Arbeiten mit LLM-APIs Eine Entwickleranwendung sendet eine JSON-Anfrage über eine HTTPS-API an ein gehostetes Sprachmodell und erhält Text sowie Nutzungsdaten. Drei Lernziele: Anfrage senden, Kontext gestalten und eine zuverlässige Anwendung bauen. KI FÜR ENTWICKLER · TEIL 3 Arbeiten mit LLM-APIs In Teil 2 schauten wir in das Modell. Jetzt verbinden wir es mit einer Anwendung.
Anfrage senden HTTP, Authentifizierung und JSON.
Kontext gestalten Anweisungen und Gesprächsverlauf.
Zuverlässig entwickeln Validieren, messen und Fehler behandeln.
DEINE ANWENDUNG Erkläre diesen Code … Prompt + Anweisungen Modell + Ausgabelimit { "model": "…", "input": "…", "store": false } Antwort LLM-ANBIETER API-Endpunkt Sprachmodell
Inferenz → Ausgabe-Tokens Text + Nutzungsdaten
ANFRAGE HTTPS POST /responses
ANTWORT JSON
UNSER WEG Anfrage → Antwort → Kontext → zuverlässige Anwendung
ARBEITEN MIT LLM-APIs · 2026 1 / 16 Rückblick: Vom Modell zur Anwendung Rückblick auf Teil 2: Tokens werden zu Embedding-Vektoren; kausale Attention, Position und MLPs bilden Kontext über Decoder-Blöcke. Vokabular-Scores werden zu Wahrscheinlichkeiten; Generierung hängt jeweils ein Token an und wiederholt mit festen Gewichten. Kontext ist begrenzt, flüssiger Text muss überprüft werden. Teil 3 verbindet diesen Mechanismus per API mit einer Anwendung. KI FÜR ENTWICKLER · TEIL 3 Rückblick: Vom Modell zur Anwendung Teil 2 öffnete die Blackbox. Vier Ideen erklären den Ablauf hinter einer LLM-API.
1 Tokens → Vektoren 2 Schichten bilden Kontext 3 Nächstes Token vorhersagen 4 Anhängen und wiederholen bank → Token-IDs werden erlernten Embedding-Vektoren zugeordnet. Kausale Attention + Position MLP + Residualpfade Über Decoder-Blöcke wiederholen. Jede Position nutzt ihre Vergangenheit. bright new unclear Vokabular-Scores → Wahrscheinlichkeiten. Schematische Verteilung. The future of AI is bright Token wählen; erneut vorhersagen. Bei Inferenz bleiben Gewichte fest. Kontext ist begrenzt. Deine App wählt Verlauf und Belege für die Anfrage. Flüssig heißt nicht geprüft. Wichtige Aussagen belegen und Ergebnisse validieren. TEIL 3 Deine Anwendung → LLM-API → dieser Mechanismus → nützliche, geprüfte Ausgabe ARBEITEN MIT LLM-APIs · 2026 2 / 16 Was ist eine LLM-API? Deine Anwendung ruft eine gehostete API per HTTPS auf. Der API-Dienst übernimmt Authentifizierung, Anfrageprüfung, Modellrouting und Nutzungsabrechnung. Das Sprachmodell führt Inferenz aus und liefert generierte Ausgabe über die API zurück. Die API ist die Schnittstelle, das Modell liefert die erlernten Fähigkeiten. KI FÜR ENTWICKLER · TEIL 3 Was ist eine LLM-API? Eine programmierbare Schnittstelle, über die deine Anwendung ein Sprachmodell im Netzwerk nutzt.
DEINE ANWENDUNG
Du steuerst den Ablauf Oberfläche + Anwendungslogik
HTTP-Client Prompt, Anweisungen, Modell-ID
API-DIENST Der Vertrag rund um die Inferenz
Authentifizierung Anfrageprüfung
Modellrouting Grenzen + Nutzung Endpunkt + Schema + Betriebsregeln
SPRACHMODELL Die erlernte Fähigkeit
Führt Inferenz auf deiner Eingabe aus
ANFRAGE HTTPS + JSON ANTWORT Text + Nutzung API = Schnittstelle + Dienst So greifst du auf die Fähigkeit zu und nutzt sie.
