Der realistische Leitfaden für die Beherrschung von KI-Agenten im Jahr 2026

Was zu lernen, was zu überspringen und warum die meisten Tutorials scheitern. Was zu lernen, was zu überspringen und warum die meisten Tutorials scheitern. Ich werde ehrlich mit dir sein. Die meisten AI Agent Tutorials sind Müll. Sie zeigen Ihnen, wie Sie LangChain-Code kopieren und einfügen, eine Demo erstellen, die den Moment bricht, in dem Sie etwas Reales ausprobieren, und Sie das Gefühl haben, dass Sie etwas gelernt haben. Ich habe beobachtet, wie Menschen Jahre auf diese Weise verschwenden. Frameworks verfolgen. Zertifikate sammeln. Spielzeugprojekte bauen, die niemand kümmert. Dieser Leitfaden ist anders. Ich werde Ihnen sagen, wie lange jede Phase dauert und wie „gut genug“ aussieht, bevor Sie weitermachen.Jede Ressource, die Sie benötigen, ist hier. Was Sie lesen, ist das Ergebnis vieler Versuche und Irrtümer, um herauszufinden, was beim Lernen von Agenten-AI wichtig ist. Hier ist mein Versprechen: Wenn Sie diese Roadmap für 6–9 Monate ernsthaft befolgen, werden Sie in der Lage sein, KI-Agenten zu bauen und zu implementieren, die in der realen Welt funktionieren. Was Sie bekommen werden: Die 8 Phasen von Null bis zu eingesetzten Agenten (mit realistischen Zeitlinien) Welche Ressourcen Ihre Zeit wirklich wert sind Die Spezialisierungswege, die zu echten Arbeitsplätzen führen Was "gut genug" aussieht, bevor Sie weitermachen Die Fehler, die ich gemacht habe, damit du nicht Aber du musst die Arbeit tun. Nicht schimmen. Keine Buchmarke für später. Sag dir nicht, dass du schließlich in die Mathematik kommst. Wenn das du bist, laßt uns gehen. Warum Agent AI gerade jetzt zählt Traditionelle KI ist reaktiv. Input, output. Du stellst eine Frage, du bekommst eine Antwort. Agentic AI verfolgt Ziele. Es schaut auf seine Umgebung, macht Pläne, ergreift Aktionen, sieht, was passiert ist, und passt an. Es kann Tools verwenden, APIs anrufen, im Web durchsuchen, Code schreiben und mit anderen Agenten zusammenarbeiten, um Dinge zu tun. Hier ein konkretes Beispiel. Fragen Sie traditionelle KI, um Ihnen zu helfen, Wettbewerber zu untersuchen, und es wird zusammenfassen, was es bereits weiß. Fragen Sie ein Agentensystem und es wird im Web nach den jüngsten Bewegungen Ihrer Wettbewerber suchen, ihre Pressemitteilungen und Finanzierungsmeldungen ziehen, ihre Positionierung analysieren, Kreuzreferenzen mit Branchenberichten erstellen, einen strategischen Brief schreiben, ihn auf Ihrem Laufwerk speichern und Ihnen eine E-Mail senden, wenn es fertig ist, während Sie schlafen. Deshalb wollen Unternehmen Menschen, die diese Systeme bauen können. Bis 2026 werden Agenten nicht mehr beeindruckend sein - sie werden erwartet werden. Die Roadmap Hier das komplette Bild, bevor wir in die Details gehen: Phase 1: Mathematik 4–6 weeks Du willst das überspringen, das weiß ich. Aber ohne lineare Algebra, Berechnung und Wahrscheinlichkeit, werden Sie nicht verstehen, warum Ihre Agenten tun, was sie tun. Du musst kein Mathematiker werden, du musst in drei Bereichen fließend arbeiten. Lineare Algebra: Vektoren, Matrizen, Eigenwerte, SVD. Neuronale Netzwerke sind Matrix-Mathematik. Calculus Derivatives, Gradienten, Optimierung.So