KI Panorama

Suche

Thema: Programmierung

  • KI für Entwickler: vom Sprachmodell zum Agenten

    Der Lernpfad ordnet die wichtigsten Bausteine moderner KI-Anwendungen ein und führt von Sprachmodellen und Embeddings zu RAG, Werkzeugnutzung, MCP und Agenten.

    Für wen ist dieser Lernpfad?

    Für Entwickler und technisch Interessierte mit grundlegender Programmiererfahrung.

    Lernschritte

    1. Programmcode verstehen und prüfen
      KI als Assistenz für Erklärung, Review und Tests einsetzen.
    2. Große Sprachmodelle
      Modellverhalten, Kontext und probabilistische Ausgabe einordnen.
    3. Embeddings und Vektorsuche
      Semantische Repräsentationen und Ähnlichkeitssuche verstehen.
    4. Retrieval-Augmented Generation
      Modelle mit kontrolliert ausgewählten Wissensquellen verbinden.
    5. Tool Use und Function Calling
      Strukturierte Werkzeugaufrufe planen und validieren.
    6. Model Context Protocol
      Standardisierte Verbindungen zu Werkzeugen und Datenquellen einordnen.
    7. KI-Agenten
      Planung, Aktionen, Beobachtung und Kontrolle zusammensetzen.
    8. Prompt Injection
      Angriffe über fremde Inhalte und unzuverlässige Instruktionen abwehren.

    Was du danach kannst

    • zentrale Architekturbausteine moderner KI-Anwendungen erklären
    • RAG, Tool Use und Agenten voneinander abgrenzen
    • kritische Ein- und Ausgaben validieren
    • Sicherheitsgrenzen und menschliche Freigaben einplanen

    Hinweise zur Nutzung

    Für produktive Systeme sind zusätzlich anwendungsspezifische Tests, Protokollierung, Berechtigungen und Sicherheitsprüfungen erforderlich.

    Grundlagen für die Lernstruktur

  • Wiederkehrende Büroprozesse automatisieren

    Automatisierung sollte schrittweise erfolgen: erst lesen und vorschlagen, dann mit Freigabe handeln. Berechtigungen, Protokolle und Rückfallwege sind zentral.

    Geeignet für

    • E-Mail-Verarbeitung
    • Dokumentenablage
    • Berichtserstellung
    • Aufgabenverteilung

    Voraussetzungen

    Stabiler Prozess, definierte Eingaben und Ausgaben, minimale Berechtigungen sowie ein menschlicher Freigabepunkt.

    Vorgehensweise

    1. Prozess und Fehlerfolgen dokumentieren.
    2. Einen kleinen, reversiblen Teil auswählen.
    3. Zunächst nur Vorschläge erzeugen lassen.
    4. Prüfregeln, Protokollierung und Freigaben einbauen.
    5. Leistung überwachen und Berechtigungen regelmäßig prüfen.

    Beispiel

    Eingehende Berichte werden klassifiziert, einem Projekt zugeordnet und als Entwurf für eine Zusammenfassung vorbereitet.

    Qualitätskontrolle

    • Schreibende Aktionen nur mit klarer Freigabe zulassen.
    • Jede Aktion protokollieren.
    • Fehler- und Abbruchpfad testen.

    Grenzen und Risiken

    • Prompt Injection und fehlerhafte Klassifikation können Folgeaktionen auslösen.
    • Zu weitreichende Berechtigungen erhöhen den möglichen Schaden.

    Passende Tools und Modelle

    Workflow-Automation, Agentensysteme, RAG und Unternehmenssoftware mit Schnittstellen.

    Quellen und Leitlinien

  • Claude

    Claude ist der dialogbasierte KI-Dienst von Anthropic. Er wird für Schreiben, Analyse, Programmierung, umfangreiche Dokumente und – abhängig von Produkt und Tarif – Werkzeugnutzung sowie agentische Arbeitsabläufe eingesetzt.

