73 Lektionen, jede ein eigenständiges Paket — Studiennotizen, Lernkarten und eine gesprochene Zusammenfassung. Offline öffnen; lerne in deinem eigenen Tempo.
Jede Karte öffnet eine vollständige Lektion: Notizen zum Lesen, Karten zum Üben und eine Zusammenfassung zum Anhören. Beginne überall; sie stehen für sich.
Claude Modellfamilien: Vergleich und Auswahl
Studiennotizen: AWS Bedrock und Textgenerierung
Erstellung der ersten API-Anfrage an AWS Bedrock zur Generierung von Text.
Studiennotizen: Kontextverwaltung in Bedrock
Lernnotizen: Chatbot-Implementierung und Kontext-Management
Ziel:** Entwicklung eines AWS-Support-Chatbots, der spezifische Anforderungen erfüllt.
System Prompts und Antwort-Kürzung (Conciseness)
Tokenisierung:** Der eingehende Text wird in kleinere Einheiten (Tokens) zerlegt.
Studiennotizen: Bedrock Converse Stream
Die Ausgabe eines Sprachmodells (LLM) kann durch zwei Haupttechniken stark beeinflusst werden:
Studiennotizen: Generierung strukturierter Daten mit LLMs
Lernnotizen: Steuerung von LLM-Ausgaben (Stop Sequences & Message Prefilling)
Studiennotizen: Prompt Engineering und Prompt Evaluation
Prompt-Evaluierungs-Workflow: Schlüsselkonzepte
Ziel des Workflows:
Studiennotizen: Evaluierungspipeline (Eval Pipeline)
Ein Grader nimmt die Ausgabe eines Modells entgegen und liefert ein objektives Signal.
Überprüfung des Modellausgangs, um sicherzustellen, dass er nur reinen Code (Python, JSON oder RegEx) liefert, ohne Erklärungen.
Lernnotizen: Verbesserung des Model Grader durch Kontext-Hinzufügung
Prompt Engineering: Schlüsselkonzepte
Prompt Engineering: Klarheit und Direktheit
Studiennotizen: Spezifität im Prompt Engineering
Strukturierung von Prompts mittels XML-Tags
Prompt Engineering: Beispiel-Prompting (Few-Shot Prompting)
Studiennotizen: Prompt Engineering zur Aufgabenverbesserung
Studiennotizen: Werkzeugnutzung (Tool Use)
Studiennotizen: Tools für Claude
Studiennotizen: JSON Schema für Tool-Funktionen
Implementierung:** Die JSON Schema Spezifikation für die Tools wird als Keyword-Argument `tools` in die Chat-Funktion übergeben.
Ziel:** Identifizierung und Ausführung von Werkzeugfunktionen, die das Modell (z. B. Claude) anfordert.
Zusammenfassung: Tool-Nutzung und Konversationshistorie
Ziel:** Implementierung einer langleigen Konversation, die wiederholt Werkzeuge (Tools) nutzt.
Lernnotizen: Hinzufügen neuer Tools (Funktionen)
Studiennotizen: Batch Tool zur Parallelisierung von Tool Calls
Vergleich der Methoden:
Strukturierte Datenextraktion: Flexible Schemata
Lernnotizen: Text Editor Tool (Claude)
Studiennotizen: Retrieval Augmented Generation (RAG)
Zweck:** Implementierung eines benutzerdefinierten Retrieval-Augmented Generation (RAG) Workflows.
I. Kontext im RAG-Pipeline
RAG-Pipeline: Schlüsselkonzepte
RAG-Workflow: Schlüsselkonzepte und Schritte
Problem der Semantischen Suche:
Ziel:** Kombination verschiedener Suchmethoden (z.B. semantische und lexikalische Suche) in einer einzigen Pipeline.
1. Problem des Hybriden Abrufs (Hybrid Retrieval)
Thema: Contextual Retrieval (Kontextuelles Abrufen)
Definition:** Eine erweiterte Funktion, die Claude Zeit gibt, eine Benutzeranfrage zu *überlegen* (reason) und zu verarbeiten, bevor eine endgültige Antwort generiert wird.
Zusammenfassung: Claude Vision Capabilities (Bildverarbeitung)
Studiennotizen: PDF-Verarbeitung mit Claude
Zweck der Zitation:** Die Zitationsfunktion von Claude adressiert das Problem, dass Nutzer die Korrektheit der von der KI interpretierten PDF-Inhalte oft nur auf Vertrauen basieren müssen.
Prompt Caching: Schlüsselkonzepte
Studiennotizen: Prompt Caching
Studiennotizen: Prompt-Caching
Modul: Model Context Protocol (MCP)
Lernnotizen: Model Context Protocol (MCP) – Client und Server
Ziel des Projekts
Hauptkonzept:** Erstellung eines MCP Servers für einen CLI Chatbot, der über definierte Werkzeuge (Tools) zusätzliche Funktionalität bereitstellt.
Studiennotizen: MCP Server Debugging mit dem MCP Inspector
1. Überblick und Kontext
Ziel der Funktion:
Ziel:** Implementierung einer Funktion im MCP Client, um spezifische Ressourcen vom MCP Server abzurufen und zu verarbeiten.
Studiennotizen: Prompts im MCP Server
MCP Client und Prompts: Schlüsselkonzepte
Die drei Server-Primitive definieren, welche Komponente einer Anwendung (Modell, App oder Benutzer) für die Ausführung und Steuerung verantwortlich ist.
Thema:** Aufbau von Agents (einer der interessantesten Anwendungsfälle von Sprachmodellen).
Cloud Code: Wichtige Konzepte
I. Definition und Rolle von Cloud Code
Studiennotizen: Erweiterung von Cloud Code mittels MCP
Hauptkonzept:
Cloud Code: Automatisierte Fehlerbehebung in der Produktion
Lernnotizen: Claude's Computer Use Funktion
Studiennotizen: Funktionsweise von Tool Use und Computer Use
Lernnotizen: Agenten und Tool-Nutzung