lernen Modelle. Wahrscheinlichkeit & Statistik – Bayes’ Theorem, Verteilung, Hypothese Test. Agenten Vernunft unter Unsicherheit. Ressourcen Linear Algebra: 3Blue1Brown: Essenz der linearen Algebra. Die beste visuelle Erklärung der linearen Algebra je gemacht. Grant Sanderson hat eine Gabe, um abstrakte Konzepte intuitiv zu machen. Khan Academy Linear Algebra. Traditioneller, umfassender. Gut für die Füllung von Lücken nach 3Blue1Brown. Machine Learning Foundations: Willkommen auf der Reise. Speziell für ML konzipiert, also lernst du Mathematik mit einem Ziel. Math für maschinelles Lernen. Eine weitere ML-fokussierte Option. Wählen Sie, welcher Stil für Sie klickt. 3Blue1Brown: Das Wesen der linearen Algebra Khan Academy Lineare Algebra Maschinelles Lernen: Willkommen auf der Reise Mathematik für maschinelles Lernen Calculus: Berechnung für maschinelles Lernen. zielgerichtet und praktisch. Überspringt die Dinge, die Sie nicht brauchen. Khan Academy Calculus 1. Der Klassiker. gründlich und zuverlässig. Calculus 1 Full College Course. Wenn Sie die volle Universitätserfahrung ohne Unterrichtsgebühr wollen. Calculus für maschinelles Lernen Die Khan Academy Calculus 1 Calculus 1 Vollzeit College Course Probability: Khan Academy Statistik und Wahrscheinlichkeit. deckt alles ab, was Sie in einem guten Tempo benötigen. StatQuest Statistics Fundamentals. Josh Starmer erklärt Statistiken so, als würde er mit einem Freund sprechen. StatQuest: Bayes’ Theorem. Bayes ist überall in der KI. Dieses Video macht es klicken. MIT OpenCourseWare: Einführung in die Wahrscheinlichkeit. Universitätsniveau Strenge, wenn Sie tiefer gehen wollen. Khan Academy Statistik und Wahrscheinlichkeit StatQuest Statistiken Grundlagen Titel: Bayes’ Theorem MIT OpenCourseWare: Einführung in die Wahrscheinlichkeit Textbook: Mathematik für maschinelles Lernen — kostenlose PDF. Die umfassende Referenz. Dicht, aber komplett. Gut zu haben, wenn Sie etwas suchen müssen. Kostenlose PDF Wann zu bewegen Sie können erklären, was Matrixmultiplikation geometrisch tut. Sie können einen Gradienten von Hand berechnen. Sie können Bayes' Theorem mit einem Beispiel erklären. Sie brauchen keine Beherrschung. Nur genug, dass Sie nicht verloren gehen, wenn diese Konzepte später erscheinen. Phase 2: Programmierung 3–4 weeks Python: Es gibt keine Alternative. Sie müssen in der Lage sein, den Code anderer Menschen ohne Schwierigkeiten zu lesen, Ihr eigenes zu schreiben, ohne ständig zu googlen, und zu debuggen, wenn Dinge schief gehen. Sie benötigen auch die Bibliotheken für die Arbeit mit Daten. Kern Python Funktionen, Klassen, Dekoratoren, Fehlerbehandlung, asynchrons. Lernen Sie Python: Vollkurs für Anfänger. 4+ Stunden, deckt alles ab. Gut, wenn Sie von Grund auf beginnen. Python Crash Course für Anfänger. schneller. Besser, wenn Sie in anderen Sprachen programmiert haben. Lernen Sie Python auf die harte Weise (Lehrbücher). Alte Schulansatz: Lernen Sie, indem Sie Code eingeben, bis es steckt. Lernen Sie Python: Vollkurs für Anfänger Python Crash Kurs für Anfänger Datenbibliotheken NumPy für Array und numerische Berechnung.Die Grundlage alles andere baut auf. Pandas für die Datenmanipulation.Sie werden dies jeden Tag