Der CS-Abschluss ist heute optional.
Die Fähigkeiten sind es nicht.
Dieser Satz wird viele Leute verärgern, und die meisten davon werden Menschen sein, die vier Jahre und viel Geld in ein Zertifikat investiert haben, das der Markt leise neu bewertet. Ich verstehe den Ärger. Er ändert nichts an der Realität. Im Jahr 2026 schauen Unternehmen, die für KI-Ingenieurrollen einstellen, darauf, was du bauen kannst, nicht darauf, wo du in Vorlesungen gesessen hast.
Ich sage nicht, dass ein CS-Abschluss wertlos ist. Wenn du einen hast, hilft er. Was ich sage, ist, dass der Abschluss aufgehört hat, das Tor zu sein. Das Tor ist jetzt der Beweis. Kannst du etwas bauen, das funktioniert, erklären, warum es funktioniert, und es dort veröffentlichen, wo jemand es tatsächlich sehen kann. Das ist der gesamte Test.
Dies ist der vollständige Weg, um diesen Test ohne Abschluss zu bestehen. Keine motivierenden Floskeln, kein "glaub einfach an dich selbst". Ein echter Stack, in der richtigen Reihenfolge, mit den genauen Projekten, die dir einen Job verschaffen, und der genauen Methode, jedes Teil mit den Tools zu lernen, die bereits auf deinem Laptop liegen.
Warum der alte Weg kaputt ist
Der traditionelle Weg sagte dir, mach den Abschluss, bewirb dich durch die Vordertür und warte auf die Erlaubnis. Dieser Weg ging davon aus, dass das Zertifikat das Knappe war. Das ist es nicht mehr.
Folgendes ist tatsächlich passiert. KI-Tools haben die Distanz zwischen dem Verstehen eines Konzepts und dem Bauen damit zusammengebrochen. Vor zehn Jahren erforderte die Umsetzung einer Idee in funktionierende Software Jahre angesammelten Syntaxwissens. Jetzt ist die Syntax der billige Teil. Der knappe Teil ist zu wissen, WAS man baut, WIE man es strukturiert und WARUM ein Ansatz besser ist als ein anderer. Das sind Urteilsfähigkeiten, und Urteilsvermögen kommt nicht von einem Diplom. Es kommt vom Bauen von Dingen, ihrem Zerbrechen und ihrem erneuten Bauen.
Die Leute, die gerade eingestellt werden, sind also nicht diejenigen mit dem beeindruckendsten Zeugnis. Sie sind diejenigen mit einer öffentlichen Spur von Dingen, die sie gebaut haben. Ein GitHub voller echter Projekte. Eine Demo, auf die jemand klicken kann. Ein Thread, der erklärt, wie sie ein schwieriges Problem gelöst haben. Diese Spur ist mehr wert als ein Abschluss, weil sie genau das beweist, was ein Arbeitgeber tatsächlich wissen muss, nämlich ob du die Arbeit erledigen kannst.
Der Fehler, den die meisten machen, ist, Monate damit zu verbringen, sich darauf vorzubereiten, bereit zu sein, anstatt die Spur zu bauen. Sie machen einen weiteren Kurs, sehen sich ein weiteres Tutorial an, warten, bis sie sich qualifiziert fühlen. Dieses Gefühl kommt nie. Du wirst kein KI-Ingenieur, indem du einen Lehrplan abschließt. Du wirst einer, indem du KI-Systeme baust, anfangs schlecht, dann weniger schlecht, bis die Dinge, die du baust, tatsächlich funktionieren.
Was ein KI-Ingenieur im Jahr 2026 tatsächlich ist
Bevor wir zum Stack kommen, definieren wir den Begriff richtig, denn die meisten zielen auf das falsche Ziel ab.
Ein KI-Ingenieur ist kein Forscher für maschinelles Lernen. Du trainierst keine Foundation-Modelle von Grund auf oder veröffentlichst Arbeiten über neue Architekturen. Das ist ein anderer Job, der tiefe Mathematik und normalerweise einen fortgeschrittenen Abschluss erfordert.
Ein KI-Ingenieur BAUT mit bereits existierenden Modellen. Du nimmst Claude, GPT oder offene Modelle und verdrahtest sie zu Systemen, die nützliche Arbeit leisten. Du verbindest sie mit Daten. Du gibst ihnen Werkzeuge. Du baust das Retrieval, den Speicher, die Agenten-Loops und die Schutzvorrichtungen, die ein rohes Modell in ein Produkt verwandeln. Du bist ein Systementwickler, dessen leistungsstärkste Komponente zufällig ein Sprachmodell ist.
