🏗️

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.

BewertungKostenlosAnleitungFortgeschrittenLangChainLLM

AI Resource HubAktualisiert 24. Juni 2026

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.

BewertungKostenlosAnleitungFortgeschrittenPythonMaschinelles Lernen

AI Resource HubAktualisiert 28. Juni 2026

4.7

Hugging-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.

BewertungKostenlosAnleitungFortgeschrittenUmarmungsgesichtTransformatoren

Hugging FaceAktualisiert 6. Juli 2026

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.

BewertungKostenlosAnleitungFortgeschrittenLlamaIndexRAG

LlamaIndexAktualisiert 26. Juni 2026

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.

BewertungKostenlosOpen SourceFortgeschrittenPyTorchDeep Learning

PyTorchAktualisiert 6. Juli 2026

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.

BewertungKostenlosOpen SourceExpertevLLMSchlussfolgerung

vLLMAktualisiert 26. Juni 2026

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.

BewertungKostenlosOpen SourceFortgeschrittenHeuhaufenRAG

deepsetAktualisiert 22. Juni 2026

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.

BewertungKostenlosOpen SourceExperteDSPyPrompt-Optimierung

Stanford NLPAktualisiert 26. Juni 2026