KI18 ArtikelEN · DE
Geerdete, produktionsreife KI — RAG, LLMs und die Daten dahinter.
Das Schwierige an KI in der Produktion ist nicht der Modellaufruf — es ist, dem Modell den richtigen Kontext zu geben und dem Ergebnis zu vertrauen. Ein Sprachmodell ist nur so gut wie die Daten, in denen man es erdet, und Retrieval, Pipelines und Infrastruktur drumherum sind, wo echtes Engineering lebt.
Hier starten
Ihr Weg durch KI
Eine kurze Lesereihenfolge – von den Grundlagen bis zur Produktionspraxis.
Artikel in diesem Hub
Claude Haiku 5.5 vs. Sonnet 5.5 vs. Opus 5.5: 20× günstiger als Sonnet – mit einer Preisstufe bei 100K Tokens
Claude Haiku 5.5, Sonnet 5.5 und Opus 5.5 im Vergleich: Anthropics Benchmarks, Listenpreise und Monatskosten für drei reale Workloads, die Preisstufe bei 100.000 Tokens, die nur Haiku hat, was bei der Migration von Haiku 4.5 bricht und wie Opus plant, während Haiku die Arbeit erledigt.
Artikel lesen
GPT-6.1 Sol vs. Claude Opus 5.5: Halber Preis, andere Klasse – und wo der Abstand verschwindet
GPT-6.1 Sol und Claude Opus 5.5 im Vergleich: Spezifikationen, Listenpreis und echte Kosten pro Agent-Turn, warum Sol OpenAIs Mittelklasse-Modell und kein Flaggschiff ist, welche Benchmarks es gibt, warum der 2×-Preisabstand oberhalb von 272K Input-Tokens auf rund 6 % schrumpft und wie es um EU-Datenresidenz steht.
Artikel lesen
Agent Skills erklärt: SKILL.md, Claude Skills und wann sie MCP schlagen
Agent Skills sind Ordner mit einer SKILL.md, die KI-Agenten erst bei Bedarf laden. Wie der offene Standard funktioniert, was jedes Frontmatter-Feld bewirkt, wo Claude Code, Copilot und Codex nach Skills suchen, worin sich Skills von MCP, AGENTS.md und Subagenten unterscheiden und warum jeder installierte Skill Teil Ihrer Software-Lieferkette ist.
Artikel lesen
WebMCP erklärt: Wie Chrome deine Website zum MCP-Server für KI-Agenten macht
WebMCP erklärt: wie die neue Browser-API KI-Agenten das JavaScript einer Website als Tools im MCP-Stil aufrufen lässt, wie Chrome 149 Registrierung, Discovery und Ausführung umsetzt, worin sich WebMCP von MCP-Servern unterscheidet und was ich beim Produktivbetrieb von fünf WebMCP-Tools gelernt habe.
Artikel lesen
Claude Sonnet 5.5 vs. Opus 5.5: Halber Preis, fast gleiche Scores – und eine Routing-Falle
Claude Sonnet 5.5 und Opus 5.5 im Vergleich: Benchmarks, Listenpreis und echte Kosten pro Agent-Turn, warum die Ersparnis bei maximalem Effort verschwindet, die fünf Breaking Changes gegenüber Sonnet 5 und warum ein Sonnet-Opus-Router das Reasoning des Modells auf dem Rückweg stillschweigend verwirft.
Artikel lesen
Claude-Code-Modi im Vergleich: Warum der Plan-Modus tot ist und was ihn ersetzt
Alle sechs Berechtigungsmodi von Claude Code im Vergleich — Manual, acceptEdits, plan, auto, dontAsk und bypassPermissions: was jeder Modus dem Agenten erlaubt, warum Auto Mode den Plan-Modus als Standard abgelöst hat, was der Auto-Mode-Klassifikator blockiert und erlaubt, und eine settings.json, die hält.
Artikel lesen
Jev vs. GPT-5 und Claude für Klassifizierung und Routing
Jev versucht nicht, GPT-5 oder Claude beim Chatten zu schlagen. Das Modell entfernt die Textgenerierung aus einer engeren Aufgabe: typisierte, probabilistische Entscheidungen in Software. Das kann architektonisch stark sein — wenn die Aufgabe wirklich eine Entscheidung ist.
Artikel lesen
vLLM vs. Ollama: Welchen Inference-Server Sie 2026 wirklich brauchen
ollama run llama3 bringt in dreißig Sekunden ein antwortendes Modell. Dasselbe Modell für 200 gleichzeitige Nutzer bereitzustellen, ohne dass es einbricht, ist ein völlig anderes Engineering-Problem — und vLLM und Ollama lösen es auf entgegengesetzte Weise.
Artikel lesen
Claude Fable und Mythos kosten doppelt so viel wie Opus. Für Agenten können sie günstiger sein
Die Fable- und Mythos-Linie hat die günstigsten Cache-Reads und die teuersten Cache-Writes im aktiven Lineup. Diese eine Asymmetrie dreht um, welches Modell für Agenten mit langem Kontext günstiger ist — und macht Ihre Cache-Trefferquote viermal wertvoller als anderswo.
