Vom Anfänger zum einstellbaren KI-Ingenieur in 4 Monaten. Hier ist der genaue Pfad.

KI-Ingenieur: Einer der bestbezahlten Jobs der Tech-Branche

KI-Engineering gehört derzeit zu den bestbezahlten und am schnellsten wachsenden Jobs in der Tech-Branche. Und die Tür dorthin ist weiter offen als je zuvor.

Die meisten Ratgeber machen es falsch. Sie präsentieren dir eine Wand voller Theorie, sagen dir, du musst lineare Algebra und neuronale Netzwerk-Mathematik beherrschen – und verlieren dich in Woche zwei.

Oder sie überschütten dich mit 80 Links ohne Ordnung und ohne klare Empfehlung, sodass du mehr Zeit damit verbringst, zu entscheiden, was du lernen sollst, als tatsächlich zu lernen.

Ich habe die gängigen Roadmaps durchgearbeitet, die darin empfohlenen Tools getestet und die Version erstellt, die ich einem Freund geben würde, der die Karriere wechseln will und echte Arbeit zu erledigen hat.

Kein Mathe-Studium. Kein 4-Jahres-Plan.

Vier fokussierte Monate, eine klare Auswahl pro Fähigkeit, echte Prompts zum Kopieren und die Fehler, die die meisten Karrierewechsel leise scheitern lassen, bevor sie überhaupt beginnen.

Hier erfährst du, warum der Zeitpunkt wichtig ist, und dann den vollständigen Weg.

Warum die Tür offen steht (und ich es beweisen kann)

Dir wurde wahrscheinlich gesagt, dass KI Arbeitsplätze vernichten wird.

Hier ist der Teil, der weniger Beachtung findet: KI schafft eine spezifische, gut bezahlte Kategorie von Jobs schneller als fast alles andere auf dem Markt – und die übliche Eintrittsbarriere fällt weg.

Der PwC Global AI Jobs Barometer 2026 hat über eine Milliarde Stellenanzeigen auf sechs Kontinenten analysiert. Drei Erkenntnisse sind für jeden relevant, der über einen Wechsel nachdenkt.

Erstens: Jobs, die KI-Kenntnisse erfordern, wachsen etwa achtmal schneller als der Gesamtmarkt. KI-bezogene Rollen wuchsen um 69 %, während der gesamte Stellenmarkt um 9 % wuchs.

Das ist kein Rundungsfehler. Das ist eine Kategorie, die sich von allem anderen abhebt.

Zweitens: Der Gehaltsvorsprung ist real und steigt. Arbeitnehmer mit KI-Kenntnissen erzielen einen Gehaltsaufschlag von 62 % gegenüber vergleichbaren Positionen ohne diese Kenntnisse – ein Anstieg von 57 % im Vorjahr.

Unternehmen zahlen mehr, nicht weniger, für Leute, die tatsächlich mit diesen Tools bauen können.

Drittens – und das verändert die Rechnung für Karrierewechsler: Die Anforderung eines Hochschulabschlusses sinkt, und zwar am schnellsten genau für diese Rollen.

PwC hat festgestellt, dass der Anteil der KI-gestützten Jobs, die einen Abschluss erfordern, zwischen 2019 und 2024 von 66 % auf 59 % gefallen ist.

Bei Jobs, bei denen KI Teile der Arbeit automatisiert, sank er noch weiter, von 53 % auf 44 %. Arbeitgeber senken die Hürde des formalen Abschlusses schneller in KI-betroffenen Bereichen als irgendwo sonst.

Es gibt noch eine Zahl, die man sich merken sollte. In den USA sind die Einstiegsjobs, die am stärksten von KI betroffen sind, seit 2019 um 35 % gewachsen.

Im gleichen Zeitraum sind andere Einstiegspositionen um 10 % zurückgegangen. Die unterste Sprosse der KI-Leiter wird breiter, während der Rest des Einstiegsmarktes schrumpft.

Jetzt das ehrliche Gegenargument, denn ich bin nicht hier, um dir eine Fantasie zu verkaufen.

PwC hat auch festgestellt, dass KI-betroffene Einstiegspositionen zunehmend Fähigkeiten verlangen, die früher Führungskräften vorbehalten waren: Urteilsvermögen, Kommunikation, die Fähigkeit, ein Ergebnis zu verantworten statt nur eine Aufgabe.

Die Messlatte ist nicht überall niedriger. Sie hat sich verschoben. Es geht weniger um „Hast du den Abschluss?" und mehr um „Kannst du das tatsächlich zum Laufen bringen und erklären, warum es funktioniert?"

Betrachte das als schlechte Nachricht, wenn du ein frischer Absolvent ohne Berufserfahrung bist. Betrachte es als gute Nachricht, wenn du aus einer anderen Karriere wechselst, denn du hast bereits das, wonach sie jetzt suchen.

Du hast Dinge ausgeliefert. Du hast mit Stakeholdern verhandelt. Du hast unter Druck Ergebnisse verantwortet.

Ein 22-Jähriger mit einem Informatikabschluss hat das in der Regel nicht. Wenn du dein vorhandenes Urteilsvermögen mit den technischen Fähigkeiten aus diesem Leitfaden kombinierst, bist du nicht hinter den Neulingen.

Auf der Achse, die Arbeitgeber am meisten interessiert, bist du ihnen voraus.

Das ist der Vorteil des Wechslers – und fast keine Roadmap erzählt dir davon. Behalte ihn für die gesamten vier Monate im Hinterkopf. Er ist der Grund, warum das speziell für dich realistisch ist.

Ein kurzes Wort zum Geld, denn du wirst die echten Zahlen brauchen, bevor du dich für vier Monate verpflichtest.

Ich gebe dir am Ende die vollständige Aufschlüsselung mit Quellen, aber die Kurzfassung: Mitte 2026 liegt das durchschnittliche Gehalt eines KI-Ingenieurs in den USA laut Glassdoor bei etwa 143.500 $, mit einer typischen Spanne von etwa 115.000 $ bis 181.000 $.

Senior-Rollen liegen deutlich höher. Personalvermittler, die Leute in produktive KI-Arbeit vermitteln, berichten von mittleren Basisgehältern zwischen 155.000 $ und 200.000 $.

Das sind keine Hype-Zahlen aus einem Hype-Thread. Sie sind aktuell, und ich zeige dir, woher jede einzelne stammt.

Was ein KI-Ingenieur tatsächlich tut (die 60-Sekunden-Version)

Bevor es losgeht, beseitigen wir die größte Einschüchterungsquelle, denn sie stoppt mehr Leute als jedes technische Hindernis.

Wenn die meisten Menschen „KI-Ingenieur" hören, stellen sie sich jemanden in einem Labor vor, der ein riesiges Modell von Grund auf trainiert, umgeben von GPUs und Mathematik, die sie nie verstehen werden.

Das ist ein anderer Job. Er heißt Forschungswissenschaftler oder ML-Forscher, es gibt relativ wenige davon, und er erfordert in der Regel tatsächlich fortgeschrittene Abschlüsse.

Der KI-Ingenieur-Job, der achtmal schneller wächst als der Markt, ist etwas völlig anderes.

Du baust Produkte und Funktionen auf der Grundlage bereits existierender Modelle. Du nimmst Claude, GPT oder ein Open-Source-Modell und bringst es dazu, eine bestimmte, zuverlässige Aufgabe innerhalb einer echten Anwendung zu erledigen.

In der Praxis bedeutet das: Du verbindest dich mit Modell-APIs, entwirfst die Prompts und den Kontext, den du ihnen fütterst, holst strukturierte Daten zurück, schließt das Modell an Tools und Datenbanken an, lässt es die richtigen Informationen abrufen, kümmerst dich um alles, was schiefgehen kann, und deployst es, damit echte Leute es nutzen können.

Es liegt zwischen Softwareentwicklung, Produktarbeit und angewandter KI. Du bist ein Builder, kein Forscher.

Hier ist der Einzeiler-Test, den ich verwenden würde. Wenn du ein LLM dazu bringen kannst, eine bestimmte Aufgabe zuverlässig in einer App zu erledigen, und du genug verstehst, um es zu reparieren, wenn es kaputtgeht, dann bist du ein KI-Ingenieur. Das ist die ganze Sache.

Alles in diesem Leitfaden zielt darauf ab, dass dieser Satz auf dich zutrifft.

Du musst nicht wissen, wie ein Transformer intern funktioniert. Du brauchst keine Analysis. Du musst nicht in der Lage sein, Backpropagation herzuleiten.

Du musst ein kompetenter Builder sein, der versteht, wie man mit diesen Modellen in der realen Welt arbeitet.

Das ist eine erlernbare Fähigkeit, und vier fokussierte Monate reichen aus, um darin funktionsfähig zu werden.

Lies das vor Monat 1: Die 4 Fehler, die Karrierewechsel scheitern lassen

Ich setze das bewusst vor die Roadmap.

Die meisten Ratgeber vergraben die Fehler am Ende, aber die Fehler, die einen Karrierewechsel beenden, passieren in Woche zwei, nicht in Monat drei. Wenn du dir nur einen Abschnitt dieses Leitfadens merkst, dann diesen.

Ich habe Leute beobachtet, darunter eine frühere Version von mir selbst, die jeden dieser Fehler gemacht haben. Keiner davon hat mit Intelligenz zu tun.

Sie haben mit Strategie zu tun. Korrigiere die Strategie, und die vier Monate funktionieren tatsächlich.

