Generative KI mit Python

Das Praxisbuch für eigene KI-Anwendungen
2. Auflage 2026
ISBN: 978-3-367-12009-3
Verlag: Rheinwerk Verlag GmbH

Buch, Deutsch, 484 Seiten, Format (B × H): 168 mm x 240 mm

Ihr Guide für eigene RAG-Anwendung!

Freuen Sie sich auf einen umfassenden Einstieg in die Welt der Generativen KI mit Python. Dieses Buch deckt Schlüsselkonzepte wie Large Language Models (LLMs), LangChain, Vektordatenbanken, das Model Context Protocol (MCP) und Retrieval-Augmented-Generation (RAG) ab. Sie lernen die Grundlagen des Prompt Engineering kennen, steigen ins Agentic Coding ein und erfahren, wie Sie Agentensysteme entwickeln und deployen.

Mit praxisnahen Beispielen und klaren Erklärungen tauchen Sie tief in die Materie ein – ideal für alle, die Generative KI-Lösungen mit Python umsetzen wollen.

- Agentic Coding: Mit KI-Agenten eigenständig Code schreiben, testen und deployen
- RAG-Anwendungen und Vektordatenbanken für wissensbasierte LLM-Anwendungen
- MCP, Prompt Engineering, Agentensysteme u.v.m.

Aus dem Inhalt:

- Große Sprachmodelle – LLMs und LMMs
- Prompt Engineering
- Sprachanalyse (NLP)
- Vektordatenbanken
- LangChain und LangGraph
- Hugging Face
- CrewAI
- OpenAI- und andere APIs
- Agentensysteme
- Model Context Protocol (MCP)
- Agentic Coding
- Deployment

Autoren/Hrsg.