Modell = erlernte Parameter + Inferenz Erzeugt die Ausgabe aus deinem Kontext.
Ein Chatprodukt bietet eine fertige Oberfläche. Mit einer API baust du deine eigene. ARBEITEN MIT LLM-APIs · 2026 3 / 16 Der Aufbau einer API-Anfrage Fünf Teile einer OpenAI-Responses-API-Anfrage: HTTPS-Endpunkt und POST-Methode, Authorization-Header mit Laufzeit-API-Schlüssel, Modellwahl, Nutzereingabe sowie Ausgabe- und Speichersteuerung. Nummern verbinden Erklärungen mit dem JSON-Beispiel. Kein echter Schlüssel enthalten. KI FÜR ENTWICKLER · TEIL 3 Der Aufbau einer API-Anfrage Eine HTTPS-Anfrage verbindet Ziel, Zugangsdaten und einen strukturierten JSON-Body.
1 Ziel POST startet eine Generierungsanfrage. Nutze den HTTPS-Endpunkt des Anbieters. 2 Authentifizierung Der Header enthält deinen API-Schlüssel. Zur Laufzeit übergeben; nie fest einbauen. 3 Modell Wähle die benötigte Fähigkeit. Dein Schlüssel braucht Zugriff auf das Modell. 4 Eingabe Sende den Nutzer-Prompt oder Eingabeelemente. Ergänze bei Bedarf Anweisungen und Kontext. 5 Steuerung Ausgabe begrenzen; Speicherung wählen. Unterstützte Optionen hängen vom Modell ab. HTTP-ANFRAGE · OPENAI RESPONSES API 1 POST https://api.openai.com/v1/responses 2 Authorization: Bearer RUNTIME_KEY Content-Type: application/json { 3 "model": "gpt-5.4-mini", 4 "input": "Explain an API in 3 sentences.", 5 "max_output_tokens": 400, "store": false } JETZT ABSENDEN Auf Folie 5 temporären Schlüssel und Prompt eingeben – dann die Antwort untersuchen.
ARBEITEN MIT LLM-APIs · 2026 4 / 16 KI FÜR ENTWICKLER · TEIL 3
Dein erster LLM-API-Aufruf LIVE-DEMO 02 DEINE ANFRAGE FORMULIEREN
Prompt Senden → Leeren Browser-CORS prüfen
03 · OpenAI-Antwort POST /v1/responses → JSON → Text
Hier erscheint die Antwort des Modells. Eingabe-Tokens: — · Ausgabe-Tokens: — · Zeit: —
Direkt vom Browser zu OpenAI. Kein Proxy. CORS wurde noch nicht geprüft.
Der Schlüssel bleibt nur zur Laufzeit auf dieser Seite; Leeren entfernt ihn und bricht die Anfrage ab. Browser-Tools und Seitenskripte haben Zugriff. Temporären Schlüssel nutzen und danach widerrufen. Der Prompt geht an OpenAI; store:false schließt eine Datenaufbewahrung nicht aus.
ARBEITEN MIT LLM-APIs · 2026 5 / 16 Die API-Antwort verstehen Vereinfachtes Responses-API-JSON mit drei markierten Bereichen: Abschlussstatus, erzeugter Text in Message-Content und Eingabe-/Ausgabe-Tokenverbrauch. Text nach Elementtyp extrahieren, unvollständige Antworten und Ablehnungen behandeln und serverseitigen Tokenverbrauch von Browser-Laufzeit unterscheiden. Alle Werte sind schematisch. KI FÜR ENTWICKLER · TEIL 3 Die API-Antwort verstehen Die Antwort ist ein strukturiertes Ergebnis – erzeugter Text ist nur ein Teil davon.
