Provider-Modell-Mapping

Ein Rollenmodell für mehrere Provider Dieses Dokument ordnet die im Kurs verwendeten Modellrollen auf OpenAI, Mistral, Gemini und Anthropic ab.

Inhaltsverzeichnis

  1. Zweck dieses Dokuments
  2. Rollen statt Produktnamen
  3. Zentrales Mapping
  4. Wie die Provider im Kurskontext zu lesen sind
    1. OpenAI
    2. Mistral
    3. Gemini
    4. Anthropic
  5. Provider-spezifische Empfehlungen je Rolle
    1. Baseline / Demo
    2. Router / leichter Reasoner
    3. Judge / starker Reasoner
    4. Worker / Synthese
    5. Coding-Worker
    6. Embeddings
  6. Minimalregel für providerneutrale Dokumentation
  7. Verhältnis zum Modell-Auswahl Guide

Zweck dieses Dokuments

Im Kurs werden konkrete OpenAI-Modelle verwendet, weil die Module, Notebooks und Beispiele darauf abgestimmt sind. Für Architekturentscheidungen ist aber oft nicht der Markenname entscheidend, sondern die Rolle, die ein Modell im System übernimmt.

Dieses Dokument trennt deshalb zwei Ebenen:

  1. Kurs-Default: die tatsächlich in den Modulen verwendeten OpenAI-Modelle
  2. Provider-Mapping: geeignete Entsprechungen bei Mistral, Gemini und Anthropic

[!IMPORTANT] Nur zur Einordnung und Planung
Dieses Mapping dient der Einordnung und Architekturplanung. Es ändert nicht automatisch die in den Modulen verwendeten Modelle.

Rollen statt Produktnamen

Für den Kurs sind vor allem diese Modellrollen relevant:

Rolle Typische Aufgabe
Baseline / Demo günstige, schnelle Läufe für Grundlagen und erste Tests
Router / leichter Reasoner einfache Routing- oder Auswahlentscheidungen
Judge / starker Reasoner Bewertung, Policy-Checks, Supervisor-Entscheidungen
Worker / Synthese hochwertige Text-, Code- oder RAG-Ausgabe
Worker / Synthese (hochwertig) maximale Ausgabequalität, komplexe RAG, finale Reports
Coding-Worker Code-nahe Agenten- und Entwicklungsaufgaben
Embeddings Vektorrepräsentationen für Retrieval und RAG

Der wichtigste Grundsatz lautet:

Erst die Rolle definieren, dann den Provider und erst zuletzt den konkreten Modellnamen wählen.

Zentrales Mapping

Rolle OpenAI Mistral Gemini Anthropic Kommentar
Baseline / Demo gpt-4o-mini mistral-small-latest gemini-3-flash-preview claude-haiku-4-5 schnell, günstig, gut für Grundlagen
Router / leichter Reasoner o3-mini magistral-medium-latest oder mistral-medium-latest gemini-3-flash-preview claude-sonnet-4-6 für Routing und einfache Auswahlentscheidungen
Judge / starker Reasoner o3 magistral-medium-latest oder mistral-large-latest gemini-3.1-pro-preview claude-opus-4-6 für Supervisor, Security, Bewertung
Worker / Synthese gpt-5.4-mini mistral-medium-latest oder mistral-large-latest gemini-3.1-pro-preview claude-sonnet-4-6 Standard-Worker: starke Ausgabe, kostensensitiv
Worker / Synthese (hochwertig) gpt-5.4 mistral-large-latest gemini-3.1-pro-preview claude-opus-4-6 maximale Qualität: komplexe RAG, finale Reports
Coding-Worker gpt-5.4-mini devstral-latest oder codestral-latest gemini-3.1-pro-preview claude-sonnet-4-6 Mistral mit spezialisierten Coding-Modellen im Vorteil
Embeddings text-embedding-3-small Mistral Embeddings gemini-embedding-2-preview externer Provider nötig Anthropic bietet hier im Kurskontext keinen direkten Standardersatz

[!NOTE] Funktionsorientiert, nicht benchmark-orientiert
Das Mapping ist bewusst funktionsorientiert, nicht benchmark-orientiert. Ziel ist eine tragfähige Architekturentscheidung, kein absoluter Leistungsvergleich.

