Automatische Übersetzung Dieser Artikel wurde automatisch aus der englischen Originalversion übersetzt.
Praxisnahe Feldnotizen zu den Teilen von AI-Systemen, die den Production-Betrieb überstehen müssen: Agenten, Evaluation, Security, Memory, Retrieval, Model Engineering und Infrastruktur.
Wählen Sie unten einen Einstieg nach Problem: Agentensysteme, Evaluation oder Retrieval und Sprachsysteme. Für einen kürzeren Entscheidungsleitfaden nutzen Sie Kurzantworten.
Hier beginnen
Agentensysteme
Ein zusammenhängender Weg durch Reasoning, Memory, Tools, Sicherheit, Runtime und Harness Engineering.
Evaluation
Agentenverhalten und jede Stufe eines Retrieval-Augmented-Generation-Systems evaluieren.
Retrieval & Sprache
Ranking-Pipelines bauen, Dokument-AI-Systeme auswählen und Sprache zuverlässig strukturieren.
Flaggschiff-Serie
Durch alle sechs Teile wischen →
Entwicklungswerkzeuge · KI-Agenten
pydantic auf Zod, FastAPI auf Hono und Celery auf eine Postgres-Queue abbilden und anschließend einen Streaming-Agent-Service in einem pnpm-TypeScript-Monorepo entwickeln.
· 22 Min.
KI-Agenten Teil 6
Wie der Control Code rund um einen AI Agent Tools autorisiert, den Fortschritt bewahrt, den Abschluss verifiziert und jede zusätzliche Komponente durch Ablation rechtfertigt.
· 24 Min.
Modellentwicklung · KI-Infrastruktur
Ein praxisnaher Leitfaden zur Auswahl von Quantization-Pfaden für LLMs und Diffusion-Models anhand von Bottleneck, Hardware, Runtime-Kernel, Calibration Data und Deployment-Checks.
· 24 Min.
KI-Agenten
Warum produktive AI Agents Schema-Guided Memory mit zeitlicher Gültigkeit, Provenance und strukturiertem Conflict Handling benötigen – statt reiner Text-Recall über Vector Search.
· 15 Min.
KI-Agenten
Wie sich AI Agents in Production evaluieren lassen, indem Traces in versionierte Regression-Datasets, Trajectory-Metriken, kalibrierte Judges und CI-Gates überführt werden.
· 22 Min.
KI-Agenten Teil 5
Wie sich Long-Running AI Agents mit Sessions, Harnesses, Sandboxes, Checkpoints, Traces und Deployment-Mustern produktiv betreiben lassen und sich sauber wiederherstellen.
· 38 Min.
Retrieval- und Sprachsysteme
RAG-Evaluationsmetriken für Parsing, Retrieval, Reranking, Generation, Zitationen und Production-Telemetrie – mit Code und typischen Failure Modes.
· 37 Min.
KI-Agenten Teil 4
Warum LLM-Guardrails für die Sicherheit von AI Agents nicht ausreichen und wo Berechtigungen, Sandboxes, HITL, MCP-Scoping und Policy-Prüfungen ihren Platz haben.
· 34 Min.
Retrieval- und Sprachsysteme
NER bedeutet 2026, zwischen GLiNER, spaCy, Transformers und LLM-basierter Extraktion abzuwägen – hinsichtlich Latency, Accuracy und Schema-Kontrolle.
· 31 Min.
KI-Agenten Teil 3
Vergleiche JSON Tool Calling, MCP, Skills, CLI und Code Execution für AI Agents – einschließlich ACI-Designregeln und der Production-Trade-offs, die in der Praxis entscheidend sind.
· 20 Min.
Modellentwicklung · KI-Infrastruktur
Eine Referenz für Praktiker zu 45 LLM-Engineering-Konzepten für Production Systems – von Inference, Training und Architektur bis hin zu Deployment und Operations.
· 61 Min.
Retrieval- und Sprachsysteme
OCR im Jahr 2026 bedeutet, für Text, Layout, Tabellen und die Dokumentextraktion zwischen klassischen Pipelines und VLMs zu wählen.
· 12 Min.
KI-Infrastruktur
Benchmarks zum Vergleich von Polars, DataFusion, Daft, Ray Data, Pandas und Spark bei tabellarischen und multimodalen Workloads – mit Code und Entscheidungsregeln.
· 14 Min.
KI-Agenten Teil 2
So entwerfen Sie AI-Agent-Memory mit Checkpoints, PostgreSQL oder Redis, Vector Stores wie Qdrant und dateibasierter Memory für Long-Running Systems.
· 18 Min.
Retrieval- und Sprachsysteme
So baust du einen Search-Ranking-Stack mit BM25, dichten Embeddings, hybridem RRF, Cross-Encoder-Reranking und LLM-Listwise-Reranking auf Amazon ESCI.