ANTWORT-BODY · VEREINFACHTES JSON { "status": "completed", "output": [{ "type": "message", "content": [{ "type": "output_text", "text": "An API lets apps communicate." }] }], "usage": { "input_tokens": 24, "output_tokens": 38 } } 1 2 3 1 Ergebnisstatus prüfen Vor der Nutzung den Status lesen. Unvollständige Ausgabe, Ablehnungen und Fehler behandeln. 2 Erzeugten Text extrahieren output[] → message → content[] → output_text Passende Textteile sammeln und als Text darstellen. Nicht annehmen, dass output[0] immer eine Message ist. 3 Tatsächlichen Verbrauch lesen Eingabe: 24 Tokens Ausgabe: 38 Tokens Die Laufzeit misst der Browser separat. ROHES REST ≠ SDK-HELFER Der SDK-Helfer output_text sammelt Text; fetch liefert typisierte Ausgabeelemente. JSON und Tokenzahlen sind Beispiele, keine gemessene Demo-Antwort.
ARBEITEN MIT LLM-APIs · 2026 6 / 16 Anweisungen und Gesprächskontext Anweisungen legen das Verhalten der Anwendung fest. Input enthält Nutzerfrage und relevanten Kontext. Das JSON trennt übergeordnete Instructions von Input-Nachrichten mit Nutzer-/Assistentenverlauf. Abgerufene Dokumente sind nicht vertrauenswürdige Daten; wichtige Ergebnisse müssen validiert werden. KI FÜR ENTWICKLER · TEIL 3 Anweisungen und Gesprächskontext Gib dem Modell Verhaltensregeln und die nötigen Informationen für diese Anfrage.
01 · ANWEISUNGEN Verhalten der Anwendung festlegen. Aufgabe, Zielgruppe, Grenzen und Format. Hinweise klar und konsistent halten.
02 · EINGABE + KONTEXT Frage und Belege mitgeben. Aktuelle Nutzernachricht Relevante frühere Nutzer-/Assistentenbeiträge Bei Bedarf Dokumente oder Tool-Ergebnisse Deine App wählt aus, was sie mitgibt.
RESPONSES API · AUSZUG AUS DEM ANFRAGE-BODY { "instructions": "Explain APIs clearly. Be concise.", "input": [ { "role": "user", "content": "What is an API?" }, { "role": "assistant", "content": "An API lets applications communicate." }, { "role": "user", "content": "Now give me a GET request example." } ] } GRENZEN BEACHTEN Abgerufener Text ist nicht vertrauenswürdig. Keine Geheimnisse in Prompts. Anweisungen lenken das Verhalten; wichtige Ausgaben in der Anwendung validieren.
ARBEITEN MIT LLM-APIs · 2026 7 / 16 Modellverhalten steuern Passendes Modell wählen, Ausgabe begrenzen und Temperatur verstehen: Niedrige Werte bevorzugen wahrscheinliche Tokens bei weniger Variation; hohe Werte erlauben variablere Auswahl. Temperatur ist nur bei unterstützten Modellen und Konfigurationen ein API-Parameter. Niedrige Temperatur garantiert keine identischen Antworten. Akzeptanzkriterien definieren, repräsentative Fälle evaluieren und wichtige Ergebnisse validieren. KI FÜR ENTWICKLER · TEIL 3 Modellverhalten steuern Nutze die vom Modell unterstützten Regler und miss, ob das Ergebnis deine Anforderungen erfüllt. 