Finde KI-Tools nach dem, was du erledigen willst.
Tools nach Ziel26 Schritt-für-Schritt-Guides→Alle KategorienNach Ziel
Eine KI-Funktion, die in einer Demo funktioniert, ist nur ein kleiner Teil der Arbeit. Die Demo besteht aus einem Prompt, einem Modell und fünf freundlichen Eingaben. Das Produkt ist dasselbe, aber im Betrieb mit Tausenden unberechenbarer Nutzer, mit deinen eigenen Daten dahinter, einer Rechnung, die mit der Nutzung wächst, und der Notwendigkeit zu merken, wenn die Antworten schlechter werden.
Der Stack hat deshalb mehrere Schichten. Ein Modell, erreichbar über eine API oder selbst gehostet. Prompts, die wie Code versioniert werden. Retrieval und Gedächtnis, damit das Modell aus deinen Inhalten antwortet statt aus Vermutungen. Möglicherweise eine Agentenschleife mit Tools, die es aufrufen darf. Darum herum gewöhnlicher Anwendungscode, dann Tests, Evaluierung und ein Ort für das Deployment.
Coding-Agenten schreiben inzwischen einen großen Teil dieses Anwendungscodes, und App-Builder können aus einer Beschreibung ein funktionierendes Frontend erzeugen. Die technische Urteilskraft nehmen sie nicht ab: welches Modell für die Aufgabe zu akzeptablen Kosten gut genug ist, wie sich Qualität messen lässt, bevor es die Nutzer tun, welche Daten dein System verlassen dürfen und was passiert, wenn das Modell mit voller Überzeugung falschliegt. Modelle und ihre Bedingungen ändern sich zudem oft. Entwirf die App deshalb so, dass sich ein Modell ohne Neuentwicklung austauschen lässt.
Für wen dieser Guide ist Entwickler, technische Gründer und kleine Produktteams, die einem Produkt eine Funktion mit Sprachmodell hinzufügen oder eine neue App darum herum bauen und vor der Wahl eines Stacks eine Übersicht über die Tools suchen.
Ein üblicher erster Durchlauf für einen Prototyp: Modelle an den eigenen Prompts vergleichen, den Code mit einem Agenten schreiben, früh Tracing einschalten, dann deployen. Die Auswahl folgt dieser Reihenfolge, nicht einer Rangliste.
Mache aus deiner groben Aufgabenbeschreibung einen strukturierten Prompt und teste ihn dann mit zwanzig echten Eingaben.
Beschreibe die kleinste Version der Funktion und prüfe den Plan, bevor du irgendwelche Änderungen annimmst.
Schalte Tracing schon beim ersten Prototyp ein, damit jede schlechte Antwort zum Testfall wird.
Du entscheidest, welches Modell oder welche Modelle die App aufruft, und wägst dabei Ausgabequalität bei deiner eigenen Aufgabe, Geschwindigkeit, Kontextgröße, Kosten pro Anfrage, Datenschutzanforderungen und die Frage ab, ob du eine gehostete API oder ein offenes Modell brauchst, das du selbst betreibst.
Offers its language models through a token-billed API that accepts OpenAI-style and Anthropic-style requests, with JSON output and tool calls.
KI-Forschungsunternehmen mit Chat-Assistent, Desktop-Harness und einer nach Tokens abgerechneten API für seine Sprachmodelle.
Runs open-source models inside secure hardware enclaves and exposes them through an OpenAI-compatible API, for apps that handle sensitive data.
Private KI-Cloud, die Modelle in gesicherten Hardware-Enklaven ausführt, als Chat-App, Inferenz-API und Container.
Bevor du Anwendungscode schreibst, arbeitest du die Anweisungen aus: System-Prompt, Beispiele, Ausgabeformat. Du probierst sie an echten Eingaben aus, auch an sperrigen, und behältst jede Version, damit sich Änderungen vergleichen lassen.
Macht aus einer kurzen, groben Anfrage einen klaren, strukturierten Prompt und speichert jeden Prompt in einer durchsuchbaren Bibliothek zur Wiederverwendung.
