Wie planen Sie die Lernreihenfolge für AI Engineering from Scratch? Von der ersten Lektion bis zum eigenständigen AI-Projekt

Sie sehen 523 Lektionen und wissen nicht, wo Sie anfangen sollen?
Schnellste Lösung: Legen Sie zuerst ein konkretes Projektziel fest und lernen Sie dann die passenden Grundlagen, Implementierungsschritte und Prüfverfahren – statt die gesamte Kursliste mechanisch abzuarbeiten.

Dieser Leitfaden richtet sich an Entwicklerinnen und Entwickler, die AI Engineering from Scratch systematisch lernen möchten.
Wenn Sie gerade aus einem anderen Berufsfeld in die AI-Entwicklung wechseln, hilft Ihnen die Route, den Einstieg planbar zu machen.
Mit Entwicklungserfahrung oder einem Portfolioziel können Sie damit Wiederholungen vermeiden und Ihre Projektarbeit gezielt dokumentieren.

Zuletzt aktualisiert am 26.09.2026. Kursstruktur und Lernzugänge anhand des offiziellen Kurs-Repositories und der offiziellen Versionshistorie geprüft. Änderungen am Repository können eine erneute Prüfung erforderlich machen.

Die Lernreihenfolge für AI Engineering from Scratch am Projektziel ausrichten

Ein umfangreicher Kurs ist kein Lernplan. Die Angabe von 523 Lektionen ist nur dann nützlich, wenn Sie daraus eine sinnvolle Auswahl für Ihre eigene Anwendung treffen. Prüfen Sie die aktuelle Zahl und die tatsächlichen Inhalte im offiziellen Repository; behandeln Sie sie nicht als Versprechen, dass jede Lektion für jedes Projekt erforderlich ist.

Wählen Sie zunächst eine Aufgabe, die sich in einem Satz beschreiben lässt. Zum Beispiel: „Die Anwendung liest eine Supportanfrage ein und gibt eine Antwort mit einer passenden Kategorie zurück.“ Das ist konkreter als „Ich möchte einen AI-Agent bauen“, weil Sie damit Eingabe, gewünschte Ausgabe und später prüfbares Verhalten festlegen.

Halten Sie anschließend drei Dinge schriftlich fest:

• Funktion: Was soll die Anwendung tatsächlich tun – etwa Informationen sortieren, Text zusammenfassen oder eine begrenzte Aktion ausführen?
• Eingabe und Ausgabe: Welche Daten geben Sie hinein, und in welcher Form muss das Ergebnis zurückkommen?
• Ihre Ausgangslage: Welche Programmiersprache, Werkzeuge und Grundlagen beherrschen Sie bereits sicher?

Diese Klärung schützt vor drei typischen Fehlentscheidungen. Erstens kann man Wochen in Grundlagen investieren, ohne je eine lauffähige Anwendung zu bauen. Zweitens verleitet ein zu großes erstes Projekt dazu, mehrere neue Themen gleichzeitig zu lernen. Drittens führt das reine Abhaken von Lektionen leicht zu einem Kursabschluss ohne vorzeigbares Ergebnis.

Begrenzen Sie das erste Vorhaben deshalb so, dass Sie es lokal ausführen, mit Beispieldaten testen und einer anderen Person erklären können. Ein einfacher Modellaufruf mit einer nachvollziehbaren Ausgabe eignet sich oft besser als ein Agent, der viele Werkzeuge eigenständig orchestrieren soll.

Hinweis: Behandeln Sie die empfohlene Reihenfolge in diesem Beitrag als Lernroute, nicht als offizielle Pflichtabfolge. Maßgeblich für Abschnitte, Übungen und Einstiege ist die jeweils aktuelle Kursstruktur im Repository.

Vor dem Start: Voraussetzungen und Werkzeuglücken prüfen

Beginnen Sie mit der offiziellen Einstiegsseite und vergleichen Sie Ihre Arbeitsumgebung mit dem Abschnitt Setup und Werkzeuge. Prüfen Sie dort, welche konkreten Werkzeuge und Übungen aufgeführt sind. Behaupten Sie keine zusätzliche Voraussetzung, nur weil sie in vielen AI-Projekten üblich ist: Eine Voraussetzung ist erst dann für Ihre Lernroute relevant, wenn der Kurs sie nennt oder Ihr eigenes Projekt sie benötigt.