Wie die Provider im Kurskontext zu lesen sind

OpenAI

OpenAI ist im Projekt derzeit der Kurs-Default:

  • starkes Rollenmodell im bestehenden Kurs
  • konkrete Zuordnung in den Notebooks bereits umgesetzt
  • Agent Builder als OpenAI-spezifisches Zusatzmodul
  • Embeddings direkt im bestehenden RAG-Pfad verankert

Geeignet, wenn

  • bestehende Kurslogik unverändert bleiben soll
  • Notebooks 1:1 weiterlaufen sollen
  • die Modellunterscheidung im Unterricht explizit gezeigt wird

Mistral

Mistral ist besonders interessant, wenn ein breiter Single-Provider-Pfad angestrebt wird:

  • Generalmodelle
  • Reasoning-Modelle (magistral-*)
  • Coding-Modelle (devstral, codestral)
  • Audio-Modelle
  • Embeddings

Geeignet, wenn

  • ein stärker providerneutraler oder europäischer Stack gewünscht ist
  • Audio, Coding und Embeddings möglichst in einer Produktwelt liegen sollen
  • man OpenAI nicht als alleinigen Standard setzen möchte

Gemini

Google Gemini eignet sich gut für multimodale und skalierbare Workloads:

  • Flash-Modelle für günstige, schnelle Läufe (gemini-3-flash-preview)
  • Pro-Modelle für starke Reasoning- und Synthese-Aufgaben (gemini-3.1-pro-preview)
  • Eigene Embedding-Modelle (gemini-embedding-2-preview)
  • Sehr langer Kontext (bis 2 Mio. Tokens) für Dokument-Handoffs

Geeignet, wenn

  • multimodale Inhalte (Bild, Video, Audio) im Agenten-System verarbeitet werden
  • ein langer Kontextpfad für große Dokumente benötigt wird
  • Google Cloud / Vertex AI als Deployment-Plattform geplant ist

Einschränkung

  • kein spezialisiertes Coding-Modell (Mistral devstral hat hier einen Vorteil)
  • Preview-Modelle können sich ohne Vorankündigung ändern

Anthropic

Anthropic passt oft sehr gut auf die Rollenlogik des Kurses:

  • Haiku als schnelle Baseline (claude-haiku-4-5)
  • Sonnet als starker Standard-Worker (claude-sonnet-4-6)
  • Opus als Judge / Supervisor / hochwertiger Worker (claude-opus-4-6)

Geeignet, wenn

  • die Modellrollen aus dem OpenAI-Setup möglichst klar nachgebildet werden sollen
  • Tool Use und Reasoning im Vordergrund stehen

Einschränkung

  • kein gleichwertiger Kurs-Standardpfad für Embeddings im bestehenden Projekt

Provider-spezifische Empfehlungen je Rolle

Baseline / Demo

Schnell, stabil, kostengünstig, didaktisch gut steuerbar — die Anforderung ist bei allen Providern dieselbe. Geeignet für Grundlagenmodule, erste Tests und kostensensitive Standardläufe mit einfacher Klassifikation, Formatierung oder Tool-Demos. OpenAI gpt-4o-mini, Mistral mistral-small-latest, Gemini gemini-3-flash-preview, Anthropic claude-haiku-4-5.

Router / leichter Reasoner

Für einfache Conditional Edges, Tool-Auswahl mit begrenzter Komplexität oder Routing-Experimente in Demo-Szenarien. Gefragt sind robuste Entscheidungen zwischen wenigen Optionen ohne übertriebene Kostenlast. OpenAI o3-mini, Mistral magistral-medium-latest oder mistral-medium-latest, Gemini gemini-3-flash-preview, Anthropic claude-sonnet-4-6.

