News
Private, nicht kommerzielle Open-Source-Projekte und Notizen über KI und Agenten von weisser-dev.
Warum Wearables eine Zukunft für Coding-Agenten sein könnten
Ein persönlicher Blick auf smarte Brillen, leise Gesten und Coding-Agenten – und darauf, was eine offene und vertrauenswürdige Oberfläche braucht.
Agenten für die Zukunft planen: was eine Plattform für den Dauerbetrieb braucht
Laufprotokoll, kurzer Morgenbericht, überwachender Review-Agent, Freigabefenster mit Veto und Vier-Augen-Freigabe: was eine Plattform für Agenten braucht und was es gibt.
Macht ein Classifier-Modell immer Sinn? Entscheiden, was ein Agent darf
Classifier-Modelle können Anfragen routen und Agentenaktionen bewerten, kosten aber Geld und irren sich. Wann Regeln besser sind, wann ein Classifier hilft und wie Autonomiestufen passen.
Model Drift bei Agenten erkennen und behandeln
Agenten verhalten sich anders, wenn sich Modelle, Prompts, Tools oder Eingaben ändern. Wie Golden Runs und Laufmetriken das zeigen und wie Pinning, Canaries und Rollback helfen.
Wofür braucht man in der Agentenarbeit ein Playbook?
Ein Playbook lässt eine wiederkehrende Agentenaufgabe jedes Mal gleich ablaufen: feste Schritte, typisierte Übergaben, Prüfungen und Stoppregeln. Abgrenzung zu AGENTS.md, Skills und Runbooks.
Fünf offene Werkzeuge rund um Claude Code: Alternativen, Begleiter und was sie wirklich sind
OpenCode, OpenRouter, Open WebUI, openagentix und Ollama ehrlich eingeordnet: Harness, Router, Chat-Oberfläche, Plattform oder Laufzeit. Wo sie passen und wie sie zusammenspielen.
Bereitschaft der Agentenplattform: die Prüfliste, die die Reihe zusammenführt
Checkliste zur Produktionsreife von KI-Agenten über Architektur, Skills, Sicherheit, Betrieb, Kosten und Evaluation, jeder Punkt mit Link zum Beitrag.
Messen, ob Agenten helfen: Ergebnisse statt Eindrücke
KI-Produktivität messen: Ergebnisse statt Eindrücke, mit akzeptierten Änderungen, Review-Zeit, Nacharbeit und Kosten je akzeptierter Änderung im Metrikbaum.
Rückblick Betriebsreihe: Agentenplattformen unterscheiden sich kaum vom klassischen Betrieb
Betrieb von KI-Plattformen im Rückblick: Tabelle von zwölf Disziplinen, was aus DevOps und SRE übernommen wird und was bei Agenten wirklich neu ist.
Ein Architektur-Review für Agentensysteme auf einer Seite
KI-Architektur-Review für Agenten auf einer Seite: Zweck, Grenzen, Datenfluss, Verträge, Autonomie und Fehlerpfade, mit Leitfragen für die Prüfung.
Einen internen Skill-Katalog aufbauen: Prüfung, Zuständigkeit und Auffindbarkeit
Einen Skills-Katalog für Ihre Organisation aufbauen: einreichen, prüfen, mit Verantwortlichem und Version veröffentlichen, ausmustern. Mit Ideen aus Registries.
Agenten wie Insider behandeln: was Forschung zu Fehlausrichtung für den Betrieb bedeutet
KI-Insider-Bedrohung: Forschung zu agentic misalignment spricht für Insider-Kontrollen bei Agenten, etwa Funktionstrennung, begrenzten Zugriff und Monitoring.
Betriebsreihe: Kapazität, Rate Limits und außer Kontrolle geratene Agenten
LLM Rate Limiting für Agenten: verschachtelte Limits für Lauf, Agent, Mandant und Anbieter verhindern, dass eine Schleife alle ausbremst. Mit Beispiel.
Mehr als Tools: MCP Sampling, Elicitation und Tasks
MCP Sampling lässt Server Modellaufrufe anfordern, Elicitation fragt Nutzer, Tasks verfolgen lange Arbeit. Jede verschiebt Kontrolle und braucht eine Policy.