verwenden. Matplotlib & Seaborn für Visualisierung. Sie können nicht debuggen, was Sie nicht sehen können. Die Ressourcen: Datenanalyse mit Python (NumPy, Pandas, Matplotlib, Seaborn). All-in-one Tutorial, das den gesamten Stapel abdeckt. NumPy, Matplotlib und Pandas Tutorials von Bernd Klein. Geschriebenes Format mit guter Tiefe. Datenanalyse mit Python (NumPy, Pandas, Matplotlib, Seaborn) NumPy, Matplotlib und Pandas Tutorials von Bernd Klein Die Option: R Wenn Sie aus der Statistik kommen oder Forschungsrollen wollen, ist R nützlich. R Programmierung in einer Stunde. Genau wie es klingt. Schnelle Orientierung. R for Data Science (kostenlos online). Das definitive R Buch. Hadley Wickham weiß, was er tut. R Programmierung in einer Stunde Kostenlos online Wann zu bewegen Sie können ein Skript von Grund auf schreiben, ohne auf die grundlegende Syntax zu schauen. Sie können eine CSV laden, die Daten reinigen, einige Analysen durchführen und die Ergebnisse planen. Phase 3: Maschinelles Lernen 6–8 weeks Hier sitzen die Menschen für immer fest. Sie beobachten Kurs für Kurs, fühlen sich niemals bereit, weiterzumachen. Machen Sie das nicht. Das Ziel ist nicht, ein ML-Forscher zu werden. Es ist, die Hauptansätze gut genug zu verstehen, um zu wissen, welche zu welchem Problem passt. Die drei Typen Supervised Learning. Sie zeigen das Modell Beispiele mit korrekten Antworten, es lernt das Muster. Algorithmen zu wissen: lineare Regression, logistische Regression, Entscheidungsträume, SVMs, k-nächste Nachbarn, neuronale Netzwerke. Wann es zu verwenden: Klassifizierung, Vorhersage, wo immer Sie Daten gekennzeichnet haben. Unbeaufsichtigtes Lernen Das Modell findet Muster in Daten, ohne dass gesagt wird, was zu suchen. Algorithmen zu wissen: k-means Clustering, hierarchische Clustering, DBSCAN, PCA. Wann es zu verwenden: Gruppen ähnliche Dinge, Dimensionen reduzieren, Struktur finden. Verstärkung Lernen. Ein Agent ergreift Aktionen, erhält Belohnungen oder Strafen und lernt aus Erfahrung. Konzepte zu kennen: Zustände, Aktionen, Belohnungen, Richtlinien, Q-Learning.Wenn es zu verwenden: sequentielle Entscheidungen, Spiele, Robotik, Planung. Ressourcen The main course: Machine Learning Spezialisierung von Andrew Ng. Dies ist der. Ng ist der beste Lehrer auf dem Gebiet. Klare Erklärungen, gutes Tempo, deckt, was zählt. Es lohnt sich, für das Zertifikat zu bezahlen, wenn Sie es auf Ihrem Lebenslauf wollen. Der gleiche Kurs auf YouTube. Wenn Sie nur ohne Zertifikat lernen möchten. Maschinelles Lernen von Andrew Ng Der gleiche Kurs auf YouTube Other options: Maschinelles Lernen für alle. mehr zugänglich, wenn Ng fühlt sich zu akademisch. Kaggle: Einführung in das maschinelle Lernen. Kurz, praktisch, baut schnell auf. Gute Ergänzung. Edureka: Maschinelles Lernen Vollkurs Eine umfassende Alternative, wenn Ngs Stil nicht für Sie funktioniert. Fast.ai Praktisches Deep Learning. Top-down-Ansatz: Bauen beginnen, Theorie nach Bedarf lernen. Maschinelles Lernen für alle Kaggle: Einführung in das Machine Learning Edureka: Maschinelles Lernen Vollkurs Fast.ai Praktisches Deep Learning For practice: Scikit-learn Tutorials. Implementieren Sie, was Sie lernen. Theorie ohne Code ist nutzlos. Lernen Sie Tutorials