Prompt-Generator, der aus einer groben Anfrage einen strukturierten Prompt für ChatGPT, Claude, Gemini und andere Modelle macht.
Analyzes a prompt for strengths and weaknesses, rewrites it in rounds and records each version so earlier ones can be recovered.
Prompt-Workspace zum Erzeugen, Analysieren, Optimieren und Rückwärtsentwickeln von Prompts für Text-, Bild- und Videomodelle.
Du bindest die App so an Modelle an, dass sie im Produktivbetrieb besteht: Schlüssel bleiben auf dem Server, Wiederholungen und Ausweichmodelle greifen, wenn ein Anbieter ausfällt, dazu Ratenlimits, Kostenverfolgung und GPU-Hosting, falls du ein offenes Modell selbst bereitstellst.
Das AI Gateway leitet Anfragen über einen Dienst an viele KI-Modelle weiter, mit Fallback, Lastverteilung, Wiederholungen und Kostenüberwachung.
Cloud-Plattform zum Bereitstellen von Web-Apps und KI-Agenten, mit AI Gateway, Sandboxes, Workflows und globalem CDN.
Serves LLMs and media models through endpoints on autoscaling GPU containers that scale to zero when idle.
Serverlose Cloud-Plattform für KI-Inferenz, Training, Sandboxes und Batch-Jobs auf GPUs.
Documents how to call its models from application code and coding agents, with thinking mode that can be switched off per request.
KI-Forschungsunternehmen mit Chat-Assistent, Desktop-Harness und einer nach Tokens abgerechneten API für seine Sprachmodelle.
Die meisten nützlichen Apps antworten aus bestimmten Inhalten: deiner Dokumentation, den Dateien eines Kunden, dem Live-Web, früheren Gesprächen. Du liest diese Inhalte ein und indizierst sie, rufst pro Anfrage die passenden Teile ab und gibst sie mit Quellen an das Modell weiter.
Durchsucht, scrapt und crawlt Websites über eine API und liefert Markdown oder strukturiertes JSON, das sich für Retrieval-Pipelines eignet.
Web-Daten-API, die Websites durchsucht, ausliest, crawlt und bedient und für KI-Anwendungen saubere Ausgaben liefert.
Speichert und indiziert Embeddings in einer Postgres-Datenbank, sodass die Anwendung mit den gewählten Modellen eine Ähnlichkeitssuche ausführen kann.
Postgres-Entwicklungsplattform mit Authentifizierung, sofort nutzbaren APIs, Edge Functions, Realtime, Speicher und Vektor-Embeddings.
Liest Dokumentation, Tickets und Wikis ein und bietet eine Retrieval API, die zu einer Anfrage passende Abschnitte mit Quell-URLs zurückgibt.
Plattform für Datenaufnahme und Retrieval, die Dokumentation, Tickets und Wikis eines Unternehmens zu KI-Agenten und einer Such-API macht.
Builds a per-user graph of dated facts from data and conversations and returns the context a task needs in one call.
Kontext- und Gedächtnisebene für KI-Agenten, die aus Unternehmensdaten, Dokumenten und Gesprächen kontrollierte Wissensgraphen aufbaut.
Soll die App nicht nur antworten, sondern handeln, baust du eine Agentenschleife: Das Modell entscheidet, welches Tool es aufruft, dein Code führt es aus und gibt das Ergebnis zurück. Du legst fest, welche Tools es gibt, welche Berechtigungen sie haben und wann ein Mensch bestätigen muss.
Stellt die Open-Source-Bibliotheken langchain, langgraph und deepagents bereit, um Agenten mit unterschiedlich viel Kontrolle zu schreiben.
Open-Source-Frameworks für Agenten plus die Plattform LangSmith zum Nachverfolgen, Bewerten und Bereitstellen von KI-Agenten.
Publishes ordinary Python functions as MCP tools, generating their schemas and handling validation, transport and authentication.
Python-Framework zum Bauen von Servern, Clients und interaktiven Apps für das Model Context Protocol.
Verbindet einen Agenten mit MCP-Servern aus einem Katalog und verwaltet OAuth, Zugangsdaten und Sitzungen für diese Verbindungen.
