Entwicklungsumgebung & Infrastruktur für KI-Projekte

Sie haben auf OpenAI aufgebaut, wollten dann Claude ausprobieren und Gemini vergleichen — und verloren Stunden an die je Anbieter unterschiedlichen SDKs, Formate und Fehlerbehandlung. Ein LLM-Gateway (AI-Gateway / LLM-Proxy) ist ein Relais, das Sie zwischen Ihre App und die Anbieter schieben: es stellt eine einzige OpenAI-kompatible API bereit, um jedes Modell zu erreichen, und übernimmt die querschnittlichen Aufgaben — Fallback, Kostenverfolgung, virtuelle Keys, Caching, Rate-Limiting und Observability. Dieser Leitfaden behandelt, warum Sie eines brauchen, was ein Gateway wirklich ist, die drei Typen (Self-hosted-Proxy = LiteLLM / hosted = OpenRouter / SDK = Vercel AI SDK), wie Sie zwischen LiteLLM, OpenRouter und dem Vercel AI SDK wählen, minimalen Setup-Code, der nur den Endpunkt tauscht, und die Grenzen — ein Latenz-Hop, das Gateway als neuer Ausfallpunkt, Gebühren (OpenRouter berechnet 5,5% auf Käufe), Feature-Verlust und Privatsphäre.

Wer Claude Code lange genug nutzt, stößt auf ein Dilemma: Eine Rückfrage bei jedem Befehl bremst den Fluss, doch alle mit Bypass abzuschalten ist gefährlich. Die Sandbox bricht diese Zweiteilung auf, indem sie auf OS-Ebene einzäunt, was berührt werden darf — Befehle laufen innen frei ohne Rückfragen, während nichts nach außen reicht. Dieser Leitfaden behandelt die zwei Isolationen (Dateisystem und Netzwerk), die ersten Schritte mit /sandbox (macOS funktioniert sofort, Linux/WSL2 braucht bubblewrap+socat, natives Windows wird nicht unterstützt), Auto-Allow- gegen regulären Modus, die Konfiguration der settings.json (allowWrite/denyRead, credentials, allowedDomains), wie sie Berechtigungsmodi und -regeln als dritte OS-durchgesetzte Schicht ergänzt, ihre Grenzen (nicht inspiziertes TLS, Unix-Sockets) sowie wann Dev-Container oder VMs die bessere Wahl sind. Anthropic berichtet, dass sie im internen Einsatz die Berechtigungsrückfragen um 84 % senkte.

Kann man den AWS-Betrieb an KI abgeben? 2026 lässt sich vieles delegieren. AWS selbst liefert Amazon Q Developer und das Agent Toolkit for AWS (Mai 2026 – 40+ Agent-Skills + ein verwalteter AWS MCP Server + Plugins), sodass KI von der IaC-Generierung bis zu Ressourcenoperationen reichen kann. Dieser Leitfaden fasst „Delegieren“ in drei Stufen (① Code-/IaC-Generierung, ② lesegetriebener Betrieb/Analyse, ③ ein autonomer Agent, der AWS tatsächlich betreibt), behandelt die wichtigsten Werkzeuge (Amazon Q Developer, Agent Toolkit, AWS MCP Server, Terraform MCP, Bedrock AgentCore) – einschließlich des Bring-your-own-Wegs, Claude Code oder Codex die AWS CLI zu geben, um „aws“ aus der Shell auszuführen – die Vorteile (schnelle IaC, automatisierte Triage, Ideen zur Kostenoptimierung, demokratisiertes Wissen) und dann den eigentlichen Punkt, die Nachteile (IAM Permission Sprawl, Überberechtigung als Verstärker des Blast-Radius für Fehler/Prompt Injection, Berechtigungen, die die Aufgabe überdauern, Kosten-Amoklauf – mit realen Vorfällen gelöschter Prod-DBs 2025-26), auf Basis offizieller AWS-Quellen und Berichten von Security-Anbietern. Der entscheidende Dreh: Die Frage ist nicht „geht das?“, sondern „wie delegiert man ohne Amoklauf oder explodierende Rechnung“ – und dass AWS selbst IAM-Guardrails, CloudTrail-Audit und Sandboxing in das Agent Toolkit einbaut, zeigt die Gestalt der Antwort. Enthält die fünf Prinzipien (Least-Privilege-IAM, menschliche Freigabe für destruktive Operationen, Observability, kurzlebige JIT-Zugangsdaten, Sandboxing) und eine FAQ.

