- 01 uv, src-Layout und ruff
- 02a Type Hints lesen und schreiben
- 02b Pydantic-Modelle und Validatoren
- 03a async/await für LLM-Aufrufe
- 03b pytest für LLM-Code
- 04 Logging und Fehlerbehandlung, M0-Abschluss
- 05 Die Messages-API und Prompting für Anwendungen
- 06a Structured Outputs: Modell-Antworten prüfen
- 06b Tool Calling: Aufrufe, Ergebnisse, Fehler
- 07a Kosten und Streaming: Tokens, Logging, Abbruch
- 07b Retry mit Backoff und Jitter, M1-Abschluss
- 08 Chunking und Ähnlichkeitssuche
- 09 pgvector und Hybrid Search
- 10a Wann RAG und Reranking
- 10b Belegbare Antworten und Fehleranalyse, M2-Abschluss
- 11a Fehleranalyse und Golden Set
- 11b Metriken: Accuracy, Recall@k und MRR
- 12a LLM-as-Judge: Prompt und Kalibrierung
- 12b LLM-as-Judge: Bias und Ausgabe prüfen
- 13a Prompt Injection erkennen und begrenzen
- 13b Guards, PII-Maskierung und M3-Abschluss
- 14a Agent oder Workflow?
- 14b Die Tool-Use-Schleife
- 15a MCP und Human-in-the-Loop
- 15b Fehlerbehandlung, Tracing und M4-Abschluss
- 16a Docker für LLM-Anwendungen
- 16b Observability: Traces und Logs
- 17 Kosten und Latenz messen, lokale Modelle, EU AI Act, M5-Abschluss
- 18 Polars und Datenqualität aus einem Data Contract
- 19a Lineage nachvollziehbar machen
- 19b Audit-Trail, M6-Abschluss und Rückblick