Diese Unterscheidung ist wichtig, weil sie dir sagt, was du tatsächlich lernen musst. Du musst Backpropagation nicht verstehen, um in diesem Job hervorragend zu sein. Du musst verstehen, wie man einem Modell den richtigen Kontext füttert, wie man eine mehrstufige Aufgabe strukturiert, damit sie nicht auseinanderfällt, wie man die Ausgabe überprüft und wie man das Ganze bereitstellt, damit es zuverlässig läuft. Das sind Ingenieursfähigkeiten, und jede einzelne davon ist ohne Abschluss erlernbar.
Der Stack, in der richtigen Reihenfolge
Lerne diese in der angegebenen Reihenfolge. Jedes baut auf dem vorherigen auf. Vorauszuspringen ist der häufigste Grund, warum Leute stecken bleiben, weil sie versuchen, Agenten zu bauen, bevor sie mit Daten umgehen können, und sich dann wundern, warum nichts funktioniert.
1. Python. Funktionen, Klassen, Async. Du musst kein Python-Zauberer sein. Du musst fließend genug sein, um Code zu lesen, Skripte zu schreiben und zu verstehen, was ein KI-Coding-Assistent für dich produziert. Async ist wichtig, weil die meiste KI-Arbeit das Warten auf API-Aufrufe beinhaltet und blockierender Code alles, was du baust, zum Engpass macht.
2. SQL und Datenverarbeitung. Fast jede echte KI-Anwendung berührt Daten. Du musst sie abrufen, bereinigen und formen. SQL ist die universelle Sprache dafür und hat sich seit Jahrzehnten kaum verändert, was bedeutet, dass es eine sichere, dauerhafte Fähigkeit ist, die man besitzen sollte.
3. Git, Kommandozeile und Linux-Grundlagen. Dies ist die Umgebung, in der jedes ernsthafte Tool lebt. Claude Code läuft im Terminal. Die Bereitstellung erfolgt auf Linux-Servern. Versionskontrolle ist, wie du vermeidest, Arbeit zu verlieren, und wie du zusammenarbeitest. Niemand stellt einen KI-Ingenieur ein, der kein Terminal benutzen kann.
4. REST-APIs und LLM-API-Integration. Hier beginnt KI-Engineering tatsächlich. Du lernst, wie man ein Modell programmatisch aufruft, seine Antworten verarbeitet, Ratenlimits verwaltet und Fehler behandelt. Jedes KI-Produkt ist im Grunde eine Reihe von gut strukturierten API-Aufrufen.
5. Embeddings und Vektorsuche. So verstehen Maschinen Bedeutung, anstatt nur Schlüsselwörter abzugleichen. Du konvertierst Text in Vektoren, speicherst sie und suchst nach Ähnlichkeit. Dies ist die Grundlage jedes Retrieval-Systems und das Konzept, das die meisten Anfänger überspringen und später bereuen, es übersprungen zu haben.
6. RAG, Ende-zu-Ende aufgebaut. Retrieval Augmented Generation. Du gibst einem Modell Zugriff auf deine eigenen Dokumente, damit es aus echten Informationen antwortet, anstatt zu raten. Dies ist die mit Abstand gefragteste Fähigkeit in der angewandten KI derzeit, weil fast jedes Unternehmen ein System haben möchte, das Fragen zu seinen eigenen Daten beantworten kann.
7. Agenten-Frameworks und Tool-Nutzung. Du bewegst dich von einem Modell, das antwortet, zu einem Modell, das handelt. Es ruft Tools auf, führt mehrstufige Aufgaben aus und erledigt echte Arbeit. Dies ist die Grenze, und Kompetenz hier trennt dich von der Masse, die immer noch einzelne Prompts schreibt.
8. Bereitstellung und grundlegendes MLOps. Ein Projekt, das nur auf deinem Laptop läuft, ist ein Hobby. Du musst wissen, wie du es irgendwo echt, überwacht und zuverlässig zum Laufen bringst. Das ist der Unterschied zwischen "Ich habe eine Demo gebaut" und "Ich habe ein Produkt ausgeliefert."
