Was ist ein LLM? Large Language Models einfach erklärt

Ein LLM, also ein großes Sprachmodell, ist eine Art KI, die mit enormen Textmengen trainiert wurde, damit sie Sprache verstehen und erzeugen kann. Bekommt es einen Text, sagt es voraus, was als Nächstes kommen sollte, jeweils ein kleines Stück nach dem anderen. Diese einfache Fähigkeit reicht aus, um Fragen zu beantworten, zu schreiben, zusammenzufassen, zu übersetzen und Code zu schreiben. Die Modelle hinter ChatGPT, Claude und Gemini sind alle LLMs.

Warum das beim Bauen mit KI wichtig ist

Wenn du mit einem KI-App-Builder arbeitest, nutzt du gleich zweimal ein LLM. Erstens baut ein LLM die App: Es liest deine Anfrage, plant Änderungen und schreibt den Code. Zweitens möchtest du vielleicht ein LLM in deiner App – einen Chatbot, einen Zusammenfassungs-Button, einen Schreibassistenten.

Die Grundlagen zu kennen hilft in beiden Fällen. Es erklärt, warum die KI eine vage Anfrage manchmal falsch versteht, warum sie selbstbewusst etwas Falsches erzeugen kann, warum lange Unterhaltungen dazu führen können, dass sie frühere Details verliert, und warum KI-Funktionen in deiner App pro Nutzung Geld kosten. Du brauchst dafür keine Mathematik – nur ein solides mentales Modell.

Ein Alltagsvergleich

Stell dir jemanden vor, der eine unvorstellbar große Bibliothek gelesen hat – Bücher, Webseiten, Handbücher, Code, Foren – und außergewöhnlich gut darin geworden ist, jeden Text so fortzusetzen, dass er passt. Gib ihm den Anfang einer E-Mail, und er beendet sie in deinem Tonfall. Stell eine Frage, und er schreibt die Art Antwort, die gewöhnlich auf eine solche Frage folgt.

Aber er hat keine Notizen, die er prüfen könnte, und die Bibliothek hat an einem bestimmten Datum geschlossen. Er erinnert sich an Muster, nicht an Nachgeschlagenes. Meistens stimmen die Muster. Manchmal füllt er eine Lücke mit etwas, das nur richtig klingt – mit genau derselben Sicherheit.

So ist ein LLM: ein sehr belesener, sehr flüssiger Schreiber mit einem unvollkommenen Gedächtnis und ohne eingebauten Faktenprüfer.

Wie ein LLM funktioniert, in einfachen Worten

Training. Das Modell bekommt riesige Textmengen zu sehen und lernt, indem es Milliarden seiner internen Zahlen (seine Parameter) anpasst, das nächste Textstück vorherzusagen. Das Design, das die meisten LLMs verwenden, heißt Transformer und wurde 2017 von Google-Forschern vorgestellt.
Feinabstimmung. Das rohe Modell wird anschließend verfeinert, damit es Anweisungen folgt, eine Unterhaltung führt und schädliche Ausgaben vermeidet – oft mithilfe menschlichen Feedbacks.
Nutzung (Inferenz). Wenn du einen Prompt sendest, liest das Modell ihn und erzeugt die Antwort Token für Token; jedes Mal wählt es das wahrscheinliche nächste Token auf Grundlage alles Vorherigen.

Es hat keine Faktendatenbank in sich, und es lernt während deiner Unterhaltung nicht weiter. Alles, was es in einer Unterhaltung „weiß“, stammt entweder aus dem Training oder aus dem, was jetzt vor ihm liegt – seinem Kontextfenster.

Ein Beispiel: eine Support-Antwort

Angenommen, du betreibst einen Online-Pflanzenshop und fügst dies in ein LLM ein:

Eine Kundin schreibt: „Meine Bestellung #4412 ist mit einem kaputten Topf angekommen. Was könnt ihr tun?“ Unsere Richtlinie: Beschädigte Artikel ersetzen wir kostenlos innerhalb von 14 Tagen, wenn die Kundin ein Foto schickt. Schreibe eine freundliche Antwort.

So läuft es ab:

Der Text wird in Tokens zerlegt, vielleicht etwa hundert.
Das Modell liest alles: die Nachricht der Kundin, deine Richtlinie und deine Anweisung.
Es erzeugt die Antwort Token für Token: „Hallo! Es tut mir sehr leid, dass dein Topf kaputt angekommen ist …“, bittet um ein Foto und erwähnt den kostenlosen Ersatz.

Versuche nun dieselbe Anfrage ohne die Richtlinie. Das Modell schreibt trotzdem eine selbstbewusste, freundliche Antwort – könnte aber eine Rückerstattung oder ein 30-Tage-Fenster versprechen, weil das in Support-E-Mails, die es gesehen hat, übliche Muster sind. Das ist eine Halluzination, und sie zeigt die wichtigste praktische Lehre über LLMs: Sie sind nur so genau wie die Informationen, die du ihnen gibst. Apps, die verlässliche Antworten brauchen, füttern das Modell bei jeder Anfrage mit dem richtigen Quellenmaterial – eine Technik namens RAG.

