Zugriff

1Begriff

API = Application Programming Interface, deutsch Programmierschnittstelle. KI-Kontext: die HTTP-Schnittstelle, über die Programme Modelle aufrufen. Vokabeln: API-Key, Endpoint, Rate Limit, Streaming.

2Bedeutung

Die API trennt „Modell benutzen“ von „Modell verstehen müssen“ – und ist der Grund, warum jede App plötzlich KI-Funktionen hat. Für Firmen ist die API (nicht die Chat-App) der Weg, KI in eigene Prozesse einzubauen.

3Funktionsweise

Anfrage als JSON: Modellname + Nachrichtenliste + Optionen (Temperatur, Max-Tokens, Werkzeuge) → Antwort als JSON bzw. tokenweise gestreamt. Authentifizierung per API-Key im Header. Das OpenAI-Chat-Format ist zum Quasi-Standard geworden – Ollama, vLLM, LiteLLM, OpenRouter, Mistral & Co. sprechen es alle: Modellwechsel = Adresswechsel.

4Hintergrund

Wichtige Zusatzkonzepte: Function/Tool Calling (Modell fordert strukturiert Werkzeug-Aufrufe an – Grundlage der Agenten), Structured Output (JSON-Schema erzwingen), Prompt Caching (wiederholte Kontexte rabattiert), Batch-APIs (unzeitkritisches um ~50 % billiger). Doku: OpenAI · Anthropic · Google.

5Alternativen

• Chat-Apps: für Menschen statt Programme.
• SDKs/Frameworks: (LangChain, Vercel AI SDK) – Komfortschicht über der API.
• Lokale API: dieselbe Schnittstelle, selbst gehostet (Ollama/vLLM).

6Vor- & Nachteile (API vs. Abo)

• + Bezahlung nach Verbrauch, Automatisierung, volle Parameter-Kontrolle, Geschäftsdaten-Regelungen (kein Training, Std. bei Business-APIs).
• − Kostenkontrolle nötig (Limits setzen!), Key-Sicherheit, für Wenignutzer teurer als Flatrate-Abo.

7Kosten

Nur Verbrauch, pro Mio. Tokens: Mini-Modelle ~0,1–0,6 €, Mittelklasse ~1–5 €, Spitzenmodelle ~5–20 €+ (Output > Input). Praxis-Beispiel: Ein durchschnittlicher Chat-Austausch am Spitzenmodell kostet meist unter 5 Cent.

1Begriff

CLI = Command-Line Interface, deutsch Kommandozeile/Terminal. Gegenstück: GUI (grafische Oberfläche).

2Bedeutung

In der KI-Welt allgegenwärtig: Ollama, Git, Python-Tools und die großen Coding-Agenten (Claude Code, Codex CLI, Gemini CLI) leben im Terminal. Wer KI ernsthaft betreiben will, kommt an Grundkenntnissen kaum vorbei.

3Funktionsweise

Muster: programm unterbefehl --option wert, z.B. ollama run qwen3. Befehle lassen sich verketten, in Skripte gießen und automatisieren – genau deshalb ist die CLI auch die natürliche Heimat von KI-Agenten: Textbefehl rein, Textergebnis raus passt perfekt zu LLMs.

4Hintergrund

Interessante Umkehr: Jahrzehnte galt die CLI als Experten-Hürde – jetzt macht KI sie zugänglich, weil der Agent die Befehle schreibt und erklärt. Terminal öffnen: macOS „Terminal“, Windows „PowerShell/Windows Terminal“ (+ WSL für Linux-Umgebung).

5Alternativen

• GUIs: LM Studio, Open WebUI, Desktop-Apps – für alle Alltagsaufgaben legitim.
• IDE-Integrationen: KI im Editor (VS Code) statt Terminal.
• Automatisierungsplattformen: n8n, Zapier – „CLI für Nicht-Programmierer“.

6Vor- & Nachteile

• + Skriptbar, präzise, remote-fähig, ressourcenschonend, universell dokumentierbar.
• − Lernkurve, kryptische Fehlermeldungen, Tippfehler-Risiken bei mächtigen Befehlen.

7Kosten

Kostenlos – nur Lernzeit. Tipp: Die Lernzeit sinkt drastisch, wenn man einen KI-Chat parallel als „Terminal-Erklärer“ nutzt.

1Begriff

OpenRouter – kommerzieller Cloud-Dienst (openrouter.ai), der eine einheitliche API vor 400+ Modelle von ~60 Anbietern schaltet.

2Bedeutung

Löst das „viele Konten, viele Rechnungen, viele Formate“-Problem: ein Key, ein Guthaben, freie Modellwahl – inklusive vieler offener Modelle, die dort gehostet günstiger sind als Eigenbetrieb bei kleiner Last.