Erstellen Sie eine kurze Bestandsaufnahme. Notieren Sie Betriebssystem, bevorzugte Programmiersprache, Editor, Umgang mit Versionsverwaltung und die Art, wie Sie Abhängigkeiten installieren. Ergänzen Sie Ihre Einschätzung mit einer Probe: Können Sie ein kleines Programm starten, eine Fehlermeldung lesen und eine Änderung dokumentieren? Falls nicht, sollte zuerst der Umgang mit der Entwicklungsumgebung stabil werden.

Unterscheiden Sie zwischen vorher nötig und bei Bedarf nachholbar:

• Vorher nötig sind Werkzeuge oder Kenntnisse, ohne die Sie den nächsten Schritt nicht ausführen können. Dazu kann beispielsweise gehören, ein Projektverzeichnis einzurichten und ein bereitgestelltes Beispiel zu starten.
• Bei Bedarf nachholbar sind Grundlagen, die Sie erst bei einer konkreten Schwierigkeit vertiefen müssen. Ein mathematisches Detail muss nicht vor jedem Modellaufruf vollständig beherrscht werden.
• Projektabhängig nötig ist, was aus der Aufgabe folgt. Wenn Sie mit strukturierten Daten arbeiten, brauchen Sie möglicherweise eine genauere Vorstellung von Datenformaten und Validierung. Wenn Sie Ergebnisse vergleichen wollen, müssen Sie festlegen, woran Sie „gut genug“ erkennen.

Für Entwickler mit Erfahrung ist ein Einstufungstest praktischer als eine pauschale Befreiung von Grundlagen: Führen Sie die einschlägige Übung ohne Schritt-für-Schritt-Anleitung aus. Können Sie das Ergebnis erklären und typische Fehler beheben, dokumentieren Sie diese Kompetenz und gehen weiter. Wo Sie nur den Code kopieren, ohne die Eingaben oder Fehlerfälle zu verstehen, besteht noch eine echte Lücke.

Lernroute in Etappen: von Grundlagen zu einem laufenden Prototyp

Etappe: eine arbeitsfähige Umgebung herstellen

Richten Sie zuerst die in der offiziellen Setup-Phase genannten Werkzeuge ein und führen Sie eine dort vorgesehene Übung aus. Halten Sie fest, welche Schritte Sie tatsächlich gebraucht haben: Installation, Konfiguration, Startbefehl und erwartetes Ergebnis. So entsteht früh eine überprüfbare Ausgangsbasis, anstatt später unklar zu lassen, ob ein Fehler aus Ihrem AI-Code oder aus der Umgebung stammt.

Speichern Sie die funktionierende Ausgangsversion in einer nachvollziehbaren Projektstruktur. Notieren Sie außerdem, welche Zugangsdaten oder externen Dienste Sie benötigen, ohne Geheimnisse in Quellcode oder Screenshots offenzulegen. Wenn Sie mit echten personenbezogenen Daten arbeiten, verwenden Sie für frühe Tests nach Möglichkeit synthetische oder anonymisierte Beispiele. Für den Umgang mit Informationen in einer gemieteten Entwicklungsumgebung finden Sie Hinweise in der Datenschutzerklärung.

Etappennachweis: Eine andere Person kann anhand Ihrer Notizen verstehen, wie die Beispielanwendung gestartet wird, und Sie können bei einem Fehler einen konkreten Schritt benennen.

Etappe: Grundlagen mit einem konkreten Problem verbinden

Die offiziellen Abschnitte Mathematische Grundlagen und Machine-Learning-Grundlagen geben Ihnen Anlaufstellen für Theorie und Übungen. Prüfen Sie die dort tatsächlich aufgeführten Inhalte und wählen Sie diejenigen, die Ihre Projektentscheidung erklären oder verbessern.

Mathematik ist dann nützlich, wenn sie eine Frage aus Ihrem Vorhaben beantwortet: Warum verhält sich ein Modell bei ähnlichen Eingaben anders? Was bedeutet eine Bewertungskennzahl für Ihre konkrete Aufgabe? Welche Einschränkung entsteht, wenn Trainings- oder Testdaten nicht repräsentativ sind? Sie müssen nicht jede Herleitung vor dem ersten Experiment auswendig beherrschen. Sie sollten aber erkennen, wann eine Annahme unzuverlässig wird und welche Vertiefung Ihnen bei der nächsten Entscheidung hilft.