· 24 Min.
KI-Agenten Teil 1
Vergleiche ReAct, ReWOO und Plan-and-Execute für AI Agents. LangGraph-Beispiele zeigen, wie jeder Loop Adaptivität gegen Kosten, Latency und Planungsstruktur abwägt.
· 12 Min.
Modellentwicklung
Ein technischer Überblick über DeepSeeks Manifold-Constrained Hyper-Connections (mHC), die Skalierung der Breite des Residual Streams, Sinkhorn-Routing und Trainingsstabilität.
· 9 Min.
KI-Agenten
Was öffentliche Submissions zur Enterprise RAG Challenge 3 über Prompt-Iteration, Validierung, Context-Strategie, Tool-Wrapper und Agent-Architektur zeigen.
· 9 Min.
Modellentwicklung
Wann LLMs per Fine-Tuning angepasst werden sollten, wann RAG oder Prompts zum Einsatz kommen und wie LoRA, QLoRA, DoRA, Unsloth, Axolotl, Datasets, Evals und Deployment zusammenspielen.
· 20 Min.
KI-Agenten · Modellentwicklung
Wie Schema-Guided Reasoning vLLM, XGrammar, Pydantic-Schemas und Constrained Decoding nutzt, um strukturell valide LLM-Ausgaben zu erzwingen.
· 11 Min.
Modellentwicklung · KI-Infrastruktur
LoRAX für Long-Tail-LoRA-Serving evaluieren und deployen – mit aktuellen APIs, gehärtetem Kubernetes-Chart, Adapter-Sicherheit, Cache-bewusstem Routing und Abwägungen gegenüber vLLM.
· 10 Min.
KI-Agenten
Wie Domain-Driven Design AI Agents dabei unterstützt, eine gemeinsame Sprache, Bounded Contexts, Services, Repositories und deterministische Geschäftsregeln zu verwenden.
· 8 Min.
KI-Agenten
Wie man Context Engineering für AI Agents entwickelt: Context Windows, Instruction Hierarchy, Retrieval, Memory, Tools, Guardrails, Provenance und Context Compression.
· 14 Min.
KI-Agenten · Entwicklungswerkzeuge
Einen eigenen MCP-Server mit uv und FastMCP entwickeln, ML-Feature-Store-Tools bereitstellen, lokal testen und den Server mit Claude Desktop verbinden.
· 8 Min.
Modellentwicklung
So lassen sich die Namen von Open-Weight-Modellen lesen, indem Training Role, Architektur, Quantization-Methode, Storage-Format, Runtime und Hardware-Fit getrennt betrachtet werden.
· 9 Min.
Entwicklungswerkzeuge
Vergleichen Sie lokale Tools zur Bildgenerierung auf macOS hinsichtlich Einrichtung, Model-Unterstützung, Workflow-Kontrolle, Reproduzierbarkeit, Erweiterungen und Wartungsstatus.
· 6 Min.
Modellentwicklung · Entwicklungswerkzeuge
Vergleichen Sie lokale LLM-Tools unter macOS anhand von Interface, Modelformat, verfügbarem Speicherspielraum, API-Bereitstellung und Apple-Silicon-Entwicklungsworkflow.
· 6 Min.
Entwicklungswerkzeuge
So funktioniert pyproject.toml für Build-Systeme, Projektmetadaten, Runtime-Dependencies, Development Groups, CLI Entry Points und Tool-Konfiguration.
· 5 Min.
Entwicklungswerkzeuge
Zsh-Startup-Dateien erklärt: wann ~/.zprofile und ~/.zshrc unter macOS und Linux geladen werden, was in welche Datei gehört und wie sich der Modus der laufenden Shell diagnostizieren lässt.
· 4 Min.
KI-Infrastruktur
Was sich durch Foundation Models in MLOps geändert hat: Release-Einheiten, Retrieval, Tools, Evaluation, Tracing, Serving und operative Risiken.
· 7 Min.
Modellentwicklung · KI-Infrastruktur
So skalieren Sie große Sprachmodelle über GPUs und Nodes hinweg mit Data, Fully Sharded, Tensor, Pipeline, Context und Expert Parallelism.
· 8 Min.
Entwicklungswerkzeuge
Eine Checkliste für das MacBook-Setup für AI Engineering: Xcode-Tools, Homebrew, Python mit uv, Docker, Terminal-Setup und VS Code.
· 6 Min.
Entwicklungswerkzeuge
Wie ich uv unter macOS für Python-Installationen, Projektabhängigkeiten, Lock-Dateien, Inline-Skripte und einmalige CLI-Tools verwende.
· 6 Min.
Hier ist noch nichts.
