, wie Sie sie testen — und wann Sie RAG gar nicht brauchen.

Strukturierte Ausgabe und Function Calling

Wed, 14 Oct 2026 00:00:00 +0000

Eine Chat-Antwort ist für Menschen geschrieben. Ihr Code braucht etwas anderes: Felder, die er lesen kann, Werte, die er prüfen kann, und Aktionen, die er ausführen kann. Strukturierte Ausgabe (Structured Output) und Function Calling sind die beiden Techniken, die aus einem Textgenerator einen verlässlichen Teil Ihrer Software machen.

Dies ist Teil 3 von Level 2. Sie lernen, wie Sie mit einem Schema gültiges JSON bekommen, wie Sie prüfen und wiederholen, wie der Ablauf beim Function Calling funktioniert, wie Sie Tool-Beschreibungen schreiben, die ein Modell versteht, und welche Sicherheitsprüfungen um jeden Aufruf gehören. Der Teil baut auf Prompt-Design für Entwickler aus Level 1 auf.

KI-Funktionen mit Evals testen

Wed, 14 Oct 2026 00:00:00 +0000

Ihr Ticket-Klassifikator aus Teil 3 liefert jedes Mal gültiges JSON. Aber wählt er für jede Art von Ticket die richtige Kategorie? Evals, kurz für Evaluationen, beantworten diese Frage. Ein Eval lässt Ihre KI-Funktion einen festen Satz von Testfällen bearbeiten und misst, wie oft das Ergebnis gut genug ist.

Dies ist Teil 4 von Level 2 in unserem Lernpfad AI Development. Sie lernen, wie sich Evals von Unit-Tests unterscheiden, wie Sie ein Eval-Set aufbauen, welche Metrik zu welcher Antwort passt und wie Evals automatisch laufen. Der Teil macht aus dem kleinen Testset aus Prompt-Design für Entwickler eine echte Qualitätsprüfung.

Ein KI-gestützter Coding-Workflow, der sicher bleibt

Wed, 14 Oct 2026 00:00:00 +0000

Ein KI-Coding-Assistent schreibt eine Funktion in wenigen Minuten. Das Tempo ist nicht das Problem. Das Problem ist Code, den niemand wirklich geprüft hat: ein API-Schlüssel in einer Konfigurationsdatei, ein Paket, das es nicht gibt, ein Test, den der Agent stillschweigend geändert hat, damit er besteht. Ein guter Workflow behält das Tempo und ergänzt Gates: Prüfstellen, die jede Änderung passieren muss, bevor sie weiterkommt.

Dies ist Teil 5 von Level 2 in unserem Lernpfad AI Development. Er macht aus den Gewohnheiten aus Was KI-Coding-Assistenten tun einen wiederholbaren Ablauf: planen, erzeugen, prüfen, testen, committen. Sie lernen, wie Sie einen Assistenten einweisen, warum kleine Diffs und Tests zuerst wichtig sind, welche automatischen Prüfungen Secrets und riskante Pakete finden und wie Sie KI-geschriebenen Code mit einer Checkliste prüfen.

KI-Agenten bauen: Tools, Schleifen und Gedächtnis

Wed, 14 Oct 2026 00:00:00 +0000

Ein Chatbot beantwortet eine Frage. Ein KI-Agent verfolgt ein Ziel. Er entscheidet über den nächsten Schritt, nutzt Werkzeuge wie eine Suche oder eine Datenbank und liest das Ergebnis. Dann macht er weiter, bis die Aufgabe erledigt ist — oder bis eine Regel ihn stoppt. Dieser kleine Unterschied verändert, wie Sie das System bauen, testen und kontrollieren.

Dies ist Teil 1 von Level 3 (Profi) im Lernpfad AI Development. Sie bauen die Agenten-Schleife Schritt für Schritt auf, wählen Tools und Gedächtnis, legen Stoppregeln und Freigaben fest und sehen, wie weit heutige Modelle bei langen Aufgaben kommen. Der Teil baut auf strukturierter Ausgabe und Function Calling aus Level 2 auf.

Webdaten für KI-Apps: Scraping, APIs und die Regeln

Wed, 14 Oct 2026 00:00:00 +0000

Viele KI-Apps brauchen aktuelle Daten aus dem Web: Produktpreise, Stellenanzeigen, öffentliche Ausschreibungen, Dokumentationen, Nachrichten. Ein Modell allein liefert sie nicht, denn sein Wissen endet mit dem Trainingsstichtag. Ihre App muss die Daten also selbst beschaffen — und wie sie das tut, entscheidet darüber, wie verlässlich, rechtssicher und wartbar das Ergebnis ist.