Die Sicherheits-Prüfliste für Agenten: zwanzig Fragen vor der Produktion
KI-Agenten Sicherheits-Checkliste: zwanzig Ja/Nein-Fragen zu Identität, Rechten, Datenfluss, Injection, Sandbox, Lieferkette und Audit mit Links zur Vertiefung.
KI-Governance-Betriebsmodell für Agenten: wer wofür zuständig ist
Ein AI Governance Operating Model scheitert, wenn niemand Agentenregister, Richtlinien oder Budget verantwortet. Rollen, RACI für Plattform, Security, Prüfer.
Betriebsreihe: KI-Agenten ausrollen mit Canaries und Rollbacks
KI-Agenten ausrollen wie jeden Dienst: neues Modell, Prompt oder Skill zuerst an wenige Läufe, Evals und SLOs entscheiden, ein Rollback bleibt bereit.
Strukturierte Ausgaben für Agenten: Schemas, Verträge, Zuständigkeit
Structured output agents übergeben typisierte Daten statt Freitext. JSON-Schemas für Tool-Ergebnisse definieren, versionieren und Verantwortliche nennen.
Lang laufende KI-Agenten: Fortschrittsdateien, Zustände, Checkpoints
Lang laufende KI-Agenten verlieren zwischen Sitzungen den Kontext. Zustand in Featureliste, Fortschrittsnotizen und Git macht Läufe fortsetzbar und prüfbar.
MCP vs A2A: Tools für Agenten gegenüber Agenten im Gespräch
MCP vs A2A: MCP verbindet einen Agenten mit Tools und Daten, A2A Agenten untereinander. Wo was passt, was fehlt und warum Governance darüber liegen muss.
Prompt-Injection-Tests: Agenten gegen Hijacking prüfen
Prompt injection testing koppelt eine legitime mit einer eingeschleusten Aufgabe und prüft beide Ergebnisse. Suiten für eigene Tools bauen, Eindämmung behalten.
Code-Ausführung oder direkte Tool-Aufrufe? Abwägungen für Entwickler
Code execution agents sparen Token durch Filtern in einer Sandbox, brauchen aber Isolation. Vergleich mit direkten Tool-Aufrufen bei Kosten, Sicherheit, Audit.
Betriebsreihe: LLM FinOps für Agenten, jedes Token zuordnen
LLM FinOps überträgt das Cloud-Vorgehen auf Agenten: Läufe taggen, Kosten je Key und Team zuordnen, Budgets setzen, früh warnen, Nutzung exportieren.
Enterprise AI Agent Rollout: Pilot, Basislinie, dann skalieren
Ein Enterprise AI Agent Rollout gelingt mit kleinem Pilot, Telemetrie ab Tag eins, Ausgabenlimits und schriftlichen Ausstiegskriterien für jeden Schritt.
Prompt-Hygiene: eine Prüfliste für Teams, die in Prompts ertrinken
Prompt management für Teams: eine Prüfliste zu Verantwortlichen, Version, Eval, Geltungsbereich und Review, plus die Regel: Wiederholtes in Skills.
Betriebsreihe: Audit-Trails sind keine Logs
Ein AI audit trail muss vollständig, zurechenbar und manipulationssicher erkennbar sein; Logs dienen der Fehlersuche. Wie man sie trennt und was wohin gehört.
NIST AI RMF für Agenten-Teams: Govern, Map, Measure, Manage in der Praxis
Das NIST AI RMF ist freiwillig und hat vier Funktionen. Wie Registry, Datenflusskarten, Evals, Traces und Richtlinien zu Govern, Map, Measure, Manage passen.
Die OWASP Top 10 für agentische Anwendungen aus Sicht eines Plattform-Teams
Wie ein Plattform-Team die OWASP agentic top 10 und verwandte LLM-Top-10-Einträge in Kontrollen übersetzt: minimale Rechte, Sandboxing, Freigaben und Audit.
Agenten ohne Internet: eine Prüfliste für den Air-Gap-Betrieb
Air-gapped AI heißt: keine Downloads zur Laufzeit. Prüfliste: was einzupflegen, festzulegen und zu verifizieren ist und wie Updates laufen.
Selbst betriebene Modelle für Agenten: was sich ändert, wenn die Inferenz bei dir läuft
Self-hosted LLM für Agenten: Prompts bleiben im Haus, Sie tragen aber Kapazität, Updates und Bewertung. Lokale Runtimes, Batch-Server und der Betriebsaufwand.