9. KI-Entwicklungstools. Claude Code, Cursor und die agentischen Werkzeuge, die dich dramatisch schneller machen. Diese zu meistern ist kein Betrug. Es ist der eigentliche Job. Ein KI-Ingenieur, der KI nicht nutzen kann, um schneller zu bauen, ist wie ein Zimmermann, der Elektrowerkzeuge ablehnt.
Die 3 Projekte, die dir tatsächlich einen Job verschaffen
Niemand stellt dich ein, weil du Kurse abgeschlossen hast. Sie stellen dich für den Beweis ein. Baue diese drei, und du hast einen Beweis, der den gesamten Stack abdeckt.
Projekt 1. Eine RAG-Anwendung mit deinen eigenen Daten.
Nimm einen echten Bestand an Dokumenten. Deine Notizen, eine Reihe von PDFs, die öffentlichen Dokumente eines Unternehmens, was auch immer. Baue ein System, das sie aufnimmt, einbettet, die Vektoren speichert und Fragen beantwortet, die nur auf diesen Daten basieren. Dieses einzelne Projekt beweist Retrieval, Embeddings, Chunking und die Fähigkeit, Halluzinationen zu verhindern. Es ist das direkt einstellbarste Ding, das du bauen kannst, weil es genau das ist, was Unternehmen wollen.
Projekt 2. Ein KI-Agent, der Werkzeuge verwendet.
Baue einen Agenten, der nicht nur antwortet, sondern handelt. Er ruft mindestens zwei echte Tools auf, eine Such-API, einen Taschenrechner, einen Dateischreiber, einen Kalender. Er plant, führt aus und behandelt den Fall, dass ein Tool fehlschlägt. Dies beweist, dass du Agenten-Design verstehst, nicht nur Prompting, was die Fähigkeit ist, die die meisten Anfänger nie tatsächlich demonstrieren.
Projekt 3. Ein bereitgestelltes, Full-Stack-KI-Produkt.
Nimm eines der oben genannten und liefere es aus. Ein echtes Interface, ein Backend, irgendwo bereitgestellt mit einer öffentlichen URL, die ein Fremder besuchen und nutzen kann. Dies beweist das, worüber sich Arbeitgeber am meisten sorgen, dass du über "funktioniert auf meinem Rechner" hinaus ausliefern kannst. Ein bereitgestelltes Projekt ist zehn lokale in einem Lebenslauf wert.
Drei Projekte. Full-Stack-Abdeckung. Öffentlicher Beweis. Dieses Portfolio schlägt die meisten Abschlüsse für diesen speziellen Job.
Wie man jedes Teil tatsächlich lernt
Hier ist der Teil, den die meisten Anleitungen auslassen. Du musst keinen 500-Dollar-Kurs kaufen, um irgendetwas davon zu lernen. Du hast den besten Tutor, der je gebaut wurde, auf deinem Laptop sitzen. Nutze das Modell, um dir die Fähigkeiten beizubringen, die du verwenden wirst, um mit dem Modell zu bauen.
Verwende diesen Prompt, um Claude in einen strukturierten Tutor für jede Fähigkeit im Stack zu verwandeln:
Du bist mein Programmier-Tutor für [FÄHIGKEIT, z.B. Embeddings und Vektorsuche].
Ich lerne, KI-Ingenieur zu werden, und habe keinen CS-Abschluss.
Bringe es mir auf eine bau-zuerst Weise bei, nicht theorie-zuerst.
- Erkläre das Kernkonzept in einfacher Sprache mit einem konkreten Analogie.
- Gib mir das kleinstmögliche funktionierende Codebeispiel, das ich heute ausführen kann.
- Gib mir eine etwas schwierigere Übung, die ich alleine machen soll.
- Nachdem ich meinen Versuch geteilt habe, kritisiere ihn und weise darauf hin, was ein Senior Engineer anders machen würde.
Gehe davon aus, dass ich durch Bauen und Zerbrechen lerne, nicht durch Lesen.
Warte, bis ich jeden Schritt abgeschlossen habe, bevor du mit dem nächsten fortfährst.
Dieser einzelne Prompt ersetzt die meisten bezahlten Kurse. Er passt sich deinem Niveau an, beantwortet deine genauen Fragen und macht nie weiter, bis du es tatsächlich verstanden hast.
Verwende für die Projekte Claude Code, um ein Gerüst zu erstellen, und zwinge dich dann, jede Zeile zu verstehen. Kopiere nicht blind. Nachdem es Code generiert hat, führe dies aus:
Führe mich Zeile für Zeile durch den Code, den du gerade geschrieben hast.