3Funktionsweise

Du sprichst OpenRouter im OpenAI-Format an und gibst das Zielmodell als String an („anthropic/claude-…“, „qwen/qwen3-…“). OpenRouter leitet an den Anbieter (oder einen von mehreren Hosts) weiter, rechnet zentral ab und kann bei Ausfall automatisch fallbacken. Dashboard zeigt Preise, Latenz und Rankings aller Modelle – nebenbei eines der besten „Markt-Barometer“.

4Hintergrund

2023 gegründet; beliebt bei Entwicklern und als Backend vieler KI-Apps. Datenschutz konfigurierbar (z.B. nur Anbieter ohne Trainingsnutzung zulassen), bleibt aber ein US-Zwischenhändler im Datenpfad – für strenge Compliance relevant.

5Alternativen

6Vor- & Nachteile

• + Sofort startklar, riesige Auswahl, Preistransparenz, Fallback, ein Abrechnungsort.
• − ~5 % Aufschlag, Dritter im Datenpfad, Abhängigkeit vom Dienst, feinste Anbieter-Features manchmal verzögert.

7Kosten

Keine Grundgebühr; Guthaben-Modell mit ~5 % Gebühr beim Aufladen, Modellpreise = Anbieterpreise. Einige Gratis-Modelle zum Testen.

1Begriff

LiteLLM – Open-Source-Software (Python), die 100+ Modell-Anbieter hinter einer OpenAI-kompatiblen Schnittstelle vereinheitlicht. Als Bibliothek oder Proxy-Server („LLM-Gateway“). docs.litellm.ai

2Bedeutung

Das Kontroll-Zentrum für KI im Unternehmen: ein internes Gateway, dahinter beliebige Anbieter (Cloud und lokal) – mit zentralen Keys, Budgets und Protokollen. Anbieterwechsel wird zur Konfigurationszeile.

3Funktionsweise

Apps sprechen das Gateway im OpenAI-Format an; LiteLLM übersetzt je Ziel (Anthropic, Google, Azure, Ollama, vLLM …), verwaltet virtuelle Keys pro Team/Nutzer, setzt Budgets & Rate-Limits durch, loggt Kosten, macht Load Balancing und Fallbacks (z.B. „erst lokal, bei Überlast Cloud“).

4Hintergrund

Kategorie „LLM-Gateway“ ist Standard-Baustein moderner KI-Architekturen geworden (siehe Schaubild 7). LiteLLM ist dort das verbreitetste OSS-Werkzeug; Betrieb typisch als Docker-Container mit Postgres.

5Alternativen

• OpenRouter: gleiche Funktion als gehosteter Dienst.
• Portkey, Kong AI Gateway, Cloudflare AI Gateway: weitere Gateways (teils managed).
• Direktanbindung: ohne Gateway – einfach, aber Lock-in und kein zentrales Controlling.

6Vor- & Nachteile

• + Datenpfad bleibt bei dir, zentrale Kosten-/Zugriffskontrolle, lokal+Cloud mischbar, kein Vendor-Lock-in, gratis.
• − Eigener Betrieb (Updates, Monitoring), Einrichtung braucht DevOps-Grundwissen, zusätzliche Infrastruktur-Komponente die ausfallen kann.

7Kosten

Software frei (MIT); Betriebskosten ein kleiner Server/Container. Enterprise-Version (SSO, Audit, Support) kostenpflichtig. Modellkosten unverändert die der Anbieter – aber endlich zentral sichtbar.

1Begriff

Open WebUI – Open-Source-Weboberfläche für KI-Modelle (ehem. „Ollama WebUI“). openwebui.com · GitHub

2Bedeutung

Gibt lokaler KI ein Gesicht, das jeder bedienen kann: ChatGPT-artige Oberfläche, aber im eigenen Netz – der häufigste Weg, ein Team ohne Schulung an interne Modelle zu bringen.

3Funktionsweise

Läuft als Docker-Container im (Heim-)Netz; verbindet sich mit jeder OpenAI-kompatiblen API – Ollama, vLLM, via LiteLLM auch Cloud. Bringt mit: Nutzer-/Rollenverwaltung, Modell-Umschalter, Dokumenten-Upload mit eingebautem RAG, Websuche-Anbindung, Prompt-Vorlagen, Sprach-Ein-/Ausgabe, eigene „Tools“.

4Hintergrund

Eines der aktivsten OSS-Projekte der Lokal-Szene (>100k GitHub-Sterne). Lizenzhinweis: seit v0.6 Open-Source mit Branding-Klausel; für großes internes Deployment kurz prüfen.

5Alternativen

6Vor- & Nachteile

• + Vertraute Bedienung, Mehrbenutzer, RAG eingebaut, Daten im Haus, sehr aktiv entwickelt.
• − Selbst betreiben (Docker, Updates, Backups); eingebautes RAG ok, aber kein High-End; Feature-Fülle kann erschlagen.

7Kosten

Kostenlos; läuft ab Mini-PC/NAS-Klasse. Gesamtkosten eines Team-Setups = im Wesentlichen die GPU-Maschine dahinter.