Ich schreib hier über Softwareentwicklung, Zusammenarbeit und Lösungen, die wat taugen, auch wenn et kompliziert wird – aus Projekten, ausm Consulting bei INNOQ und da, wo dat Ganze auf’n Katastrophenschutz trifft.
Agent-Memory macht aus eine Nachricht 'n ganzen Haufen Kopien, und „Chat löschen“ kricht davon oft nur den Chat. Ein kleinet Labor zeigt, wo 'ne Diagnose dat Löschen überlebt und welcher Löschpfad se wirklich wechmacht.
Ein Grader is auch nur 'ne Maschine, die getestet werden will. Ich hab in korrekte Release Notes extra Fehler reinbauen lassen und elf Grader drauf losgelassen. Am Ende war sogar dat Label verkehrt.
Drei Abende, drei Tools - und getz? Wie aus neun kleinen Vereins-Apps eine einzige wurde, warum 'n grüner Health-Check nix gemerkt hat und wat ich mach, wenn ich im Urlaub bin.
Ein LLM-Feature hängt an fünf Dingern: Output-Schema, Prompt, Modell, Tools und Eval-Set. Wer nur den Prompt versioniert, weiß nich, wat er da eigentlich deployt hat.
Der Agent Contract is dat Soll, dat revisionssichere Log der Ist-Nachweis. Ohne dat zweite is dat erste bloß 'ne Behauptung - wat DORA, GoBD und die kommende MaRisk getz verlangen.
Wenn dein Eval-Score nur auf Qualität kuckt, kricht Brute Force den Pokal - mehr Sampling, größeres Modell, noch'n Retry. Warum die richtige Entscheidungsgrundlage 'ne Cost-Quality-Latency-Frontier is, 'ne Kurve statt'n Punkt, und wie man den Operating-Point in Dollar wählt statt in Prozent.
Sobald ein Agent wat macht, wat Folgen hat, is Chat selten die beste Oberfläche. Ein Blick auf Editor, Diff, Approval-Panel und Timeline - und wann so'n Textfeld trotzdem dat richtige Werkzeug is.
Berechtigungen, Tenant-Isolation, überbreite Tools, schludriger Kontextzugriff: Warum die Reichweite von 'nem Agenten über den Schaden entscheidet - und wie man se einzäunt.
Autonomie is 'n Regler, kein Schalter. Wieso die meisten produktiven AI-Systeme besser laufen, wenn dat Modell nur an klar abgesteckten Entscheidungspunkten sitzt - statt 'nen offenen Agent-Loop zu steuern.
Mein eigenes Produktivitätssystem aus 12-Week-Year, 7 Habits und einem Cycles-Framework - mit echter Aschewoche statt bloß Buffer-Pause. Und ehrlich gucken, wo dat Ding bricht.
'ne Eval-Suite, die nich mitte Incidents wächst, schrumpft im Vergleich zur Realität. Wie der Postmortem-zu-Eval-Loop konkret aussieht - vonne Trace-ID bis zum Pflichtfeld im Postmortem-Template.
Eval grün im PR, zwei Wochen später rote Zahlen in Produktion - und keiner hat wat deployt. Warum AI-Features zwischen Merge und 100% Traffic eigene Gates brauchen.
Ohne Traces, Modell- und Promptversionen, Tool-Spans und Kostenmetriken bleibt jeder Incident Kaffeesatzleserei. Ein Leitfaden für Teams, die AI-Features in Produktion am Laufen halten.
Klassisches PKM scheitert anne Pflege. Ein Wiki, dat vom LLM gepflegt wird, löst dat - und macht aus dem Denkwerkzeug im Bücherregal 'nen Skill auf Abruf.
Ehrenamtliche Organisationen brauchen eigene Software - konnten sich die aber nie leisten. Wie AI dat grad ändert, und warum Deployment-Wissen wichtiger is als Code-Kenntnisse.
Human in the Loop is keine Schwäche, dat is Sicherheitsarchitektur. Warum Pause/Resume bei kritischen Agent-Aktionen dat vielleicht wichtigste Feature is.
Wie mein Blog dieselben AI-Prinzipien anwendet, die ich inne letzten drei Posts beschrieben hab - mit automatischer Podcast-Maloche und AI-gestütztem Lektorat.
Ein Tool-Call kann Kohle bewegen und Konten umkrempeln. Wieso Idempotenz, Auth und Audit in Agent-Architekturen keine Kür sind, sondern Maloche, die gemacht werden muss.