Wann zu bewegen Sie können beaufsichtigtes vs. unbeaufsichtigtes vs. Verstärkungslernen erklären und Beispiele geben, wann Sie jedes verwenden würden. Phase 4: Wie Agenten arbeiten 4–6 weeks Agenten haben Gedächtnis, verwenden Werkzeuge und planen voraus. Das Verständnis dieser Teile trennt Menschen, die APIs zusammenkleben können, von Menschen, die Systeme entwerfen können, die halten. Der Basic Loop Jeder Agent macht eine Version davon: Erhalten Sie Informationen (Benutzerinput, Suchergebnisse, API-Antworten). Ursache: Verarbeiten Sie es, finden Sie heraus, was zählt. Plan. entscheiden Sie, was zu tun ist. Tue es (rufen Sie ein Tool an, generieren Sie Text, tippen Sie auf eine API). See what happened, adjust. Learn. Konzepte, die Sie brauchen Memory: Kurzfristig: Was ist jetzt im Kontextfenster Langfristig: Vektordatenbanken, gespeichertes Wissen Episodisch: Aufzeichnungen vergangener Interaktionen Reasoning patterns: Chain-of-Thought: Denken Schritt für Schritt Tree-of-Thought: Erkunden mehrerer Wege Reagieren: Wechseln zwischen Argumentation und Handeln Tool use: Wie Agenten externe Tools anrufen Wie man mit Misserfolgen umgeht Orchestrierung mehrerer Werkzeuge Planning: Ziele in Schritte brechen Suchalgorithmen (A* und so weiter) Hierarchische Planung Multi-agent systems: Mehrere Agenten arbeiten zusammen Wie sie kommunizieren Spezialisierung Ressourcen Concepts: Die Macht der KI-Agenten und Agentische KI erklärt. guter Ausgangspunkt. deckt die Landschaft ab, ohne zu technisch zu werden. AI-Agenten in 5 Schwierigkeitsstufen. Beginnt einfach, wird komplex. Vollständiger Code für jedes Level. Großartig, um zu sehen, wie die Komplexität der Agenten schwankt. Der komplette Leitfaden zum Aufbau Ihres ersten AI-Agenten. Hands-on Walkthrough. Gut, wenn Sie heute etwas aufbauen möchten. Die Macht der KI-Agenten und Agentische AI erklärt AI-Agenten in 5 Schwierigkeitsstufen Der komplette Leitfaden zum Aufbau Ihres ersten AI-Agenten Reinforcement learning (important for agents): Hugging Face Deep RL Course. Ausgezeichnet und kostenlos. So lernen Agenten, Entscheidungen im Laufe der Zeit zu treffen. Curated RL Resources auf GitHub. Massive Sammlung, wenn Sie tiefer gehen möchten. Hugging Face Deep RL Kurs Kurierte RL-Ressourcen auf GitHub Wann zu bewegen Sie können die Agentenschleife auf einem Whiteboard zeichnen und jeden Teil erklären. Sie können verschiedene Speicherarchitekturen beschreiben. Sie verstehen ReAct und warum es funktioniert. Phase 5: Aufbau mit Frameworks 6–8 weeks Jetzt baut ihr. Eine Sache zu beachten: Frameworks ändern sich. LangChain ist jetzt dominant; in zwei Jahren, wer weiß. Aber die Muster (ReAct, Plan-and-Execute, Multi-agent) bleiben. Lernen Sie die Muster durch die Frameworks, nicht umgekehrt. Pattern Der Agent denkt darüber nach, was zu tun ist, tut es, beobachtet das Ergebnis, denkt wieder. Plan-and-Execute Der Agent macht zuerst einen vollständigen Plan, dann führt er Schritt für Schritt aus. Multi-Agent. Mehrere spezialisierte Agenten arbeiten zusammen. Eine Forschung, eine Schreiben, eine Bewertung. Rahmenwerke LangChain / LangGraph. Der aktuelle Standard. LangChain für einfachere Dinge, LangGraph, wenn Sie ein komplexes Zustandsmanagement