Ein Agent verbessert sich selbst: eine Stunde auf einer Grafikkarte
Unser Coding-Agent arbeitete eine Stunde am eigenen Quelltext, mit Qwen3.8 auf einer RTX 5090. 13 von 16 Durchgängen gingen in den Code ein.
Notizen
Notizen aus dem Engineering.
Oben stehen Artikel, die aus eigener Arbeit entstanden sind: aus dem Bau des Coding-Agenten, der Sentinel-Prüfschicht und aus Projekten mit Regulierungsbezug. Darunter folgt ein Grundlagenteil zum Nachschlagen. Jeder Artikel erscheint auf Deutsch und Englisch.
Unser Coding-Agent konstruiert einen humanoiden Roboter in 24 Tagen
Nach 24 Tagen hat unser Coding-Agent einen humanoiden Roboter vollständig konstruiert. Er geht in der Simulation ohne Sturz und greift. Mit Messwerten.
Kontext, der nicht überläuft
Unser Coding-Agent verwaltet sein Kontextfenster in zwei Stufen. Die Laufprotokolle zeigten Platzhalter, die zum Wiederholen einluden, und einen Überlauf.
Drei KQL-Fehler, die der Parser durchwinkt
Drei Sentinel-Regeln sind gültiges KQL und bleiben im Betrieb stumm. Unsere Prüfung meldet alle drei als Fehler. Mit den Befunden im Wortlaut.
Erst simulieren, dann bauen
Unser humanoider Roboter existiert als Konstruktion und Simulation. Die Simulation folgt drei Regeln; für eine zogen wir unsere besten Ergebnisse zurück.
Spekulatives Dekodieren: von 24 auf 100 Token pro Sekunde
Qwen3.8-27B auf einer RTX 5090 mit spekulativem Dekodieren: Aus 23,7 werden 84 bis 115 Token pro Sekunde. Der Grafikspeicher begrenzt Tiefe und Kontext.
Wann ein Coding-Agent fertig sagen darf
Ein Coding-Agent meldete sich fertig, ohne den Code ausgeführt zu haben. Seitdem entscheidet der letzte Lauf, und Planschritte brauchen einen grünen Prüflauf.
Coding-Agenten sicher betreiben
Ein Prompt sichert keinen Coding-Agenten mit Shell-Zugriff. Wir sichern unseren Agenten mit einer Rechte-Engine, einer geprüften Sandbox und Rückgängig.
Offene Modelle: Monate hinter der Spitze, in keiner Regulierungsdebatte
Qwen3.8 läuft auf einer einzelnen Grafikkarte und liegt Monate hinter der Spitze. Die Regulierung zielt auf Anbieter, und offene Modelle haben kaum einen.
World Summit AI 2026: Die Großen reden über Risiko
Ich habe das Programm des World Summit AI 2026 in Amsterdam ausgezählt: Anbieter, Forscher und Aufseher sprachen über Risiko und KI-Regulierung.
Warum 13 % der SIEM-Regeln nie feuern
Laut CardinalOps feuern 13 % der Regeln in produktiven SIEMs nie. Sentinel-Regeln lassen sich deterministisch gegen Microsofts KQL-Parser prüfen.
NIS2-Meldepflichten in der Praxis
NIS2 verlangt die Erstmeldung binnen 24 Stunden nach Kenntnis. Die Hürde liegt im Erkennen des Vorfalls. Was Artikel 23 verlangt und was Sie dafür aufbauen.
Detection Engineering mit LLMs
Ein LLM schreibt eine Detection-Query in Sekunden. Ob sie stimmt, zeigt erst eine Schleife, die sie gegen Schema und Beispieldaten prüft.
Langer Kontext vs. RAG: Was brauchen Sie?
Millionen-Token-Kontextfenster haben RAG nicht ersetzt. Langer Kontext bleibt nur bezahlbar, wenn der Prompt bei jeder Anfrage identisch beginnt.
Hochrisiko-Einstufung: Ist Ihr KI-System hochriskant?
Anhang III des EU AI Act bedeutet nicht automatisch Hochrisiko. Der Filter in Art. 6 Abs. 3 kann die Einstufung abwenden, und Profiling schließt ihn aus.
Das LLM-Audit-Log-Schema für Artikel 12 EU AI Act
Artikel 12 EU AI Act nennt für ein LLM keine Protokollfelder. Welcher Korpus eine RAG-Antwort erzeugte, belegt erst der Index-Snapshot. Mit JSON-Schema.
KI-Abnahme im Werkvertrag: Abnahmekriterien, die halten
Ein KI-System liefert bei jeder Messung eine andere Zahl. Prüfbar wird die Abnahme im Werkvertrag mit einem Schwellwert auf einem eingefrorenen Datensatz.
Vektordatenbank-Löschung: Ihr delete() löscht nichts
In den meisten Vektordatenbanken setzt delete() nur eine Markierung. Was Art. 17 DSGVO verlangt und wie Sie die Löschung nachweisen.
KI und der Betriebsrat
Fast jedes KI-Tool für Beschäftigte löst Mitbestimmung nach § 87 BetrVG aus. Die vier einschlägigen Vorschriften und was eine Betriebsvereinbarung regelt.
KI und DSGVO in der Praxis
KI auf personenbezogenen Daten DSGVO-konform einsetzen: welche Pflichten gelten, woran Projekte scheitern und welche Architektur die Pflichten verankert.
On-Premise-LLMs: Ein praktischer Hardware-Leitfaden
Hardware für lokale LLMs: Modellgröße wählen, GPU-Speicher (VRAM) abschätzen, mit Quantisierung sparen und wissen, wann On-Premise die Cloud schlägt.
Grundlagen
Zum Nachschlagen
Einführungen in Begriffe und Verfahren, auf die die Artikel oben aufbauen.
- On-PremiseOn-Premise vs. Cloud-KI
- HalluzinationenLLM-Halluzinationen: Warum sie entstehen und was hilft
- RAGChunking-Strategien für RAG
- Vektor-DBVektordatenbanken erklärt
- EmbeddingsEmbeddings erklärt
- RAGRAG-Pipeline erklärt: der Weg einer Frage