BYOK für Agentenplattformen: eigene Schlüssel, eigene Anbieter, eigene Rechnung
BYOK LLM erklärt: Die Plattform ruft Modellanbieter mit Ihren Schlüsseln und Verträgen auf. Gateways, Kataloge, Kosten pro Schlüssel und die Grenzen von BYOK.
Betriebsreihe: Runbooks zu Skills machen, ohne die Kontrolle zu verlieren
Runbook automation AI mit Kontrolle: Runbook in einen Skill plus eng begrenzte Tools mit Freigaben umwandeln. Eine Schritt-für-Schritt-Anleitung für Ops-Teams.
AGENTS.md: ein vorhersehbarer Ort für Projektkontext
AGENTS.md ist eine Markdown-Datei im Repository-Root mit Build-Schritten, Konventionen und Grenzen für Coding-Agenten. Was hineingehört und was in Skills.
LLM als Richter: nützlicher Bewerter mit bekannten Verzerrungen
LLM as a Judge skaliert Bewertung, hat aber Positions-, Längen- und Selbstbevorzugung. Welcher Bewerter passt und wie man ein Modell kalibriert.
LLM Cost Optimization für Agenten: Caching, Code-Ausführung und Budgets
LLM Cost Optimization für Agenten: wann Prompt Caching lohnt, wann Code-Ausführung Tool-Aufrufe schlägt und warum harte Token-Budgets auch Sicherheit sind.
Betriebsreihe: AI Supply Chain Security und Patchen für Agenten
AI Supply Chain Security für Agenten: Modelle, MCP-Server, Skills, SDKs und Images inventarisieren und patchen. Checkliste für gepinnte, geprüfte Artefakte.
Claude Code Hooks als Durchsetzungspunkte für Policies in Coding-Agenten
Claude Code Hooks führen Code vor einem Werkzeugaufruf aus; ein PreToolUse-Hook setzt Policy lokal durch. Aufbau, Grenzen und warum ein zentrales Gate bleibt.
Claude Code vs OpenCode: ein Vergleich aus Governance-Sicht
Claude Code vs OpenCode bei den Kontrollen eines Plattformteams: Berechtigungen, Auto-Modi, Subagenten, MCP, Anbieter, Konfiguration. Ohne Benchmarks.
Wann sind Multi-Agenten-Systeme ihre Tokens wert?
Multi-Agenten-Systeme parallelisieren Arbeit, vervielfachen aber den Tokenverbrauch. Einzelagent, Orchestrator-Worker und Pipeline im Vergleich.
Human in the Loop bei KI-Agenten, der funktioniert: weniger Freigaben, bessere
Human in the Loop bei KI-Agenten scheitert, wenn jeder Aufruf bestätigt werden muss. Menschen für riskante Aktionen, mit Kontext; den Rest regelt Policy.
AI Agent Sandboxing: Dateisystem- und Netzwerkisolation zusammen
AI Agent Sandboxing wirkt nur, wenn Dateizugriff und Netzverkehr nach außen begrenzt sind. Warum eine Grenze nicht reicht und wie Allow-Lists Freigaben sparen.
Betriebsreihe: AI Incident Response, wenn ein Agent der Akteur ist
AI Incident Response behält die Phasen, braucht aber Kill Switch, Tool-Entzug und Policy-Freeze in Sekunden. Playbook und Postmortem für Agenten-Vorfälle.
Workflows oder Agenten? Wie viel Autonomie ein Schritt braucht
Workflows vs agents ist eine Entscheidung je Schritt: feste Codepfade sind günstiger und besser steuerbar, Schleifen flexibel. Wählen Sie wenig Autonomie.
Agent-Skills versionieren wie jede andere Abhängigkeit
Skill versioning behandelt Agent-Skills wie Abhängigkeiten: SemVer, Changelog, Pinning und Evals für Upgrades. Was in Anweisungen als Breaking Change gilt.
Erst den Datenfluss zeichnen, dann den ersten Prompt schreiben
Ein agent data flow diagram zeigt, wo unsichere Daten eintreten, wo private liegen und wo etwas hinausgeht. Eine Vorlage, die Trifecta-Risiken früh zeigt.