Bei Machine Learning und Deep Learning geht es in einer Projektroute nicht darum, beliebige Begriffe zu sammeln. Verbinden Sie die Konzepte mit Datenaufbereitung, Modellwahl und Ergebnisbewertung. Schreiben Sie zu jeder passenden Übung eine kurze Notiz: Was war die Eingabe? Welche Annahme wurde geprüft? Was lässt sich auf Ihr eigenes Vorhaben übertragen? Eine gelöste Übung ohne diese Brücke kann fachlich interessant sein, aber sie ist noch kein Nachweis für Ihr Projekt.

Etappe: Modellaufruf und Anwendung zusammenführen

Wenn Ihr Projekt ein Sprachmodell benötigt, prüfen Sie die offizielle LLM-Engineering-Phase. Übernehmen Sie nur die dort belegten Themen und Übungen in Ihren Plan. Bauen Sie daraus eine kleine Anwendung, deren Ein- und Ausgabe Sie selbst festlegen, statt anfangs lediglich ein Beispiel unverändert auszuführen.

Implementieren Sie zunächst den kürzesten vollständigen Ablauf: Eingabe entgegennehmen, Modell oder bereitgestellte Komponente aufrufen, Antwort verarbeiten und ein Ergebnis anzeigen. Ergänzen Sie dann Fehlerbehandlung. Was passiert bei einer leeren Eingabe? Wie zeigt die Anwendung einen fehlgeschlagenen Aufruf an? Kann ein ungültiges Ergebnis erkannt werden, bevor es weiterverarbeitet wird? Diese Fragen machen aus einem Demonstrationsaufruf eine überprüfbare Anwendung.

Trennen Sie dabei Modellverhalten von Anwendungscode. Notieren Sie die verwendete Eingabe, das erwartete Ausgabeformat und eine Beobachtung dazu, ob das Modell dieses Format eingehalten hat. Wenn Sie Ergebnisse vergleichen, speichern Sie die Testfälle und Kriterien, damit Sie spätere Änderungen nicht nur nach Bauchgefühl bewerten.

Etappe: Werkzeuge und Agenten nur bei echtem Bedarf ergänzen

Ein Agent ist nicht automatisch die bessere Lösung. Wenn eine direkte Modellantwort Ihre klar abgegrenzte Aufgabe erfüllt, bringt zusätzliche Werkzeugsteuerung vor allem mehr Zustände, Fehlerquellen und Prüfaufwand mit sich. Entscheiden Sie sich für Agent-Funktionen erst, wenn Ihr Ziel eine mehrstufige Aktion oder den gezielten Aufruf eines Werkzeugs erfordert.

Prüfen Sie dafür die offiziellen Bereiche zu Werkzeugen und Protokollen und Agent Engineering. Vergleichen Sie die jeweiligen Abschnittsbeschreibungen mit Ihrer Projektanforderung. Wenn eine Übung keinen Bezug zum Vorhaben hat, muss sie nicht automatisch in den ersten Prototyp einfließen.

Eine zweckmäßige Entscheidung lässt sich als Bedingungsliste festhalten:

• Wenn die Aufgabe mit einer klaren Modellantwort ohne externe Aktion endet, dann bauen und testen Sie zunächst einen direkten Modellaufruf.
• Wenn die Anwendung ein definiertes Werkzeug aufrufen muss, dann ergänzen Sie nur dieses Werkzeug und prüfen Eingabe, Berechtigung, Ergebnis und Fehlerfall.
• Wenn ein Agent mehrere Schritte selbst auswählen soll, dann legen Sie vorab erlaubte Aktionen, Abbruchbedingungen und beobachtbare Zwischenergebnisse fest.
• Wenn Sie nicht erklären können, weshalb der Agent eine Aktion ausführen darf, dann reduzieren Sie den Umfang und führen Sie den Ablauf kontrollierter aus.

Das ist kein Ersatz für die Kursinhalte, sondern eine Methode, den passenden Teil davon auszuwählen. Ein kleiner Funktionsumfang erleichtert zugleich die Prüfung, ob die Anwendung ein falsches Werkzeug aufruft oder mit einer unbrauchbaren Antwort fortfährt.