Wichtige Begriffe erklärt

Begriff	Bedeutung
Token	Ein Stück Text – oft ein Wort oder ein Teil davon. Grenzen und Preise werden in Tokens gezählt.
Kontextfenster	Wie viel Text das Modell gleichzeitig berücksichtigen kann: dein Prompt, die Unterhaltung und alle Dokumente.
Prompt	Die Eingabe, die du dem Modell gibst. Siehe was Prompt Engineering ist.
Parameter	Die internen Zahlen, die im Training gelernt werden. Mehr ist nicht automatisch besser.
Trainingsdaten	Der Text, aus dem das Modell gelernt hat.
Wissensstand	Das Datum, nach dem das Modell keine Trainingsdaten mehr hat, weshalb es neuere Ereignisse nicht kennt, sofern man sie ihm nicht mitteilt.
Halluzination	Flüssige, selbstbewusste Ausgabe, die falsch ist.
Temperatur	Eine Einstellung dafür, wie abwechslungsreich oder vorhersehbar die Ausgabe ist.
Inferenz	Das Modell ausführen, um eine Antwort zu erhalten. Dafür zahlst du pro Nutzung.
Multimodal	Modelle, die auch Bilder, Audio oder andere Eingaben verarbeiten können, nicht nur Text.
API	Die Art, wie eine App Prompts programmatisch an ein LLM schickt. Siehe wie du LLM-APIs nutzt.

Häufige Fehler und Missverständnisse

„Es schlägt Dinge nach.“ Ein reines LLM tut das nicht. Manche Apps ergänzen Websuche oder Dokumentenabruf, aber das Modell selbst erzeugt aus Mustern heraus.
„Wenn es sicher klingt, stimmt es.“ Selbstbewusstsein und Genauigkeit haben nichts miteinander zu tun. Prüfe Namen, Zahlen, Daten, Preise und alles Rechtliche oder Medizinische.
„Es erinnert sich an alles, was ich gesagt habe.“ Nur an das, was ins Kontextfenster passt. Bei sehr langen Unterhaltungen können frühe Details verloren gehen oder weniger Beachtung finden. Wiederhole, was wichtig ist.
„Es denkt wie ein Mensch.“ Es kann beeindruckend gut Probleme durchdenken, hat aber keine Ziele, Überzeugungen oder Bewusstsein für Folgen. Behandle seine Ausgabe als Entwurf, den du prüfst.
„Größer oder neuer ist immer besser.“ Für eine einfache Aufgabe mit hohem Volumen ist ein kleineres, günstigeres, schnelleres Modell oft die richtige Wahl.
Private Daten ohne Prüfung senden. Bevor du Kundendaten in einen KI-Dienst einfügst oder in eine App einbaust, prüfe die Bedingungen des Anbieters zur Datennutzung und Speicherdauer.

Was du deinen KI-Builder fragen solltest

Wenn das LLM deine App baut:

„Bevor du etwas änderst, sag mir, was du verstanden hast und was du tun wirst.“
„Hier ist der genaue Richtlinientext; verwende ihn wortwörtlich, statt Details zu erfinden.“
„Rate nicht bei Fakten wie Preisen oder Daten. Lass Platzhalter stehen und liste sie für mich auf.“

Wenn du ein LLM in deiner App willst:

„Füge einen [Zusammenfassen]-Button hinzu, der die API von [Anbieter] vom Server aus aufruft. Der API-Schlüssel gehört in ein Secret, niemals in den Browser.“
„Lege unsere Richtlinien in den Prompt, damit die Antworten sich daran halten, und lass sie „Das weiß ich nicht“ sagen, wenn sie unsicher sind.“
„Begrenze, wie lang Antworten sein dürfen, und beschränke, wie viele Anfragen ein Nutzer pro Tag stellen kann.“
„Protokolliere, was jede Anfrage gekostet hat, damit ich die Nutzung sehen kann.“

Eine Schritt-für-Schritt-Anleitung findest du unter wie du KI-Funktionen zu deiner App hinzufügst.

LLMs und Mythex

Der Bau-Agent von Mythex läuft auf einem LLM. Alle bekommen denselben Standard-Agenten – eine Modellauswahl gibt es nicht – und das Bauen verbraucht Mythex-Credits. KI-Funktionen innerhalb der App, die du baust, sind getrennt: Du bringst deinen eigenen API-Schlüssel eines Anbieters wie OpenAI oder Anthropic mit, hinterlegst ihn als Projekt-Secret, und der Anbieter rechnet diese Nutzung direkt mit dir ab. Das Docs-Rezept KI zu deiner App hinzufügen zeigt den Prompt dafür.

Fragen

Wofür steht LLM?

LLM steht für Large Language Model, also großes Sprachmodell: ein KI-Modell, das mit sehr großen Textmengen trainiert wurde, um Sprache zu verstehen und zu erzeugen. Die Modelle hinter ChatGPT, Claude und Gemini sind LLMs.

Ist ChatGPT ein LLM?

ChatGPT ist eine Chat-App, die auf den LLMs von OpenAI aufbaut. Das LLM ist das zugrunde liegende Modell, das den Text erzeugt; die App ergänzt darum die Chat-Oberfläche, Gedächtnisfunktionen, Werkzeuge und Sicherheitsschichten.

Warum erfinden LLMs Dinge?

Ein LLM erzeugt die wahrscheinlichsten nächsten Wörter auf Grundlage gelernter Muster, nicht indem es Fakten in einer Datenbank nachschlägt. Fehlt ihm die richtige Information, kann es flüssigen, selbstbewussten, aber falschen Text erzeugen. Das nennt man Halluzination. Quellenmaterial mitzugeben und die Antworten zu prüfen, senkt das Risiko.

Lernen LLMs aus meinen Unterhaltungen?

Ein Modell verändert sich während einer Unterhaltung nicht; es sieht nur, was in seinem Kontextfenster steht. Ob deine Unterhaltungen später zum Training künftiger Modelle verwendet werden, hängt von der Richtlinie des Anbieters und deinen Einstellungen ab – prüfe also die Nutzungsbedingungen des Dienstes, den du verwendest.

Was ist ein Token bei einem LLM?

Ein Token ist ein Stück Text, das das Modell liest und schreibt – oft ein Wort oder ein Teil eines Wortes. Kontextgrenzen und API-Preise werden in Tokens gemessen, daher kosten längere Prompts und Antworten mehr.