Die erste Hürde beim Einbau eines KI-Agenten in echte Arbeit ist die Frage, „auf welchem Framework man ihn baut“. Aus der Sicht von Entwicklern und Technologie-Entscheidern vergleicht dieser Artikel sechs wichtige Frameworks — LangGraph, CrewAI, AutoGen (im Microsoft Agent Framework aufgegangen, GA April 2026), OpenAI Agents SDK, Google ADK und Claude Agent SDK — nach Orchestrierungsansatz (gerichteter Graph / rollenbasierte Crew / konversationsbasierter GroupChat / Handoffs / hierarchischer Baum / autonome Werkzeugschleife), Sprache, Lernkurve, Steuerbarkeit, Produktionsreife, Token-Kosten und passendem Anwendungsfall. Der zentrale Vorbehalt: Das Framework, das sich „am schnellsten prototypisieren lässt“ (CrewAI), kann im Produktivbetrieb das teuerste sein — rund das 3-Fache der Tokens (41k gegenüber 18,5k bei LangGraph in einem Benchmark) und nicht-deterministisch, was es für Finanz- und Gesundheitswesen ungeeignet macht. Außerdem erklärt der Artikel, wie 2026 die Interoperabilität über MCP (Werkzeuge) und A2A (Agent-to-Agent) kam, sodass Agenten aus verschiedenen Frameworks nun zusammenarbeiten können und der Lock-in verblasst ist. Mit Leitfaden zur Auswahl nach Anwendungsfall und FAQ.

Mit den Berechtigungsregeln von Claude Code schreibst du allow/ask/deny-Einträge in der settings.json, um feingranular festzulegen, welche Tools, Befehle, Dateien und Domains ohne Rückfrage laufen, jedes Mal nachfragen oder verboten sind. Dieser Leitfaden erklärt, was Berechtigungsregeln sind (und wie sie sich von Modi unterscheiden), die deny→ask→allow-Reihenfolge, die Regelsyntax mit Tool(specifier), die settings.json-Hierarchie sowie praktische Rezepte. So blockierst du Gefährliches sicher und automatisierst sichere Routinearbeit.

Der „Berechtigungsmodus“ neben dem Eingabefeld legt fest, wie oft Claude Code vor einer Änderung oder einem Befehl nachfragt. Dieser Leitfaden erklärt die 5 Modi (Um Erlaubnis fragen, Änderungen akzeptieren, Planmodus, Auto-Modus, Berechtigungen umgehen) plus dontAsk, wie Sie per Shift+Tab wechseln und welcher Modus wann der richtige ist.

Der Aufwandsregler in Claude Code steuert, wie viel Denken und wie viele Token in jede Antwort fließen. Wir erklären die 5 API-Stufen (low–max), warum „Extra“ = xhigh und nicht das Maximum ist, den Zusatzmodus Ultracode sowie wann du welche Stufe nutzt.

Du gehst wahrscheinlich davon aus, dass ein LLM in der Cloud laufen muss, doch 2026 ist es eine realistische Option, KI komplett im eigenen PC zu betreiben — ein „lokales LLM“. Ein lokales LLM bedeutet, ein Modell wie ChatGPT oder Claude direkt auf der eigenen Maschine statt in der Cloud laufen zu lassen. Die drei großen Reize sind Datenschutz (die Eingabe verlässt das Gerät nie), null Kosten (keine API-Gebühren) und Offline-Nutzung (funktioniert ohne Internet). Die Nachteile: Es ist nicht so klug wie die Spitzen-KI aus der Cloud, braucht einen einigermaßen leistungsfähigen PC, erfordert etwas Einrichtung und hat kein aktuelles Wissen. Dieser Einsteiger-Guide erklärt, was ein lokales LLM ist (mit einer Streaming-vs-Download-Analogie), die Vor- und Nachteile, die benötigten Specs und Quantisierung (das GGUF-Format, wobei Q4_K_M die bewährte Wahl ist, die Qualität behält und den Speicher auf rund ein Viertel senkt; etwa 0,5 GB Speicher pro 1B Parameter bei 4-Bit), den Einstieg (LM Studios GUI für Einsteiger, Ollamas CLI für Entwickler — 52 Millionen Downloads pro Monat im Q1 2026), empfohlene Modelle 2026 (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5 sowie DeepSeek und Mistral — alle offen) und wann man lokal vs. Cloud nutzt (lokal für vertrauliche, umfangreiche und Offline-Arbeit; Cloud für schwierige Probleme). Der schnellste erste Schritt: ein kleines Modell von 3B–7B in LM Studio laufen lassen.