Fehler 1: Mit Theorie und Mathematik beginnen.

Du bist aufgeregt, willst es richtig machen, also suchst du dir einen Machine-Learning-Kurs und beginnst mit linearer Algebra, Gradientenabstieg und der Mathematik hinter neuronalen Netzen.

Drei Wochen später hast du viele Vorlesungen gesehen, kannst nichts bauen und fühlst dich wie ein Hochstapler. Also hörst du auf.

Die Lösung: Überspringe es. Für den Job, den du anstrebst, musst du die Mathematik nicht herleiten.

Du musst bauen.

Du wirst die Konzepte, die du tatsächlich brauchst, aufgreifen, wenn du in echten Projekten darauf stößt, und sie bleiben hängen, weil sie mit etwas verbunden sind, das du gebaut hast.

Theorie-zuerst ist der mit Abstand häufigste Grund, warum kluge Leute hier aussteigen. Fang nicht damit an.

Fehler 2: Tutorials anschauen statt bauen.

Dieser ist tückisch, weil er sich nach Fortschritt anfühlt. Du schaust dir einen vierstündigen Python-Kurs an, nickst mit, hast das Gefühl, etwas gelernt zu haben. Hast du nicht.

Du hast jemand anderen dabei zugesehen, wie er etwas gelernt hat. In dem Moment, in dem du eine leere Datei öffnest, ist nichts davon da.

Die Lösung: die 30-Minuten-Regel. Für jede Stunde, die du mit Anschauen oder Lesen verbringst, verbringe mindestens 30 Minuten damit, etwas zu bauen, ohne dass ein Tutorial geöffnet ist.

Tippe die Beispiele selbst ab. Zerbrich sie. Ändere sie. Bekomme Fehler und behebe sie. Die Fehler sind das Lernen.

Eine Person, die vier Monate lang schlecht baut, schlägt eine Person, die vier Monate lang perfekt zusieht – jedes Mal.

Arbeitgeber sehen den Unterschied in zehn Sekunden, wenn sie dein GitHub betrachten.

Fehler 3: Werkzeuge statt Fähigkeiten lernen.

Du hörst, dass LangChain das Ding ist, also vertiefst du dich in LangChain.

Sechs Monate später hat sich das Feld weiterentwickelt, alle nutzen etwas anderes, und dein LangChain-Wissen fühlt sich verschwendet an. Also jagst du dem neuen Tool hinterher.

Dann ändert sich auch das. Du bist immer hinterher, weil du für die falsche Ebene optimierst.

Die Lösung: Lerne die Fähigkeit hinter dem Werkzeug. Die Fähigkeit, einen Prompt zu schreiben, der zuverlässige Ergebnisse liefert, verfällt nicht, wenn sich ein Framework aktualisiert.

Die Fähigkeit, strukturierte Daten aus einem Modell zu gewinnen, zu bewerten, ob dein System tatsächlich funktioniert, oder zu entscheiden, wann eine Aufgabe einen Agenten erfordert statt eines einzelnen Aufrufs – diese Fähigkeiten übertragen sich auf jedes Werkzeug, das jemals existieren wird.

Lerne Werkzeuge als eine Möglichkeit, Fähigkeiten zu üben, nicht als Ziel. Dieser Leitfaden ist genau aus diesem Grund nach Fähigkeiten organisiert.

Fehler 4: Warten, bis du dich bereit fühlst, in der Öffentlichkeit zu bauen.

Du beschließt, dass du anfangen wirst, deine Arbeit zu teilen, dich zu bewerben oder freiberufliche Dienstleistungen anzubieten, sobald du „bereit" bist.

Du wirst dich nie bereit fühlen. Bereit ist ein Gefühl, das eintrifft, nachdem du angefangen hast, nicht davor.

In der Zwischenzeit werden die Leute eingestellt und bekommen Kunden, die Monate vorher angefangen haben, grobe Arbeit zu teilen, bevor sie sich qualifiziert fühlten.

Die Lösung: Fang in Monat 1 an, in der Öffentlichkeit zu bauen. Poste das kleine Ding, das du gemacht hast. Schreib auf, was du gelernt hast.

Stelle jedes Projekt am Tag der Fertigstellung auf GitHub, auch die hässlichen.

Die Lücke zwischen „Ich lerne" und „Ich baue sichtbar" ist der Ort, an dem die meisten Wechsler ein Jahr lang feststecken. Schließe sie früh.

Niemand schaut genau genug hin, dass deine frühe Arbeit dich in Verlegenheit bringen könnte, und der Zinseszinseffekt beginnt an dem Tag, an dem du anfängst.

Behalte diese vier während des gesamten Prozesses im Blick.

Die folgende Roadmap ist so konzipiert, dass sie alle standardmäßig vermeidet: fähigkeitsorientiert, bauorientiert, werkzeugunabhängig, von Tag eins an öffentlich.

Monat 1: Python und die Grundlagen

Dein Ziel in diesem Monat: Werde ein funktionsfähiger Python-Entwickler, der eine API aufrufen, ein kleines Projekt verwalten und aufhören kann, grundlegende Syntax zu googeln.

Kein Experte. Funktionsfähig.

Alles in den Monaten 2 bis 4 setzt voraus, dass du sauberes Python schreiben und im Terminal arbeiten kannst. Das ist die Grundlage, und wenn du sie übereilst, wird es dich später schmerzen.

Hier ist, was du verinnerlichen solltest, bevor du beginnst: KI-Engineering ist zuerst Softwareentwicklung. Der KI-Teil sitzt oben auf einem normalen Software-Stack.

Wenn der Stack darunter wackelig ist, wird der KI-Teil nie zuverlässig. Monat 1 dreht sich also darum, sich mit den Grundlagen vertraut genug zu machen, dass sie dir nicht mehr im Weg stehen.

Ich gebe dir eine primäre Auswahl pro Fähigkeit, mit einer klaren Begründung, warum. Ich gebe dir bewusst nicht fünf Optionen pro Thema. Auswahl ist der Feind des Fortschritts.

Nimm das, worauf ich zeige, und zweige nur ab, wenn es wirklich nicht für dich funktioniert.

Python

Python ist die Sprache dieses gesamten Feldes. Fast jede Bibliothek, API, jedes Tutorial und jeder Job, mit dem du in den nächsten vier Monaten in Berührung kommst, ist in Python. Wenn du es lernst, wird alles andere einfacher.

Meine Wahl: CS50P, Harvards Einführung in die Programmierung mit Python. Kostenlos, anspruchsvoll, und es zwingt dich, tatsächlich Probleme zu lösen, anstatt zuzusehen, wie jemand anders sie löst.

Die Problemstellungen sind der ganze Wert. Es ist anspruchsvoller als ein sanfter YouTube-Kurs, und das ist der Punkt.

Du willst die Version, die dich ein wenig kämpfen lässt, denn der Kampf ist der Ort, an dem sich die Fähigkeit bildet.

Finde es unter cs50.harvard.edu/python.

Wenn CS50P als absoluter Anfänger zu steil ist, ist der freeCodeCamp Python-Kurs auf YouTube eine sanftere Einstiegsrampe, aber behandle ihn als Aufwärmübung, nicht als Hauptevent.

Komm zu CS50P zurück, sobald du keine Angst mehr vor einer leeren Datei hast.

Worauf du dich konzentrieren solltest, in grober Reihenfolge: Variablen und Datentypen, Schleifen und Bedingungen, Funktionen, dann die Sammlungstypen (Listen, Dictionaries, Sets, Tupel).

Dann Dateiverarbeitung und Lesen und Schreiben von JSON, das du ständig mit KI-APIs verwenden wirst.

Dann gerade genug Klassen und objektorientierte Grundlagen, um den Code anderer Leute ohne Panik zu lesen.

Dann Fehlerbehandlung mit try und except.

Schließlich virtuelle Umgebungen und pip, damit du Pakete installieren kannst, ohne dein System zu beschädigen.

Versuche nicht, dir das alles zu merken. Verstehe es gut genug, um es schnell nachschlagen zu können, und baue damit, bis es sitzt.

Dein Monat-1-Bauziel für Python: Ein kleines Kommandozeilen-Tool, das etwas Reales tut.

Ein Ausgaben-Tracker, der in eine JSON-Datei liest und schreibt, ist ein gutes. Oder ein Skript, das eine kostenlose öffentliche API aufruft und die Ergebnisse in einem sauberen Format ausgibt.

Irgendetwas mit vielleicht 60 bis 100 Zeilen deines eigenen Codes.

Es ist egal, ob es hässlich ist. Es ist wichtig, dass du es geschrieben hast.

Lernen mit KI von Tag eins an

Hier würde ich etwas tun, was die alten Roadmaps nicht tun: KI nutzen, um KI zu lernen, beginnend in Woche eins.

Du hast Zugang zum besten geduldigen Tutor, der je gebaut wurde, und es kostet nichts in den kostenlosen Stufen. Wenn du auf einen Fehler stößt, den du nicht verstehst, verbringe nicht 40 Minuten in einem Forum.

Füge ihn in Claude oder ChatGPT ein und bitte darum, den Fehler in einfachem Englisch zu erklären und dich zur Lösung zu führen, ohne dir einfach die Antwort zu geben.

Hier ist ein Copy-Paste-Prompt, den ich am ersten Tag einrichten würde. Speichere ihn.

Dies ist das erste von mehreren Artefakten in diesem Leitfaden, die es wert sind, ein Lesezeichen zu setzen.