1 2 3 Fähigkeit auswählen MODELL Modell passend zur Aufgabe Modellstärken mit der Aufgabe abgleichen. Qualität, Latenz und Kosten vergleichen. An repräsentativen Beispielen evaluieren. Ausgabe begrenzen max_output_tokens Explizite Obergrenze setzen. Bei Unterstützung ein Schema verlangen. Zurückgegebene Struktur validieren. Ein Tokenlimit kann die Antwort abschneiden. Temperatur API-Parameter: temperature Niedrig · z. B. 0,2 Bevorzugt wahrscheinliche Tokens; weniger Variation. Hoch · z. B. 0,8 Variablere Token-Auswahl. Nur bei Unterstützung durch Modell und gewählte Konfiguration. VARIATION EINPLANEN Niedrige Temperatur garantiert keine identischen Antworten. AUSZUG AUS DEM API-BODY { "temperature": 0.2 } Kein Regler für Wahrheit oder Qualität. Unterstützung prüfen, sonst weglassen. Folie 5 setzt den Parameter noch nicht. ARBEITEN MIT LLM-APIs · 2026 8 / 16 Gespräche über mehrere Runden Eine zweite Anfrage sendet Anweisungen, erste Nutzerfrage, Assistentenantwort und neue Nutzerfrage erneut. Der farbige JSON-Auszug passt zum Gespräch links. Dies zeigt anwendungsverwalteten Kontext; Anbieterzustand ist eine weitere unterstützte Möglichkeit. Die Live-Demo sendet unabhängige Anfragen. KI FÜR ENTWICKLER · TEIL 3 Gespräche über mehrere Runden Für eine Nachfrage sendet deine App den bisherigen Austausch zusammen mit der neuen Frage.
DAS GESPRÄCH
NUTZER · ERSTE FRAGE What is an API?
ASSISTENT · ERSTE ANTWORT An API lets applications communicate.
NUTZER · NACHFRAGE Now show me a GET request example.
Der nächste Aufruf erhält alle drei Nachrichten. Kein automatisches Gedächtnis vorausgesetzt.
ZWEITE ANFRAGE · BODY-AUSZUG { "instructions": "Explain APIs clearly. Be concise.", "input": [ { "role": "user", "content": "What is an API?" }, { "role": "assistant", "content": "An API lets applications communicate." }, { "role": "user", "content": "Now show me a GET request example." } ] } WEITERE OPTION Unterstützten Anbieterzustand nutzen, z. B. previous_response_id; nötige Anweisungen erneut senden. Aufbewahrung und Kontextwachstum prüfen. Folie 5 sendet weiterhin unabhängige Anfragen.
ARBEITEN MIT LLM-APIs · 2026 9 / 16 Antworten streamen Schematische Zeitverläufe vergleichen die vollständige Ausgabe am Ende mit Streaming-Text-Deltas bei ihrem Eintreffen. Streaming verbessert das gefühlte Antwortverhalten, nicht zwingend die Gesamtzeit. stream:true setzen, Server-Sent Events lesen, Deltas verbinden und Abschluss, Abbruch sowie Fehler behandeln. Netzwerk-Chunks sind keine Eventgrenzen. Folie 5 nutzt kein Streaming. KI FÜR ENTWICKLER · TEIL 3 Antworten streamen Text beim Eintreffen anzeigen, statt auf den Abschluss der gesamten Antwort zu warten.
GLEICHE AUFGABE · ZWEI ARTEN DER AUSGABE
OHNE STREAMING Anfrage Warten auf den Abschluss … An API lets apps communicate.
