EXPERIMENTS
Kleine, fokussierte Projekte, mit denen ich neue Workflows, Interfaces und Infrastruktur für AI Agents praktisch ausprobiere.
https://
Agenten starten nicht mehr mit einem vagen Auftrag. Sie bootstrappen ein selected-buildprint Paket, lesen die Phase-Flow-Verfassung, schreiben schema-valide Laufzeitbelege und dürfen Blocker nicht als Erfolg verkaufen.
$ agb start → phase before code → evidence before trust → replay before done
https://
Ein eigenes Projekt rund um Media-Workflows für AI Agents.
https://
Ein evidenzbasierter Sparringspartner für komplexe AI-Systeme. Beschreibe deinen Fall und erhalte eine konkrete Architektur mit Annahmen, Trade-offs, Fehlermodi und nachvollziehbaren Quellen.
AI Native Engineering
Ein selbstgeführter Lernpfad für Entwickler:innen, die AI-Features nicht nur demoen, sondern betreiben wollen — mit Kontextbudgets, Task Contracts, Dekomposition, Evals und Fallbacks.
01
Kontextfenster, Positionseffekte und lost-in-the-middle als echte Architekturgrenzen.
02
Task Contracts, Schemas und Quellenregeln statt längerer Prompts.
03
Evals, Traces, Tool-Gates und Incident Playbooks für betreibbare AI-Features.
68 slides · self-paced · interactive
Öffnet den kompletten Lernpfad mit interaktivem Slide Deck, Kontextmodellen, Task Contracts und operablen AI-Feature-Patterns.
AI Native Engineering öffnen →Ein praktisches Qualitäts-Gate für Agent Skills: Nutzen gegen eine No-Skill-Baseline messen, Aktivierung und Trajektorie prüfen, Rechte außerhalb des Skill-Texts binden und nur versionierte, überprüfbare Kandidaten promoten.
Artikel lesen →Ich betreibe nicht für jede Aufgabe einen eigenen Bot. Mehrere getrennte Chat-Sessions greifen auf dieselbe agentische Runtime zu. Im zentralen Boba-DM entwerfe ich nach einem festen Factory-Playbook neue Domain-Profile aus Regeln, Memory, Skills, Tools und überprüfbaren Flows.
Artikel lesen →Agent Plugins machen aus Skills und MCP-Konfigurationen ein portables Paket. Der Guide zeigt den kleinsten Aufbau, die Integration in mehrere Clients sowie die fehlenden Produktionskontrollen für Permissions, Updates, Evals und Rollback.
Artikel lesen →Ein Agent verbessert sich nicht, nur weil seine Runs gespeichert werden. Ein Knowledge Flywheel extrahiert aus mehreren Runs belegte Lessons, prüft Widersprüche, versioniert das Ergebnis und liefert dem nächsten Agenten nur das Wissen, das zu seinem Task passt.
Artikel lesen →Graph Engineering ist nicht das Zeichnen komplexer Agentendiagramme. Es beginnt dann, wenn Retry, Eskalation, Evidenzprüfung oder menschliche Freigabe sichtbares und testbares Produktverhalten werden.
Artikel lesen →Bei langen Agentenläufen ist der letzte Fehler oft nur das Symptom. Der bessere Debugging-Loop sucht den frühesten kausal verantwortlichen Schritt, formuliert eine minimale Korrektur und prüft sie in einem kontrollierten Rerun.
Artikel lesen →Das OpenClaw-Skill-Paper ist ein starkes Signal: Agent Skills werden nicht nur manuell geschrieben, sondern aus Trajektorien, Skill-Bäumen und Transfer-Evals gelernt. Aber genau das macht eine Skill-Supply-Chain wichtiger, nicht unwichtiger.
Artikel lesen →Coding Agents werden nicht nur durch bessere Modelle nützlich. Teams brauchen eine kleine Verfassung für Agent-Verhalten und ein kuratiertes Logbuch für Projektwissen, sonst wird Memory zu Kontext-Müll.
Artikel lesen →RAG wird 2026 nicht dadurch besser, dass man GraphRAG auf alles wirft. Der robuste Default ist Contextual Hybrid RAG: saubere Ingestion, BM25 plus Embeddings, Reranking, Quellenpflicht und harte Evals.