Artikel lesen
Welches Embedding-Modell? API oder Self-Hosted im Jahr 2026
Die Wahl des Embedding-Modells ist kein API-Aufruf, sondern eine Schema-Entscheidung. Ein praktischer Leitfaden für 2026: Dimensionen als Speicherrechnung, die GPU-Frage, echte API-Preise und die Migration, die niemand einplant.
Artikel lesen
Context Engineering 2026: Was Prompt Engineering abgelöst hat
Dein Prompt ist gut. Dein Agent verliert trotzdem den Faden. Context Engineering behandelt das Kontextfenster als endliches Budget — was hineingehört, warum größere Fenster nichts lösen und welche drei Techniken helfen.
Artikel lesen
Quantisierung erklärt: Wie man ein 70B-Modell auf normaler Hardware betreibt
Ein 70B-Modell braucht in voller Präzision 140 GB VRAM — bis man es quantisiert. Ein praxisnaher Leitfaden zu GGUF, K-Quants, Q4 vs. Q8, dem tatsächlichen Qualitätsverlust und dem genauen VRAM-Bedarf.
Artikel lesen
MCP-Server erklärt: selbst bauen und sicher betreiben
Ein MCP-Server ist der Weg, einem KI-Agenten echte Fähigkeiten zu geben — sicher. Ein praktischer Leitfaden für 2026: was das Protokoll wirklich ist, wie man einen Server baut, was im Produktivbetrieb bricht und welche Sicherheitsregeln nicht verhandelbar sind.
Artikel lesen
Maschinen, die Maschinen prüfen: Die große KI-Erkennungs-Absurdität von 2026
Redakteure jagen Texte durch KI-Detektoren, Recruiter screenen KI-geschriebene Lebensläufe mit KI, Unis beschuldigen ehrliche Studierende fälschlich, und bezahlte 'Humanizer' schreiben KI um, um KI-Detektoren zu täuschen. Ein ehrlicher Ingenieurs-Blick auf die absurde Ökonomie von Maschinen, die Maschinen prüfen — warum KI-Texterkennung technisch unzuverlässig ist, wem sie schadet und was man stattdessen messen sollte.
Artikel lesen
GenAI vs. Agentic AI vs. KI-Agenten vs. LLM: Was ist der echte Unterschied?
GenAI vs. Agentic AI vs. KI-Agenten vs. LLM — die vier Begriffe, die alle synonym verwenden, von einem Ingenieur erklärt. Was jeder wirklich ist, wie sie ineinander verschachtelt sind, warum GenAI und 'agentic' auf verschiedenen Achsen liegen — mit Vergleichstabelle und Entscheidungshilfe.
Artikel lesen
KI-Coding-Agents 2026: Claude Code vs Codex vs opencode
Ein anbieterneutraler Vergleich der drei KI-Coding-Agents, die 2026 zählen — Claude Code, Codex und opencode: wie die Agent-Schleife funktioniert, wofür jeder passt, eine Entscheidungstabelle und wie man sie betreibt, ohne die Schlüssel abzugeben.
Artikel lesen
KI im Browser 2026: Modelle mit WebGPU und LiteRT.js on-device ausführen
KI-Modelle direkt im Browser auszuführen ist endlich schnell genug, um real zu sein. Ein praktischer Leitfaden 2026 für On-Device-Inferenz mit WebGPU und Googles neuem LiteRT.js — was sich geändert hat, wie es funktioniert und wann man es einsetzt.
Artikel lesen
Echtzeit-RAG in Python: Live-Google-Ergebnisse für dein LLM (2026)
Was wäre, wenn deine RAG-Pipeline kurz vor der Antwortgenerierung frischen Web-Kontext abrufen könnte? Eine praktische Anleitung zum Aufbau einer Live-Such-Retrieval-Schicht mit Bright Data SERP API und Python.
Artikel lesen
Häufige Fragen
Bevor Sie schreiben
Welchen KI-Engineering-Hintergrund haben Sie?
Ich baue produktive KI-Systeme — RAG-Pipelines, Echtzeit-Datenverrohrung und MLOps — und verbinde praktische KI-Arbeit (siehe meinen Lebenslauf als AI Engineer) mit über 12 Jahren Platform Engineering im großen Maßstab.
Sind Sie offen für eine Festanstellung?
Ja — ich suche eine unbefristete Festanstellung als Senior AI Platform- oder MLOps Engineer in der DACH-Region (Deutschland, Österreich, Schweiz): vor Ort, hybrid oder remote, und bin bereit umzuziehen. Ich arbeite fließend auf Englisch.
Wie kommen wir ins Gespräch?
Schicken Sie mir die Stelle über die Kontaktseite — was das Team vom Demo in die Produktion bringt — und ich antworte mit meinem Lebenslauf und meinem Ansatz für die ersten Monate.
Offen für Festanstellung · DACH
Sie suchen einen Senior AI Platform Engineer in der DACH-Region?
RAG-Pipelines, KI-Infrastruktur und MLOps auf über 12 Jahren Platform Engineering. Ich suche eine Festanstellung in Deutschland, Österreich oder der Schweiz — und bin bereit umzuziehen.
- Festanstellung, Vollzeit
- Deutschland · Österreich · Schweiz
- Bereit umzuziehen