Sara Nóbrega, KI-Ingenieurin mit Fokus auf produktive ML-Systeme, hat den Artikel für Towards Data Science verfasst und beschreibt darin fünf Fähigkeiten, die Data Scientists in der Praxis von reinen Demo-Bauern unterscheiden. Der Kern des Artikels ist eine einzige provider-agnostische Hilfsfunktion `call_llm()`, die wahlweise OpenAI-kompatible APIs (inkl. lokaler vLLM- oder Ollama-Instanzen) oder Anthropic ansprechen kann – alle fünf Codebeispiele bauen darauf auf, ohne direkt einen Anbieter zu benennen. Beim RAG-Abschnitt setzt Nóbrega auf das Modell `all-MiniLM-L6-v2` von SentenceTransformers, das vollständig auf einer CPU läuft und ohne externe Dienste auskommt; die Vektoren werden per NumPy-Matrixmultiplikation verglichen. Explizit empfohlen werden BM25-Keyword-Suche als Ergänzung zu Embeddings (Hybrid Retrieval), Cross-Encoder-Reranker sowie die Evaluierungsbibliothek RAGAS für Metriken wie Faithfulness, Answer Relevancy, Context Precision und Context Recall. Im Routing-Abschnitt wird erläutert, dass Prompt-Caching kombiniert mit dem Weiterleiten einfacher Anfragen an kleinere Modelle die Inferenzkosten laut Branchenangaben um 40–70 % senken kann. Als Vektor-Datenbanken nennt die Autorin FAISS (für Geschwindigkeit), Qdrant und Pinecone (für Filterung), als Frameworks LlamaIndex und LangChain. Die weiteren drei Skills – Guardrails, Evals und Agent Loops – folgen demselben Muster: kurze Problemdefinition, ausführbares Snippet, Lernpfad.