Betriebsreihe: SLOs für Agenten, von Aufgabenerfolg bis Zeit bis zur Freigabe
Ein SLO für AI agents wird wie für jeden Dienst definiert: Aufgabenerfolg, Konsistenz, Latenz, Kosten pro Aufgabe und ein Error Budget als Rollout-Steuerung.
Qualitätsschranken für Agenten-Ergebnisse: eine Prüfliste gegen Ausschuss
AI code quality gates lassen Maschinen aussortieren, was Menschen nie lesen sollten. Prüfliste vor dem Review: Tests, Evals, Größenlimits, Policy, Herkunft.
MCP-Autorisierung: OAuth 2.1, Audiences und warum Durchreichen verboten ist
MCP authorization baut auf OAuth 2.1, Protected Resource Metadata und Resource Indicators auf. So läuft der Ablauf, und warum Token Passthrough verboten ist.
Betriebsreihe: Observability für Agenten mit Traces statt Transkripten
AI agent observability gelingt als verteiltes Tracing: Modell- und Tool-Aufrufe werden zu Spans mit Tokens, Kosten, Entscheidungen. Mit OpenTelemetry.
Entwurfsmuster gegen Prompt-Injection, die nicht auf das Modell setzen
Prompt injection design patterns wie Plan-then-Execute, Dual LLM und Capability Tracking begrenzen Angriffe durch Struktur statt Erkennung. Ein Überblick.
Tool Poisoning: wenn die Tool-Beschreibung der Angriff ist
MCP Tool Poisoning versteckt Anweisungen in Tool-Beschreibungen, die das Modell liest und Nutzer kaum sehen. So funktioniert der Angriff, so begrenzen Sie ihn.
Fremde Skills sind Lieferkette: eine Prüfliste für Agent-Skill-Sicherheit
Agent-Skill-Sicherheit beginnt damit, fremde Skills als Abhängigkeiten zu behandeln. Prüfliste zu Herkunft, Versionsfixierung, Review und Rechten.
Betriebsreihe: Change-Management und Prompt-Versionierung für Agenten
Prompt-Versionierung und Change-Management für KI-Agenten: Prompts, Skills und Policies wie Code behandeln, mit SemVer, Review und Rollback.
Übergaben sind Verträge: die Nahtstellen zwischen Agenten gestalten
Die Agent-Übergabe ist die Bruchstelle von Multi-Agent-Systemen. Behandeln Sie jede als typisierten Vertrag mit Schema, Verantwortlichem und Abnahmeprüfung.
Ein MCP-Server pro System: MCP-Server-Design, das sich steuern lässt
Regeln für MCP-Server-Design, das sich steuern lässt: ein kleiner Server pro System, Tool-Namensräume und getrennte Lese- und Schreibrechte statt Mega-Gateway.
Kleine geprüfte Schritte schlagen einen großen Prompt
Inkrementelle Agent-Workflows zerlegen Arbeit in kleine Schritte mit Abnahmeprüfung, Fortschrittsnotiz und sauberem Zustand. Das Muster im Überblick.
Agent-Evals 101: Aufgaben, Grader und Transkripte
KI-Agenten bewerten heißt, das Ergebnis in der Umgebung zu prüfen, nicht nur die Antwort. Aufgaben, Trials, Grader, Transkripte und pass@k gegen pass^k.
Context Engineering: die kleinste Menge Tokens, die die Aufgabe erfüllt
Context Engineering behandelt das Kontextfenster als begrenztes Budget. So halten Sie es klein: Kompaktierung, Teilaufgaben mit eigenem Kontext, Notizen.
Betriebsreihe: Geheimnisse gehören nie in das Kontextfenster eines Agenten
Secrets Management für KI-Agenten in der Praxis: Zugangsdaten bleiben auf der Tool-Seite, das Modell sieht nur Handles, Token-Passthrough entfällt.
Indirekte Prompt-Injection: wenn die Daten die Befehle geben
Indirekte Prompt-Injection versteckt Anweisungen in Tickets, Webseiten und Tool-Ergebnissen. Warum Filter nicht reichen und wie Sie den Schaden begrenzen.
Aufbau eines Agent-Skills: SKILL.md, schrittweises Laden und Umfang
SKILL.md ist der Einstieg eines Agent-Skills: Die kurze Beschreibung entscheidet, wann der Rest lädt. Progressive Disclosure, Minimal-Skill und Umfangsregeln.
