Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: python
Fünf Agenten, die Betrugswarnungen untersuchen anstatt sie nur zu bewerten.
Sehen Sie, wie ein System mit fünf Agenten einen XGBoost-Score mit der Sammlung deterministischer Beweise, der Korrelation von Anmeldungsprotokollen sowie Erklärungen von Gemini verbindet, die den Score niemals ändern.
6 Min. LesezeitGrundlagen von LangChain: Was es löst und wann man es komplett überspringen sollte.
Erfahren Sie, was LangChain tatsächlich bietet, warum das Aufrufen mehrerer Anbieter-Tools Teams dazu bringt, es zu nutzen, welche Pakete installiert werden müssen und wann ein einfacher Wrapper die bessere Wahl ist.
7 Min. LesezeitSelbstheilendes Mehr-Agenten-Team in LangGraph: Architekt, Tester, Debugger
Erstellen Sie eine LangGraph-State-Machine in Python, bei der ein Architekt, ein Entwickler, eine pytest-Sandbox, ein Debugger und ein Reviewer zusammenarbeiten und im Kreislauf vorgehen, bis die Tests bestehen.
31 Min. LesezeitLangGraph in Python: Zustände, parallele Knoten, Checkpoints und menschliche Überprüfung
Ein praktischer LangGraph-Überblick in Python: TypedDict-Zustände und Reduzierer, Kanten, Checkpoint-Funktionen, Unterbrechungen sowie ein E-Mail-Triage-Workflow mit menschlicher Freigabe.
25 Min. LesezeitEin lokaler LLM-Agent-Arbeitsablauf, der aus Ordnern und Markdown-Dateien erstellt wird
Erstellen Sie einen gesicherten, mehrstufigen Pipeline für lokale Agenten, wobei jede Stufe ein Ordner ist, die Anfragen in editierbarem Markdown vorliegen und ein Mensch die Ausgabe vor dem kostspieligen Schritt überprüft.
25 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. LesezeitEin Roadmap für KI-Engineering im Jahr 2026: Vom Python bis zu Agenten und LLMOps.
Ein schrittweiser Lernpfad für KI-Engineering bis 2026, von Python und Mathematik über klassische ML-Methoden und Deep Learning bis hin zu RAG, MCP, Agenten, Bewertungsmethoden und der Implementierung.
14 Min. LesezeitVertragsintelligenz mit OCR, hybridischem RAG und LangGraph
Ein Pipeline zur Vertragsextraktion: Bildreinigung, PaddleOCR mit fallback auf GPT-4o, FAISS in Kombination mit BM25 zur Suche, mehrfaches RAG-Verfahren sowie ein bewerteter Excel-Bericht.
27 Min. LesezeitPrüfung von RAG-Aufrufen hinsichtlich veralteter Datenblöcke, Abweichungen und störenden Kontexten.
Eine Python-Auditorie für RAG-Auswertung: Goldene Abfragen, Kosinus-Relevanzprüfungen, Kolmogorov-Smirnov-Drift-Prüfungen sowie Kontexteffizienz – dazu erklärt, wie man den Bericht liest.
12 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.