STREAMING An API lets apps communicate. Abgeschlossen + finaler Verbrauch ↑ Erster sichtbarer Text ↑ Abschluss Zeiten sind schematisch. Früher sichtbarer Text garantiert keine kürzere gesamte Generierungszeit. 01 · ANFRAGE { "stream": true } Streaming im JSON-Body aktivieren. 02 · LESEN + DARSTELLEN SSE-Events lesen; Text-Deltas anhängen. Netzwerk-Chunks ≠ vollständige Events. 03 · SICHER ABSCHLIESSEN Abschluss und Fehler behandeln. Abbruch ermöglichen; als Text darstellen. UNSERE LIVE-DEMO Folie 5 nutzt kein Streaming. Dafür wäre zusätzlicher Code zur Eventbehandlung nötig. ARBEITEN MIT LLM-APIs · 2026 10 / 16 Tokens, Latenz und Kosten Tokens, Latenz und Kosten: Modelle haben unterschiedliche Eingabe-/Ausgabepreise; gleiche Tokenzahlen können verschieden viel kosten. Ausgabe kostet meist mehr je Token, lange Eingabe kann aber insgesamt teurer sein. Je Kategorie Tokenzahl mal geltendem Preis summieren. Gesamtkosten je Aufgabe mit Qualität und Latenz vergleichen. Tokenzahlen, gecachte Eingabe und Reasoning beeinflussen die Abrechnung. Diagrammproportionen sind schematisch. KI FÜR ENTWICKLER · TEIL 3 Tokens, Latenz und Kosten Miss die ganze Anfrage: Verbrauch, Dauer und Kosten. 01 · TOKENS Eingabe und Ausgabe zählen EINGABE Anweisungen Verlauf Prompt AUSGABE Erzeugte Tokens Nutzungsdaten aus der API lesen. Tokens sind nicht dasselbe wie Wörter. 02 · LATENZ Die verstrichene Zeit verfolgen Netzwerk → Eingabeverarbeitung → Modellberechnung → Ausgabeübertragung Streaming: erster Text ≠ Abschluss. Demo-Zeit: vom Browser gemessene Gesamtdauer. 03 · KOSTEN Andere Modelle, andere Preise Gleiche Tokenzahl ≠ gleiche Kosten. Jedes Modell hat eigene Ein-/Ausgabepreise. Ausgabe ist meist je Token teurer. Lange Eingabe kann insgesamt mehr kosten. Gecachte Eingabe hat eigene Preise. Kosten = Tokenzahl × geltender Preis Kategorien summieren; aktuelle Modellpreise nutzen. GESAMTKOSTEN ZÄHLEN Eingabe- plus Ausgabekosten; bei Preisen je Million die Tokenzahlen durch 1 Mio. teilen. JE AUFGABE VERGLEICHEN Qualität + Latenz + Gesamtkosten Tokenzahlen variieren je Modell. Cache und Reasoning beeinflussen die Abrechnung; Demo-Zeiten sind kein Preisangebot.
ARBEITEN MIT LLM-APIs · 2026 11 / 16 Fehler und Grenzen behandeln Vor Wiederholung Fehler diagnostizieren. Ungültige Anfragen, Modellzugriff und Authentifizierung brauchen Konfigurationskorrekturen. Ratenlimits können begrenztes exponentielles Backoff mit Jitter erfordern; Quotenfehler Maßnahmen am Konto. Dienstfehler können vorübergehend sein. Beim Timeout ist der Abschlussstatus unbekannt. Browser-fetch-Fehler können Netzwerk, CORS oder Browserregeln betreffen. Nie Schlüssel in Logs oder Fehlermeldungen ausgeben. KI FÜR ENTWICKLER · TEIL 3 Fehler und Grenzen behandeln Zuerst die Fehlerart bestimmen. Wiederholen hilft nur bei vorübergehenden Ursachen.
SIGNAL WAS PRÜFEN? AKTION DER ANWENDUNG 400 / 404 Anfrage, Parameter, Endpunkt oder Modellzugriff Anfrage oder Konfiguration korrigieren. 401 / 403 Schlüssel, Projektrechte und Zugriff Zugangsdaten / Rechte korrigieren; nicht blind wiederholen. 429 Ratenlimit oder Quote erschöpft? Fehler lesen. Ratenlimit: Backoff. Quote: Konto prüfen. 5xx Vorübergehender Fehler beim Anbieter Begrenzt mit Backoff + Jitter wiederholen. TIMEOUT Die Anfrage könnte trotzdem abgeschlossen sein Lokal abbrechen; Ergebnis vor Wiederholung prüfen. BROWSER-FETCH FEHLGESCHLAGEN? Netzwerk, CORS oder Browserregeln können den Aufruf sperren. JavaScript kann diese Ursachen nicht immer unterscheiden. WIEDERHOLUNGSREGEL · SCHEMATISCH Warten → länger warten → nach begrenzter Zahl stoppen Jitter ergänzen; Anbieterhinweise und Fristen beachten. SICHER SCHEITERN Nützliche Meldungen zeigen. Nie API-Schlüssel loggen. Anfrage-IDs zur Diagnose behalten.
