LLM Primer V — Serieneinführung und Übersicht

Kapitelweise Tour durch LLM Primer V: Building Real-World LLM Applications — der Band, der KI-Engineering als eigenständige Ingenieurdisziplin behandelt, nicht als Prompt-Trick.

Warum diese Serie existiert

Ein wiederkehrendes Muster begleitet angewandte KI-Arbeit: Ein Team baut an einem Wochenende ein Demo, das Demo verblüfft, ein Pilot wird genehmigt, und sechs Monate später steckt der Pilot in der Phase fest, die das Team „Hardening“ nennt und intern „der Teil, an dem das Modell ständig Dinge tut, mit denen wir nicht gerechnet haben“. Am Modell hat sich nichts geändert. Geändert hat sich, dass die Arbeit die Region verlassen hat, in der eine Handvoll kuratierter Inputs plausible Outputs erzeugt, und die Region betreten hat, in der tausende reale Nutzer, adversariale Inhalte, Kostenlinien und Latenzbudgets die Bedingungen setzen. Band V handelt von der Disziplin, die in dieser zweiten Region lebt. Er ist kein Buch über Modelltraining und kein Buch mit Prompt-Tricks. Er ist ein Buch über das Engineering, das ein Modell in ein System verwandelt, das ein Unternehmen betreiben kann.

Das Buch in einem Satz: KI-Engineering ist die Disziplin, deterministische Systeme um probabilistische Modelle zu bauen, und dieser Band schreitet die acht Flächen ab — Foundation Models, Prompts, Retrieval, Agenten, Evaluationen, Observability, Sicherheit und Serving —, an denen diese Disziplin lebt.

Für wen ich es geschrieben habe

Anwendungsentwicklerinnen, die einen funktionierenden Prototyp ausgeliefert haben und nun gebeten werden, ihn am Leben zu halten. Tech-Leads, die entscheiden, ob ein neues LLM-Feature die Betriebslast wert ist. Produktmanager in KI-Teams, die verstehen wollen, was ihre Ingenieurinnen zwischen Latenz, Kosten und Qualität abwägen. Das Buch setzt voraus, dass du eine LLM-API benutzt hast und genug von der Dokumentation eines Frameworks gelesen hast, um zu wissen, was ein Prompt-Template ist. Es setzt keinen spezifischen Hintergrund in ML-Forschung voraus; die für die Produktion relevante Mechanik ist Ingenieurmechanik, und das Buch bleibt in diesem Register.

Wie du es liest

Die Kapitel sind als Stapel geordnet. Kapitel 1 setzt den Rahmen — die deterministische Hülle um den probabilistischen Kern —, und der Rest des Buchs füllt die Schichten dieser Hülle. Kapitel 2 bis 4 schreiten das Modell, Retrieval und Agenten der Reihe nach ab; Kapitel 5 und 6 fügen die Evaluations- und Observability-Schienen hinzu, die das System sicher weiterentwickeln lassen; Kapitel 7 und 8 schließen mit Sicherheit und der Ökonomie des Servings. Du kannst das Buch am Stück lesen oder in das Kapitel einsteigen, das zu dem Fehlermodus passt, den dein System gerade zeigt. Jeder Walkthrough-Artikel destilliert drei Kernideen und verweist auf das Ausgangsmaterial.

Der 8-Kapitel-Weg

Der Walkthrough läuft einen Artikel pro Kapitel, täglich veröffentlicht.

14. April — Kapitel 1 — Die Disziplin des KI-Engineerings. Die Zuverlässigkeitslücke zwischen Demo und Produktion und die fünf Säulen, die sie schließen.
15. April — Kapitel 2 — Foundation Models und Prompt-Engineering. Modell-Tiering, Sampling-Parameter, defensive Prompts und strukturierte Outputs als Ingenieurflächen.
16. April — Kapitel 3 — Retrieval-Augmented Generation. Die RAG-Pipeline von Anfang bis Ende: Chunking, hybrides Retrieval, Query-Transformation, multimodal und Text-zu-SQL.
17. April — Kapitel 4 — KI-Agenten und Tool-Calling. ReAct-Schleifen, Tool-Schemata als Verträge und die drei Speicherschichten, die Agenten wirklich brauchen.
18. April — Kapitel 5 — LLM-Anwendungen evaluieren. LLM-as-Judge, die RAG-Triade und Trajectory-Tests für Agenten.
19. April — Kapitel 6 — KI-Observability und Tracing. OpenTelemetry-GenAI-Konventionen, die Metriken, auf die es ankommt, und die Rückkopplung in die Evaluationen.
20. April — Kapitel 7 — LLM-Sicherheit und Guardrails. Die OWASP-Top-10, direkte gegen indirekte Injection und die vierlagige Mitigationsmatrix.
21. April — Kapitel 8 — Performance, Serving und Kosten optimieren. Semantisches Caching, dynamisches Routing und was wirklich im Inferenz-Server passiert.

Wo dieser Band in der Serie sitzt: Band I und II behandelten die Mechanik der Modelle selbst, Band III ging tief auf Retrieval ein, und Band IV baute die MCP-förmige kognitive Architektur; Band V ist die Stelle, an der diese Fäden zu einem einzelnen Produktivsystem werden, und Band VI führt dieses System in den Flottenmaßstab.

Über dieses Buch und die Serie

Der LLM Primer ist eine siebenbändige Serie, die Sprachmodelle als Ingenieurgegenstand behandelt und nicht als Magie. Band V ist der fünfte Eintrag. Der Hausstil ist nüchtern und mechanismenzentriert: Jedes Kapitel benennt den Fehlermodus, den es schließt, schreitet den Mechanismus ab, der ihn schließt, und zeigt den Code, in dem der Mechanismus lebt. Es gibt keine Aufrufe, KI zu umarmen. Vom Leser wird angenommen, dass er das bereits entschieden hat; das Buch handelt davon, es gut zu tun. Spätere Bände gehen tiefer auf Skalierung (VI) und auf die schwereren Sicherheits- und Governance-Fragen ein, mit denen regulierte Bereitstellungen konfrontiert sind (VII).

Hol dir ein Exemplar. Die Taschenbuchausgabe enthält die vollständigen Anhänge — Deployment-Topologien, Framework-Vergleiche, Kostenrechnungen —, die die Walkthroughs zusammenfassen, aber nicht reproduzieren. LLM Primer V auf Amazon →