Registry und Verbindungsschicht, die KI-Agenten mit MCP-Servern verknüpft und OAuth sowie Zugangsdaten verwaltet.
Um das Modell herum steht eine normale Anwendung: API-Routen, Datenmodelle, Authentifizierung, Hintergrundjobs, eine Benutzeroberfläche. Du schreibst, prüfst und testest diesen Code, zunehmend indem du Aufgaben an einen Coding-Agenten delegierst und seine Änderungen durchsiehst.
Nimmt eine schriftliche Entwicklungsaufgabe entgegen, erkundet die Codebasis, schlägt einen Plan vor und nimmt die Änderungen vor, die du annehmen oder überarbeiten kannst.
KI-Coding-Agent und Editor, der Code auf dem Desktop, im Terminal und in der Cloud plant, schreibt und prüft.
Plant Programmieraufgaben, bearbeitet Dateien, führt Tests aus und öffnet Pull Requests in deinem Repository, wobei es nachfragt, bevor es Dateien ändert oder Befehle ausführt.
Der KI-Coding-Agent von Anthropic plant, bearbeitet Code, führt Tests aus und öffnet Pull Requests, direkt aus dem Terminal oder der IDE.
Runs as an open source coding agent in the terminal, desktop or IDE and connects to many model providers, including locally hosted models.
Open-Source-KI-Coding-Agent für Terminal, Desktop und IDE, der mit Modellen vieler Anbieter arbeitet.
Prüft jeden Pull Request mit Kommentaren auf Zeilenebene und übernehmbaren Vorschlägen, was hilft, wenn ein großer Teil des Codes von Agenten stammt.
KI-Code-Review, das jeden Pull Request kommentiert, mit PR-Triage, Erklärungen zu Änderungen und Sicherheitsüberwachung.
Manche Apps brauchen mehr als Text: gesprochene Antworten, Transkription, Sprachgespräche in Echtzeit, generierte Bilder oder Clips. Das sind eigene Modelle mit eigenen APIs, Latenzbudgets und Nutzungsregeln.
Supplies realtime text-to-speech, speech-to-text and a speech-to-speech API that streams audio over one WebSocket or WebRTC link.
Realtime-Voice-KI-Plattform mit Text-to-Speech, Speech-to-Text, einer Speech-to-Speech-API und LLM-Routing.
Bietet WebRTC-Infrastruktur und pflegt Pipecat, ein Open-Source-Framework zur Orchestrierung von Echtzeit-Sprach-KI-Agenten.
Entwicklerplattform für Echtzeit-Sprache, Video und KI-Agenten, aufgebaut auf WebRTC-Infrastruktur und dem Open-Source-Framework Pipecat.
Stellt seine Modelle zur Video- und Bildgenerierung über eine Entwickler-API mit Dokumentation und einem Modell-Router bereit.
KI-Plattform zum Erzeugen und Bearbeiten von Video, Bild und Audio, mit Entwickler-API und Weltmodellen.
Du baust aus echten Eingaben einen Testsatz auf, bewertest die Ausgaben vor jeder Änderung und verfolgst nach dem Launch jede Anfrage, damit Fehler, Kosten und Latenz sichtbar sind. Menschliche Durchsicht deckt ab, was automatische Bewertung nicht beurteilen kann.
Die Plattform LangSmith zeichnet jeden Schritt eines Agentenlaufs auf, baut Datensätze aus echten Traces auf und führt Online- und Offline-Evaluierungen durch.
Open-Source-Frameworks für Agenten plus die Plattform LangSmith zum Nachverfolgen, Bewerten und Bereitstellen von KI-Agenten.
Schickt KI-Prüfer gegen Chat- und Sprachagenten, um vor dem Release auf Halluzinationen, Voreingenommenheit, Toxizität und Compliance-Probleme zu testen.
Cloud fürs Testen von Software, früher LambdaTest, mit KI-Agenten, die Tests für Web-, Mobil- und KI-Apps planen, schreiben und ausführen.