Artikel lesen →Bessere Prompts machen Agenten nicht automatisch zuverlässig. Entwickler brauchen Runtime Contracts: explizite Verträge dafür, welche Tools ein Agent nutzen darf, was er erinnern darf, wann er stoppen muss und wie seine Behauptungen geprüft werden.
Artikel lesen →Besseres KI-Coding entsteht nicht primär durch bessere Prompts, sondern durch den Harness um das Modell: explizite Contracts, getrennte Builder- und Reviewer-Rollen, Belege und eine Schleife, die Fehler in bessere Spezifikationen zurückführt.
Artikel lesen →KI-generierte Interfaces sehen oft fertig aus, bevor sie sich korrekt verhalten. Eine GUI-Playtester-Loop schickt einen separaten Browser-Agenten in die App, protokolliert Interaktionen, speichert Screenshots und Logs, macht aus kaputten Flows reproduzierbare Bug Reports und rerunnt denselben Test nach dem Fix.
Artikel lesen →Lange Agenten-Chats verrotten. Besser ist es, Entscheidungen in kleine Spec-Dateien zu verschieben, zwischen den Ebenen bewusst den Kontext zu resetten und jede Coding-Agent-Session nur das lesen zu lassen, was sie wirklich braucht.
Artikel lesen →Wenn ein Agent klickt, sendet, kauft oder Daten extrahiert, darf die entscheidende Wahrheit nicht nur aus Modell-Prosa kommen. Baue vor riskanten Tool Calls ein kleines Evidenz-Gate: Predicate, Belegtyp, Quelle, Entscheidung.
Artikel lesen →Offene Anweisungen wie „prüf das kritisch“ belohnen das Modell ungewollt dafür, Kritik zu produzieren. Die Lösung ist nicht weniger Review, sondern kalibriertes Review: klare Kriterien, PASS_NO_CHANGE, Evidenz pro Finding, Severity-Schwellen und ein kleines Änderungsbudget.
Artikel lesen →Ein Coding Agent wird nicht durch einen magischen Prompt zuverlässig. Er braucht einen Harness: AGENTS.md, Skills, Tool-Permissions, Hooks und Evals, die merken, wenn sich sein Verhalten verschiebt.
Artikel lesen →Der nützliche Move ist nicht ein Mega-Assistent für alle Kunden. Gib jedem Kundenprojekt einen kleinen, isolierten Agenten mit eigener Erinnerung, Aufgabenliste, Preview-URL-Gewohnheit und langweiligem Daily Standup.
Artikel lesen →Nach Context Engineering kommt Decomposition: Entwickler sollten nicht alles in einen Prompt stopfen, sondern Aufgaben in direkte Prompts, Subtasks, Pipelines, Agent-Loops oder Skills zerlegen.
Artikel lesen →Die nächste Entwicklerfähigkeit ist nicht der cleverste Prompt. Es ist das Betriebssystem um LLMs herum: Datenqualität, Model-Versioning, Evals, Guardrails, Incident Response, Review-UX und Repo-Anweisungen, denen Agents wirklich folgen können.
Artikel lesen →Voice ist nicht gut für alles. Aber für kleine Agentenjobs ist es brutal praktisch: unterwegs eine Aufgabe diktieren, lokal transkribieren, vom bestehenden Agenten ausführen lassen und nur eine kurze Antwort zurückbekommen.
Artikel lesen →2026 geht es nicht mehr um den einen magischen Prompt. Der bessere Ansatz: Kontext wählen, Tools und Schemas definieren, Agent-Regeln setzen und mit Evals prüfen.
Artikel lesen →Hermes wird interessant, wenn ein Agent nicht nur liefert, sondern die eigene Arbeit reviewed: ausführen, messen, kritisieren, Skill umbauen, nochmal laufen lassen. Der Nutzen entsteht vor allem bei wiederholbaren Workflows.
Artikel lesen →AI-first Architektur heißt nicht: Modell entscheidet. Es heißt: KI erzeugt Optionen, findet Risiken, verdichtet Kontext — das Team entscheidet und dokumentiert nachvollziehbar.
Artikel lesen →