1) Token-Schätzung. Ein Buch hat 80.000 Wörter (Englisch). Wie viele Tokens? Lösung: ~80.000 × 1.3 = ~104.000 Tokens. Passt in Claude Sonnet (200k), aber nicht in GPT-3.5 Turbo (16k).
2) API-Kosten berechnen. Claude Sonnet 4.6 (3 $ in / 15 $ out per Mio). Anfrage: 5k Input, 1k Output. Kosten? Lösung: (5k/1Mio × 3) + (1k/1Mio × 15) = 0.015 + 0.015 = 0.03 $.
3) Embedding-Suche. Du hast 10.000 Dokumente. Wie findest du die ähnlichsten zu einer Anfrage? Lösung: Alle Dokumente einmalig embedden + speichern. Query embedden + Cosine Similarity zu allen + Top-k.
4) Halluzination-Schutz. Anwaltskanzlei nutzt KI für Recherche. Was tun? Lösung:RAG über interne Verträge + System-Prompt "Zitiere wörtlich aus Quellen" + Mensch validiert immer.
5) Lost in the Middle. Du hast 50-Seiten-Dokument, eine wichtige Anweisung. Wo platzieren? Lösung: Am Anfang ODER am Ende des Kontexts. Nicht in der Mitte — wird oft schlechter beachtet.
6) Temperature wählen. Code-Refactoring vs. Marketing-Texte. Lösung: Code: temperature 0 (deterministisch, korrekt). Marketing: 0.7-1.0 (kreativ, abwechslungsreich).
7) Modell-Wahl. 100.000 E-Mails klassifizieren in "wichtig/unwichtig". Welches Modell? Lösung: Claude Haiku 4.5 — hochvolumig, simple Klassifikation, sehr günstig (0.80 $/Mio Input).