Prompt: Dein Python-Lernpartner

(Framework: FAG Learning Partner, von AI Guides)

1Deine Aufgabe: Sei mein geduldiger Python-Tutor, während ich als Karrierewechsler das Programmieren lerne.
2
3Kontext über mich:
4- Ich lerne Python, um KI-Ingenieur zu werden.
5- Ich bin ein kompletter Anfänger im Programmieren, aber nicht im harten Arbeiten.
6- Ich lerne am besten durch Tun, nicht indem mir Antworten gegeben werden.
7
8Was zu tun ist:
9- Wenn ich einen Fehler einfüge, erkläre in einfachem Deutsch, was er bedeutet und was
10  ihn wahrscheinlich verursacht. Gib mir nicht einfach den korrigierten Code.
11- Weise mich mit einem Hinweis zuerst in Richtung der Lösung. Zeige die vollständige Lösung
12  nur, wenn ich zweimal frage.
13- Wenn ich Code teile, den ich geschrieben habe, sag mir eine Sache, die funktioniert, und eine Sache,
14  die ich verbessern könnte. Beschränke es auf diese beiden.
15- Nachdem ich etwas zum Laufen gebracht habe, stelle mir eine kurze Frage, die überprüft,
16  ob ich es tatsächlich verstanden habe.
17
18Regeln:
19- Kein Fachjargon ohne eine einzeilige Definition in einfachem Deutsch daneben.
20- Geh davon aus, dass ich lernen will, nicht nur bestehen. Etwas langsamer ist in Ordnung.
21- Wenn ich im Begriff bin, eine schlechte Angewohnheit zu entwickeln, sag es direkt und freundlich.
22
23Ausgabe: gesprächig, kurz, ein Konzept nach dem anderen.

Nutze das jeden Tag in diesem Monat. Es verwandelt die frustrierenden Teile des Programmierlernens in ein Gespräch statt in eine Wand.

Es macht dich auch fließend im Prompting, der Kernfähigkeit von Monat 2, bevor du überhaupt weißt, dass das passiert.

Eine Vorsichtsmaßnahme, damit du dir nicht die falsche Angewohnheit aneignest: Nutze die KI, um zu verstehen und zu entblocken, nicht um das Ganze für dich zu schreiben.

Wenn du sie deinen Code schreiben lässt, während du zusiehst, bist du zurück bei Fehler 2.

Lass es dir erklären. Du tippst.

Git und GitHub

Git ist, wie Entwickler Code speichern, versionieren und teilen.

GitHub ist der Ort, an dem deine Arbeit öffentlich lebt und zu einem Portfolio wird.

Du wirst beides ständig nutzen, und für einen Karrierewechsler ist GitHub das Nächstbeste zu einem Lebenslauf, bis du einen hast.

Meine Wahl: GitHub Skills. Kostenlos, interaktiv und von GitHub selbst innerhalb von GitHub gebaut, sodass du das Werkzeug durch Benutzung lernst. Fang dort an, anstatt abstrakt über Git zu lesen.

Finde es unter skills.github.com.

Wenn dich das Branching- und Merging-Modell verwirrt – und es verwirrt jeden am Anfang –, macht das visuelle Tool Learn Git Branching es verständlich, indem du die Branches sich bewegen siehst.

Worauf du dich konzentrieren solltest: Die Kernschleife von init, add, commit, push und pull. Dann Branching und Merging.

Dann, was eine .gitignore-Datei tut und warum du niemals Secrets oder API-Schlüssel in ein öffentliches Repository committest, was enorm wichtig ist, sobald du mit kostenpflichtigen APIs arbeitest.

Dann, wie man eine grundlegende README schreibt, denn deine READMEs werden später bei der Jobsuche echte Arbeit leisten.

Die Gewohnheit, die du diesen Monat aufbauen solltest: Jedes Projekt, das du anfasst, selbst ein 20-zeiliges Skript, kommt am Tag seiner Erstellung in ein GitHub-Repo.

Das ist Fehler 4 in der Praxis. Du baust in der Öffentlichkeit, leise, von Anfang an.

Bis Monat 4 wirst du eine Spur von Arbeit haben, statt eines leeren Profils.

Das Terminal

Du wirst ständig Skripte ausführen, Pakete installieren und Projekte von der Kommandozeile aus verwalten.

Langsam oder ängstlich im Terminal zu sein, bremst alles andere aus, und es ist leicht zu beheben.

Meine Wahl: Ein kurzer Anfänger-Terminal-Kurs, um die Grundlagen abzudecken, dann lebe einfach darin. Die MIT „Missing Semester"-Materialien gehen tiefer, wenn du sie willst, aber für Monat 1 brauchst du nur Navigation und das Ausführen von Dingen.

Lerne cd, ls, pwd, mkdir und rm zum Navigieren und Verwalten von Dateien.

Lerne cat und grep zum Lesen und Suchen.

Lerne, wie man ein Python-Skript vom Terminal aus ausführt und wie man eine Umgebungsvariable setzt, was du brauchst, sobald du mit API-Schlüsseln hantierst.

Du musst kein Shell-Zauberer werden. Du musst aufhören zu zögern.

Eine Woche, in der du das Terminal für alles verwendest, sogar für Dinge, die du normalerweise mit der Maus erledigen würdest, bringt dich dorthin.

APIs, JSON und HTTP

Das ist die Brücke zu Monat 2.

Vom ersten Tag des Bauens mit LLMs an wirst du API-Aufrufe tätigen, was bedeutet, dass du verstehen musst, wie Web-APIs funktionieren, bevor du die Tools von OpenAI oder Anthropic anfasst.

Meine Wahl: Die MDN Web Docs HTTP-Übersicht für die Konzepte, plus die Python-Requests-Bibliotheksdokumentation für die Umsetzung in Code.

MDN erklärt, wie Anfragen und Antworten funktionieren, klarer als alles andere, das kostenlos ist.

Dann zeigt requests dir, wie du diese Aufrufe in Python in wenigen Zeilen machst.

Worauf du dich konzentrieren solltest: Was GET- und POST-Anfragen sind und wie man sie in Python macht.

Lesen und Schreiben von JSON, dem Format, das jede KI-API spricht.

HTTP-Statuscodes und was die gebräuchlichen bedeuten, insbesondere 200 für Erfolg, 401 für einen falschen API-Schlüssel, 429 für Ratenbegrenzung und 500 für einen Serverfehler, denn du wirst alle diese ständig sehen.

Was ein API-Schlüssel ist und wie die grundlegende Authentifizierung funktioniert.

Und eine leichte Einführung in das, was async und await in Python tun, was du brauchen wirst, wenn du später anfängst, Antworten von Modellen zu streamen.

Geh jetzt nicht tief in async ein.

Wisse nur, dass es existiert und grob, welches Problem es löst.

Dein Bauziel hier: Ein Python-Skript, das eine kostenlose öffentliche API aufruft, eine, die keinen Schlüssel benötigt, wie die Open-Meteo-Wetter-API, und das Ergebnis als sauber formatierte Ausgabe ausgibt.

Das ist eine winzige Version von genau dem, was du den ganzen Monat 2 über tun wirst, nur ohne den KI-Teil.

Eine kurze Anmerkung zu SQL

Du musst kein Datenmensch sein, aber du wirst regelmäßig Daten ansehen und abfragen müssen, und grundlegendes SQL hilft dir ständig.

Meine Wahl ist SQLBolt, das kostenlos, interaktiv ist und dir den Kern von SQL in etwa 20 kurzen Browser-Lektionen beibringt.

Finde es unter sqlbolt.com.

Konzentriere dich auf SELECT, WHERE, GROUP BY, JOIN und ORDER BY.

Das reicht fürs Erste.

Du kannst tiefer gehen, sobald ein Projekt es verlangt.

Monat-1-Meilenstein

Am Ende des Monats solltest du in der Lage sein, ein Python-Programm zu schreiben, das Dateien liest und schreibt, eine API aufruft und seine eigenen Fehler behandelt, ohne abzustürzen.

Du solltest diesen Code mit Git versionieren und in einem GitHub-Repo haben.

Du solltest dich im Terminal bewegen, ohne zu zögern. Du solltest verstehen, was eine HTTP-Anfrage ist, und eine in Python machen.

Und du solltest in der Lage sein, eine grundlegende SQL-Abfrage auszuführen.

Wenn du diese Dinge kannst, hast du die Grundlage.

Die meisten Leute, die aufhören, kommen nie hierher, und hierher zu kommen ist tatsächlich der schwierigste Teil, weil es der am wenigsten aufregende ist.

Ab Monat 2 wird es lustiger, denn von hier an baust du mit KI.

Monat 2: Bauen mit LLM-APIs

Dein Ziel in diesem Monat: Baue echte KI-gestützte Funktionen mit Modell-APIs.

Am Ende solltest du in der Lage sein, Prompts zu schreiben, die zuverlässige Ergebnisse liefern, strukturierte Daten von einem Modell zurückzubekommen, das Modell deine eigenen Funktionen aufrufen zu lassen, ein Gespräch zu führen und alles zu handhaben, was kaputtgehen kann.

Das ist der Kern der gesamten Arbeit. Alles danach baut darauf auf.

Dies ist der Monat, in dem es anfängt, sich real anzufühlen. Du hörst auf, Setup zu machen, und fängst an, Modelle Dinge tun zu lassen.

Nimm dir hier Zeit.

Tiefe in Monat 2 zahlt sich mehr aus als Tiefe an jeder anderen Stelle in diesem Leitfaden.

