15 MinutenWie wir effektive Agenten entwickeln: Barry Zhang, Anthropic
Einfachere Agentenschleifen mit klaren Abbruchregeln, Aufgabengrenzen und menschlichen Kontrollpunkten entwerfen.
FortgeschrittenAutomatisierungen
Ein LLM entwickeln: Aufbau, Training und Fine-Tuning
Sebastian Raschka. Sebastian Raschka ordnet Fine-Tuning in die umfassendere LLM-Trainingspipeline ein: Instruction Tuning, Klassifikations-Fine-Tuning, parameter-effiziente Methoden und die Zielkonflikte, die der Artikel vor seiner LoRA-Empfehlung hervorhebt. Das bietet eine gute Einordnung vor dem Start, insbesondere wenn Ihr Team noch diskutiert, ob Fine-Tuning überhaupt der richtige Schritt ist.
Hinweis von AI Expert
Modellnamen, Preise und Fähigkeiten ändern sich schnell. Nutzen Sie das Video für das Entscheidungsmuster und prüfen Sie vor dem Einsatz das aktuelle Modellverhalten.
Was Sie aus diesem Video mitnehmen sollten
Fine-Tuning in die umfassendere Trainingspipeline einordnen und entscheiden, wann es Prompting oder RAG überlegen ist.
Das sollten Sie zuerst ansehen oder wissen
Allgemeine ML-Kenntnisse; da es sich um einen konzeptionellen Überblick handelt, ist keine Umgebung zum Mitprogrammieren erforderlich.
Zuletzt geprüft: 18. Mai 2026
Nächste Videos ansehen
Fahren Sie mit demselben Lernpfad fort und sehen Sie die nächsten kuratierten Begleitvideos.
15 Minuten
190 MinutenLangGraph-Komplettkurs für Einsteiger – komplexe KI-Agenten mit Python
Einen LangGraph-Agenten mit typisiertem Zustand, bedingtem Routing, Checkpoints und Werkzeugnutzung entwickeln und beurteilen, wann sich diese Explizitheit auszahlt.
FortgeschrittenAutomatisierungen
8 MinutenContext Rot: Wie mehr Eingabe-Tokens die LLM-Leistung beeinflussen
Verstehen, wie lange Kontexte unter Mehrdeutigkeit und Ablenkungen versagen können, und Tests für dieses Risiko entwerfen.
FortgeschrittenPrompt-Engineering