# Setze dein Trainingsziel: Prompt, RAG oder Fine-Tuning? Der teuerste Fehler bei lokaler KI ist nicht ein gescheiterter Trainingslauf — es ist ein *erfolgreicher* Trainingslauf, der das falsche Problem loest. Bevor dein Drache ein einziges Beispiel frisst, brauchst du ein praezises Trainingsziel und den Beweis, dass Fine-Tuning ueberhaupt das richtige Werkzeug ist. Diese Lektion gibt dir ein Entscheidungs-Framework, das Teams nutzen, die fine-getunte Modelle wirklich ausliefern. ## Die drei Werkzeuge, ehrlich verglichen Wenn ein Modell nicht tut, was du willst, hast du drei eskalierende Optionen: **1. Prompting (kostenlos, sofort).** Schreib bessere Anweisungen, fuege Beispiele in den Prompt ein (Few-Shot), definiere das Ausgabeformat. Das loest mehr Probleme, als die meisten Leute glauben. **2. RAG — Retrieval-Augmented Generation (guenstig, schnell gebaut).** Speichere deine Dokumente in einem Suchindex; hole relevante Abschnitte und fuege sie zur Fragezeit in den Prompt ein. Das ist das richtige Werkzeug, wann immer das Problem lautet: *das Modell kennt meine Fakten nicht*. **3. Fine-Tuning (dieser Kurs).** Die Gewichte des Modells mit Trainingsbeispielen tatsaechlich veraendern. Das richtige Werkzeug, wenn das Problem lautet: *das Modell verhaelt sich nicht so, wie ich es brauche* — falscher Ton, falsches Format, ignoriert aufgabenspezifische Anweisungen, spricht nicht die Sprache deiner Domaene.

Konzept

Die Einzeiler-Regel, die die ganze Branche nutzt: Fine-Tuning lehrt Verhalten, RAG liefert Wissen. Fakten aendern sich — pack sie in eine Datenbank. Verhalten ist stabil — back es in die Gewichte. Viele Produktionssysteme nutzen beides: ein fine-getuntes Modell plus RAG.
Hier die Entscheidung als Flowchart: Das Modell tut nicht, was ich brauche Habe ich serioeses Prompting mit Few-Shot-Beispielen probiert? nein Fixe zuerst den Prompt. Kostenlos. Mach das heute. ja, immer noch schlecht Ist das Problem fehlende oder sich aendernde Fakten / Dokumente? ja Nutze RAG. Fakten leben in einem Index. nein — es ist Verhalten Fine-Tuning. Dieser Kurs. Ton, Format, Aufgabendisziplin, Domaenen-Stil Oft die echte Antwort: fine-getuntes Modell + RAG zusammen ## Gute und schlechte Fine-Tuning-Ziele **Ziele, in denen Fine-Tuning grossartig ist:** - *"Support-Fragen in unserer Markenstimme beantworten, immer mit einem naechsten Schritt am Ende."* — Ton + Format ✔ - *"Chaotische Meeting-Notizen in unser exaktes Statusbericht-Template verwandeln."* — strukturierte Transformation ✔ - *"Eingehende E-Mails in unsere 12 internen Kategorien klassifizieren."* — Aufgabendisziplin ✔ - *"Produktbeschreibungen schreiben, die wie unser Katalog klingen, auf Rumaenisch."* — Stil + Sprache ✔ - *"Immer valides JSON ausgeben, das unserem Schema entspricht."* — Format-Zuverlaessigkeit ✔ **Ziele, die in Traenen enden werden:** - *"Dem Modell unsere Preisliste 2026 beibringen."* ✘ — Fakten aendern sich; nutze RAG. Das Modell wird Preise mit voller Ueberzeugung halluzinieren. - *"Ein 4B-Modell so schlau machen wie Claude."* ✘ — Fine-Tuning fuegt keine Reasoning-Kapazitaet hinzu; es formt, was schon da ist. - *"Es auf all unseren Dokumenten trainieren, damit es alles weiss."* ✘ — rohe Dokumente ins Fine-Tuning zu kippen bringt dem Modell bei, *deine Dokumente zu imitieren*, nicht Fragen darueber zu beantworten.

Ehrlicher Hinweis

Wenn dir jemand erzaehlt, er habe ein Modell fine-getunt, "damit es seine Firmendaten kennt", dann hat er entweder in Wirklichkeit RAG gebaut, oder sein Modell erfindet selbstbewusst Firmendaten. Fine-Tuning auf rohen Dokumenten ist der haeufigste Anfaengerfehler in der lokalen KI — und ab jetzt einer, den du nie machen wirst.
## Unser Kursprojekt: Embers Job definieren Fuer den Rest dieses Kurses ist Embers Trainingsziel einer der staerksten Anwendungsfaelle fuer ein lokales Modell: > **Ember ist ein Kundensupport-Assistent fuer einen kleinen Online-Shop. Er antwortet in der freundlich-aber-praezisen Stimme des Shops, in der Sprache des Kunden, strukturiert Antworten immer als: kurze Antwort → Erklaerung → konkreter naechster Schritt, und weigert sich, Bestelldetails zu erfinden, die er nicht hat.** Achte darauf, woraus dieses Ziel besteht: **Stimme** (Verhalten), **Struktur** (Format), **Disziplin** (Halluzinationen verweigern). Alles gewichte-wuerdig. Die *Fakten* zu konkreten Bestellungen kaemen zur Laufzeit aus einer Datenbank — nicht aus dem Training. ## Schreib eine Ziel-Karte, bevor du irgendetwas trainierst

Profi-Tipp

Profis schreiben die Evaluation vor dem Training. Wenn du nicht beschreiben kannst, wie du Erfolg messen wirst, hast du noch kein Trainingsziel — du hast einen Wunsch.
Deine Ziel-Karte hat vier Zeilen. Hier ist Embers: - **Aufgabe:** Kundensupport-Fragen fuer einen Online-Shop beantworten - **Verhalten:** freundlich-praezise Stimme; Struktur: Antwort → Erklaerung → naechster Schritt; niemals Bestelldaten erfinden - **Erfolgstest:** von 30 zurueckgehaltenen Testfragen folgen ≥25 der Struktur und 0 erfinden Fakten - **Nicht-Ziele:** Produktwissen (spaeter RAGs Job), Sprachen jenseits von EN/RO

Probier es aus

Schreib deine eigene Ziel-Karte — vier Zeilen, echte Zahlen im Erfolgstest. Wenn deine "Verhalten"-Zeile die Woerter "weiss" oder "erinnert sich" enthaelt, stopp und verschiebe diesen Teil in die Nicht-Ziele-Zeile: das ist RAG. Behalte diese Karte; in Lektion 6 wird sie deine Evaluations-Checkliste.

Checkpoint

Du kannst Fine-Tuning vs RAG in einem Satz erklaeren, du weisst, welche Ziele gewichte-wuerdig sind, und du hast eine geschriebene Ziel-Karte mit einem messbaren Erfolgstest. Als Naechstes: die Speicher-Mathematik, die dir genau sagt, was deine Maschine trainieren kann.