Prompting, das tatsächlich funktioniert

Prompting bedeutet nicht, einem Chatbot höflich eine Frage zu stellen.

Es ist die Fähigkeit, Anweisungen zu schreiben, die konsistente, zuverlässige Ausgaben von einem System liefern, das grundsätzlich probabilistisch ist.

Als KI-Ingenieur wirst du mehr Zeit hier verbringen, als du denkst, und darin gut zu werden, ist das wirksamste, was du diesen Monat tun kannst.

Meine Wahl: Anthropics interaktives Prompt-Engineering-Tutorial auf GitHub. Es ist die praktischste Ressource, die es gibt, aufgeteilt in Kapitel mit echten Übungen, die du gegen die Claude-API ausführst.

Du übst das Schreiben und Korrigieren von Prompts selbst, anstatt darüber zu lesen, was, wenn du dich an Fehler 2 erinnerst, der springende Punkt ist.

Finde es im anthropics/prompt-eng-interactive-tutorial-Repo. Sobald du es durchgearbeitet hast, sind die offiziellen Prompt-Engineering-Dokumentationen von Anthropic und OpenAI die Referenz, zu der du zurückkehren wirst.

Worauf du dich konzentrieren solltest: Der Unterschied zwischen einer Systemnachricht und einer Benutzernachricht und warum dieser Unterschied wichtig ist.

Warum Spezifität Höflichkeit jedes Mal schlägt.

Chain-of-Thought-Prompting, bei dem du das Modell bittest, Schritt für Schritt zu denken, bevor es antwortet, was die Ergebnisse bei allem, was Logik enthält, messbar verbessert.

Die Verwendung von Beispielen in deinem Prompt, Few-Shot-Prompting genannt, um dem Modell das gewünschte Format zu zeigen.

Und die Entwicklung eines Gefühls dafür, wie kleine Formulierungsänderungen große Ausgabeänderungen bewirken, was nur durch viel Übung kommt.

Eine Bauübung, die das schnell lehrt: Nimm eine reale Aufgabe, wie das Zusammenfassen eines Dokuments oder das Klassifizieren eines Feedbacks, und schreibe fünf verschiedene Prompts dafür.

Führe alle fünf aus.

Vergleiche die Ausgaben nebeneinander. Du wirst sofort sehen, wie sehr das Prompt-Design die Zuverlässigkeit bestimmt, und diese Lektion bleibt besser haften als jeder Vortrag.

Strukturierte Ausgaben

In einer echten Anwendung willst du fast nie einen Textabsatz von einem Modell zurück.

Du willst strukturierte Daten, die dein Code parsen, speichern und verwenden kann. Strukturierte Ausgaben lösen dies, indem sie das Modell zwingen, Daten zurückzugeben, die zu einem von dir definierten Schema passen.

Dies ist eine dieser Fähigkeiten, die eine Demo von etwas trennt, das tatsächlich in Software funktioniert.

Meine Wahl: Die Instructor-Bibliothek für Python, unterstützt durch die offiziellen Dokumentationen zu strukturierten Ausgaben von OpenAI und Anthropic.

Instructor ist der sauberste Weg, strukturierte Daten aus jedem großen Modell mit Pydantic zu bekommen, einer Python-Bibliothek zur Definition der Form deiner Daten.

Es funktioniert mit demselben Code über verschiedene Anbieter hinweg und wiederholt sich automatisch, wenn das Modell etwas Fehlerhaftes zurückgibt.

Es kommt dem, was viele arbeitende Ingenieure tatsächlich verwenden, nahe, was es wert macht, es an echten Projekten zu lernen, statt an einer Spielzeugversion.

Worauf du dich konzentrieren solltest: Definieren eines Pydantic-Modells, das die gewünschten Daten beschreibt, Übergeben dieses Schemas an die API und Behandeln des Falls, dass das Modell sich weigert oder etwas Unerwartetes zurückgibt.

Verstehe den Unterschied zwischen echten strukturierten Ausgaben, bei denen das Schema erzwungen wird, und dem loseren JSON-Modus, bei dem es nicht garantiert ist.

Hier ist dein zweites Artefakt, das ein Lesezeichen verdient, ein Prompt-Muster für zuverlässige strukturierte Extraktion, das sogar funktioniert, bevor du eine Bibliothek hinzufügst.

Prompt: Strukturierte Datenextraktion

(Framework: FAG Extractor, von AI Guides)

1Ihre Aufgabe: Extrahieren Sie strukturierte Daten aus dem von mir bereitgestellten Text und geben Sie diese
2als sauberes JSON zurück.
3
4Was zu tun ist:
5- Lesen Sie den Eingabetext sorgfältig durch.
6- Extrahieren Sie nur die Felder, die unter Ausgabe aufgeführt sind.
7- Wenn ein Feld im Text fehlt, verwenden Sie null. Raten oder erfinden Sie nichts.
8- Geben Sie nur das JSON-Objekt zurück. Keine Erklärung, kein Markdown, keine Einleitung.
9
10Regeln:
11- Jeder Wert muss auf etwas im Eingabetext zurückführbar sein.
12- Daten im Format JJJJ-MM-TT. Zahlen als Zahlen, nicht als Zeichenketten.
13- Wenn der Text mehrdeutig ist, bevorzugen Sie null gegenüber einer fälschlicherweise sicheren Antwort.
14
15Ausgabe: Ein JSON-Objekt mit diesen Feldern:
16{
17  "field_one": string oder null,
18  "field_two": number oder null,
19  "field_three": Liste von Strings oder leere Liste
20}
21
22Eingabetext:
23[TEXT HIER EINFÜGEN]

Die getestete Fehlermeldung, weil ich Ihnen die ehrliche Version versprochen habe: Beim ersten Mal wird das Modell das JSON manchmal in Markdown-Codeblöcke packen oder einen freundlichen Satz davor setzen, und Ihr Parser wird daran scheitern.

Das ist normal. Die Lösung ist, die Codeblöcke vor dem Parsen zu entfernen und im Prompt explizit zu machen, dass Sie nur das JSON-Objekt wollen, was das obige Muster tut.

Wenn Sie das einmal erlebt und behoben haben, werden Sie es für immer handhaben können.

Ihr Bauziel: Ein Beleg- oder Rechnungs-Parser.

Füttern Sie ihn mit rohem, unstrukturiertem Text wie "Rechnung 123, 45,99 € für 3 Widgets, fällig am 30. März" und erhalten Sie ein sauberes, strukturiertes Objekt mit Rechnungsnummer, Betrag, Artikelanzahl und Fälligkeitsdatum zurück.

Das ist ein wirklich nützliches kleines Werkzeug und ein gutes Portfolio-Stück.

Tool-Aufruf

Tool-Aufruf ist das, was aus einem Textgenerator etwas macht, das Aktionen ausführen kann: das Internet durchsuchen, eine Datenbank abfragen, Ihre API aufrufen, Code ausführen.

Es ist eine der wichtigsten Fähigkeiten in diesem gesamten Leitfaden und die Grundlage für alles in Monat 3.

Das mentale Modell, das es verständlich macht: Das Modell führt Ihre Funktionen nicht aus.

Es betrachtet die Konversation, entscheidet, dass ein Tool verwendet werden sollte, und gibt eine strukturierte Anfrage zurück, die die Funktion und die Argumente benennt.

Ihr Code führt die Funktion aus und gibt das Ergebnis an das Modell zurück. Das Modell ist der Entscheidungsträger. Ihr Code sind die Hände.

Meine Wahl: OpenAIs Leitfaden zum Funktionsaufruf und Anthropics Dokumentation zur Tool-Nutzung, zusammen gelesen.

Die Konzepte sind auf beiden Seiten identisch, die Syntax unterscheidet sich geringfügig, und das Sehen beider macht das zugrundeliegende Muster offensichtlich.

Arbeiten Sie dann ein ausführbares Notebook-Beispiel durch, wie das im OpenAI-Kochbuch, damit Sie die gesamte Schleife von Anfang bis Ende sehen, anstatt in Teilen.

Worauf Sie sich konzentrieren sollten: Ihre Funktionen klar in einem Schema beschreiben, die Tool-Call-Antwort des Modells parsen, die Funktion ausführen und das Ergebnis zurückgeben, und den Fall behandeln, in dem das Modell entscheidet, dass kein Tool benötigt wird.

Die Qualität Ihrer Tool-Beschreibungen ist wichtiger, als Anfänger erwarten, ein Thema, das in Monat 3 stark zurückkommt.

Ihr Bauziel: Ein kleiner Assistent mit drei Tools, wie get_weather, calculate und search_notes, wobei search_notes nur ein hartcodiertes Wörterbuch durchsucht.

Verkabeln Sie sie alle und beobachten Sie, wie das Modell basierend auf Ihrer Frage entscheidet, welches es aufrufen soll.

In dem Moment, in dem Sie sehen, dass es selbstständig das richtige Tool auswählt, setzt sich das Konzept dauerhaft fest.

Gesprächszustand und Streaming

Zwei kleinere, aber wesentliche Fähigkeiten runden den Monat ab.

Modelle haben kein Gedächtnis zwischen den Aufrufen. Eine Konversation ist etwas, das Sie verwalten, indem Sie den vollständigen Nachrichtenverlauf mit jeder Anfrage senden.

Dies zu verstehen ist grundlegend, und es überrascht fast jeden zuerst.

Meine Wahl ist die Dokumentation zu Nachrichten von OpenAI und Anthropic.