benötigen. AutoGen. Microsofts Multi-Agent-Framework. Gut, wenn Agenten Back-and-Follow-Diskussionen haben müssen. Higher-Level Multi-Agent-Orchestrierung. Schneller zum Prototypen, weniger flexibel. Resources Courses: DeepLearning.AI: Agentische AI. Andrew Ng lehrt Agent-Design-Muster. Abdeckt Reflexion, Werkzeugnutzung, Planung und Multi-Agent. Kostenlos und Ihre Zeit wert. Master ALL 20 Agentic AI Design Patterns. deckt Muster ab, die Sie ständig verwenden werden. DeepLearning.AI: Agentische AI Master ALL 20 Agentic AI Design Patterns LangChain: LangChain Crash Course. Schneller Start. Sie bauen in einem Nachmittag. LangChain Mastery: Vollständiger 5-Stunden-Kurs. Das tiefe Tauchen. Sehen Sie sich dies an, wenn Sie bereit sind, ernst zu werden. LangChain Docs. Die Quelle der Wahrheit. Sie werden hier leben. LangGraph docs. Für die Zeit, in der Ihre Agenten ein echtes Staatsmanagement benötigen. LangChain Crash Rennen LangChain Mastery: Vollständiger 5-Stunden-Kurs LangChain Dokumente Langgrafische Docs Multi-agent: Simplilearn: Wie man ein Multi-Agent-System baut. Praktische Durchführung. Gut für Ihr erstes Multi-Agent-Projekt. Simplilearn: Wie man ein Multi-Agent-System baut When to move on Sie haben mindestens drei Agenten aufgebaut: einen einfachen ReAct-Agenten, etwas mit RAG und einen mehrstufigen Workflow. Schritt 6: Wählen Sie eine Spezialisierung 8–12 weeks, then ongoing An einem bestimmten Punkt müssen Sie tief in einem Bereich gehen. Generalisten können über Agenten sprechen. Spezialisten werden eingestellt, um sie zu bauen. Wählen Sie eine dieser und verpflichten sich für mindestens 3 Monate, bevor Sie entscheiden, dass es nicht für Sie ist. Schritt A: Business Automation Der größte Markt im Moment. Agenten, die Forschung, Support, Operationen bewältigen. What to focus on: RAG (Retrieval-Augmented Generation): Lehre Agenten zu suchen und Wissen zu nutzen. API-Integrationen: Verknüpfung von Agenten mit den bereits verwendeten Tools. Mehrstufige Workflows: Komplexe Prozesse mit Handoffs und Fehlerbehandlung. Human-in-the-loop Muster. Wissen, wann zu einer Person zu eskalieren. Projects to build: E-Mail-Assistent, der Antworten basierend auf Kontext erstellt Wettbewerberforschungsagent, der Nachrichten überwacht und Änderungen zusammenfasst Kundensupport-Bot, der weiß, wann es aus seiner Tiefe kommt Report Generator, der aus mehreren Datenquellen zieht Teil B: Robotik Höhere Barriere, weniger Konkurrenz.Agenten, die in der physischen Welt arbeiten. What to focus on: ROS (Robot Operating System) ist der Standard für Robotersoftware. Computer Vision: Wie Roboter sehen. Routenplanung. wie Roboter navigieren. Test ohne teure Hardware zu brechen. Resources: Einführung in die autonome Robotik. Starker Ausgangspunkt für das Feld. Robotik und autonome Systeme Zeitschrift. akademisch, aber nützlich, um zu sehen, was die Spitze ist. PyBullet für Physik-Simulation, Gazebo für Roboterumgebungen, OpenAI Gym für RL-Trainingsschleifen. Einführung in die autonome Robotik Zeitschrift Robotik und autonome Systeme PyBullet Gazebo Öffnen Sie Gym Path C: Research & Model Development Weniger Arbeitsplätze, höhere Decken.Dies ist für Menschen, die an den Modellen selbst arbeiten