ki-engineeering/00-inhaltsverzeichnis.md

Inhaltsverzeichnis

AI Engineering für Software-Entwickler
Zuverlässige, produktionsreife Anwendungen mit Foundation Models bauen, betreiben und weiterentwickeln

---

Front Matter

• README — Repo-Übersicht
• Exposé
• Inhaltsverzeichnis — diese Datei

Kapitel

Teil 0 — Einstieg

1. Vorwort
   Motivation, Serie-Einordnung, Stichtag.

2. Einführung
   Intentionen, Zielgruppe, Thesen T1–T10, Lesepfade, Was dieses Buch nicht ist.

Teil I — Mental Model: Vom SE zum AI Engineer

3. Was ist AI Engineering?
   Definition; Abgrenzung ML Eng / Data Science / Prompt Engineering; Job-to-be-done.

4. Was sich ändert
   Halluzinationen, Non-Determinismus, Kosten, Latency; Rollenwandel Code → Orchestrierung.

5. Wann LLMs — und wann nicht
   Ampel grün/gelb/rot; Anti-LLM-Cases; Realitätscheck.

6. Vom Problem zur Spezifikation
   Success Metrics, Failure Modes, Cost Envelope, Privacy; Spec-Template.

Teil II — Architekturentscheidungen

7. Architektur-Landkarte
   Application Patterns; Control Flow vs. LLM Flow.

8. Entscheidungsrahmen: Adaptation
   Adaptation Ladder: Prompt → Structured → RAG → Tools → Agents → FT → Train.

9. Modelle und Routing
   Model Tiers, Cascades, Fallbacks; API vs. Self-Hosting.

10. Daten- und Kontextarchitektur
    Context Engineering produktseitig; Memory-Tiers; Caching.

Teil III — Bausteine bauen

11. Prompting als Interface-Design
    Prompts als Contracts; Structured Output; Versionierung.

12. RAG: Retrieval und Generation
    Chunking, Index, Hybrid Search, Rerank, Citations, Failure Modes.

13. Tools und Function Calling
    Tool Design, Permissions, Errors; MCP als Protokoll-Beispiel.

14. Agents und Workflows
    Agent vs. Pipeline; State; Human-in-the-loop; Grenzen.

15. Fine-Tuning und Distillation
    Wann FT lohnt; Datenqualität; Ops-Last; ehrlich „meistens nicht“.

16. Orchestrierung im Code
    Thin orchestration; Retry/Validate/Repair/Fallback; Schichten.

Teil IV — Qualität, Evaluation, Sicherheit

17. Evaluation und Testing
    Golden Sets, LLM-as-Judge, Human Eval, CI Gates.

18. Qualität in Produktion
    Online Metrics, Shadow/Canary, Drift, Silent Degradation.

19. Security und Safety
    Prompt Injection, Leakage, Tool Abuse; Guardrails.

20. Privacy, Compliance, Trust
    Residenz, Retention, Redaction, Auditability (Praxis, keine Rechtsberatung).

Teil V — Betrieb, Kosten, Evolution

21. Deployment und Serving
    Timeouts, Streaming, Batch, Rate Limits, Multi-Provider.

22. Observability
    Traces, Token Accounting, Quality Signals, Alerting.

23. Kosten, Latency, SLOs
    Unit Economics, Caching, Routing, Budget Caps, SLO-Design.

24. Wartung und Model-Lifecycle
    Versioning, Canary, Rollback, Foundation Model as dependency.

25. Incident Response
    Cost Spikes, Safety, Quality Drops; Runbooks.

Teil VI — Teams, Organisation, Reife

26. Team, Ownership, Review
    Ownership von Prompt/Eval/Model; AI-Diffs reviewen.

27. Einführung im Unternehmen
    Pilot → Platform → Productization; Anti-Patterns.

28. Reifegradmodell
    Levels 0–4; Assessment; 90-Tage-Plan.

29. Schluss und Ausblick
    Reprise Thesen; was in 2 Jahren gilt; Serie-Brücken.

Anhänge

Anhang A. Templates
PDF-Snapshot der Kern-Vorlagen aus templates/.

Anhang B. Anti-Patterns
Katalog und Gegenmittel-Matrix.

Anhang C. Glossar
Terminologie aligned mit der Serie.

Anhang D. Entscheidungsmatrizen
RAG vs FT, Agent vs Pipeline, Host vs API.

Anhang E. Lesepfade und Checklisten
Lesepfade, E2E-Walkthrough (ein Feature durch den Stack), Workshop, Onboarding, Gates.

---

Templates

Template	Zweck
ai-feature-spec.md	Feature-Spezifikation
adr-adaptation.md	ADR Adaptation Ladder
adr-model-hosting.md	ADR Modell/Hosting
eval-plan.md	Eval-Plan
tool-contract.md	Tool-Contract
model-change-checklist.md	Model-Change
incident-runbook-ai.md	Incident-Runbook
production-ready-checklist.md	Go-Live Gate

Checklisten

Checkliste	Zweck
wann-llm.md	Wann LLM / wann nicht
rag-production-ready.md	RAG Production
agent-readiness.md	Agent vs. Pipeline
security-review-ai.md	Security Review
observability-minimum.md	Observability Minimum
team-onboarding-30-tage.md	30-Tage Onboarding

---

Empfohlener Einstieg: Einführung → Was ist AI Engineering? → Templates aus templates/.