Konzentrieren Sie sich darauf, wie das Nachrichten-Array strukturiert ist, warum Sie sowohl die Nachrichten des Benutzers als auch die Antworten des Modells anhängen, was passiert, wenn Sie das Kontextfenster überschreiten, und grundlegende Strategien zum Kürzen alter Nachrichten.

Bauen Sie einen einfachen Multi-Turn-Terminal-Chatbot, der den Verlauf behält und einen Reset-Befehl hat. Er ist klein und vermittelt das Konzept vollständig.

Streaming bedeutet, die Ausgabe des Modells während der Erstellung Wort für Wort anzuzeigen, anstatt den Benutzer auf das Ganze warten zu lassen.

Es lässt Apps dramatisch schneller wirken.

Meine Wahl ist die offizielle Streaming-Dokumentation eines der Anbieter, plus Simon Willisons klare Darstellung, wie Streaming im Hintergrund funktioniert.

Konzentrieren Sie sich darauf, die Stream-Option zu setzen, über die Chunks zu iterieren und die vollständige Antwort aus den Teilen zusammenzusetzen.

Für alles, was eine echte Person verwenden wird, ist Streaming fast immer die richtige Wahl.

Niemand möchte zehn Sekunden lang auf einen Ladebalken starren.

Kosten, Fehler und eine Sicherheitsidee

Drei Dinge, die ein Hobbyprojekt von etwas trennen, das Sie Benutzern präsentieren würden.

Kosten und Token: Modelle berechnen pro Token, was ungefähr drei Vierteln eines Wortes entspricht.

Eingabe- und Ausgabe-Token werden unterschiedlich bepreist.

Lernen Sie, die Kosten einer Anfrage abzuschätzen, bevor Sie sie senden, halten Sie die Preisseiten der Anbieter als Lesezeichen bereit und verinnerlichen Sie eine Regel, die echtes Geld spart: Verwenden Sie nicht das größte, teuerste Modell für einfache Aufgaben.

Ein günstigeres Modell ist oft mehr als gut genug, und der Kostenunterschied im großen Maßstab ist enorm.

Fehlerbehandlung: APIs schlagen fehl.

Ratenlimits werden erreicht, Anfragen laufen in ein Timeout, das Modell gibt fehlerhafte Ausgaben zurück.

Dies elegant zu handhaben, macht etwas produktionsreif.

Lernen Sie, Ratenlimit-Fehler abzufangen und es mit einer wachsenden Verzögerung zwischen den Versuchen erneut zu versuchen, genannt exponentielles Backoff.

Die Tenacity-Bibliothek in Python macht dies mit einem einzigen Dekorator.

Lernen Sie, die Ausgabe des Modells zu validieren, bevor Sie ihr vertrauen, und lassen Sie niemals zu, dass eine unerwartete Antwort Ihre gesamte App zum Absturz bringt.

Prompt-Injection, kurz: Dies ist das größte Sicherheitsrisiko bei LLM-Apps.

Es tritt auf, wenn nicht vertrauenswürdige Benutzereingaben mit Ihren Anweisungen kombiniert werden, sodass ein Benutzer Ihre Systemanweisungen überschreiben oder kapern kann.

Sie müssen diesen Monat kein Sicherheitsexperte werden, aber Sie müssen wissen, dass es existiert, bevor Sie etwas ausliefern.

Der OWASP-Leitfaden dazu ist die maßgebliche Referenz.

Die Kernverteidigungen: Vertrauen Sie nicht darauf, dass unvalidierte Modellausgaben automatisch folgenreiche Aktionen ausführen, und geben Sie Ihren Tools nur die geringsten Zugriffsrechte, die sie für ihre Aufgabe benötigen.

Monat 2 Meilenstein

Bis zum Ende des Monats sollten Sie in der Lage sein, Prompts zu schreiben, die zuverlässige Ausgaben für eine bestimmte Aufgabe produzieren, strukturiertes JSON mit Pydantic und Instructor aus einem Modell zu extrahieren, Tool-Aufrufe zu verdrahten, damit ein Modell Ihre Python-Funktionen ausführen kann, eine Antwort in Echtzeit zu streamen, den Multi-Turn-Konversationsverlauf zu verwalten, die Token-Kosten einer Anfrage vor dem Senden abzuschätzen, API-Fehler und fehlerhafte Ausgaben ohne Absturz zu behandeln und zu erklären, was Prompt-Injection ist.

Das ist für sich genommen ein echtes, vermittelbares Fähigkeiten-Set.

Zahlreiche bezahlte KI-Funktionen in der Produktion tun genau das und nicht mehr.

Aber im nächsten Monat bauen Sie das Ding, das Ihnen tatsächlich einen Job verschafft.

Monat 3: RAG und Agenten – die Fähigkeiten, die Ihnen einen Job verschaffen

Ihr Ziel in diesem Monat: Systeme bauen, die es Modellen ermöglichen, aus Ihren Dokumenten zu antworten, anstatt nur aus ihren Trainingsdaten, und Systeme bauen, die selbstständig mehrere Schritte unternehmen.

Diese beiden Fähigkeiten, Retrieval und Agenten, sind derzeit die gefragtesten praktischen Fähigkeiten im KI-Engineering.

Fast jeder reale Anwendungsfall in Unternehmen, von Support-Bots über interne Wissenswerkzeuge bis hin zur Dokumentenanalyse, baut auf ihnen auf.

Ich habe das, was viele Roadmaps auf zwei Monate verteilen, in einen komprimiert, weil Sie nicht jede fortgeschrittene Variation meistern müssen, um vermittelbar zu sein.

Sie müssen ein solides Retrieval-System und einen soliden Agenten bauen, verstehen, warum jedes Teil vorhanden ist, und in der Lage sein, sie zu debuggen, wenn sie kaputtgehen.

Das ist die Messlatte. Legen wir los.

RAG, zuerst in einfachem Deutsch

RAG steht für Retrieval-Augmented Generation.

Streifen Sie den Jargon ab, und es ist einfach: Sie geben dem Modell eine Bibliothek, in der es nachschlagen kann, damit es nicht alles auswendig gelernt haben muss und damit es Fragen zu Ihren spezifischen Dokumenten beantworten kann.

Der Ablauf ist: Sie nehmen Ihre Dokumente, zerlegen sie in Stücke, wandeln jedes Stück in eine Liste von Zahlen um, die seine Bedeutung erfasst, und speichern diese.

Wenn ein Benutzer eine Frage stellt, wandeln Sie seine Frage auf die gleiche Weise in Zahlen um, finden die Stücke, deren Zahlen am nächsten sind, und geben diese Stücke zusammen mit der Frage an das Modell weiter.

Das Modell antwortet mit dem, was Sie ihm gegeben haben. Das ist RAG. Alles andere ist Verfeinerung.

Lassen Sie uns die Teile aufbauen.

Embeddings

Ein Embedding ist ein Textstück, das in eine lange Liste von Zahlen umgewandelt wurde, die seine Bedeutung repräsentiert.

Die nützliche Eigenschaft: Texte, die ähnliche Dinge bedeuten, haben am Ende ähnliche Zahlen, nahe beieinander in diesem Zahlenraum.

Diese Nähe macht die Suche nach Bedeutung möglich, die der Motor unter RAG ist.

Meine Wahl zum Aufbau der Intuition: Der intuitive Einstieg in Text-Embeddings des Stack Overflow Blogs, der sich auf das mentale Modell konzentriert, nicht auf die Mathematik, plus OpenAIs Embeddings-Leitfaden, wenn Sie bereit sind, sie im Code zu generieren.

Konzentrieren Sie sich darauf, zu verstehen, was ein Vektor konzeptionell ist, warum ähnlicher Text ähnliche Vektoren erzeugt und wie Sie ungefähr die Entfernung zwischen zwei von ihnen messen.

Sie brauchen die Mathematik hinter der Erzeugung von Embeddings nicht. Sie müssen wissen, wie man sie verwendet.

Ein kleiner Bau, der dies vollständig lehrt: Nehmen Sie 20 Sätze zu verwandten Themen, wandeln Sie jeden in ein Embedding um und schreiben Sie eine kleine Funktion, die für einen neuen Satz die drei ähnlichsten aus Ihrer Sammlung zurückgibt.

Das ist RAG im Miniaturformat. Wenn Sie das gebaut haben, ist die vollständige Version nur die gleiche Idee im größeren Maßstab.

Chunking

Ihre Dokumente sind zu groß, um sie als Ganzes zu embedden, also zerlegen Sie sie vor dem Embedden in Stücke.

Wie Sie chunking betreiben, steuert direkt, wie gut Ihr System die richtigen Informationen findet.

Selbst ein perfektes Retrieval-Setup scheitert, wenn die zugrundeliegenden Stücke schlecht sind.

Meine Wahl: Beginnen Sie mit LangChains RecursiveCharacterTextSplitter, mit einer Chunk-Größe von etwa 500 Zeichen und einer Überlappung von etwa 50.

Diese Überlappung ist wichtig, weil sie verhindert, dass Sie an der Grenze, wo ein Chunk endet und der nächste beginnt, Bedeutung verlieren.

Dies ist der sinnvolle Standard, der Ihnen eine funktionierende Basislinie gibt.

Der Kernkompromiss, den Sie im Kopf behalten sollten: Zu große Chunks verlieren an Präzision, zu kleine Chunks verlieren an Kontext.

Beginnen Sie mit dem Standard und passen Sie ihn dann basierend darauf an, was Ihr Retrieval tatsächlich falsch macht.

