Eine wachsende Sammlung von Ressourcen die ich empfehle. Fokus: technisches Verständnis, nicht Marketing-Hype.
Einstieg & Grundlagen#
Illustrated Transformer — Jay Alammar Die beste visuelle Erklärung der Transformer-Architektur. Pflichtlektüre bevor man über Fine-Tuning oder RAG spricht.
Attention Is All You Need (Paper) Das Original-Paper von 2017. Schwerer Leseeinstieg, aber wichtig um zu verstehen woher alles kommt.
A Survey of Large Language Models Comprehensive Übersicht des aktuellen Stands — gut als Referenz wenn man einordnen will wo ein Modell einzusortieren ist.
Prompt Engineering#
Prompt Engineering Guide — DAIR.AI Praktisch, gut strukturiert, regelmäßig aktualisiert. Chain-of-Thought, Few-Shot, ReAct — alles erklärt mit Beispielen.
OpenAI Prompt Engineering Best Practices Direkt von OpenAI. Manches ist offensichtlich, aber die Abschnitte zu structured outputs und tool use sind gut.
RAG & Produktion#
Building LLM Applications for Production — Chip Huyen Einer der besten Artikel über die Realität von LLMs in Produktivsystemen. Latenz, Kosten, Halluzinationen — alles angesprochen.
Patterns for Building LLM-based Systems & Products Eugene Yan über Patterns die er bei Amazon und in der Community beobachtet hat. RAG, Guardrails, Evaluation — sehr praktisch.
Tools & Frameworks#
LangChain Docs Trotz aller Kritik am Overhead: die Konzepte (Chains, Agents, Memory) sind gut erklärt und helfen beim Denken über LLM-Pipelines.
LlamaIndex — Getting Started Für RAG-Implementierungen mein bevorzugter Einstieg. Weniger Magie als LangChain, einfacher zu debuggen.