Erkläre für jeden Abschnitt, was er tut und warum du diesen Ansatz
der offensichtlichen Alternative vorgezogen hast. Weise dann auf den einen Teil hin,
der am wahrscheinlichsten in der Produktion kaputtgeht und wie ich ihn reparieren würde.
So baust du echtes Verständnis auf, anstatt einen Haufen Code, den du in einem Vorstellungsgespräch nicht erklären kannst. Die Leute, die in Vorstellungsgesprächen durchfallen, sind diejenigen, die Projekte gebaut haben, die sie nicht wirklich erklären können. Sei nicht diese Person.
Wie man ohne Abschluss einen Job bekommt
Das Portfolio ist notwendig, aber nicht ausreichend. Du musst auch sichtbar sein, denn niemand stellt einen Beweis ein, den er nicht finden kann.
Baue in der Öffentlichkeit. Über jedes Projekt, das du baust, schreibe. Ein Thread darüber, was du gebaut hast, der schwierige Teil, wie du es gelöst hast. Das tut zwei Dinge. Es schafft eine öffentliche Spur, die auftaucht, wenn jemand deinen Namen sucht, und es zwingt dich, deine eigene Arbeit gut genug zu verstehen, um sie zu erklären. Arbeitgeber finden Ingenieure zunehmend durch ihr öffentliches Bauen, nicht über Jobbörsen.
Trage zu Open Source bei. Finde ein KI-Projekt, das du nutzt, und repariere etwas. Einen Fehler, eine Dokumentationsverbesserung, eine kleine Funktion. Ein zusammengeführter Pull-Request zu einem echten Projekt ist ein Zeugnis, das dir kein Abschluss geben kann. Es beweist, dass du in der Codebasis eines anderen arbeiten kannst, was den Großteil der tatsächlichen Arbeit ausmacht.
Wende dich direkt mit Beweisen, nicht mit Bitten. Sende nicht "Ich suche nach Möglichkeiten." Sende "Ich habe dieses Ding gebaut, das genau das Problem löst, das Ihr Produkt hat, hier ist die Demo." Füge den Beweis bei. Das konvertiert, weil es die Fähigkeit im Akt der Bewerbung demonstriert.
Hier ist eine Vorlage für diese Kontaktaufnahme:
Betreff: Habe ein [Ding] gebaut, das [spezifisches Problem, das dir aufgefallen ist] löst
Hallo [Name],
mir ist [spezifische, echte Beobachtung zu ihrem Produkt oder Problem] aufgefallen.
Ich habe einen funktionierenden Prototypen gebaut, der es adressiert: [Link zur Live-Demo].
Er verwendet [den spezifischen technischen Ansatz], und hier ist der Code: [Repo-Link].
Ich bin ein KI-Ingenieur auf der Suche nach meiner nächsten Rolle. Falls das nützlich ist,
würde ich mich über 15 Minuten freuen, um Ihnen zu zeigen, wie ich es richtig ausbauen würde.
[Dein Name]
Diese E-Mail funktioniert, weil sie mit Beweisen führt und fast nichts verlangt. Sie ist das Gegenteil der generischen Bewerbung, die ignoriert wird.
Arbeite dich als Freelancer rein. Wenn die direkte Einstellung langsam ist, nimm kleine bezahlte Projekte an. Baue einen RAG-Bot für ein lokales Unternehmen. Automatisiere etwas für eine kleine Firma. Bezahlte Arbeit, selbst winzige bezahlte Arbeit, ist der stärkste mögliche Beweis, weil jemand sie genug wertgeschätzt hat, um zu bezahlen. Drei kleine bezahlte Projekte in deinem Profil verändern, wie jeder zukünftige Arbeitgeber dich liest.
Eine Spezialisierung wählen, sobald die Grundlagen sitzen
Sobald du den Stack und die drei Projekte hast, taucht eine Frage auf, vor der dich niemand warnt. KI-Engineering ist breit gefächert, und der Versuch, in allem großartig zu sein, macht dich in allem mittelmäßig. Die Leute, die am schnellsten eingestellt werden, wählen eine Spur.
Hier sind die Spuren, die gerade tatsächlich einstellen, und wie du herausfindest, welche zu dir passt.