Vektordatenbanken

Sobald Sie Embeddings haben, brauchen Sie einen Ort, um sie schnell zu speichern und zu durchsuchen. Das macht eine Vektordatenbank.

Meine Wahl zum Lernen: Chroma. Es läuft lokal, ohne dass Infrastruktur eingerichtet werden muss, was genau das ist, was Sie während des Lernens wollen.

Sie brauchen noch keine verwaltete Cloud-Skalierung, und sie früh hinzuzufügen, gibt Ihnen nur mehr zu konfigurieren und kaputt zu machen.

Chroma ermöglicht es Ihnen, sich auf die Konzepte zu konzentrieren.

Finden Sie es unter docs.trychroma.com.

Lernen Sie, eine Sammlung zu erstellen, Embeddings zusammen mit Metadaten wie Quelle und Abschnitt einzufügen, per Ähnlichkeit abzufragen, um die besten Treffer zu erhalten, und zur Abfragezeit nach Metadaten zu filtern.

Sie müssen die zugrundeliegenden Indizierungsalgorithmen nicht verstehen. Sie müssen sie verwenden.

Wenn Sie irgendwann Produktionsskalierung benötigen, ist pgvector der natürliche nächste Schritt, wenn Ihre App bereits eine Postgres-Datenbank verwendet, und es gibt verwaltete Optionen, wenn Sie möchten, dass jemand anderes sie betreibt.

Aber das ist ein Monat-4- oder On-the-Job-Thema. Für jetzt ist Chroma, lokal, genug.

Retrieval tatsächlich gut machen

Eine einfache Ähnlichkeitssuche bringt Ihnen eine Demo.

Ein paar Verfeinerungen bringen Ihnen etwas, das zuverlässig funktioniert, und diese zu kennen, unterscheidet Leute, die ein Tutorial kopiert haben, von Leuten, die das System verstehen.

Metadaten-Filterung: Markieren Sie jeden Chunk beim Speichern mit nützlichen Informationen, wie der Quelldatei, dem Datum, dem Abschnitt oder der Kategorie.

Filtern Sie dann zur Abfragezeit danach. Das ist der Unterschied zwischen einem Spielzeug und einem System, in dem ein Benutzer "zeige mir nur Ergebnisse aus dem Q4-Bericht" fragen und sie tatsächlich bekommen kann.

Reranking: Ihre erste Suche ist schnell, aber ungefähr.

Ein Reranker nimmt die obersten Ergebnisse und bewertet sie neu auf ihre tatsächliche Relevanz für die Frage, was die Qualität für einen geringen Geschwindigkeitsnachteil spürbar verbessert.

Das Muster ist: Holen Sie sich schnell eine breite Menge, dann reranken Sie auf die besten wenigen herunter. Coheres Reranking-Dokumentation ist der sauberste Ort, um dies zu lernen, und es ist oft eine Zeile, die Sie hinzufügen.

Debugging von Retrieval, weil die meisten RAG-Fehler Retrieval-Fehler sind, keine Modellfehler.

Wenn Ihr System eine schlechte Antwort gibt, ist das Modell normalerweise nicht das Problem.

Das Retrieval hat ihm die falschen Stücke geliefert.

Lernen Sie die häufigen Fehlermodi: Die Frage und das relevante Stück stimmen im Zahlenraum nicht überein, obwohl die Information da ist (behebbar durch Umschreiben der Abfrage), die relevante Information ist auf zwei Stücke verteilt (behebbar mit mehr Überlappung), oder das richtige Stück existiert, hat es aber nicht unter die Top-Ergebnisse geschafft (behebbar durch Abrufen von mehr, dann Reranking nach unten).

Wenn eine Antwort falsch ist, überprüfen Sie, was abgerufen wurde, bevor Sie dem Modell die Schuld geben. Diese eine Gewohnheit wird Ihnen enorme Frustration ersparen.

Fundierung und Zitate: Ein gutes RAG-System antwortet nicht nur, es sagt Ihnen, woher die Antwort kommt, was Vertrauen aufbaut und das Debuggen erheblich erleichtert.

Übergeben Sie die Quellinformationen für jeden Chunk in Ihren Prompt und weisen Sie das Modell an, sie zu zitieren.

Hier ist Ihr drittes Artefakt, der Fundierungs-Prompt, der ein RAG-System ehrlich hält.

Dies ist der, den ich mir von allen am meisten merken würde, weil es der Unterschied zwischen einem System ist, das Dinge erfindet, und einem, dem Sie vertrauen können.

Prompt: Fundierte RAG-Antwort

(Framework: FAG Grounding, von AI Guides)

1Ihre Aufgabe: Beantworten Sie die Frage des Benutzers ausschließlich mit dem bereitgestellten Kontext.
2
3Was zu tun ist:
4- Lesen Sie die folgenden Kontext-Chunks. Jeder hat ein Quellenlabel.
5- Beantworten Sie die Frage nur mit Informationen, die im Kontext gefunden werden.
6- Zitieren Sie nach jeder Behauptung das Quellenlabel, aus dem sie stammt, wie [Quelle: Dateiname, S.3].
7- Wenn der Kontext die Antwort nicht enthält, sagen Sie genau:
8  "Ich habe in den bereitgestellten Dokumenten nicht genügend Informationen, um das zu beantworten."
9
10Regeln:
11- Verwenden Sie niemals Wissen von außerhalb des bereitgestellten Kontexts.
12- Raten Sie niemals. Füllen Sie niemals Lücken mit dem, was plausibel klingt.
13- Wenn der Kontext die Frage teilweise beantwortet, beantworten Sie diesen Teil und sagen Sie
14  klar, was fehlt.
15
16Kontext:
17[HIER ABGERUFENE CHUNKS MIT QUELLENLABELS EINFÜGEN]
18
19Frage:
20[BENUTZERFRAGE HIER EINFÜGEN]

Diese Anweisung "sagen Sie genau dies, wenn Sie es nicht wissen" leistet Schwerstarbeit. Es ist der mit Abstand effektivste Weg, Halluzinationen in einem Retrieval-System zu reduzieren, weil es dem Modell einen erlaubten Weg gibt, Unwissenheit einzugestehen, anstatt eine Antwort zu erfinden, um hilfreich zu wirken.

Ihr RAG-Bau

Verwenden Sie ein Framework, um dies zusammenzubinden, anstatt jedes Teil von Grund auf neu zu bauen.

Meine Wahl für ein erstes RAG-System ist LlamaIndex, das suchorientiert gebaut ist und Ihnen mit wenig Code eine funktionierende Pipeline liefert.

LangChain ist die andere große Option und glänzt mehr bei der als nächstes anstehenden Multi-Step-Agentenarbeit, also werden Sie es gleich kennenlernen.

Ihr Bauziel, und das ist ein echtes Portfolio-Stück: eine "Chatte mit deinen Dokumenten"-App.

Nehmen Sie 10 bis 20 PDFs oder Textdateien auf (Ihre eigenen Notizen oder eine Reihe von Produktdokumenten eignen sich gut), bauen Sie etwas, das eine Frage entgegennimmt, die relevantesten Chunks mit Reranking abruft und eine zitierte Antwort zurückgibt.

Setzen Sie eine einfache Oberfläche darauf.

Das ist das Projekt, das Personalleiter ernst nimmt, weil es genau die Art von Sache ist, für deren Bau Unternehmen derzeit bezahlen.

Agenten

Wechseln Sie zur Monatsmitte zu Agenten.

Ein Agent klingt wie Magie und ist wirklich einfach, sobald Sie ihn sehen: Es ist eine Schleife, in der das Modell wiederholt den nächsten Schritt entscheidet, ihn mit einem Tool ausführt, das Ergebnis betrachtet und erneut entscheidet, bis die Aufgabe erledigt ist.

Das mentale Modell: Ein Agent ist eine while-Schleife, in der das Modell die Verzweigungsentscheidungen trifft.

Das Denken geschieht im Prompt. Die Verzweigung ist das Modell, das auswählt, welches Tool verwendet werden soll. Das Tun ist Ihr Code, der dieses Tool ausführt.

Alles andere ist Infrastruktur. Sobald das klickt, werden selbst komplizierte Agenten-Frameworks lesbar.

Meine Wahl, und ich würde dies lesen, bevor ich eine einzige Zeile Agentencode schreibe: Anthropics "Building Effective Agents."

Es ist die klarste Darstellung, wie Agenten in der Praxis funktionieren, vom Team, das die Modelle baut.

Kombinieren Sie es mit einem praktischen Framework-Kurs, wenn Sie bereit sind zu bauen, wie der Einführung in LangGraph, dem am weitesten verbreiteten Framework zur Orchestrierung von Agenten.

Worauf Sie sich konzentrieren sollten: Die Schleife von Wahrnehmen, Entscheiden, Handeln, Beobachten und wie sie weiß, wann sie aufhören muss. Was passiert, wenn ein Tool-Aufruf innerhalb der Schleife fehlschlägt. Wie man Tool-Beschreibungen schreibt, die das Modell tatsächlich verwenden kann, denn ein vage beschriebenes Tool wird falsch aufgerufen oder ignoriert. Und die Verwaltung des Zustands, der gemeinsame Speicher, der durch den Agenten fließt, während er arbeitet.

Die wertvollste Übung in diesem Monat: Bauen Sie einen kleinen Agenten von Grund auf ohne Framework, nur mit der Modell-API direkt.