Betriebsreihe: Identität für Agenten, oder wer handelt in wessen Auftrag
KI-Agenten-Identität: Jeder Agent braucht eine eigene Identität und den Vermerk, für wen er handelt. Delegation statt Impersonation, zielgebundene Tokens.
Tools schreiben, die Agenten wirklich nutzen können: Namen, Schemas und Fehler
Tool-Design für KI-Agenten ist Schnittstellen-Design für ein Modell als Leser. Checkliste zu Namen, Namespaces, Schemas, Fehlern und kleinen Tools.
Architektur vor Prompts: warum das Fundament alles entscheidet
KI-Agenten-Architektur legt Grenzen, Verträge, Übergaben und Datenflüsse fest, bevor ein Prompt läuft. Warum Fehler meist an fehlenden Grenzen liegen.
Die tödliche Dreifaltigkeit: private Daten, nicht vertrauenswürdige Inhalte und ein Weg nach draußen
Die Lethal Trifecta bei KI-Agenten: private Daten, nicht vertrauenswürdige Inhalte und externe Kommunikation zusammen. So durchbricht man das Dreieck pro Agent.
Zu viele Prompts: wie Prompt-Wildwuchs zu KI-Ausschuss wird
AI Slop ist Ausgabe, die schneller wächst, als jemand sie prüfen kann. Wie Prompt-Wildwuchs die Qualität senkt und warum kleine, geprüfte Schritte besser sind.
Was ist das Model Context Protocol? Eine einfache Erklärung für Plattform-Teams
Was ist MCP? Das Model Context Protocol standardisiert, wie ein Agent-Host Tools, Ressourcen und Prompts von Servern findet und aufruft. Einfach erklärt.
Agenten betreiben ist Betrieb: die alten Disziplinen gelten weiter
KI-Agenten betreiben ist kein neues Fach: Identität, minimale Rechte, Change-Management, SLOs, Kosten und Audit gelten weiter. Auftakt einer Betriebsreihe.
Tool, Skill oder Prompt? Drei Wege, einem Agenten das Nötige zu geben
Agent Skills vs. Tools vs. Prompts: Ein Tool handelt, ein Skill bündelt Know-how zum Nachladen, ein Prompt ist Dauertext. Mit Entscheidungstabelle.
Agentenarchitektur ist keine Anwendungsarchitektur: das agentix-Muster
Anwendungsarchitektur ordnet Code. Agentenarchitektur entscheidet, wer zur Laufzeit was darf. Unsere Antwort ist das agentix-Muster - ein MCP-Server pro System, ein Agent pro Schritt.
Was ist ein Agent-Harness, und warum werden Harnesses immer schlanker?
Ein Agent-Harness ist die Schleife um ein Modell. Je besser Modelle werden, desto mehr wandert in die API. Governance bleibt, daher ist der Harness austauschbar.
Dark Software Factory: nur für MVPs und PoCs
Agenten Software mit minimalem menschlichem Zutun bauen zu lassen, kann ein schneller Weg zum Prototyp sein. open-agentix bietet das als Opt-in-Modus mit festem Hinweis und behält Freigabe-Gates für die Produktion.
Kosten sind Aufgabe der Plattform: Budgets, Zuordnung je Agent und Mandant, Export
Agentensysteme können finanziell scheitern, obwohl sie technisch laufen. open-agentix bepreist jeden Schritt, ordnet ihn Mandant, Agent und Anwendungsfall zu, stoppt Läufe am Budget und exportiert die Zeilen.
Ein Modell darf fragen, die Policy entscheidet: deterministische Gates und manipulationssichtbares Audit
In open-agentix kann ein Modell einen Werkzeugaufruf anfordern, aber nie erlauben. Ein deterministisches Policy-Gate entscheidet vor jedem Aufruf, ein hash-verketteter Audit-Trail hält fest, was es entschieden hat.
Minimale Rechte für Agenten: Zerlegung statt eines allmächtigen Agenten
Ein Agent mit Lese- und Schreibzugriff auf alles hat einen großen Wirkungsradius. open-agentix zerlegt einen Prozess in kleine Agenten, die nur die Werkzeuge ihres Schritts halten.
Warum ich meine KI-Projekte als OpenAgentix teile
OpenAgentix ist meine private, nicht kommerzielle Sammlung offener KI-Projekte, Experimente und Notizen. Hier erkläre ich, was dazugehört und warum ich sie teile.