Dies ist Teil 2 von Level 3 (Profi). Sie lernen die Reihenfolge der Möglichkeiten (offizielle API, lizenzierte Daten, Scraping), wie ein Scraper arbeitet und welche Regeln gelten: robots.txt, Nutzungsbedingungen, Urheberrecht und DSGVO. Außerdem sehen Sie, wie Sie höflich crawlen, wann Proxys legitim sind und wie Sie bemerken, dass sich eine Quelle ändert. Das ist eine praktische Anleitung, keine Rechtsberatung; ziehen Sie bei echten Projekten Ihre Rechtsabteilung hinzu.

GPU-Infrastruktur für KI: wann sich das Mieten lohnt

Wed, 14 Oct 2026 00:00:00 +0000

Die meisten KI-Apps kommen nie mit einer GPU in Berührung. Sie rufen ein Modell über eine API auf, und der Anbieter betreibt die Hardware. Das ändert sich, wenn Sie ein Modell per Fine-Tuning anpassen, ein Modell mit offenen Gewichten selbst betreiben oder Millionen Dokumente in einem Durchlauf verarbeiten. Dann mieten Sie Rechenleistung — und die Rechnung hängt von Entscheidungen ab, die Sie treffen, bevor der erste Job startet.

Dies ist Teil 3 von Level 3 (Profi). Sie lernen, wann Sie wirklich GPUs brauchen, wie Sie den GPU-Speicher aus der Modellgröße abschätzen, welche Mietform zu welcher Last passt und wie Sie die Auslastung hoch und die Kosten im Griff halten. Wir erklären die Kostenlogik, keine Preise.

Fine-Tuning, RAG oder Prompting: so entscheiden Sie

Wed, 14 Oct 2026 00:00:00 +0000

Ihre KI-Funktion gibt falsche Antworten, ignoriert Ihr Format oder klingt überhaupt nicht nach Ihrem Unternehmen. Dafür gibt es drei Lösungswege. Sie können bessere Anweisungen schreiben (Prompting). Sie können dem Modell bei jeder Anfrage die passenden Dokumente mitgeben (Retrieval-Augmented Generation, RAG). Oder Sie trainieren das Modell mit eigenen Beispielen weiter (Fine-Tuning). Fine-Tuning klingt oft nach der gründlichen Lösung. In der Praxis macht es beim Aufbau und bei jeder Änderung die meiste Arbeit — und oft löst es das falsche Problem.

Observability für LLM-Apps: Logs, Traces, Kosten, Qualität

Wed, 14 Oct 2026 00:00:00 +0000

Ihre LLM-Funktion ist live. Nutzer stellen Fragen, das Modell antwortet, und die Rechnung wächst. Aber funktioniert die Funktion auch? Klassisches Monitoring sagt Ihnen, dass der Server in weniger als einer Sekunde mit Status 200 geantwortet hat. Es sagt Ihnen nicht, dass die Antwort falsch war, dass eine Prompt-Änderung die Tokens pro Anfrage verdoppelt hat oder dass ein Suchschritt eine ganze Woche lang nichts gefunden hat. Observability (Beobachtbarkeit) heißt: Sie können solche Fragen aus den Daten beantworten, die Ihre App aufzeichnet — ohne zu raten.

LLM-Architektur im Produktivbetrieb: Gateways, Caching, Fallbacks

Wed, 14 Oct 2026 00:00:00 +0000

Ein Prototyp ruft ein Modell mit einem API-Schlüssel auf, und es funktioniert. Ein Produktivsystem bedient Tausende Nutzer, hängt von Anbietern ab, die manchmal langsamer werden oder ausfallen, und muss im Budget bleiben. Den Unterschied macht nicht ein besserer Prompt, sondern die Architektur um das Modell herum: ein kontrollierter Zugang, Caches, Fallbacks, Guardrails und Ziele, die Sie messen können.

Dies ist Teil 1 von Level 4 (Experte) im Lernpfad AI Development. Sie sehen eine Referenzarchitektur, erfahren, was jede Komponente leistet und was sie kostet, und erhalten am Ende eine Checkliste für den Go-live. Der Teil baut auf Observability für LLM-Apps aus Level 3 auf: Betreiben können Sie nur, was Sie sehen.

