7 MinutenGedächtnis für Agenten (Konzeptvideo)
Entscheidungen zu Kurzzeit- und Langzeitgedächtnis trennen und festlegen, wann der Agent Informationen speichern soll.
Video abspielenfreeCodeCamp.org. Der Kurs behandelt Quantisierung, LoRA, QLoRA und PEFT anhand von Llama 2 und Gemma. Der Kurs zeigt konkrete Beispiele für den VRAM-Bedarf einzelner Konfigurationen. Der Artikel verlangt Messungen für das gewählte Modell und die gewählte Hardware; die Beispiele belegen nicht, dass jede geeignete Aufgabe ohne Cluster auskommt.
Die Basismodelle des Kurses (Llama 2, Gemma) sind zeitgebundene Beispiele. Nutzen Sie die Methoden als Hintergrund und prüfen Sie Modellunterstützung, Bibliotheksversionen, Ressourcenbedarf und Ergebnisse der gewählten Konfiguration; eine direkte Übertragbarkeit ist nicht zugesichert.
Den Kurs als Beispiel für ein LoRA- oder QLoRA-Experiment nutzen und Ressourcenbedarf sowie Ergebnisse für die gewählte Konfiguration selbst prüfen.
Python und grundlegende Vertrautheit mit ML-Tools; prüfen Sie die Ressourcenanforderungen der gewählten Modell- und Hardwarekonfiguration vor dem Experiment.
Zuletzt geprüft: 18. Mai 2026
Fahren Sie mit demselben Lernpfad fort und sehen Sie die nächsten kuratierten Begleitvideos.
7 MinutenEntscheidungen zu Kurzzeit- und Langzeitgedächtnis trennen und festlegen, wann der Agent Informationen speichern soll.
13 MinutenPrompt-Injection als Vermischung nicht vertrauenswürdiger Daten modellieren und Sicherheitsgrenzen für die Werkzeugnutzung entwerfen.
19 MinutenAbschätzen, wann sich Prompt-Caching für reale Workloads lohnt, indem Schreibaufschläge und Einsparungen beim Lesen gegeneinander abgewogen werden.