Gollnick, Bert

Fachgebiete

• Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz

Inhaltsverzeichnis

  Materialien zum Buch ... 15

  1.  Vorwort ... 17

       1.1 ... Zielsetzung des Buches ... 18

       1.2 ... Zielgruppe ... 19

       1.3 ... Was Sie schon wissen sollten ... 20

       1.4 ... Struktur des Buches ... 20

       1.5 ... Wie man dieses Buch effektiv nutzt ... 24

       1.6 ... Systemeinrichtung ... 25

       1.7 ... Danksagung ... 32

       1.8 ... Konventionen in diesem Buch ... 33

  2.  Einführung in die generative KI ... 35

       2.1 ... Einführung in die künstliche Intelligenz ... 38

       2.2 ... Die Säulen des Fortschritts in der generativen KI ... 42

       2.3 ... Deep Learning ... 46

       2.4 ... Schwache und allgemeine KI ... 48

       2.5 ... Natural Language Processing (NLP) ... 51

       2.6 ... Large Language Models (LLMs) ... 56

       2.7 ... Use-Cases ... 59

       2.8 ... Die Grenzen von LLMs ... 61

       2.9 ... Large Multimodal Models (LMMs) ... 62

       2.10 ... Generative KI-Anwendungen ... 64

       2.11 ... Zusammenfassung ... 66

  3.  Vortrainierte Modelle ... 69

       3.1 ... Was sind vortrainierte Modelle? ... 71

       3.2 ... Hugging Face ... 71

       3.3 ... Modellauswahl ... 72

       3.4 ... Coding: Textzusammenfassung ... 73

       3.5 ... Übung: Übersetzung ... 75

       3.6 ... Coding: Zero-Shot-Klassifikation ... 77

       3.7 ... Coding: Füllmaske ... 80

       3.8 ... Coding: Frage-Antwort-Modelle ... 81

       3.9 ... Coding: Erkennung benannter Entitäten (Named Entity Recognition) ... 83

       3.10 ... Coding: Text-zu-Bild ... 85

       3.11 ... Übung: Text-zu-Audio ... 87

       3.12 ... Abschlussprojekt: Kunden-Feedback analysieren ... 88

       3.13 ... Zusammenfassung ... 91

  4.  Large Language Models ... 93

       4.1 ... Eine kurze Geschichte der Sprachmodelle ... 94

       4.2 ... LLMs mithilfe von Python nutzen ... 95

       4.3 ... Modellparameter ... 109

       4.4 ... Modellauswahl ... 113

       4.5 ... Messages ... 116

       4.6 ... Prompt Templates ... 117

       4.7 ... Chains ... 122

       4.8 ... LLM-Schutz und -Sicherheit ... 135

       4.9 ... Modellverbesserungen ... 143

       4.10 ... Neue Trends ... 144

       4.11 ... Zusammenfassung ... 151

  5.  Prompt Engineering ... 153

       5.1 ... Prompting -- die Grundlagen ... 154

       5.2 ... Meta-Prompting ... 164

       5.3 ... Strukturierte Inputs ... 165

       5.4 ... Coding: Few-Shot-Prompting ... 166

       5.5 ... Chain-of-Thought ... 168

       5.6 ... Zero-Shot Chain-of-Thought ... 169

       5.7 ... Coding: Self-Consistency Chain-of-Thought ... 169

       5.8 ... Coding: Prompt-Chaining ... 173

       5.9 ... Coding: Self-Feedback ... 175

       5.10 ... Zusammenfassung ... 180

  6.  Vektordatenbanken ... 183

       6.1 ... Einleitung ... 183

       6.2 ... Der Data-Ingestion-Prozess ... 186

       6.3 ... Dokumente importieren ... 187

       6.4 ... Dokumente aufteilen ... 194

       6.5 ... Einbettungen erstellen ... 211

       6.6 ... Daten speichern ... 226

       6.7 ... Daten abrufen ... 232

       6.8 ... Abschlussprojekt ... 239

       6.9 ... Zusammenfassung ... 251

  7.  Retrieval-Augmented Generation ... 253

       7.1 ... Einleitung ... 254

       7.2 ... Ein einfaches System zur Retrieval-Augmented Generation ... 258

       7.3 ... Fortgeschrittene Techniken ... 265

       7.4 ... Coding: Prompt-Caching ... 286

       7.5 ... Evaluierung ... 292

       7.6 ... Zusammenfassung ... 296

  8.  Agentensysteme ... 297

       8.1 ... Einführung in KI-Agenten ... 298

       8.2 ... Verfügbare Frameworks ... 300

       8.3 ... Einfache Agentensysteme ... 301

       8.4 ... Agenten-Framework: LangGraph ... 310

       8.5 ... Agenten-Framework: Microsoft Agent Framework ... 324

       8.6 ... Agenten-Framework: CrewAI ... 336

       8.7 ... Agenten-Framework: OpenAI Agents ... 350

       8.8 ... Agenten-Framework: Pydantic AI ... 356

       8.9 ... Überwachung von Agentensystemen ... 359

       8.10 ... Zusammenfassung ... 366

  9.  Model Context Protocol ... 369

       9.1 ... Was ist das Model Context Protocol? ... 370

       9.2 ... Das M×N-Integrationsproblem ... 371

       9.3 ... Architektur: Host, Client und Server ... 372

       9.4 ... Finden von geeigneten MCP-Servern ... 374

       9.5 ... Coding: Einen bestehenden MCP-Server einbinden ... 374

       9.6 ... Coding: Einen eigenen MCP-Server entwickeln ... 377

       9.7 ... MCP in Agenten-Frameworks nutzen ... 383

       9.8 ... Sicherheit und Grenzen ... 383

       9.9 ... Zusammenfassung ... 387

10.  Agentic Coding ... 389

       10.1 ... Was ist Agentic Coding? ... 390

       10.2 ... Die Werkzeuglandschaft ... 392

       10.3 ... Kontextmanagement ... 405

       10.4 ... Skills ... 412

       10.5 ... Hooks ... 419

       10.6 ... MCP-Anbindung ... 420

       10.7 ... Arbeitsweisen und Workflows ... 422

       10.8 ... Coding: Ein Projekt mit OpenCode umsetzen ... 424

       10.9 ... Mit lokalen Modellen arbeiten ... 425

       10.10 ... Best Practices, Kosten und Grenzen ... 426

       10.11 ... Zusammenfassung ... 427

11.  Deployment ... 429

       11.1 ... Die Anwendungsarchitektur ... 430

       11.2 ... Die Deploymentstrategie ... 432

       11.3 ... Entwicklung einer eigenständigen Anwendung ... 442

       11.4 ... Deployment auf Heroku ... 449

       11.5 ... Deployment auf Streamlit.io ... 456

       11.6 ... Deployment auf Render ... 459

       11.7 ... Zusammenfassung ... 461

12.  Ausblick ... 463

       12.1 ... Fortschritte in der Modellarchitektur ... 463

       12.2 ... Grenzen und Probleme von LLMs ... 464

       12.3 ... Regulatorische Entwicklungen ... 470

       12.4 ... Künstliche allgemeine Intelligenz und künstliche Superintelligenz ... 470

       12.5 ... KI-Fähigkeiten in der nahen Zukunft ... 471

       12.6 ... Hilfreiche Ressourcen und Empfehlungen ... 473

       12.7 ... Zusammenfassung ... 474

  Über den Autor ... 477

  Index ... 479

Über Autor(innen)

Gollnick, Bert
Bert Gollnick ist Senior Data Scientist mit Schwerpunkt auf künstlicher Intelligenz. Er unterrichtet Kurse zu Data Science und Machine Learning inklusive generativer KI und natürlicher Sprachverarbeitung. Bert hat an der Technischen Universität Berlin Luft- und Raumfahrttechnik und an der Universität Hagen Volkswirtschaftslehre studiert. Nach 17 Jahren in der Industrie fokussiert er sich nun auf seine Schulungsfirma, um Teilnehmern künstliche Intelligenz näherzubringen.Er lebt und arbeitet in Hamburg und bietet Präsenzkurse im deutschsprachigen Raum sowie Online-Kurse auch für ein internationales Publikum an.