Modelle mit offenen Gewichten selbst betreiben

Wed, 14 Oct 2026 00:00:00 +0000

Über eine API mieten Sie die Antworten eines Modells. Im Eigenbetrieb läuft das Modell auf Hardware, die Sie kontrollieren. Möglich machen das Modelle mit offenen Gewichten (Open-Weight-Modelle): Ihre trainierten Parameter — die Gewichte — sind veröffentlicht, jeder kann sie herunterladen und ausführen. Mit den Gewichten übernehmen Sie aber auch alle Aufgaben, die sonst der API-Anbieter erledigt: GPUs, Skalierung, Updates, Sicherheit und Inhaltsfilter.

Dies ist Teil 2 von Level 4 (Experte) im Lernpfad AI Development. Sie erfahren, wann sich der Eigenbetrieb lohnt, wie Sie Lizenzen offener Modelle lesen, welche Software aus Gewichten einen Endpunkt macht, wie Sie den GPU-Speicher planen und wie weit offene Modelle in unseren Daten hinter geschlossenen liegen. Der Teil setzt GPU-Infrastruktur für KI aus Level 3 fort.

Multi-Agenten-Systeme: Muster und Fallstricke

Wed, 14 Oct 2026 00:00:00 +0000

Ein Agent mit guten Tools kann viel leisten. Manche Aufgaben sind aber zu breit für ein Kontextfenster, oder sie brauchen unterschiedliche Fähigkeiten und Rechte. Dann teilen Teams die Arbeit auf: Ein Agent plant, mehrere recherchieren parallel, ein weiterer prüft das Ergebnis. Gut gemacht, steigt die Qualität. Schlecht gemacht, vervielfachen sich Kosten, Fehler und Verwirrung.

Dies ist Teil 3 von Level 4 (Experte) im Lernpfad AI Development. Sie lernen vier bewährte Muster kennen, erfahren, wann mehrere Agenten helfen und wann sie schaden, wie sich Fehler und Kosten aufschaukeln, wie Sie einen Multi-Agenten-Lauf nachverfolgen und wo Menschen prüfen müssen. Der Teil baut auf KI-Agenten mit Tools, Schleifen und Gedächtnis aus Level 3 auf.

Coding-Benchmarks erklärt: SWE-bench, Aider, Terminal-Bench

Wed, 14 Oct 2026 00:00:00 +0000

Ein neues Modell erscheint, und die Ankündigung zeigt einen Coding-Wert ein paar Punkte über der Konkurrenz. Sollte Ihr Team wechseln? Die Zahl allein beantwortet das nicht. Sie müssen wissen, welche Aufgaben dahinterstehen, wie das Ergebnis zustande kam und wie stark es zufällig schwanken kann.

Dies ist Teil 4 von Level 4 (Experte) im Lernpfad AI Development. Sie erfahren, was SWE-bench Verified, Aider Polyglot und Terminal-Bench messen, wie ihre Aufgaben bewertet werden, wo die Zahlen täuschen und wie Sie aus Ihrem eigenen Repository einen kleinen Benchmark bauen. Den ersten dieser Benchmarks hat Level 0 in Was KI-Coding-Assistenten tun vorgestellt; die Methoden hier bauen auf KI-Funktionen mit Evals testen aus Level 2 auf.

Kosten und Latenz von LLMs im großen Maßstab optimieren

Wed, 14 Oct 2026 00:00:00 +0000

Im Prototyp schaut niemand auf die Rechnung oder die Uhr. Im großen Maßstab entscheiden beide darüber, ob eine Funktion bleibt: Kleine Kosten je Anfrage werden zu einem großen Monatsposten, und eine langsame Antwort lässt jede Nutzerin warten. Die meisten LLM-Apps verschwenden Tokens und Zeit an denselben wenigen Stellen — deshalb helfen fast überall dieselben wenigen Hebel.

Dies ist Teil 5 von Level 4 (Experte), der letzte Teil unseres Lernpfads AI Development. Sie erfahren, woher Kosten und Latenz kommen, wie Sie die Kosten je erfolgreicher Aufgabe messen, welche Hebel Tokens und Wartezeit sparen und wie eine Routing-Kaskade einfache Anfragen an kleine Modelle schickt. Unser Artikel darüber, wie wir KI-Entwicklungskosten senken, behandelt die Phase des Bauens; dieser Teil behandelt die laufenden Kosten jeder Anfrage.