Geben Sie ihm drei Tools, ein Ziel und eine Schleife. Das lehrt Sie, was die Frameworks verbergen, und es lässt jedes Framework, das Sie danach anfassen, Sinn ergeben.

Tun Sie dies, bevor Sie LangGraph anfassen.

Wann man keinen Agenten verwendet

Dies ist eine der am meisten übersehenen Fähigkeiten auf diesem Gebiet, und sie zu kennen, zeichnet Sie als jemanden mit Urteilsvermögen aus, nicht als jemanden, der dem glänzenden Ding hinterherjagt.

Agenten sind aufregend, und sie sind auch langsamer, teurer, weniger vorhersagbar und schwieriger zu debuggen als einfachere Ansätze.

Nach dem einfachsten zu greifen, das funktioniert, ist ein Zeichen dafür, dass Sie wissen, was Sie tun.

Der Entscheidungsrahmen, den man sich merken sollte: Verwenden Sie einen einzelnen Modellaufruf, wenn die Aufgabe mit dem richtigen Kontext in einen Prompt passt. Verwenden Sie einen festen Workflow, eine Kette von Schritten, die Sie definieren, wenn die Schritte vorhersagbar sind. Verwenden Sie einen Agenten nur, wenn die Anzahl der Schritte wirklich unvorhersagbar ist und das Modell dynamisch entscheiden muss.

Eine Kette von drei festen Aufrufen wird immer schneller, billiger und einfacher zu debuggen sein als ein Agent, der vielleicht drei Aufrufe tätigt. Heben Sie sich Agenten für wirklich offene Aufgaben auf.

Zwischen einem einzelnen Aufruf und einem vollwertigen Agenten liegt ein großes, produktives Mittelfeld: Workflows.

Verkettung, bei der die Ausgabe eines Aufrufs die nächste speist.

Routing, bei dem Sie die Eingabe klassifizieren und an einen spezialisierten Handler senden.

Parallelisierung, bei der Sie mehrere Aufrufe gleichzeitig ausführen und sie kombinieren.

Die meisten realen Probleme werden am besten mit einem Workflow gelöst, nicht mit einem Agenten, und Anthropics Agenten-Stück behandelt diese Muster gut.

Evals, kurz aber ernsthaft

Sie müssen wissen, ob Ihr System tatsächlich funktioniert, nicht nur, ob es bei den zwei Beispielen funktioniert hat, die Sie von Hand getestet haben.

Dafür sind Evaluationen da. Bauen Sie einen kleinen Satz von 20 bis 30 repräsentativen Eingaben mit erwarteten Ausgaben oder einem Bewertungsschema und lassen Sie Ihr System gegen alle laufen, wann immer Sie einen Prompt ändern, ein Modell austauschen oder Ihr Retrieval anpassen.

Tools wie DeepEval für den allgemeinen Gebrauch und Ragas speziell für RAG machen dies handhabbar.

Die Denkweise, die wichtiger ist als das Tool: Jede Prompt-Änderung oder jeder Modellwechsel, den Sie ohne Evals vornehmen, ist ein Glücksspiel.

Die Leute, die zuverlässige KI ausliefern, führen ständig Evals durch, und diese Gewohnheit jetzt zu beginnen, selbst in kleinem Rahmen, bringt Sie vor viele Leute, die bereits auf diesem Gebiet arbeiten.

Monat 3 Meilenstein

Bis zum Ende des Monats sollten Sie in der Lage sein, zu erklären, was ein Embedding ist und warum ähnlicher Text ähnliche Vektoren erzeugt, ein Dokument sinnvoll zu chunking, Embeddings in einer Vektordatenbank mit Metadaten-Filterung zu speichern und abzufragen, Reranking hinzuzufügen, um Ergebnisse zu verbessern, einen Retrieval-Fehler zu debuggen, anstatt dem Modell die Schuld zu geben, eine vollständige RAG-Pipeline zu bauen, die fundierte, zitierte Antworten zurückgibt, eine Agentenschleife von Grund auf zu implementieren, korrekt zu entscheiden, ob eine Aufgabe einen einzelnen Aufruf, einen Workflow oder einen Agenten benötigt, und eine grundlegende Eval durchzuführen, um Ihre Arbeit zu überprüfen.

Das ist der vermittelbare Kern.

Wenn die Monate 1 bis 3 solide sind, können Sie die Dinge bauen, für die Unternehmen einstellen.

Monat 4 dreht sich darum, es zu beweisen und bezahlt zu werden.

Monat 4: Ausliefern, zeigen, eingestellt werden

Ihr Ziel in diesem Monat: Nehmen Sie alles, was Sie gebaut haben, und machen Sie es real, und verwandeln Sie es dann in einen Job oder bezahlte Arbeit.

Hier bleiben die meisten Leute stecken.

Sie können eine Demo bauen, aber nichts ausliefern, das echte Nutzung übersteht, und sie können ihre Fähigkeiten nicht in Einkommen umwandeln.

Dieser Monat behebt beides. Er ist kürzer bei neuen Konzepten und schwerpunktmäßig beim Tun, weil Tun in diesem Stadium das ist, was zählt.

Genug Deployment, um gefährlich zu sein

Sie müssen kein Infrastrukturexperte werden.

Sie müssen in der Lage sein, eine funktionierende KI-App irgendwo hinzustellen, wo echte Leute sie nutzen können, ohne dass sie umfällt oder Sie in den Ruin treibt.

Das minimal lebensfähige Wissen: Lernen Sie genug Docker, um Ihre App zu paketieren, damit sie überall gleich läuft, was das "funktioniert auf meinem Rechner"-Problem beseitigt.

Lernen Sie, diesen Container irgendwo zu deployen.

Und lernen Sie die Kosten- und Zuverlässigkeitsgrundlagen, die verhindern, dass ein Fehler zu einer Katastrophe wird: Setzen Sie harte Ausgabenlimits für Ihre API-Konten, fügen Sie Caching hinzu, damit Sie nicht zweimal für dieselbe Anfrage bezahlen, und fügen Sie Ratenbegrenzung hinzu, damit ein einzelner Benutzer nicht Ihre Rechnung in die Höhe treiben kann.

Dockers offizieller Einstiegsleitfaden behandelt das Paketieren.

Für die KI-spezifische Kostenseite sind die Kernmaßnahmen das Caching identischer Anfragen, die Verwendung günstigerer Modelle, wo sie gut genug sind, und das Setzen eines harten monatlichen Ausgabenlimits, damit eine außer Kontrolle geratene Schleife Sie nicht über Nacht 500 $ kosten kann.

Sie wollen auch grundlegende Beobachtbarkeit, ein schickes Wort dafür, sehen zu können, was Ihre App tut.

LLM-Apps haben ein spezifisches Problem: Das Modell kann eine vollkommen erfolgreiche Antwort zurückgeben, die auch nutzlos oder falsch ist, und normales Monitoring wird das nicht erkennen.

Ein Tool wie Langfuse verfolgt jeden Modellaufruf und zeigt Ihnen den Prompt, die Antwort, die Token-Kosten und die Latenz, was Debugging und Kostenkontrolle erheblich erleichtert.

Richten Sie dies bei einem Projekt ein, damit Sie das Muster verstehen.

Investieren Sie hier nicht zu viel.

Eine App, richtig deployed, mit Kostenkontrollen und grundlegendem Tracing, lehrt Sie alles, was Sie brauchen, und gibt Ihnen etwas Reales zu zeigen.

Tiefe im Deployment kann im Job kommen.

Der Teil, den jede andere Roadmap auslässt: Projekte in einen Job verwandeln.

Sie haben drei echte Projekte gebaut. Lassen Sie sie jetzt für sich arbeiten, denn ein großartiges Projekt, das niemand sieht, tut nichts für Ihre Karriere.

Ihr Portfolio besteht aus drei deployed Projekten, jedes mit einer README, die tatsächlich Arbeit leistet.

Und hier ist der Schachzug, den fast niemand macht, derjenige, der Sie auszeichnen wird: Fügen Sie in jeder README einen Abschnitt darüber ein, was schiefgelaufen ist und was Sie anders machen würden.

Die meisten Portfolios tun so, als ob alles perfekt funktioniert hätte, was entweder unehrlich oder oberflächlich wirkt.

Eine README, die sagt "hier ist, wo mein erster Ansatz gescheitert ist, hier ist, was ich gelernt habe, hier ist, wie ich es behoben habe", signalisiert genau das Urteilsvermögen, nach dem Arbeitgeber jetzt angeblich suchen.

Es ist der Vorteil des Umsteigers aus der Einleitung, sichtbar gemacht.

Niemand erwartet von einem Karrierewechsler ein perfektes Projekt. Sie sind beeindruckt von jemandem, der seine eigene Arbeit tief genug versteht, um sie zu kritisieren.

Strukturieren Sie jede README so: Das Problem, das das Projekt löst, wer es verwenden würde, der Ansatz, den Sie gewählt haben und warum, was schiefgelaufen ist und was Sie gelernt haben, und wie man es ausführt.

Fünf Abschnitte.

Das ist ein besseres Portfolio, als die meisten Leute mit einem Informatikabschluss haben.

Der Lebenslauf- und Profil-Schachzug: Sie müssen nicht so tun, als hätten Sie jahrelange Erfahrung.

Sie brauchen eine klare Zeile, die sagt, was Sie können.

So etwas wie "Ich baue produktionsreife LLM-Anwendungen: RAG-Systeme, Agenten und API-Integrationen. Hier sind drei, die ich ausgeliefert habe."

