🏗️

Frameworks

LLM-Anwendungsframeworks wie LangChain und LlamaIndex

LangChain Framework Tutorial

Ein ausführliches Tutorial zum LangChain-Framework mit Architekturübersicht und den Kernmodulen Chains, Agents und Memory samt Praxisbeispielen. Dazu RAG-Integration, Entwicklung eigener Tools und Debugging-Strategien – ideal für Entwickler, die über einfache Prompts hinausgehen und produktionsreife LLM-Anwendungen bauen wollen.

AnleitungFortgeschrittenLangChainLLM

AI Resource HubAktualisiert 2026-06-24

4.5

Python AI/ML Bibliotheken Sammlung

Eine kuratierte Übersicht der meistgenutzten Python-Bibliotheken für KI und Machine Learning: Deep-Learning-Frameworks wie TensorFlow und PyTorch, klassisches ML mit Scikit-learn, Datenmanipulation mit NumPy und Pandas sowie aufkommende Tools für LLM-Integration. Jeder Eintrag enthält Kurzbeschreibung, typischen Anwendungsfall und Installationsbefehl – ein praktisches Nachschlagewerk für Praktiker, die ihr ML-Toolkit aufbauen.

AnleitungFortgeschrittenPythonMaschinelles Lernen

AI Resource HubAktualisiert 2026-06-28

4.7

Umarmungs-Face-Transformers-Tutorial

Das offizielle Tutorial für Hugging Face Transformers, die Branchenstandard-Bibliothek für NLP und Computer Vision. Es behandelt Textklassifikation, Tokenisierung, Übersetzung, Bildsegmentierung und mehr mit Code-Beispielen für PyTorch und TensorFlow – für Praktiker, die vortrainierte Modelle nutzen oder auf eigenen Datensätzen feinabstimmen wollen.

AnleitungFortgeschrittenUmarmungsgesichtTransformatoren

Hugging FaceAktualisiert 2026-07-06

4.5

LlamaIndex Framework Tutorial

Ein Praxis-Tutorial für LlamaIndex, das Framework für den Bau von RAG-Anwendungen, die LLMs mit eigenen Datenquellen verbinden. Es behandelt Daten-Ingestion-Pipelines, Indexierungsstrategien, Query-Engines und agentenbasierte Abfrage mit praktischen Beispielen für PDF-, Web- und Datenbank-Connectors – für Entwickler, die domänenspezifische KI-Assistenten auf Basis eigener Dokumente bauen wollen.

AnleitungFortgeschrittenLlamaIndexRAG

LlamaIndexAktualisiert 2026-06-26

4.9

PyTorch Deep-Learning-Framework

PyTorch ist ein führendes Open-Source-Deep-Learning-Framework von Meta, bekannt für seinen dynamischen Rechengraph und die Python-artige Schnittstelle. Es treibt sowohl Spitzenforschung als auch Produktions-Deployments an, mit einem reichen Ökosystem an Tools für Training, Debugging und Skalierung von Modellen über GPUs und TPUs.

Open SourceFortgeschrittenPyTorchDeep Learning

PyTorchAktualisiert 2026-07-06

4.7

vLLM Hochleistungsinferenz-Framework

vLLM ist ein Hochdurchsatz-Inferenz- und Serving-Engine für große Sprachmodelle, die PagedAttention verwendet, um Speichereffizienz und Durchsatz drastisch zu verbessern. Es unterstützt kontinuierliches Batching, Tensor-Parallelität und OpenAI-kompatibles API-Serving – die erste Wahl für die Skalierung von LLMs.

Open SourceExpertevLLMSchlussfolgerung

vLLMAktualisiert 2026-06-26

4.5

Haystack RAG-Framework

Haystack ist ein Open-Source-Framework von deepset für den Aufbau produktionsreifer LLM-Anwendungen, spezialisiert auf RAG und Question-Answering-Pipelines. Es bietet modulare Komponenten für Dokumentenverarbeitung, Embedding und Retrieval, die sich einfach mit Modellen von OpenAI, Hugging Face und anderen verbinden lassen.

Open SourceFortgeschrittenHeuhaufenRAG

deepsetAktualisiert 2026-06-22

4.6

DSPy

DSPy ist ein Framework, um Sprachmodelle zu programmieren statt zu prompten – durch komponierbare, modulare Pipelines mit automatischer Optimierung von Prompts und Gewichten. In Stanford entwickelt, ersetzt es brüchiges Prompt-Engineering durch reproduzierbare, testbare Programme, die sich an Modelle und Aufgaben anpassen.

Open SourceExperteDSPyPrompt-Optimierung

Stanford NLPAktualisiert 2026-06-26