RAG und Wissenssysteme. Wenn dir Projekt eins am besten gefallen hat, die Retrieval-Arbeit, das Chunking, das Grounding, dann ist das deine Spur. Jedes Unternehmen mit internen Dokumenten möchte jemanden, der ein System bauen kann, das Fragen dazu genau beantwortet. Dies ist die sicherste, gefragteste Spezialisierung und am einfachsten mit Beweisen zu untermauern, weil der Anwendungsfall universell ist.
Agentische Systeme. Wenn dich Projekt zwei begeistert hat, die Tool-Nutzung, die mehrstufige Ausführung, die Orchestrierung, dann ist das die Grenzspur. Sie zahlt am besten und hat den geringsten Wettbewerb, weil sie am schwierigsten gut zu machen ist. Der Kompromiss ist, dass der Beweis schwerer zu erbringen ist und sich das Feld schnell bewegt, sodass du ständig weiterlernen musst.
KI-Produktentwicklung. Wenn dir Projekt drei am wichtigsten war, das Interface, die Bereitstellung, das Real-Machen, dann bist du ein Produktentwickler, der zufällig auf KI spezialisiert ist. Diese Spur schätzt Auslieferung über Cleverness, und hier sind die meisten tatsächlichen Jobs, weil die meisten Unternehmen jemanden brauchen, der KI-Fähigkeiten in ein Ding verwandeln kann, das Benutzer tatsächlich nutzen können.
Wähle eine basierend darauf, welches Projekt dir wirklich Spaß gemacht hat, nicht darauf, welches am beeindruckendsten klingt. Spaß ist der einzige Treibstoff, der die langweilige Mittelstrecke überlebt, die nötig ist, um in etwas gut zu werden. Die Spezialisierung, die du aus Interesse wählst, wirst du tatsächlich durchhalten. Die, die du aus Status wählst, wirst du aufgeben.
Dann geh in die Tiefe. Baue drei weitere Projekte in deiner gewählten Spur. Schreibe über alle. Werde die Person, deren Name fällt, wenn jemand dieses eine spezielle Ding braucht. Spezialisten werden eingestellt. Generalisten werden aussortiert.
Wie die ersten 6 Monate im Job tatsächlich aussehen
Es hilft zu wissen, worauf du abzielst, denn der Job ist nicht das, was die Tutorials implizieren.
Den größten Teil deiner Zeit wirst du nicht damit verbringen, clevere Prompts zu schreiben. Du wirst sie mit der unglamourösen Arbeit verbringen, die KI-Systeme tatsächlich zuverlässig macht. Umgang mit den Randfällen, in denen das Modell etwas Seltsames tut. Aufbau der Evaluierungen, die dir sagen, ob eine Änderung die Dinge verbessert oder verschlechtert hat. Daten in eine Form bringen, die das System nutzen kann. Debuggen, warum der Agent im Test funktioniert hat und in der Produktion versagt hat.
Das sind gute Nachrichten für jemanden ohne Abschluss, denn nichts davon ist theoretisch. Es ist alles praktisches Engineering, lernbar durch Tun, genau die Art von Dingen, für die dich deine Portfolio-Projekte bereits trainiert haben. Die Person, die drei echte Projekte gebaut und debuggt hat, als sie kaputtgingen, ist dafür weitaus besser vorbereitet als die Person, die eine Theorieprüfung mit Bravour bestanden und nie etwas ausgeliefert hat.
Die Ingenieure, die in den ersten sechs Monaten erfolgreich sind, sind diejenigen, die sich damit wohlfühlen, dass das System unvollkommen ist und dass es ihr Job ist, es stetig weniger unvollkommen zu machen. Wenn du deine Projekte richtig gebaut hast, sie zerbrochen und repariert hast, hast du diesen Muskel bereits. Das ist der ganze Grund, warum der bau-zuerst-Weg den zertifikat-zuerst-Weg für diesen speziellen Job schlägt.
Tutorial-Hölle. Das Anschauen endloser Tutorials fühlt sich nach Fortschritt an. Ist es nicht. Es ist Konsum, getarnt als Produktion. Die Regel ist einfach. Für jede Stunde Lernen, baue zwei Stunden. Wenn du nicht baust, lernst du nicht, du wirst nur unterhalten.
Warten, bis du dich bereit fühlst. Du wirst dich nie bereit fühlen. Die Leute, die es schaffen, fangen an zu bauen, bevor sie sich qualifiziert fühlen, und werden durch das Bauen qualifiziert. Liefere die hässliche erste Version aus. Verbessere sie in der Öffentlichkeit.