Entscheidungshilfe: Welche Inhalte gehören in Ihre nächste Etappe?

Nutzen Sie die Tabelle als Auswahlhilfe, nicht als Bewertung Ihrer Fähigkeiten. Ein übersprungener Grundlagenabschnitt ist keine Schwäche, wenn Sie das betreffende Können anhand einer Übung zeigen. Umgekehrt beweist eine abgeschlossene Lektion nicht automatisch, dass Sie die zugrunde liegende Idee in einem eigenen Projekt anwenden können.

Eigenständiger Projektaufbau und reproduzierbare Prüfung

Beginnen Sie mit einer minimalen, aber vollständigen Version. Sie sollte eine klar beschriebene Eingabe annehmen, das erwartete Ergebnis zurückgeben und eine verständliche Meldung ausgeben, falls der Ablauf nicht funktioniert. Ergänzen Sie Funktionen nur, wenn sie Ihr Projektziel unterstützen. So behalten Sie die Ursache eines Fehlers im Blick, statt mehrere neue Komponenten gleichzeitig untersuchen zu müssen.

Prüfen Sie den Arbeitsstand schrittweise:

• Eingabe: Dokumentieren Sie erwartete Felder, zulässige Werte und mindestens einen Fall, den die Anwendung zurückweisen soll.
• Ausgabe: Zeigen Sie anhand von Beispielen, in welcher Form ein gültiges Resultat zurückkommt und woran Sie ein unbrauchbares Resultat erkennen.
• Fehlerbehandlung: Notieren Sie, was Nutzer bei einem fehlgeschlagenen Modell- oder Werkzeugaufruf sehen und ob die Anwendung danach in einem sicheren Zustand bleibt.
• Grundtests: Führen Sie passende Testfälle wiederholt aus. Halten Sie fest, welche Erwartungen bestanden wurden und welche Abweichungen offen sind.
• Einrichtung: Beschreiben Sie, welche Werkzeuge und Einstellungen zum Start nötig sind, und vermeiden Sie, dass eine zweite Person vertrauliche Schlüssel übernehmen muss.

Der entscheidende Unterschied besteht zwischen „bei mir einmal gelaufen“ und „für andere nachvollziehbar ausführbar“. Starten Sie die Prüfung deshalb in einer sauberen Umgebung oder lassen Sie eine andere Person Ihrer Anleitung folgen. Wenn das nicht möglich ist, halten Sie zumindest fest, welche Schritte Sie neu ausgeführt haben und welche Abhängigkeiten dabei vorausgesetzt wurden.

Für ein Portfolio brauchen Sie nicht den Anspruch, ein produktionsreifes System vorzutäuschen. Zeigen Sie lieber Grenzen offen: Welche Eingaben funktionieren? Wo kann das Ergebnis unzuverlässig sein? Welche Tests fehlen noch? Diese Angaben helfen Betrachtern, Ihren technischen Beitrag einzuschätzen, und geben Ihnen selbst konkrete nächste Lernaufgaben.

Achtung: Ein Kursfortschritt ist kein Qualitätsnachweis für eine Anwendung. Bewahren Sie Belege für den Projektstand auf: Startanleitung, ausgewählte Testfälle, beobachtete Ergebnisse und eine Liste ungelöster Probleme.

Kursübungen als Portfolio und Lernfeedback nutzen

Wählen Sie Übungen nicht nach der Menge, sondern danach aus, ob sie eine sichtbare Fähigkeit belegen. Eine kompakte Projektbeschreibung kann das Problem, die Eingaben, die Ausgabe, die verwendeten Kursideen und die Grenzen der Lösung zusammenführen. Ergänzen Sie den Code um eine Anleitung, mit der Interessierte die Anwendung nachvollziehen können.

Trennen Sie dabei drei Aussagen:

• Gelernt: Sie haben eine Idee oder Technik bearbeitet.
• Umgesetzt: Sie haben sie in Ihrem eigenen Code verwendet.
• Geprüft: Sie haben dokumentiert, wie sich das Ergebnis unter relevanten Testbedingungen verhält.

Diese Trennung macht Ihr Portfolio glaubwürdiger. Wenn Sie beispielsweise einen Werkzeugaufruf eingebaut haben, erläutern Sie, welches Problem er löst, welche Eingaben er akzeptiert und was bei einer ungültigen Anfrage geschieht. Behaupten Sie nicht, das gesamte Kursmaterial abzudecken, wenn Ihre Arbeit nur ausgewählte Teile verwendet.