ARBEITEN MIT LLM-APIs · 2026 12 / 16 Das passende Modell wählen Anforderungen definieren, Kandidaten an denselben repräsentativen Beispielen testen und Qualität, Latenz sowie Gesamtkosten je erfolgreicher Aufgabe vergleichen. Die konzeptionelle Matrix nutzt Platzhalter statt Benchmarkbehauptungen. Erst Qualitäts- und Betriebsgrenzen erfüllen, dann Kosten und Geschwindigkeit optimieren. Modellzugriff und Funktionen hängen von Konto und Anbieter ab. KI FÜR ENTWICKLER · TEIL 3 Das passende Modell wählen Nach gemessenen Ergebnissen für deine Aufgabe wählen, nicht allein nach dem Modellnamen.
01 · ANFORDERUNGEN DEFINIEREN Was muss das Modell leisten? Qualität und akzeptable Fehlerrate Ziel für die Antwortzeit Budget je abgeschlossener Aufgabe Ausgabeformat und Tool-Unterstützung Datenschutz und Betriebsanforderungen 02 · KANDIDATEN AN GLEICHEN AUFGABEN TESTEN Normale Eingaben, schwierige Fälle und erwartete Fehler einbeziehen. Kandidat Qualität Latenz Kosten / Aufgabe Modell A Messen Messen Messen Modell B Messen Messen Messen Modell C Messen Messen Messen Nur eine Vorlage – keine erfundenen Scores oder allgemeine Modellrangfolge. 03 · AUSWÄHLEN Erst die Qualitätsschwelle erfüllen; dann Gesamtkosten und Antwortzeit optimieren. VOR DEM EINSATZ PRÜFEN Modellzugriff + Parameter + Grenzen → bei Änderungen neu evaluieren
ARBEITEN MIT LLM-APIs · 2026 13 / 16 Verschiedene API-Anbieter Drei Zugriffswege: direkt gehostete APIs (OpenAI, Anthropic, Google), Cloud-Plattformen (Microsoft Azure, Amazon Bedrock) und selbst gehostete Modellserver. Authentifizierung, Schemas, Streaming, Tools, strukturierte Ausgabe, Aufbewahrung und Nutzungsabrechnung vergleichen. Ähnliche HTTP-Schnittstellen bedeuten kein identisches Verhalten. KI FÜR ENTWICKLER · TEIL 3 Verschiedene API-Anbieter Die Anfrage läuft über HTTP – Dienstvertrag und Betriebsmodell können sich jedoch unterscheiden. 01 · DIREKT GEHOSTETE API 02 · CLOUD-PLATTFORM 03 · SELBST GEHOSTET Den Anbieter direkt aufrufen. Beispiele: OpenAI, Anthropic, Google Der Anbieter betreibt das Modell. Seine Zugangsdaten, Schemas und Abrechnung nutzen. Eine Cloud-Zugriffsschicht nutzen. Microsoft Azure · Amazon Bedrock Cloud-Identität und Bereitstellungsoptionen. Modelle und Endpunkte variieren. Den Modellserver selbst betreiben. Eigene Infrastruktur + Modellserver Hardware, Skalierung und Monitoring selbst verantworten. Modelllizenz und Fähigkeiten prüfen. VOR EINEM WECHSEL PRÜFEN Authentifizierung + Schemas Streaming + Tools + Ausgabeformate Aufbewahrung + Nutzungsabrechnung GRUNDIDEE Eine ähnliche HTTP-Schnittstelle garantiert kein identisches Verhalten. Integration testen. ARBEITEN MIT LLM-APIs · 2026 14 / 16 Eine einfache LLM-Anwendung bauen Code-Erklärer bauen: Nutzer senden Code über die Oberfläche; das Backend validiert Eingaben, ergänzt Anweisungen und ruft das Modell mit serverseitigem Schlüssel auf. Die Antwort wird geprüft und angezeigt. Im Betrieb kommen Rechte, Timeouts, Budgets, Monitoring und Evaluation dazu. Die Browser-Key-Demo auf Folie 5 ist eine temporäre Lehrumgebung. KI FÜR ENTWICKLER · TEIL 3 Eine einfache LLM-Anwendung bauen Beispiel: Ein Code-Erklärer macht aus einem eingesendeten Ausschnitt eine klare Erklärung. 