wollen, nicht nur sie verwenden. What to focus on: Fine-Tuning LLMs mit LoRA und PEFT. Modelle bei bestimmten Aufgaben besser machen. RLHF und Belohnungsmodellierung. Trainingsmodelle aus menschlichem Feedback. Evaluation und Benchmarking: Messen, was wirklich funktioniert. Lesen und Implementieren von Papiere. bleiben an der Grenze. Projects to build: Fine-tune ein Modell für eine bestimmte Domain Erstellen einer Bewertungspipeline für Agent Outputs Implementieren Sie ein aktuelles Papier von Grund auf Beitrag zu einem Open-Source-Modell Resources: Hugging Face Transformers docs. Die Referenz für die Arbeit mit Modellen. RLHF Kurs: Wie man Modelle aus menschlichen Präferenzen trainiert. arXiv AI-Papiere und ML-Papiere. wo neue Ideen zuerst auftauchen. Hugging Face Transformers Dokumente anzeigen RLHF Kurs Archiv für die Papiere ML Papiere Phase 7: Bereitstellung 3–4 weeks Ihr Agent arbeitet in Ihrem Notebook. Dann sendet ein Benutzer einen Eingang, den Sie nicht erwartet haben, und die ganze Sache stürzt zusammen. Die meisten selbsterziehenden Menschen überspringen diesen Teil, weshalb das Lernen davon Sie hervorhebt. Was du brauchst APIs. Exponieren Sie Ihren Agent als Service. FastAPI ist der Standard. Verpacken Sie alles so, dass es überall gleich läuft. Wählen Sie AWS, GCP oder Azure und lernen Sie es gut. Überwachung. Verfolgen Sie, was Ihr Agent in der Produktion tut. Sie werden überrascht sein, wie oft es sich verhält. Kostenmanagement. LLM-Anrufe ergänzen sich schnell. Caching, Modellwahl, schnelle Effizienz ist alles. Ressourcen Overview: Implementierung von Agentic AI in der Produktion. Großes Bild davon, was die Implementierung beinhaltet. Warum die meisten KI-Agenten in der Produktion versagen. Lernen Sie aus den Fehlern anderer Menschen. deckt die gängigen Fehlermodi ab und wie Sie sie vermeiden können. Über den Prototyp hinaus: 15 schwer erworbene Lektionen. Echte Lektionen von Schifffahrtsagenten. Lesen Sie dies, bevor Sie einsetzen. Implementierung von Agent AI in der Produktion Warum die meisten KI-Agenten in der Produktion scheitern Jenseits des Prototyps: 15 schwer erworbene Lektionen Hands-on: Erstellen und Implementieren von KI-Agenten mit Docker, FastAPI, LangChain. Vollständiger Durchgang vom Code bis zum implementierten Service. FastAPI Docs. Gut geschriebene Docs. Sie können FastAPI nur von diesen lernen. Docker für Anfänger. Container sind nicht mehr optional. Erstellen und Implementieren von KI-Agenten mit Docker, FastAPI, LangChain Schneller Docs Docker für Anfänger Cloud: Implementieren Sie einen AI-Agenten mit Amazon Bedrock. AWS-spezifisch, zeigt aber den Managed Service-Ansatz. AWS Bedrock Agent docs. Referenz für den Zeitpunkt, an dem Sie es tatsächlich tun. Einrichten eines AI-Agenten mit Amazon Bedrock Über AWS Bedrock Agent Docs Monitoring: LangSmith. Gemacht speziell für LangChain. Zeigt Ihnen genau, was Ihr Agent tut. Weights & Biases. Mehr allgemeines ML-Tracking. Gut, wenn Sie ein maßgeschneidertes Training machen. LangSmith Gewicht & Biases Wann zu bewegen Sie haben einen Agenten end-to-end eingesetzt. Containerisiert, über API bedient, in der Cloud ausgeführt, mit etwas Überwachung. Sie können Ihre Einrichtung erklären und