    Funktionen

    • Texte analysieren, entwerfen, überarbeiten und strukturieren.
    • Dokumente und umfangreiche Kontexte bearbeiten.
    • Code erklären, erzeugen und in Entwicklungsumgebungen unterstützen.
    • Je nach Produktversion Werkzeuge, Computersteuerung und länger laufende Aufgaben nutzen.

    Stärken

    • Ausführliche Text- und Dokumentarbeit.
    • Starke Ausrichtung auf Analyse, Programmierung und professionelle Arbeitsabläufe.
    • API und Integrationen für eigene Anwendungen.

    Grenzen

    • Auch Claude kann halluzinieren und Quellen falsch einordnen.
    • Funktionsumfang und Modellzugang unterscheiden sich nach Tarif und Plattform.
    • Werkzeug- oder Computeraktionen benötigen Kontrolle und klare Berechtigungsgrenzen.

    Datenschutz und Nutzung

    Vor der Verarbeitung interner Dokumente sind die jeweils geltenden Datenbedingungen, Aufbewahrungseinstellungen und Unternehmensoptionen zu prüfen.

    Preismodell und Verfügbarkeit

    Claude ist als Web- und Mobilanwendung sowie über APIs und ausgewählte Cloud-Plattformen verfügbar. Tarife, Modelle und Limits ändern sich; maßgeblich sind die offiziellen Produktinformationen.

    Offizielle Quellen

  • GitHub Copilot

    GitHub Copilot ist ein KI-gestützter Entwicklungsdienst. Er unterstützt beim Verstehen, Schreiben, Ändern und Prüfen von Code und kann je nach Produktstufe Aufgaben agentisch in Entwicklungsumgebungen oder auf GitHub bearbeiten.

    Funktionen

    • Codevervollständigung und Vorschläge für nächste Änderungen.
    • Chat und Erklärungen im Kontext eines Projekts.
    • Agentenmodus für Änderungen über mehrere Dateien, Tests und Validierung.
    • Code-Review, CLI-Unterstützung und asynchrone Aufgaben auf GitHub – abhängig vom Tarif.

    Stärken

    • Direkte Einbindung in verbreitete Entwicklungswerkzeuge.
    • Nutzung des vorhandenen Projektkontexts.
    • Unterstützung vom Entwurf bis zu Tests und Review.

    Grenzen

    • Generierter Code kann Fehler, Sicherheitsprobleme oder ungeeignete Abhängigkeiten enthalten.
    • Ergebnisse müssen getestet und von Entwicklern geprüft werden.
    • Funktionen, Modellwahl und Kontingente hängen vom Tarif ab.

    Datenschutz und Nutzung

    Organisationen sollten Ausschlussregeln, Richtlinien, Datenkontrollen und Rechte für Repository-Zugriffe festlegen.

    Preismodell und Verfügbarkeit

    GitHub Copilot wird in mehreren Tarifen für Einzelpersonen und Organisationen angeboten. Der genaue Funktionsumfang ist der aktuellen Tarifübersicht zu entnehmen.

    Offizielle Quellen

  • GPT-Modellfamilie

    Die GPT-Modellfamilie umfasst generative Modelle von OpenAI für Text, visuelle Eingaben, Programmierung, Reasoning und Werkzeugnutzung. Der konkrete Modellkatalog wird laufend aktualisiert; für technische Entscheidungen ist deshalb die offizielle Modellübersicht maßgeblich.

    Modelltyp und Fähigkeiten

    • Transformer-basierte generative Modelle für Text und weitere Modalitäten.
    • Unterstützung für mehrsprachige Aufgaben, visuelle Eingaben, Code und strukturierte Ausgaben – modellabhängig.
    • Werkzeugaufrufe, agentische Abläufe und unterschiedliche Reasoning-Stufen in aktuellen Modelllinien.

