Zum Inhalt springen

ai

Praktische Anwendungen von KI in der Softwareentwicklung, lokale LLMs, Prompt-Engineering und Integration von Intelligenz in Produktionssysteme.

7 Artikel

  • Wie ich die KI-Memory-Erfassung zuverlässiger gemacht habe

    Wie ich die KI-Memory-Erfassung zuverlässiger gemacht habe

    Zusammenfassung Toolspezifische Integrationen erfassen unterstützte Gesprächsereignisse und legen sie in einer gemeinsamen Warteschlange ab. Ein separater Prozess wertet die Informationen aus und fügt nützliche Kontextinformationen zur persistenten Memory hinzu.

    In Aufbau eines lokalen KI-Memory-Repositories habe ich beschrieben, wie ich mit einem Markdown-Repository eine dauerhafte Wissensbasis geschaffen habe, auf die KI-Agenten zugreifen können. Sie konnten Informationen daraus lesen und aktualisieren, und ich hatte einen zentralen Ort, um relevantes Wissen über mehrere Sitzungen hinweg aufzubewahren. Dieser Ansatz funktionierte, allerdings hing die Pflege der gespeicherten Informationen weiterhin davon ab, dass die Agenten während ihrer eigentlichen Aufgaben daran dachten, zusätzliche Schritte auszuführen.

    Weiterlesen →
  • Aufbau eines lokalen KI-Memory-Repositories

    Aufbau eines lokalen KI-Memory-Repositories

    Zusammenfassung Ein lokales Markdown-Repository hält KI-Erinnerungen auf eurer Maschine, sodass ihr keinen Kontext zwischen Tools manuell kopieren und selbst kontrollieren müsst, welche Inhalte jedes Tool sieht.

    In Wenn die KI-Erinnerung nicht zwischen Tools mitwandert habe ich beschrieben, wie ich Obsidian genutzt habe, um Wissen zwischen ChatGPT, Claude Code und lokalen KI-Modellen auszutauschen. Dieser Ansatz funktionierte, allerdings musste ich weiterhin selbst dafür sorgen, dass relevante Informationen abgerufen und neue Erkenntnisse festgehalten wurden.

    Weiterlesen →
  • Wenn KI-Memory nicht zwischen Tools mitwandert

    Wenn KI-Memory nicht zwischen Tools mitwandert

    Zusammenfassung KI-Memory hat mir geholfen, auf frühere Gespräche aufzubauen, aber das Wissen blieb auf die einzelnen Tools verteilt. Obsidian zeigte, was als gemeinsame Quelle möglich ist, während offengelegt wurde, wo das manuelle Übertragen des Kontexts noch Verbesserungsbedarf hat.

    Ich nutze regelmäßig verschiedene KI-Tools, die jeweils unterschiedliche Aufgaben übernehmen. ChatGPT hilft mir dabei, Ideen zu entwickeln, Artikel zu schreiben, Texte zu überarbeiten und Erfahrungen zu reflektieren. Claude Code unterstützt mich bei einem großen Teil meiner technischen Arbeit, von der Untersuchung konkreter Probleme über die Planung von Implementierungen bis hin zur Bewertung von Architekturentscheidungen. Daneben nutze ich lokale KI-Modelle für persönliche Inhalte, die ich lieber auf meinem eigenen Rechner verarbeite.

    Weiterlesen →
  • Mein lokales KI-Setup, sechs Monate später: 48 GB, Qwen3.8 und ein anderer Engpass

    Mein lokales KI-Setup, sechs Monate später: 48 GB, Qwen3.8 und ein anderer Engpass

    Zusammenfassung Sechs Monate nach dem 16-GB-Setup: 48 GB, ein Standard-27B-Modell, Splash-Inference in LM Studio und 64K Kontext, weil sich der Engpass vom Einpassen des Modells auf die Nutzbarkeit langer Agent-Sessions verschoben hat.

    Vor einigen Monaten habe ich darüber geschrieben, wie ich auf einem MacBook Pro mit 16 GB Unified Memory ein brauchbares lokales KI-Setup für die Softwareentwicklung aufgebaut habe. Damals wurde fast jede Entscheidung durch den verfügbaren Arbeitsspeicher bestimmt. Ich experimentierte mit kleineren Modellen, begrenzte die Kontextgröße bewusst und suchte nach einer Kombination, die leistungsfähig genug für Entwicklungsaufgaben war und gleichzeitig genügend Ressourcen für IDE, Container, Browser und den Rest meiner Entwicklungsumgebung übrig ließ.

    Weiterlesen →
  • Mein lokales KI-Coding-Toolkit: Wie ich Agenten schnell und Token-effizient halte

    Mein lokales KI-Coding-Toolkit: Wie ich Agenten schnell und Token-effizient halte

    Zusammenfassung Wie ich die Umgebung um KI-Coding-Agenten optimiere, um Token-Verschwendung zu reduzieren und Sessions effizient zu halten.

    KI-Coding-Agenten sind fest in meinen täglichen Arbeitsablauf integriert. Ich nutze OpenCode und Claude Code für unterschiedlichste Aufgaben: vom Einarbeiten in unbekannte Codebasen und der Fehleranalyse bis hin zur Umsetzung von Änderungen, Code-Reviews und der Arbeit an architektonischen Fragestellungen.

    Weiterlesen →
  • Angular AI in echten Projekten sinnvoll einsetzen

    Angular AI in echten Projekten sinnvoll einsetzen

    Zusammenfassung KI-Tools sind gut im Generieren von Code, aber echte Angular-Projekte gelingen nur, wenn man ihnen reichen Projektkontext, Architekturgrenzen und Konventionen mitgibt.

    KI kann eine Komponente erzeugen, einen Test schreiben oder einen Compilerfehler erklären. In realen Anwendungen hängen die Ergebnisse jedoch deutlich stärker vom Projektkontext als von den Fähigkeiten des Modells ab. Sie kennt weder eure Architektur noch eure Konventionen oder die Grenzen, die über Jahre entstanden sind.

    Weiterlesen →
  • Lokale KI auf einem MacBook Pro mit 16 GB RAM: Was wirklich funktioniert

    Zusammenfassung Praktischer Leitfaden zum Ausführen lokaler KI-Coding-Assistenten auf einem 16 GB M1 MacBook Pro, was gut funktioniert, was nicht und die echten Kompromisse beim Setup.

    Lokale KI-Coding-Assistenten klingen verlockend: keine API-Kosten, Code bleibt auf der eigenen Maschine, und das Ganze kostenlos. Aber ein Setup, das auf einem 16-GB-MacBook-Pro-M1 wirklich gut läuft, erfordert mehr Trial and Error, als die meisten Guides zugeben.

    Weiterlesen →