Häufige Fragen zur Lernroute

Der Kurs wirkt umfangreicher als mein Zeitbudget. Was sollte ich zuerst weglassen?
Lassen Sie nicht blind ganze Phasen weg. Beginnen Sie mit dem Zielprojekt und prüfen Sie anschließend, welche Abschnitte die erforderlichen Fähigkeiten vermitteln. Wiederholen Sie Grundlagen nur, wenn ein konkreter Test zeigt, dass sie fehlen. Halten Sie ausgelassene Themen als offene Punkte fest, damit Sie bei einer späteren Projektänderung darauf zurückkommen können.

Kann ich mit Programmiererfahrung gleich zu Agenten wechseln?
Nur wenn Ihre Anwendung tatsächlich Agent-Verhalten benötigt und Sie die Grundlagen für den konkreten Ablauf bereits anwenden können. Führen Sie zuerst einen begrenzten Prototyp aus und prüfen Sie, ob Sie Eingabe, Modellantwort, Werkzeugaktion und Fehlerfall erklären können. Fehlt diese Kontrolle, gehen Sie einen Schritt zurück und bauen Sie eine einfachere Version.

Woran erkenne ich, dass mein Projekt eigenständig genug ist?
Sie müssen nicht alle Komponenten selbst erfunden haben. Eigenständigkeit zeigt sich darin, dass Sie das Problem abgrenzen, die relevanten Teile auswählen, die Anwendung anpassen und ihr Verhalten nachvollziehbar prüfen können. Dokumentieren Sie verwendete Kursübungen und Bibliotheken, damit klar bleibt, welche Arbeit Sie übernommen und welche Sie selbst ergänzt haben.

Nach jedem Projektproblem gezielt nachlernen

Nach einem Test, der fehlschlägt, schreiben Sie zuerst auf, was Sie beobachtet haben – nicht nur, was Sie vermuten. Eine falsche Ausgabe kann auf ungeeignete Eingaben, eine unklare Aufgabenstellung, fehlende Validierung oder ein Missverständnis des Modellverhaltens zurückgehen. Ordnen Sie die Beobachtung erst dann dem passenden Kursbereich zu.

Ein begrenzter Lernkreislauf sieht so aus:

• Beschreiben Sie den Fehler mit einem reproduzierbaren Beispiel.
• Bestimmen Sie, welches Wissen zur Diagnose fehlt.
• Suchen Sie im offiziellen Inhaltsverzeichnis nach einem passenden Abschnitt oder einer Übung.
• Bearbeiten Sie genau diese Lücke und ändern Sie den Projektcode gezielt.
• Wiederholen Sie denselben Test und notieren Sie, ob sich das beobachtete Verhalten geändert hat.

So vermeiden Sie, bei jedem Problem wieder am Anfang der gesamten Kursliste zu beginnen. Prüfen Sie außerdem die Versionshistorie des offiziellen Repositories, bevor Sie ältere Notizen oder Links als aktuelle Anleitung behandeln. Abschnittsbezeichnungen, Übungen oder Einstiege können sich ändern; die Versionshistorie hilft, Aktualisierungen von Ihrem eigenen Lernplan zu unterscheiden.

Wenn Sie für ein Projekt eine bestimmte Betriebssystem- oder Werkzeugumgebung benötigen, beziehen Sie diese Entscheidung früh in Ihre Planung ein. Eine lokale Arbeitsumgebung ist für viele Lernprojekte ausreichend; eine gemietete Mac-Umgebung ist eher dann interessant, wenn Ihre Tests oder Werkzeuge ausdrücklich macOS voraussetzen. Gegenüber einer bereits verfügbaren lokalen Maschine können Einrichtung, Fernzugriff und zusätzliche Mietkosten Nachteile sein. Gegenüber einer beliebigen Cloud-VM kann ein Mac dagegen die passendere Umgebung für macOS-spezifische Aufgaben bieten. Prüfen Sie den Bedarf, statt die Plattform zum Selbstzweck zu machen: Wenn Sie eine zeitlich begrenzte Mac-Testumgebung benötigen, vergleichen Sie Ihre vorhandene Arbeitsumgebung mit den Mietoptionen für einen Mac mini.