    Technische Einordnung

    GPT-Modelle erzeugen Ausgaben tokenweise auf Grundlage gelernter Wahrscheinlichkeitsverteilungen. Moderne Varianten kombinieren Vortraining, Nachtraining, Sicherheitsverfahren, Werkzeugnutzung und zusätzliche Laufzeitberechnung für komplexe Aufgaben.

    Verfügbarkeit und Zugang

    Der Zugang erfolgt über ChatGPT sowie über OpenAIs API. Modellnamen, Kontextgrößen, Preise und Endpunkte verändern sich; produktive Systeme sollten auf die offizielle Modellliste und Migrationshinweise abgestimmt werden.

    Benchmarks und Grenzen

    Benchmarks zeigen nur Ausschnitte der Leistung. Modelle können halluzinieren, bei ungewöhnlichen Verteilungen versagen und in agentischen Abläufen falsche Aktionen planen. Evaluationen müssen den realen Einsatzzweck, Kosten, Latenz und Sicherheitsanforderungen abbilden.

    Offizielle Quellen

  • Claude-Modellfamilie

    Die Claude-Modellfamilie von Anthropic umfasst Modelle mit unterschiedlichen Profilen für komplexes Reasoning, schnelle Aufgaben, Programmierung und agentische Abläufe. Konkrete Modellvarianten und Grenzwerte werden in der offiziellen Dokumentation gepflegt.

    Modelltyp und Fähigkeiten

    • Große Sprachmodelle für Text, Bilder, Code und Dokumentanalyse.
    • Unterschiedliche Modellklassen für maximale Leistungsfähigkeit, ausgewogene Nutzung und schnelle kosteneffiziente Aufgaben.
    • Werkzeugnutzung, strukturierte Ausgaben und agentische Arbeitsabläufe.

    Technische Einordnung

    Claude-Modelle sind generative Transformer-Systeme. Anthropic kombiniert Vortraining und Nachtraining mit Verfahren zur Steuerbarkeit und Sicherheit. Die Produktfamilie wird regelmäßig durch neue Modellgenerationen ersetzt oder ergänzt.

    Verfügbarkeit und Zugang

    Claude ist über Anthrophics API, die Claude-Anwendungen und ausgewählte Cloud-Plattformen verfügbar. Für stabile Integrationen sind konkrete Modell-IDs und Abschaltfristen zu beachten.

    Benchmarks und Grenzen

    Leistungsangaben sind abhängig von Aufgaben, Prompt, Werkzeugen und Evaluationsmethode. Auch leistungsfähige Varianten können Quellen erfinden, fehlerhafte Schlüsse ziehen oder Werkzeugaktionen falsch ausführen.

    Offizielle Quellen

  • Llama-Modellfamilie

    Llama ist eine von Meta entwickelte Modellfamilie mit veröffentlichten Gewichten. Sie wird für lokale, cloudbasierte und angepasste Anwendungen eingesetzt und umfasst Sprach- sowie multimodale Varianten.

    Modelltyp und Fähigkeiten

    • Generative Sprachmodelle für Text, Code, Reasoning und Werkzeugnutzung.
    • Multimodale Varianten für Text- und Bildverarbeitung.
    • Unterschiedliche Größen für Server, einzelne Beschleuniger und ressourcenärmere Umgebungen.

    Technische Einordnung

    Llama-Modelle sind Transformer-basierte Foundation Models. Open Weight bedeutet, dass Modellgewichte unter den jeweiligen Lizenzbedingungen heruntergeladen werden können; es bedeutet nicht automatisch uneingeschränktes Open Source.

    Verfügbarkeit und Zugang

    Modelle werden über Meta, Partnerplattformen und Modell-Repositories bereitgestellt. Lizenz, Hardwarebedarf, Quantisierung und Sicherheitskonfiguration müssen für den jeweiligen Einsatz geprüft werden.

    Benchmarks und Grenzen

    Lokale Kontrolle ist ein Vorteil, verlagert aber Verantwortung für Betrieb, Schutzmaßnahmen und Updates auf den Betreiber. Kleinere oder stark quantisierte Varianten können deutlich an Genauigkeit verlieren.

