Eine Kapitel-für-Kapitel-Tour durch LLM Primer I

Einführung in die Serie und Index der zwölfteiligen Tour durch LLM Primer I: How Generative AI Works — veröffentlicht ein Beitrag pro Tag, vom 18. Februar bis zum 1. März 2026.

Warum es diese Serie gibt

Ich habe LLM Primer I geschrieben, um etwas zu tun, das ich sonst nirgendwo finden konnte: zu erklären, wie große Sprachmodelle wirklich funktionieren, Mechanismus für Mechanismus, auf eine Weise, der ein neugieriger allgemeiner Leser folgen kann, die aber ein Ingenieur trotzdem respektieren würde.

Die meisten Einführungen zu LLMs fallen in eines von zwei Lagern. Entweder sind sie Marketing-Narrative, die vage auf "KI-Magie" verweisen und dir nichts Nützliches sagen, oder sie sind Forschungsarbeiten, die dir im ersten Absatz Matrixalgebra entgegenwerfen. Die erste Art lässt dich nicht informierter zurück, als du angefangen hast. Die zweite Art hilft dir nicht wirklich, über die Technologie nachzudenken — sie schüchtert dich nur ein.

Das Buch geht einen Mittelweg. Es erklärt jedes wichtige Konzept klar, mit erhaltener technischer Präzision, und bleibt dennoch lesbar. Die Ausgabe 2026 ergänzt "In einfacher Sprache"-Seitenleisten durchgehend, sodass jeder — unabhängig vom mathematischen Hintergrund — das gesamte Buch verfolgen kann.

Diese zwölfteilige Serie ist eine tägliche Tour. Jeder Beitrag stellt ein Kapitel vor, teilt die zentralen Ideen und erklärt, warum ich das Kapitel so strukturiert habe, wie ich es getan habe. Die Beiträge funktionieren entweder als eigenständige Tour durch das Feld oder als Leitfaden, um zu entscheiden, ob das Buch selbst für dich richtig ist.

Für wen das ist

Wenn du einen Chatbot benutzt hast und dich gefragt hast, was darunter wirklich passiert, ist diese Serie für dich. Wenn du Ingenieur bist und ein nachhaltiges Verständnis von LLMs willst statt einer weiteren Sammlung von Prompt-Tipps, ist diese Serie für dich. Wenn du Manager oder Führungskraft bist und Entscheidungen über KI-Tools treffen musst, die du nicht selbst gebaut hast, ist diese Serie für dich. Wenn du Studierender bist und einen zugänglichen Einstieg in ein ernsthaftes technisches Feld suchst, ist diese Serie für dich.

Was du nicht brauchst: einen mathematischen Hintergrund, einen Programmierhintergrund oder irgendeine vorherige Berührung mit maschinellem Lernen. Das Buch selbst ist auf zwei Ebenen geschrieben — ein technisch sorgfältiger Haupttext und eine Seitenleiste in einfacher Sprache, die parallel verläuft — und diese Serie neigt zur einfachen Sprache.

Die zwölf Kapitel

Teil I — Konzepte und Grundlagen

Kapitel 1 — Was ist ein großes Sprachmodell? (18. Februar) — Was die Wörter "groß", "Sprache" und "Modell" wirklich bedeuten, wie wir historisch hierher gekommen sind und die drei größten Mythen über LLMs, die zu schlechten Entscheidungen führen.

Kapitel 2 — Wahrscheinlichkeit, Tokens und Text (19. Februar) — Wie LLMs Text in Tokens umwandeln, warum Sprachmodellierung fundamental ein Wahrscheinlichkeitsproblem ist und wie die Vorhersage des nächsten Tokens zu allem anderen wird.

Kapitel 3 — Neuronale Netze für Sprache (20. Februar) — Warum Feedforward-Netze keine Sprache verarbeiten konnten, wie RNNs an eine Mauer stießen und was Attention veränderte.

Teil II — Wie LLMs funktionieren

Kapitel 4 — Die Transformer-Architektur (21. Februar) — Im Motor der modernen KI. Self-Attention, Positional Encoding, Encoder/Decoder-Topologien und Skalierungsgesetze.

Kapitel 5 — Große Modelle trainieren (22. Februar) — Woher die Daten kommen, was die Verlustfunktion tut, wie verteiltes Training funktioniert und warum das Training eines Frontier-Modells Hunderte Millionen Dollar kostet.

Kapitel 6 — Feinabstimmung und Adaption (23. Februar) — Von Prompt-Tricks über Instruction Tuning bis zu parametereffizienten Methoden wie LoRA. Und die Alignment-Techniken — RLHF und seine modernen Nachfolger — die rohe Modelle in hilfreiche Assistenten verwandeln.

Kapitel 7 — Jenseits der Vorhersage des nächsten Tokens (24. Februar) — Embeddings, semantische Suche, Retrieval-Augmented Generation und der Übergang zu multimodalen Eingaben.

Teil III — Praktische Perspektiven

Kapitel 8 — LLMs in Anwendungen einsetzen (25. Februar) — Chatbots, Zusammenfassung, Codegenerierung, Wissensextraktion, Evaluation und der Aufstieg agentischer Systeme, in denen das Modell eine Tool-Use-Schleife steuert.

Kapitel 9 — Leistung, Skalierung und Kosten (26. Februar) — Modellgröße versus Fähigkeit, der Trade-off zwischen Latenz und Throughput, Quantisierung, Edge-Deployment und warum Frontier-Modelle oft die falsche Wahl sind, selbst wenn du sie dir leisten kannst.

Kapitel 10 — Sicherheit, Ethik und Vertrauen (27. Februar) — Warum Halluzinationen mechanisch entstehen, wo Bias wirklich lebt, wie geschichtete Guardrails funktionieren und warum Governance die institutionelle Schicht ist, die technische Kontrollen nicht ersetzen können.

Teil IV — Fortgeschrittene Themen

Kapitel 11 — Spitzenforschung (28. Februar) — Mixture-of-Experts, Retrieval- und Memory-Mechanismen, native Multimodalität, kontinuierliches Lernen und das Inference-Time-Scaling-Paradigma, das die heutigen Reasoning-Modelle hervorgebracht hat. Die größte inhaltliche Erweiterung der Ausgabe 2026.

Kapitel 12 — Dein eigenes LLM-System bauen (1. März) — Das Abschlusskapitel. Datensätze und Lizenzierung, Trainings-Pipelines, Evaluations-Frameworks, der integrierte Anwendungs-Stack und die Fallstudienmuster, die erfolgreiche Deployments von gescheiterten Piloten unterscheiden.

Über das Buch und die Serie

Das Buch ist LLM Primer I: How Generative AI Works — A Clear and Practical Guide to the Foundations of Large Language Models von Sho Shimoda.

Es ist der erste Band der LLM Primer Serie. Andere Bände gehen tiefer in spezifische Themen ein — Retrieval-Augmented Generation, Kontextdesign mit MCP, der Bau realer LLM-Anwendungen, das Skalieren von KI-Systemen und KI-Sicherheit. Jeder Band steht für sich, aber zusammen decken sie das vollständige Engineering-Bild der Arbeit mit großen Sprachmodellen ab.

Wenn dich LLM Primer I mit dem Wunsch nach mehr Tiefe zu einem bestimmten Thema zurücklässt, sind die Begleitbände der nächste Schritt.