In der falschen Reihenfolge lernen. Versuchen, Agenten zu bauen, bevor du mit Daten und APIs umgehen kannst. Der Stack ist aus einem Grund sequenziert. Respektiere die Reihenfolge, und jedes Teil fügt sich ein. Springe vor und du baust auf Sand.
Projekte bauen, die niemand sehen kann. Ein brillantes Projekt, das in einem privaten Repository eingeschlossen ist, existiert für deine Karriere nicht. Alles wird öffentlich ausgeliefert. Der Punkt ist der Beweis, und Beweis erfordert ein Publikum.
Code kopieren, den du nicht erklären kannst. Der schnellste Weg, in einem Vorstellungsgespräch durchzufallen. Wenn Claude es geschrieben hat, verstehe es, bevor du es für dich beanspruchst. Deine Fähigkeit, deine eigene Arbeit zu erklären, ist der gesamte Test.
Dein 90-Tage-Plan
Du brauchst keine Jahre. Du brauchst fokussierte 90 Tage.
Tag 1 bis 30. Grundlagen. Python-Flüssigkeit, SQL, Git, Kommandozeile und deine ersten API-Aufrufe an ein Modell. Bis Tag 30 solltest du in der Lage sein, ein LLM programmatisch aufzurufen und die Antwort zu verarbeiten. Baue kleine Dinge. Ein Skript, das ein Dokument zusammenfasst. Ein Tool, das Fragen zu einer Textdatei beantwortet.
Tag 31 bis 60. Projekt eins und zwei. Baue die RAG-Anwendung. Baue dann den Agenten. Strebe nicht nach Perfektion. Strebe nach funktionierend, dann erklärbar. Schreibe einen Thread über jedes, wenn du fertig bist. Bis Tag 60 hast du zwei echte Projekte und zwei öffentliche Beiträge.
Tag 61 bis 90. Bereitstellen und sichtbar werden. Liefere Projekt drei mit einer öffentlichen URL aus. Starte die Kontaktaufnahme. Leiste einen Open-Source-Pull-Request. Poste regelmäßig darüber, was du baust. Bis Tag 90 hast du ein Portfolio, eine öffentliche Spur und aktive Gespräche mit Leuten, die dich vielleicht einstellen.
Das ist keine Fantasie-Zeitleiste. Sie ist aggressiv, aber real für jemanden, der es ernst nimmt und jeden einzelnen Tag baut. Die Leute, die diese Zeitleiste nicht einhalten, sind diejenigen, die sie mit Vorbereiten statt Bauen verbringen.
Der wahre Grund, warum das jetzt funktioniert
Der Abschluss war schon immer ein Stellvertreter. Arbeitgeber konnten nicht direkt messen, ob du die Arbeit erledigen konntest, also verwendeten sie das Zertifikat als Ersatz. Der Abschluss sagte "diese Person kann wahrscheinlich schwierige Dinge lernen und zu Ende bringen, was sie anfängt."
KI-Engineering hat diesen Stellvertreter gebrochen, weil du jetzt die genaue Fähigkeit direkt demonstrieren kannst. Ein bereitgestelltes RAG-System ist kein Stellvertreter für Kompetenz. Es IST Kompetenz, sichtbar gemacht. Wenn du die eigentliche Sache zeigen kannst, hört der Ersatz für die Sache auf, wichtig zu sein.
Das ist die ganze Verschiebung. Nicht, dass Zertifikate wertlos wurden, sondern dass Beweise direkt verfügbar wurden. Und wenn Beweise verfügbar sind, schlagen die Leute, die sie liefern, diejenigen, die nur den Stellvertreter haben.
Also hör auf, auf Erlaubnis zu warten. Hör auf, dich darauf vorzubereiten, bereit zu sein. Wähle die erste Fähigkeit im Stack, öffne Claude und baue heute das kleinstmögliche funktionierende Ding. Baue dann morgen ein etwas größeres Ding. In 90 Tagen davon wirst du etwas haben, das dir kein Abschluss geben kann, nämlich den Beweis, dass du den Job tatsächlich machen kannst.
Der CS-Abschluss ist heute optional.
Die Fähigkeiten sind es nicht.
Geh und baue den Beweis.
Folge @cyrilXBT für die vollständigen Builds hinter jedem Projekt in diesem Artikel, plus die genauen Prompts und Stacks, die ich verwende.