    Offizielle Quellen

  • Mistral-Modellfamilie

    Die Mistral-Modellfamilie umfasst Open-Weight- und kommerzielle Modelle mit unterschiedlichen Größen und Spezialisierungen. Sie kann über APIs, Cloud-Dienste oder teilweise selbst betrieben werden.

    Modelltyp und Fähigkeiten

    • Sprachmodelle für Text, Reasoning, Code und Werkzeugnutzung.
    • Spezialisierte Modelle und Dienste für Dokumentverarbeitung, OCR und Embeddings.
    • Unterschiedliche offene und kommerzielle Bereitstellungsformen.

    Technische Einordnung

    Mistral entwickelt Transformer-basierte Modelle mit verschiedenen Leistungs-, Größen- und Lizenzprofilen. Der Modellkatalog wird fortlaufend aktualisiert und enthält allgemeine sowie spezialisierte Endpunkte.

    Verfügbarkeit und Zugang

    Zugang erfolgt über Mistrals API und Plattform, Cloud-Partner oder bei ausgewählten Open-Weight-Modellen durch eigenen Betrieb. Lizenz und Modellkarte sind pro Variante zu prüfen.

    Benchmarks und Grenzen

    Modellgröße allein bestimmt nicht die Eignung. Sprachabdeckung, Kontext, Werkzeugunterstützung, Hardwarebedarf und reale Evaluationen sind entscheidend. Auch selbst betriebene Modelle benötigen Schutzmaßnahmen gegen Datenabfluss und missbräuchliche Eingaben.

    Offizielle Quellen

  • Programmcode verstehen und prüfen

    Ein Sprachmodell kann Quellcode in natürlicher Sprache erklären und Änderungsvorschläge machen. Verlässlich ist das Ergebnis erst nach Ausführung, Tests, Versionsprüfung und fachlichem Review.

    Geeignet für

    • unbekannten Code erklären
    • Fehlerstellen eingrenzen
    • Tests und Dokumentation entwerfen
    • API-Nutzung anhand offizieller Dokumentation prüfen
    • kleine Prototypen vorbereiten

    Voraussetzungen

    Programmiersprache, Laufzeitversion, Bibliotheksversionen, erwartetes Verhalten und Fehlermeldung müssen genannt werden. Geheimnisse, Zugangsdaten und proprietärer Code gehören nur in freigegebene Systeme.

    Vorgehensweise

    1. Umgebung und exakte Versionen angeben.
    2. Erwartetes und tatsächliches Verhalten beschreiben.
    3. Zuerst Erklärung und Fehlerhypothesen anfordern.
    4. Nur eine Änderung nach der anderen durchführen.
    5. Tests vor und nach der Änderung ausführen.
    6. Sicherheits- und Lizenzfragen getrennt prüfen.

    Beispiel

    „Erkläre diesen Python-3.13-Code Zeile für Zeile. Ändere noch nichts. Nenne anschließend drei überprüfbare Ursachen für die Fehlermeldung und jeweils einen Test.“

    Qualitätskontrolle

    • Passt der Vorschlag zur genannten Version?
    • Laufen vorhandene und neue Tests?
    • Wurden Seiteneffekte und Fehlerbehandlung berücksichtigt?
    • Entstehen neue Sicherheitslücken oder Abhängigkeiten?

    Grenzen und Risiken

    • Modelle können nicht existierende APIs oder veraltete Parameter vorschlagen.
    • Funktionierender Code kann unsicher oder ineffizient sein.
    • Große Projekte benötigen Architekturverständnis, Tests und Code-Review.

    Passende Tools und Modelle

    Geeignet sind codefähige Sprachmodelle mit Zugriff auf das Repository, eine isolierte Ausführungsumgebung und aktuelle offizielle Dokumentation.

    Quellen