KI-Ressourcen für Produkt und Technik

Sammlung meiner wichtigsten KI-Ressourcen für Produkt und Technik, aktualisiert für 2026.

Agentic Development Tools

Die Tools, die grundlegend verändert haben, wie ich Software baue:

1. Claude Code — Anthropics CLI-basiertes Agentic-Coding-Tool. Mein primäres Entwicklungstool. Nutzt Claude Opus 4, um autonom Codebases zu lesen, Features über mehrere Dateien hinweg zu implementieren, Tests auszuführen, Fehler zu beheben und Code zu committen. Das CLAUDE.md-Spezifikationsmuster macht es bemerkenswert effektiv. Am besten mit der Max Subscription.
2. Cursor — KI-native IDE auf Basis von VS Code. Der Agent Mode bearbeitet Multi-File-Änderungen autonom. Exzellente Modellauswahl (Claude, GPT-4o, Gemini). Mein Go-to für visuelles Code Review und parallele Workstreams neben Claude Code.
3. Windsurf — Codeiums agentenbasierte IDE mit “Cascade” — ein mehrstufiger Agent, der plant und über die gesamte Codebase hinweg ausführt. Starke Alternative zu Cursor mit guter Flow-State-UX.
4. Cline — Open-Source Agentic-Coding-Extension für VS Code. Unterstützt mehrere Modell-Backends (Claude, GPT, lokale Modelle via Ollama). Gute Option für Agent-Fähigkeiten mit Modellflexibilität.
5. Aider — CLI-basiertes Agentic-Coding-Tool mit hervorragender Git-Integration. Unterstützt Pair Programming mit mehreren Modellen. Gut für Entwickler, die Terminal-Workflows bevorzugen.
6. Continue.dev — Open-Source KI-Coding-Assistent mit flexiblem Model Routing. Unterstützt lokale Modelle, Cloud-APIs und Custom-Backends. Gut für Teams, die Kontrolle über ihr KI-Tooling wollen.

KI-Modellanbieter und Router

7. OpenRouter — Einheitliche API für den Zugriff auf 200+ Modelle aller großen Anbieter. Pay-per-Token-Preise, automatische Fallbacks und Modellvergleich. Unverzichtbar zum Testen verschiedener Modelle gegen die eigenen Use Cases.
8. Anthropic API — Direkter API-Zugang zu Claude-Modellen. Best-in-Class für Tool-Nutzung, strukturierte Outputs und agentenbasierte Workflows. Das MCP-Ökosystem (Model Context Protocol) wächst rasant.
9. OpenAI API — GPT-5, o1/o3 Reasoning-Modelle, DALL-E, Whisper. Immer noch die am breitesten integrierte API.
10. Google AI Studio / Vertex AI — Gemini 2.5 Pro/Flash. Das 1M+ Token Kontextfenster ist unerreicht für die Verarbeitung großer Dokumente.

Lokale LLM-Tools

Modelle auf eigener Hardware betreiben — essenziell für Datenschutz, Geschwindigkeit und Kosten:

11. Ollama — Der einfachste Weg, lokale Modelle zu betreiben. ollama run qwen3-coder und los geht’s. Große Modellbibliothek, einfache API, funktioniert mit den meisten KI-Tools.
12. MLX — Apples Machine-Learning-Framework, optimiert für Apple Silicon. Die mlx-community auf Hugging Face bietet vorkonvertierte Modellgewichte. Beste Performance auf Mac-Hardware.
13. LM Studio — GUI-Anwendung für lokale Modelle. Benutzerfreundliche Modellerkennung und -verwaltung. Gut für Nicht-Terminal-Nutzer.
14. llama.cpp — Die grundlegende C/C++ Inference-Engine, die lokale LLMs möglich gemacht hat. Das GGUF-Format ist der Standard für quantisierte Modellverteilung.

MCP (Model Context Protocol)

Der aufkommende Standard zur Verbindung von KI-Modellen mit externen Tools und Daten:

15. MCP-Spezifikation — Anthropics offenes Protokoll. Wird schnell zum Standard für Tool-Integration.
16. MCP Servers Registry — Wachsende Sammlung vorgefertigter MCP-Server für gängige Integrationen (GitHub, Slack, Datenbanken, Dateisysteme, APIs).

KI-Infrastruktur und Frameworks

17. LangChain / LangGraph — Framework zum Erstellen von LLM-Anwendungen. LangGraph ist heute der interessantere Teil — es verwaltet zustandsbehaftete, mehrstufige Agenten-Workflows.
18. Vercel AI SDK — Exzellentes SDK zum Erstellen KI-gestützter Webanwendungen. Streaming, Tool-Nutzung und Multi-Provider-Support direkt einsatzbereit.
19. Instructor — Library zur strukturierten Ausgabeextraktion aus LLMs. Funktioniert mit mehreren Anbietern. Unverzichtbar für produktive KI-Features, die zuverlässige Datenformate brauchen.
20. Pydantic AI — Typsicheres KI-Agent-Framework vom Pydantic-Team. Sauberer, pythonischer Ansatz zum Erstellen agentenbasierter Systeme.

Vektordatenbanken für RAG

21. Pinecone — Verwaltete Vektordatenbank. Einfacher Einstieg, skaliert gut.
22. Weaviate — Open-Source-Vektordatenbank mit hybrider Suche.
23. pgvector — PostgreSQL-Erweiterung für Vektorähnlichkeitssuche. Oft die richtige Wahl, wenn man bereits auf Postgres ist — keine neue Infrastruktur nötig.

Essentielle Lektüre

Artikel und Beiträge

• The Bitter Lesson — Rich Suttons grundlegender Essay, warum Skalierung gewinnt
• Situational Awareness — Leopold Aschenbrenners einflussreiche Analyse der KI-Entwicklung
• AI-enhanced development — Simon Willison über praktische KI-gestützte Entwicklung
• The end of programming as we know it — O’Reilly über die Transformation der Softwareentwicklung
• Anthropic Research Blog — Deep Dives in KI-Sicherheit, Fähigkeiten und Systemdesign
• Simon Willison’s Weblog — Die beste Einzelquelle für praktische KI-Engineering-Insights

Bücher

• AI Engineering von Chip Huyen (O’Reilly) — Der definitive Guide zum Bauen mit Foundation Models
• Designing Machine Learning Systems von Chip Huyen — Immer noch relevant für ML-Ops-Grundlagen

KI-Engineering-Landschaft

Für einen umfassenden visuellen Überblick über das KI-Engineering-Ökosystem bleibt die AI Engineering Landscape eine hervorragende Ressource, wobei sich die Landschaft inzwischen quartalsweise verschiebt.