Die KI-Observability verfolgt die Ereignisse, die die Modellaufrufe einer Anwendung erzeugen, neben Sitzungswiedergaben und Fehlerverfolgung für den Rest der App.
Produktdatenplattform, die Analysen, Session Replay, Feature Flags, Fehlerverfolgung und ein Data Warehouse vereint, mit KI obendrauf.
Die App braucht ein Frontend, Benutzerkonten, Hosting, eine Domain und einen Release-Prozess mit Vorschauen und Rollback. Bei einem Prototyp oder internen Tool lässt sich das generieren, bei einem Produkt ist es bewusste Ingenieursarbeit.
Baut und deployt ein Projekt bei jedem Git-Push, gibt jeder Änderung eine eigene Vorschau-URL und erlaubt ein sofortiges Rollback.
Cloud-Plattform zum Bereitstellen von Web-Apps und KI-Agenten, mit AI Gateway, Sandboxes, Workflows und globalem CDN.
Baut aus einer Beschreibung in normaler Sprache eine Web-App mit Live-Vorschau und übernimmt Hosting und Authentifizierung auf der Plattform.
KI-Builder für Apps und Websites, der aus Beschreibungen in normaler Sprache funktionierende Full-Stack-Software macht.
Erzeugt aus einem Prompt eine Webanwendung, synchronisiert den Code mit GitHub und veröffentlicht sie in der Produktion.
Der KI-App-Builder von Vercel, der aus Prompts Full-Stack-Web-Apps macht und sie veröffentlicht.
Übernimmt Registrierungen und Logins und stellt Datenbanktabellen über REST-Endpunkte bereit, sodass die App ohne eigenen Servercode ein Backend hat.
Postgres-Entwicklungsplattform mit Authentifizierung, sofort nutzbaren APIs, Edge Functions, Realtime, Speicher und Vektor-Embeddings.
Beginne mit einer gehosteten API, solange du keinen klaren Grund dagegen hast. Darauf baut man schneller auf, und es braucht keinen GPU-Betrieb. Ein offenes Modell selbst zu betreiben ist sinnvoll, wenn Daten in deiner Umgebung bleiben müssen, wenn du Fine-Tuning brauchst oder wenn das Volumen so hoch ist, dass eigene Rechenleistung günstiger ist. Viele Teams bauen den Prototyp auf einer API und überdenken die Wahl, sobald die Nutzung bekannt ist.
Oft nicht. Ein einzelner Modellaufruf mit guten Anweisungen und abgerufenem Kontext deckt viele Funktionen ab: zusammenfassen, klassifizieren, extrahieren, aus Dokumenten antworten. Ein Framework lohnt sich, wenn das Modell zwischen Tools wählen, mehrere Schritte ausführen, einen Zustand halten oder sich von Fehlern erholen muss. Wer eines früh einsetzt, bekommt auch mehr Konzepte zum Debuggen. Beginne also einfach und nimm es hinzu, wenn der schlichte Ansatz nicht mehr genügt.
Einen Prototyp oder ein internes Tool, ja. Die App-Builder in diesem Guide erzeugen aus einer Beschreibung eine funktionierende Web-App mit Login und Hosting. Ein Produkt, das Kundendaten und Zahlungen verarbeitet, ist etwas anderes: Jemand muss Sicherheit, Kosten und Fehlerbehandlung verstehen. Ein sinnvoller Weg ist, ohne Code einen Prototyp zu bauen, mit echten Nutzern zu testen und vor dem Skalieren einen Entwickler dazuzuholen.
Sammle echte Eingaben, schreibe für jede auf, wie eine richtige Antwort aussieht, und bewerte das System vor jeder Änderung daran. Nimm schwierige und gezielt provokante Fälle auf. Verbinde automatische Prüfungen mit menschlicher Durchsicht einer Stichprobe. Starte mit einer kleinen Gruppe und eingeschaltetem Tracing, lies die Fehlschläge und weite den Zugang aus, sobald die Fehlerquote für deinen Einsatz vertretbar ist.
Die Redaktion ordnet jedes Tool anhand seines Profils einer Phase zu. Die Liste wächst mit jedem neu veröffentlichten Profil. Alle Guides