warum Sie die Entscheidungen getroffen haben. Phase 8: Portfolio und Aktualisierung Ongoing Das Feld bewegt sich schnell. Was heute neu ist, ist in sechs Monaten Standard. Sie brauchen Gewohnheiten, nicht eine einmalige Studiumsitzung. Wenn Sie nicht kontinuierlich lernen, fallen Sie hinterher. Ihr Portfolio Ihr Portfolio ist der Beweis, den Sie bauen können, nicht die Zertifikate. What makes it strong: Implementierte Projekte. laufende Systeme, nicht nur Repos. Jeder kann Code auf GitHub schieben. Echte Probleme gelöst. Nicht Tutorial-Recreations. Etwas, das Sie wirklich brauchten oder das einen echten Schmerz löst. Dokumentierte Entscheidungen.Warum hast du es so aufgebaut.Welche Kompromisse hast du gemacht. Clean Code. Zeigt an, dass Sie in einem Team arbeiten können. Ziel für 2-3 solide Projekte, mindestens eines eingesetzt und zugänglich. a) Beitrag zu leisten Nichts zeigt Kompetenz wie fusionierte PRs. Beitrag zu LangChain, AutoGen oder kleineren Projekten. b) Aktuell bleiben Setzen Sie ein paar Stunden pro Woche für diesen Zweck ein. Where to look: Trending Papers: Sehen Sie, was die Aufmerksamkeit in der Forschungsgemeinschaft gerade bekommt. OpenAI: Schlüsselpapiere in Deep RL. Kuratierte Liste der Grundpapiere. Gut für den Aufbau von Tiefe. Trends Papier OpenAI: Schlüsselpapiere in Deep RL Who to follow: Andrej Karpathy. Seine YouTube-Tutorials erklären komplexe Dinge klar. Jim Fan. Beiträge über verkörperte AI und Agenten. Lilian Weng. Ihre Blogbeiträge sind besser als die meisten Kurse. Simon Willison. baut ständig mit LLMs auf, teilt, was funktioniert. Swyx. Verfolgt, was in der KI-Engineering tatsächlich nützlich ist. Anthropics Forschungsblog: Wie Grenzmodelle tatsächlich funktionieren. Andrej Karpathy Jim Fan von Lilian Weng von Simon Willison Schweizer Forschungsblog von Anthropic Das ist es Das ist alles, was du brauchst. Nicht alles, was existiert. Es gibt immer mehr. Aber alles, was Sie brauchen, um von Null bis zum Aufbau von Produktionsagenten zu gehen. Ein paar Dinge zu beachten, während Sie gehen: Bauen Sie ständig. Jede Phase sollte Projekte beinhalten. Sehen und Lesen ist nicht Lernen. Verwirrung ist normal. Wenn Sie nie verwirrt sind, drücken Sie nicht hart genug. Das Unbehagen bedeutet, dass Sie lernen. Lehre, was du lernst. Blogbeiträge, Videos, Erklärungen an andere. So findest du heraus, was du wirklich verstehst. Finde Leute. Discord-Server, Meetups, LinkedIn. Lernen allein ist schwieriger und einsamer. Seien Sie geduldig. 6–9 Monate ist realistisch. Manche Wochen werden Sie sich großartig fühlen, andere werden Sie sich stecken fühlen. Beide sind normal. Die Kluft zwischen Menschen, die "AI-Agenten lernen wollen" und Menschen, die sie tatsächlich bauen, geht auf eine Sache zurück: Anfangen. Kein perfekter Start. Keine ideale Einrichtung. In sechs Monaten könnten Sie ein Portfolio von eingesetzten Agenten, echte Fähigkeiten haben, für die Unternehmen bezahlen, und das Vertrauen, das aus dem tatsächlichen Bau von Dingen kommt. Der richtige Moment ist jetzt.Das Feld ist jung.Die Möglichkeiten sind real.Und Sie haben alles, was Sie hier brauchen. Scrollen Sie zu Phase 1. Öffnen Sie die erste Ressource. Fragen? hinterlassen Sie einen Kommentar.