Themen
Alle Artikel nach Themen geordnet. Jedes Thema beginnt mit den Artikeln, mit denen der Einstieg am leichtesten fällt.
Lokale LLMs & Ollama
Alles zum Betrieb lokaler Sprachmodelle: Ollama installieren, das passende Modell zur Hardware finden, ChatGPT-Alternative selbst hosten und Messwerte.
- Eine lokale ChatGPT-Alternative selbst hosten: Komplett offline mit Open WebUI und Ollama
- Welches Ollama-Modell? Auswahl nach Hardware und Zweck
- Ollama installieren: macOS, Linux, Windows und Docker
- Ollama: lokale Sprachmodelle auf dem eigenen Rechner betreiben
- Lokale LLMs auf der RTX 4090: Ollama gegen vLLM, dense gegen MoE – eigene Messwerte
- Ollama auf Deutsch: Welche lokalen Modelle gutes Deutsch schreiben (Stand November 2026)
- Ollama Cloud vs. ChatGPT Plus: Preise, Modelle, Datenschutz und wann lokale Hardware gewinnt
- Quantisierung von LLMs erklärt: Große Modelle auf kleiner Hardware
- Qwen3.8-27B gegen die Cloud: Was lokale Coding-Modelle 2026 wirklich leisten
- Lokale Modelle einbinden: Ollama, llama.cpp und vLLM im Editor und im Agenten
- Kolibri 1 von Aleph Alpha: Was taugt das deutsche Open-Weight-Modell?
Embeddings, RAG & Vektordatenbanken
Wie Maschinen Bedeutung in Zahlen fassen und wie daraus Suche und RAG entstehen: Embeddings, Embedding-Modelle für Deutsch, Vektordatenbanken und Kontextfenster.
- Was sind Embeddings? Einfach erklärt mit Beispielen: wie KI Bedeutung in Zahlen fasst
- Embedding-Modelle für Deutsch im Vergleich: Open Source und APIs (Stand November 2026)
- Vektordatenbanken im Vergleich 2026: Qdrant, Chroma, pgvector, Weaviate, Pinecone & Co.
- Retrieval-Augmented Generation (RAG) von Grund auf selbst bauen: Konzept und Praxis
- Kontextfenster (Context Window) bei LLMs erklärt: Token, Grenzen und lange Kontexte
KI-Agenten & MCP
KI-Agenten bauen, die wirklich arbeiten: Model Context Protocol, MCP-Server einrichten, Agenten-Frameworks im Vergleich, Structured Output, Voice-Agenten und Robotik.
- Das Model Context Protocol (MCP) verständlich erklärt: Was MCP-Server sind und wie das Protokoll funktioniert
- MCP-Server einrichten: GitHub, Jira, Figma und vier weitere
- MCP ohne Sessions: Was die Spezifikation vom 28. Juli 2026 ändert
- KI-Agenten-Frameworks im Vergleich 2026: LangChain/LangGraph, LlamaIndex, Semantic Kernel, CrewAI, AutoGen & Co.
- Structured Output erzwingen: Wie LLMs zuverlässig sauberes JSON liefern
- Multi-Agent-Routing-Lösungen - Wer kommt wann dran? 3 clevere Ansätze gegen vergessliche Chatbots
- Einen sprechenden Voice-Agent selbst bauen: Whisper + LLM + TTS in der Praxis
- Prompt Engineering für Entwickler: Technik statt Trickliste
- KI-Coding-Assistenten: welches Werkzeug wofür
- Einen Roboterarm per Software steuern: Pose, Bewegungsablauf, Teaching und Web-Oberfläche
- Roboter, die aus Vormachen lernen: Vision-Language-Action-Modelle mit LeRobot
LLM-Grundlagen & KI-Wissen
Wie Large Language Models funktionieren und was man über sie wissen muss: Transformer-Architektur, Reasoning-Modelle, Anbieter, Kosten, Fine-Tuning, KI-Recht.
- Transformer-Architektur: wie moderne Sprachmodelle aufgebaut sind
- Transformer-Architektur verstehen: Theorie und Konzepte (Teil 1 von 3)
- Transformer-Architektur trainieren: Praktischer Leitfaden mit PyTorch (Teil 2 von 3)
- Transformer-Architektur implementieren: Code-Erklärung Zeile für Zeile (Teil 3 von 3)
- Reasoning-Modelle erklärt: Wie „denkende" KI funktioniert und wann sie sich lohnt
- Die führenden LLM-Anbieter 2026 im großen Vergleich: Modelle, Features, Abos und API-Kosten
- LLM-Kosten optimieren: Wie du bei API-Nutzung massiv sparst
- Fine-Tuning von Large Language Models: Ein praktischer Leitfaden mit Python und Ollama
- GPT-6.1 Terra im Faktencheck: Halber Preis, aber nicht die halbe Rechnung
- KI-Inhalte erkennen: was Detektoren können und was nicht
- Claude-Code-Wasserzeichen: Wie Anthropic KI-Texte erkennbar macht
- KI, Datenschutz und Recht: was beim Einsatz zu beachten ist
Softwarearchitektur
Softwarearchitektur aus 20 Jahren Praxis: Clean Architecture, Domain-Driven Design, Microservices oder Monolith, Entwurfsmuster, API-Design und Legacy-Modernisierung.
- Clean Architecture: Schichten, Grenzen und die Frage, was man weglässt
- Domain-Driven Design in der Praxis: was trägt und was Ballast ist
- Microservices oder Monolith: wann sich die Zerlegung wirklich lohnt
- Microservices bauen: Schnitt, Kommunikation und die Muster, die zählen
- Event-Driven Architecture mit Apache Kafka
- Entwurfsmuster: welche man kennt, welche man braucht
- Factory, Adapter, Strategy, Visitor: vier Muster im Detail
- API-Design: Schnittstellen entwerfen, die man nicht bereut
- OpenAPI Generator: Client und Server aus der Spezifikation erzeugen
- Legacy-Software modernisieren: Altsysteme schrittweise ablösen, ohne sie anzuhalten
- Requirements Engineering: Anforderungen, die tragen
- Scrum: Rollen, Artefakte und was im Alltag davon ankommt
Cloud, Docker & Kubernetes
Betrieb moderner Anwendungen: Kubernetes-Aufbau und Architektur, Docker Build Context und Compose, Cloud-Architektur für KI-Anwendungen, Monitoring und Observability.
Java & Spring
Java in der Praxis: welche Java-Version und LTS aktuell ist, Grundlagen der Sprache, IDE-Vergleich, Einstieg in Spring Boot und der Blick auf Rust, Go und Kotlin.