Verknüpfen Sie dann die Projekte. Ihre bestehende Karriere ist ein Vorteil, nichts, was Sie verstecken müssen.

"Ehemaliger [Ihr Bereich], der jetzt KI-Systeme baut" ist eine stärkere Geschichte als "Junior-Entwickler", weil sie mit dem Fachwissen und Urteilsvermögen kommt, das einem reinen Junior fehlt.

Wenn du aus dem Finanzwesen kommst, verstehst du Finanzprobleme, die KI lösen könnte.

Wenn du aus dem Gesundheitswesen kommst, gilt das Gleiche. Nutze diesen Vorteil.

In der Öffentlichkeit bauen als deine Pipeline: Während dieses ganzen Monats poste weiterhin, was du baust und was du lernst.

Die besten Chancen, die ich gesehen habe, ergaben sich für Leute, die sichtbar waren, nicht für Leute, die sich still und leise auf 500 Stellenanzeigen beworben haben.

Schreibe über deine Projekte. Teile den Fehler, den du behoben hast. Der Zinseszinseffekt ist real, und jetzt hast du echte Arbeit zu teilen, also ist es einfacher als im ersten Monat.

Wähle eine Richtung

Bis zum 4. Monat kannst du deine Fähigkeiten auf das ausrichten, was zu deinen Zielen passt. Drei Richtungen, wähle eine, in die du tiefer einsteigst, anstatt dich zu verzetteln.

Der KI-Produktentwickler-Pfad, am besten, wenn du schnell einen Startup-Job willst: Du baust KI-gestützte Produkte, die echte Nutzer berühren.

Das meiste davon hast du bereits aus den Monaten 1 bis 3.

Gehe tiefer in den Bau vollständiger, ausgefeilter Apps und in die Produktseite, also wie die App damit umgeht, dass das Modell falsch liegt, wie sie Ladezustände anzeigt, wie Nutzer Feedback geben.

Bringe zwei oder drei Dinge heraus, die Leute tatsächlich ausprobieren können.

Der angewandte ML-Pfad, am besten, wenn du tiefere technische Rollen anstrebst: Gehe über API-Aufrufe hinaus zu Fine-Tuning, wann man feinjustieren sollte, anstatt nur bessere Prompts zu verwenden, dem Ausführen von Open-Source-Modellen lokal mit einem Tool wie Ollama und Inferenzoptimierung.

Der Entscheidungsrahmen, den du behalten solltest: Beginne mit Prompting, füge Retrieval hinzu, wenn das Modell deine spezifischen Daten benötigt, und feinjustiere nur, wenn Prompting und Retrieval die benötigte Qualität wirklich nicht erreichen können.

Fine-Tuning wird oft zu früh in Betracht gezogen.

Der KI-Automatisierungspfad, am besten, wenn du sofort von Unternehmen verdienen willst: Konzentriere dich auf die Automatisierung realer Geschäftsabläufe, verknüpfe KI mit Tools wie E-Mail, CRMs, Dokumenten und Tabellenkalkulationen.

Tools wie n8n für visuelle Workflows und LangGraph für die codeintensiven.

Ein verkaufbares Projekt hier: Ein Lead-Qualifizierungssystem, das Leads einzieht, ein Modell verwendet, um jeden zu recherchieren und zu bewerten, personalisierte Ansprache entwirft und alles protokolliert.

Unternehmen zahlen bares Geld genau dafür.

Meilenstein des 4. Monats

Bis zum Ende des Monats solltest du eine bereitgestellte KI-App mit ordnungsgemäßen Kostenkontrollen haben, drei Portfolio-Projekte, jedes mit einer ehrlichen README, einem klaren Einzeiler, der beschreibt, was du baust, einer sichtbaren Spur deiner Arbeit in der Öffentlichkeit und einer gewählten Richtung, in die du tiefer einsteigst.

An diesem Punkt bist du nicht mehr "jemand, der KI lernt". Du bist jemand, der KI-Systeme ausliefert, und das ist es, wofür der Markt bezahlt.

Der ehrliche Teil

Ich habe dir am Anfang gesagt, dass ich dir keine Fantasie verkaufen würde, also hier die gerade Version vor den Geldzahlen.

Vier Monate konzentrierter Arbeit machen dich auf Junior-Niveau einstellbar oder bereit für freiberufliche Arbeit. Das macht dich nicht zu einem Senior Engineer.

Seniorität kommt von Jahren des Auslieferns echter Dinge unter echten Zwängen, und kein Leitfaden komprimiert das.

Was vier Monate dir kaufen, ist die Fähigkeit, KI-Systeme zu bauen, auszuliefern und bereitzustellen, die echte Probleme lösen, was ein wirklich wertvoller und wirklich einstellbarer Ort ist.

Dies setzt echte Arbeit voraus, etwa 15 bis 20 Stunden pro Woche, tatsächliches Bauen und nicht nur Zuschauen.

Wenn du nur 7 Stunden pro Woche investieren kannst, ist dies ein 8-monatiger Weg, und das ist völlig in Ordnung.

Der Zeitplan dehnt sich, das Ziel ändert sich nicht. Was die Leute tötet, ist nicht ein langsames Tempo. Es ist das Aufhören.

Beständigkeit schlägt hier jedes Mal Intensität.

Und das Ganze beruht auf einem Verhalten aus dem Abschnitt über Fehler: Baue, schau nicht nur zu.

Jeder Monat hat ein Projekt. Mach die Projekte. Eine Person, die in vier Monaten vier grobe Projekte baut, ist einstellbar.

Eine Person, die vier Monate lang perfekte Tutorials ansieht, ist es nicht. Das ist das ganze Spiel.

Das Geld, mit Quellen

Jetzt die Zahlen, die du eigentlich willst, alle aktuell und alle belegt, denn lockere Gehaltsangaben sind der Grund, warum diese Leitfäden an Glaubwürdigkeit verlieren.

Stand Juni 2026 gibt Glassdoor das durchschnittliche US-KI-Ingenieurgehalt mit etwa 143.500 $ an, mit einer typischen Spanne von etwa 115.000 $ am 25. Perzentil bis 181.000 $ am 75. Perzentil, und Spitzenverdiener werden mit bis zu etwa 223.000 $ gemeldet.

Senior-KI-Ingenieure verdienen im Durchschnitt etwa 285.000 $, mit einer typischen Spanne von etwa 221.000 $ bis 375.000 $, was zeigt, wie steil der Sprung ist, sobald man echte Erfahrung hat.

Das sind Glassdoors Zahlen basierend auf eingereichten Gehältern.

Personalvermittler, die Leute in echte KI-Produktionsarbeit vermitteln, berichten von mittleren Basisgehältern, die sich zwischen 155.000 $ und 200.000 $ bewegen, basierend auf unterschriebenen Angeboten und nicht auf Umfragen, was mit der Glassdoor-Spanne übereinstimmt und dir eine zweite unabhängige Lesart gibt.

Und der breitere Markthintergrund aus PwCs Barometer 2026, mit dem ich eröffnet habe: KI-Kompetenz-Jobs wachsen etwa achtmal schneller als der Gesamtmarkt, eine 62%ige Lohnprämie für KI-Kompetenzen und sinkende Abschlussanforderungen, am schnellsten in genau diesen Rollen.

Das sind nicht von einem Hype-Thread. Sie stammen aus einer Analyse von über einer Milliarde Stellenanzeigen.

Freiberufliche und Beratungszahlen variieren zu stark, um sie genau zu zitieren, ohne dich in die Irre zu führen, also sage ich nur Folgendes: Die Sätze für RAG-Implementierung, Agentenbau und LLM-Integration sind hoch, und ein Wechsler mit drei soliden bereitgestellten Projekten und einem klaren Pitch kann anfangen, für diese Arbeit zu verlangen, lange bevor er eine Vollzeitstelle bekommt.

Die Projekte sind der Beweis. Baue sie und die Verdienstmöglichkeiten öffnen sich.

Starte diese Woche

Hier ist, was ich heute tatsächlich tun würde, wenn ich du wäre.

Wähle das Python-Projekt aus Monat 1, das kleine Kommandozeilen-Tool. Öffne einen Code-Editor.

Starte das erste Problem-Set von CS50P. Richte den Lernpartner-Prompt ein, damit die KI dich durch die frustrierenden Teile führt.

Erstelle ein GitHub-Repo und lege deine erste hässliche Datei hinein. Das ist die ganze erste Woche.

Warte nicht, bis du dich bereit fühlst, denn Bereitschaft kommt, nachdem du angefangen hast, nicht davor.

Plane nicht alle vier Monate bis ins letzte Detail, bevor du eine Zeile Code schreibst, denn der Plan ist bereits hier und das Planen ist nur eine bequeme Art, den Start zu vermeiden.

Die Lücke zwischen Lernen und Bauen ist der Ort, an dem Leute ein Jahr verlieren. Schließe sie diese Woche.

Vier Monate echte Arbeit verändern wirklich, was für dich möglich ist.

Die Tür ist offener als je zuvor, die Hürde des Abschlusses sinkt, und der Markt zahlt mehr für diese Fähigkeiten als für fast alles andere in der Technologiebranche.

Du hast den Leitfaden. Die einzige verbleibende Variable ist, ob du baust.

Speichere dies und komme jeden Monat darauf zurück, während du weitermachst. Ich werde es aktualisieren, wenn sich Tools und Zahlen ändern.

Folge @free_ai_guides für die Updates ❤️