Umgebungseinrichtung ist die Stelle, an der jeder Programmieranfänger steckenbleibt. 2026 ist generative KI (Claude Code, Codex, Cursor) für Routinearbeiten an der Infrastruktur tatsächlich brauchbar – lokale Umgebungseinrichtung, Dockerfile-Generierung, Terraform-Entwürfe, CI/CD-Pipelines. HashiCorp hat 2026 seinen offiziellen Terraform MCP Server ausgeliefert, und Anthropic hat Agent Skills veröffentlicht, sodass Infrastruktur-Expertise bei Bedarf geladen werden kann. Aber „alles delegieren“ ist eine andere Frage: eine offene 0.0.0.0/0-Security-Group, ein in GitHub committeter SSH-Schlüssel, eine AWS-Monatsrechnung von 3.000 $ – alles reale Vorfälle von 2026. Dieser Artikel teilt fünf sicher delegierbare Bereiche, drei „erst prüfen, dann vertrauen“-Risikozonen, vier nur-Mensch-Bereiche, einen vierschrittigen anfängersicheren Workflow und die neuesten 2026er Werkzeuge (Claude Code, MCP, Agent Skills) – fokussiert auf Fähigkeitsbewertung, nicht auf Karrierewirkung.

Fragen Sie Claude Code oder ChatGPT nach dem Bau einer Web-App, hören Sie mit ziemlicher Sicherheit „Nimm Next.js“. Doch dieser Vorschlag kommt aus der Häufigkeit in den Trainingsdaten, nicht aus einer Bewertung Ihres Projekts. Dieser Artikel zerlegt die drei legitimen Gründe der KI (Dominanz in den Trainingsdaten / Batterien inklusive / einfaches Vercel-Deploy), erklärt das Verhältnis von JavaScript / React / Next.js, führt durch einen 5-Minuten-Entscheidungsbaum (Was bauen, SEO, DB, Zeitbudget, Zielhost), ordnet vier realistische Alternativen (Astro, Vite + React, SvelteKit, HTML + Vanilla) Anwendungsfällen zu, legt die fünf Grundlagen für den Einsatz von Next.js dar (App Router, Server vs. Client Components, dateibasiertes Routing, Umgebungsvariablen, Deploy-Ziele) und zeigt die drei Fallen, in die Einsteiger tappen ('use client' überall, Vercel-Lock-in, KI liefert veralteten Pages-Router-Code) — alles abgestimmt auf den Stand Mai 2026. Zweiter Eintrag in der Reihe „KI empfiehlt...“ nach dem Docker-Artikel.

Im Februar 2026 überschritt Anysphere — das Unternehmen hinter Cursor — 2 Mrd. USD ARR und zeichnete in nur drei Jahren eine SaaS-Umsatzkurve in der Liga von OpenAI und Anthropic. Dieser Artikel behandelt, wie sich Cursor von VS Code abgrenzt, indem es KI direkt in die Rendering-Ebene einbettet (Tab-Vervollständigung unter 100 ms, 272K-Token-Codebasis-Index, die sechs Kernfunktionen: Tab / Inline Edit / Composer / Agent / Background Agents / Bugbot), die fünf konkreten Unterschiede zu VS Code, den direkten Vergleich mit vier Rivalen (Windsurf / Zed / Claude Code / GitHub Copilot), die Plan-Struktur Hobby gratis / Pro 20 USD / Business 40 USD sowie einen Entscheidungs-Leitfaden für „wer tatsächlich wechseln sollte“ — faktenbasiert mit Stand Mai 2026.

Im Sommer 2025 brachte ein Solo-Entwickler einen MCP-Server namens 21st.dev mit null Marketingbudget auf den Markt und erreichte 10.000 $ MRR in 6 Wochen. Ein anderer Entwickler im Apify Store verdient 2.000 $/Monat. Doch von den über 12.000 MCP-Servern, die bis März 2026 veröffentlicht wurden, haben weniger als 5 % erfolgreich monetarisiert — die übrigen 95 % liegen auf dem Friedhof der „nützlichen, aber kostenlosen“ Tools. Dieser Artikel zeigt anhand von Branchenforschung und realen Zahlen, was Gewinner von Verlierern unterscheidet, die 4 Erlösmodelle (Abonnementstufen / nutzungsbasiert / API-Key / Freemium), einen Vergleich der wichtigsten Marktplätze (MCPize 85 % Rev-Share / Apify / Glama / Smithery), reale Zahlen, die 6 Fehlermuster, in die 95 % fallen, das Solo-Entwickler-Playbook, Enterprise-Strategie und eine Prognose für 1 bis 3 Jahre.