KI-Lernreihe, Lektion 1: Modellnutzung

KI-Lernreihe · Lektion 1 von 4

Die meisten KI-Ergebnisse entscheiden sich, bevor der erste Prompt geschrieben ist. Das gewählte Modell legt die Obergrenze der Qualität fest, die Untergrenze der Kosten und wie viel Kontext die Aufgabe tragen kann — wählen Sie es also bewusst, nicht aus Gewohnheit.

Status: Gliederung. Die Vorführung am Bildschirm ist noch nicht aufgezeichnet — dieser Beitrag ist der Plan, dem sie folgen wird, und er erhält die echte Vorführung, sobald die Lektion ausgestrahlt ist.

Lektion	Schwerpunkt	Beantwortete Frage
1 — Modellnutzung	Modellstufe, Kontext, Tokens	Welches Modell braucht diese Aufgabe?
2 — Prompting, Projekt und Kontext	Prompt-Struktur, dauerhafter Kontext	Was legt man dem Modell vor?
3 — Dokumentation, Regeln und Skills	Repository-Struktur	Wie bleibt ein Repository über Sitzungen hinweg konsistent?
4 — Kosten senken	Messung, Hebel, Leitplanken	Wie gibt man weniger aus, ohne Qualität zu verlieren?

Was Sie danach können

Eine Aufgabe ansehen und die benötigte Modellstufe benennen — mit Begründung
Abschätzen, wie viel Kontext Sie senden sollten, bevor Sie ihn senden
Grob abschätzen, was der Lauf kosten wird, bevor er läuft

Nicht „welches Modell ist das beste“ — das gibt es nicht. Welches Modell zu dieser Aufgabe passt.

Nicht Teil dieser Lektion: Prompt-Formulierung und Projekteinrichtung (Lektion 2), Regeldateien und Skills (Lektion 3) und das Senken der Ausgaben (Lektion 4). Diese Lektion vermittelt das Vokabular der Kosten — Tokens, Kontext, Eingabe gegenüber Ausgabe —, damit Lektion 4 etwas Konkretes zum Kürzen hat.

Die Modellentscheidung

Modellstufe — Leistung, Tempo und Preis

Leistung, Tempo und Preis bewegen sich gemeinsam: Stärkeres Schlussfolgern ist meist langsamer und pro Token teurer
Dieselbe Aufgabe läuft auf einem kleinen und einem großen Modell nebeneinander, damit der Zielkonflikt sichtbar wird statt nur behauptet

Aufgabenpassung — nach der Arbeit wählen, nicht nach der Schlagzeile

Nachschlagen, Klassifizieren, Entwerfen, mehrstufiges Schlussfolgern und lang laufende Agentenarbeit brauchen nicht dasselbe Modell
Drei echte Aufgaben aus dem Repository dieses Blogs erhalten je ein Modell und eine ausdrückliche Begründung — nie „weil es das neueste ist“

Aufgabentyp	Typische Wahl	Warum
Nachschlagen / Klassifizieren	Kleine, schnelle Stufe	Kurze Eingabe, eine richtige Antwort, leicht zu prüfen
Entwerfen / Umschreiben	Mittlere Stufe	Braucht eher Sprachgewandtheit als tiefes Schlussfolgern
Mehrstufiges Schlussfolgern / Debugging	Große Stufe	Fehler summieren sich — Leistung zahlt sich aus
Lang laufende Agentenarbeit	Große Stufe, mit Limits	Viele Schritte, viele Tokens — braucht ein Budget und eine Abbruchbedingung

Kontextfenster — was passt, was herausfällt

Mehr Kontext ist nicht automatisch besser — ab einem gewissen Punkt zahlen Sie für Tokens, die das Modell kaum nutzt
Jenseits der Fenstergrenze fallen ältere Inhalte stillschweigend heraus
Am Bildschirm: eine lange Datei komplett eingefügt, dann nur der relevante Abschnitt, mit Vergleich von Ergebnis und Kosten

Tokens — Eingabe gegenüber Ausgabe

Eingabe- und Ausgabe-Tokens werden getrennt gezählt und oft getrennt abgerechnet
Ein echter Prompt aus diesem Projekt und seine Antwort werden gezählt, damit „was wird das kosten“ keine Schätzung mehr ist

Einstellungen für Aufwand und Schlussfolgern

Manche Modelle bieten eine Einstellung dafür, wie viel sie vor der Antwort schlussfolgern
Eine wirklich schwierige Aufgabe läuft mit niedriger und hoher Einstellung — verglichen nach Ergebnissen, nicht nur nach Latenz

Die Entscheidungsliste

▶ show code

# Model Decision — before you send
1. What kind of task is this? (lookup / draft / reasoning / agent)
2. What does "correct" look like, and how will you check it?
3. What is the smallest tier that can plausibly pass that check?
4. What context does it actually need? (sections, not whole files)
5. Rough token estimate: input + expected output
6. Is there an effort/reasoning setting — and does this task need it?
7. Check failed? Change one thing (tier, context, or setting) and rerun

Prüfen, bevor Sie sich darauf verlassen

Modellnamen, Kontextfenstergrößen und Preise ändern sich zu oft, um sie als Tatsachen zu veröffentlichen — deshalb nennt diese Lektion keine davon. Vor der Aufzeichnung wird jede dieser Angaben erneut in der Dokumentation des jeweiligen Anbieters geprüft:

Aktuelle Modellnamen und die Stufe, in der jedes Modell liegt
Größe des Kontextfensters pro Modell
Eingabe- und Ausgabepreis pro Modell — nur gezeigt, wenn in derselben Woche geprüft
Ob es auf den gezeigten Modellen eine Aufwands- oder Schlussfolgerungseinstellung gibt und wie sie heißt

Sie brauchen die Details jetzt? Sehen Sie in der Dokumentation von Anthropic, der Dokumentation von OpenAI und den Model Cards von Hugging Face nach — dieselben Quellen, die die Lektion vor der Liveübertragung prüft.

Häufige Fragen

„Welches Modell ist das beste?“ Keines, abstrakt betrachtet. Das richtige Modell ist das kleinste, das Ihre Prüfung für diese Aufgabe besteht.

„Soll ich die ganze Datei senden?“ Meist nicht. Senden Sie den Abschnitt, von dem die Aufgabe abhängt — ganze Dateien kosten mehr und können das Wesentliche verschütten.

„Wo finde ich aktuelle Preise und Limits?“ In der Dokumentation des Anbieters, geprüft in der Woche, in der Sie sie brauchen — nicht in einem Blogbeitrag, diesen eingeschlossen.

Weiter: Lektion 2

Das Modell zu wählen ist die halbe Vorbereitung. Lektion 2 behandelt, was man ihm vorlegt — Prompt-Struktur, Akzeptanzkriterien und dauerhaften Projektkontext. Für die fortgeschrittene Variante der Frage, wo KI-Arbeit läuft, verteilt die Anleitung zum hybriden KI-Setup die Arbeit zwischen Hugging Face, Claude und einem lokal laufenden Ollama-Modell.