Artikel für Leute, die
den Stack ausliefern
Originale Beiträge zu React, Node.js, TypeScript und AI — aus derselben Praxis wie unsere Operator-Software. Artikeltexte auf Englisch.
Tag: LLM
Ein Produktions-Harness für Claude Code: Sechs Schichten von Slack bis zur zusammengeführten MR.
Wie ein sechsschichtiger Harness Slack-Tickets in zusammengeführten Code umwandelt: Eingang von Ereignissen, geschützte Agentenschleifen, dauerhafter Zustand, Selbstheilung, Überwachbarkeit und Steuerung durch den Operator.
42 Min. LesezeitFünfzig Jahre Forschung im Bereich Informationsabrufung – verborgen in Ihrem RAG-Pipeline.
Das RAG-Chunking, die hybride Suche, HyDE, das Neuranking sowie die Bewertungsmethoden haben alle seit Jahrzehnten existierende Vorgänger in der Informationsabrufung. Ein Überblick über die Forschung und deren Grenzen.
17 Min. LesezeitSenkung der Kosten für Agent-Token: Caching, Routing und Kontextpflege.
Senken Sie die Kosten von LLM-Agenten durch Prompt-Caching und semantisches Caching, verzögert geladene Tools, Modell-Routing und -Kaskaden, Subagenten sowie durch einfache Kontextpflege.
16 Min. LesezeitGrundlagen von AI-Agenten: Zweck, Prompt-Design und Modellwahl
Wie man die Grundlagen für einen Produktions-AI-Agenten schafft: Zweck und Erfolgsmetriken definieren, Prompts mit Zielen und Schutzmaßnahmen erstellen und anschließend das richtige Modell auswählen.
21 Min. LesezeitKontexttechnik in der Praxis: Ein Forschungsagent mit dem Claude Agent SDK
Entwickeln Sie einen Python-Forschungsagenten mit dem Claude Agent SDK unter Verwendung der Muster write, select, compress und isolate und vergleichen Sie ihn anschließend in getesteten Ausführungen mit einem einfachen Baseline-Modell.
20 Min. LesezeitWas ein Modell-Differenzierungs-Agent herausfindet: Stiländerungen überlagern eine feine Anpassung.
Ein Modell-Differenzierungs-Agent überprüfte eine Finanz-LoRA-Feinabstimmung: 82 Prozent der Durchläufe erkannten die Änderung in Länge und Struktur, während die beabsichtigte Veränderung im Denkprozess verborgen blieb.
15 Min. LesezeitAgent Harness, Loop und Graph: Drei Ebenen hinter zuverlässigen KI-Agenten
Warum zuverlässige Agenten in der Regel eine Schicht vermissen: der Harness um das Modell, ein evidenzbasiertes Schleifenkonzept sowie ein expliziter Graph, zusammen mit Codemustern und einer Fehlerbehebungs-Checkliste.
15 Min. LesezeitDrei Gründe, warum RAG-Systeme in der Praxis versagen: fragmentierter Kontext, Abweichungen und Fehlnutzung.
Drei Gründe, warum RAG in der Produktion versagt: fragmentierter Kontext durch Chunking, Abweichungen im Laufe des Wachstums der Wissensdatenbank sowie Fehlgebrauch trotz guter Suche – mit Lösungen auf Ebene der Schichten.
11 Min. LesezeitNeuaufbau eines Claude-Code-Stil-Agenten mit LangChain Deep Agents
Wie das Harness eines Programmier-Agenten funktioniert – vom Kernloop über Tools, Planung, Speicher, Subagenten bis hin zu sandbox-basierten Genehmigungen – Schritt für Schritt mit DeepAgents neu aufgebaut.
16 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.