Judge / starker Reasoner

Überall dort, wo Fehlentscheidungen teuer sind: LLM-as-Judge, Security- oder Compliance-Gates, Supervisor-Routing, Fact-Check oder Konfliktbewertung. Die stärksten verfügbaren Reasoning-Modelle — OpenAI o3, Mistral magistral-medium-latest oder mistral-large-latest, Gemini gemini-3.1-pro-preview, Anthropic claude-opus-4-6.

Worker / Synthese

Für RAG-Antwortsynthese, hochwertige strukturierte Ausgaben und finale Berichte. Gefragt ist starke Ausgabequalität bei Text, Struktur und Zusammenfassung — nicht maximale Reasoning-Tiefe. Standard: OpenAI gpt-5.4-mini, Mistral mistral-medium-latest oder mistral-large-latest, Gemini gemini-3.1-pro-preview, Anthropic claude-sonnet-4-6. Hochwertig (wenn maximale Qualität gefordert): OpenAI gpt-5.4, Mistral mistral-large-latest, Anthropic claude-opus-4-6.

Coding-Worker

Für Code-Generierung, Refactoring, Entwicklungsagenten und technische Workflow-Knoten. Mistral bietet hier spezialisierte Modelle (devstral-latest, codestral-latest) und hat damit einen klaren Vorteil. OpenAI gpt-5.4-mini, Gemini gemini-3.1-pro-preview (kein spezialisiertes Coding-Modell), Anthropic claude-sonnet-4-6.

Embeddings

Stabile semantische Repräsentationen für Retrieval, Chunk-Suche und Vektorindizes. OpenAI bietet text-embedding-3-small, Mistral eigene Embedding-Modelle, Gemini gemini-embedding-2-preview, Anthropic keinen direkten Standardpfad im Kurskontext. Wichtig: Bei Providerwechseln sind Chat-Modell und Embedding-Modell zwei getrennte Entscheidungen — ein Wechsel des einen zieht nicht automatisch den anderen nach sich.

Minimalregel für providerneutrale Dokumentation

Wenn Modultexte, Architekturtexte oder Deployment-Dokumente providerneutral formuliert werden sollen, ist dieses Muster robust:

  1. Rolle benennen
  2. Anforderung beschreiben
  3. Provider-Mapping angeben
  4. Kurs-Default explizit nennen

Beispiel

### Modellrolle: Judge / Evaluator

Für diese Rolle wird ein starkes Reasoning-Modell benötigt.
Es bewertet Antworten, prüft Regelkonformität oder entscheidet zwischen Alternativen.

**Geeignete Modelle je Provider:**
- OpenAI: `o3`
- Mistral: `magistral-medium-latest`
- Gemini: `gemini-3.1-pro-preview`
- Anthropic: `claude-opus-4-6`

**Kurs-Default:**
Im Kurs wird hierfür aktuell `o3` verwendet.

Das erlaubt eine allgemeine Beschreibung, ohne die konkreten OpenAI-Implementierungen im Kurs umzuschreiben.

Verhältnis zum Modell-Auswahl Guide

Dieses Dokument ersetzt den Modell-Auswahl Guide nicht.

  • Der Modell-Auswahl Guide erklärt, welche OpenAI-Modelle im Kurs aktuell verwendet werden und warum.
  • Das Provider-Modell-Mapping zeigt, wie dieselben Rollen auf Mistral, Gemini und Anthropic übertragen werden können.

Beide Dokumente zusammen ergeben:

  1. konkrete Kursrealität
  2. providerübergreifende Architekturperspektive

Version: 2.0
Stand: März 2026
Kurs: KI-Agenten. Verstehen. Anwenden. Gestalten.