01 · BENUTZEROBERFLÄCHE const total = items.reduce( (sum, x) => sum + x, 0); Codeausschnitt entgegennehmen. Ladezustand, Antwort oder Fehler zeigen. Generierten Text sicher darstellen. 02 · DEIN BACKEND Eingabe prüfen + Anweisungen ergänzen Modell wählen + Ausgabe begrenzen Anbieter mit serverseitigem Schlüssel aufrufen Antwort vor der Rückgabe prüfen Ablauf und Betriebsregeln selbst steuern. 03 · LLM-ANBIETER Anweisungen + Codeausschnitt → Inferenz → Erklärung Erklärung erzeugen. Ausgabe + Nutzungsdaten zurückgeben. Deine App validiert wichtige Ergebnisse. VOR DEM PRODUKTIVBETRIEB Zugriff + Eingabegrenzen Timeouts + Budgets Logs ohne Geheimnisse Qualitätsevaluationen LEHR-DEMO Folie 5 nutzt einen temporären Browser-Schlüssel. Im Produktivbetrieb bleiben Zugangsdaten auf dem Server. DEINE ÜBUNG Baue den Code-Erklärer; teste nützliche Antworten, ungültige Eingaben und Anbieterfehler. ARBEITEN MIT LLM-APIs · 2026 15 / 16 Kernaussagen und Ausblick Vier Kernaussagen: API-Vertrag verstehen, Anweisungen und Kontext gestalten, Qualität/Latenz/Kosten messen und Fehler einplanen. Nächste Lektion: Teil 4, Prompting und strukturierte Ausgabe mit System-Prompts, Few-Shot-Prompting, JSON-Ausgaben, Schemas und zuverlässigem Prompt-Design. KI FÜR ENTWICKLER · TEIL 3 Kernaussagen & Ausblick Eine Anfrage ist einfach. Eine zuverlässige Anwendung braucht Entwicklungsarbeit. 01 Den Vertrag verstehen Endpunkt, Authentifizierung und JSON. Typisierte Ausgabe lesen; Abschluss behandeln. 02 Kontext gestalten Klare Anweisungen und relevanten Verlauf mitgeben. Abgerufene Inhalte als nicht vertrauenswürdige Daten behandeln. 03 Das System messen Qualität, Latenz und Kosten je Aufgabe vergleichen. Modellpreise und unterstützte Regler unterscheiden sich. 04 Fehler einplanen Ausgabe validieren und Zugangsdaten schützen. Grenzen, Fehler und unklare Ergebnisse behandeln. WEITER · TEIL 4 Prompting & strukturierte Ausgabe System-Prompts · Few-Shot-Prompting · JSON-Ausgaben · Schemas · zuverlässiges Prompt-Design ZUM MITNEHMEN Mit einer nützlichen Aufgabe starten. Erfolg definieren. Fehler ebenso testen wie den Normalfall.
ARBEITEN MIT LLM-APIs · 2026 16 / 16 Pfeiltasten: navigieren · Pos1 / Ende: erste / letzte Folie · PDF herunterladen: alle 16 Folien als gespeicherte Fassung · Die Live-Demo auf Folie 5 ist nur im Browser interaktiv. Code und API-Bezeichner bleiben im Original.