Blog

MCP verschiebt das Schreiben von Werkzeugen aus dem Agenten zu eigenen Servern. Wir bauen einen kleinen MCP-Server, hängen ihn an apfel und messen, was MCP löst und was nicht. Artikel 10 der Reihe „Ein lokaler Coding-Agent mit apfel".

Ein einzelnes AI-Backend degradiert bei Ausfall zum regelbasierten Notausgang. Dieser Artikel baut aus zwei lokalen Modellen echte Redundanz: Round-Robin im Normalbetrieb, automatisches Failover bei Einzelausfall, Rule-Based erst wenn beide tot sind.

Aus dem One-Shot-Kommando wird eine interaktive REPL-Sitzung. Der Schlüssel zur Testbarkeit ist die strikte Trennung von Render-Logik und Terminal-I/O. Artikel 9 der Reihe „Ein lokaler Coding-Agent mit apfel".

Die Platforms State of the Union der WWDC26 im Überblick: Das Foundation Models framework öffnet sich für Server-Modelle und wird quelloffen, das neue Core AI bringt eigene Modelle on-device, und Xcode 27 stellt agentisches Coding ins Zentrum.

Zwei Monate nach der Warnung, Mythos sei zu gefährlich zum Veröffentlichen, gibt Anthropic die Mythos-Klasse öffentlich frei. Eine Einordnung von Claude Fable 5 und Mythos 5 zwischen Benchmark-Rekorden, Preis-Taktik und 30-Tage-Datenretention.

Der naive Agent-Loop endet, wenn das Modell schweigt, und das ist nur eine Selbsteinschätzung. Wir bauen einen Loop, dessen Abbruch eine maschinelle Prüfung ist, mit Iterationslimit und Kontext-Budget als Schutzgrenzen. Artikel 8 der Reihe „Ein lokaler Coding-Agent mit apfel".

Apple zeigt auf der WWDC26, wie MLX große Sprachmodelle über mehrere Macs verteilt. RDMA über Thunderbolt 5, die JACCL-Bibliothek und ein Cluster aus vier M3 Ultra, der ein Billion-Parameter-Modell lokal ausführt.

Bis hierher liefen zwei getrennte Pfade: der regelbasierte Eingang und die AI-Klassifikation. Dieser Artikel führt sie zu einer Pipeline zusammen, macht die Klassifikation zur austauschbaren Stufe und stellt den regelbasierten Classifier als bewussten Fallback hinter das Modell.

Anthropic hat ein Swift-Package veröffentlicht, das Apples Foundation Models Framework an Claude koppelt. Interessant ist nicht Claude in einer App, sondern das Übergabe-Muster: On-Device für schnell und billig, Claude für das Schwere.

Der naive Datei-Edit scheitert am kleinen Modell. Wir bauen den Agenten um diese Schwäche herum, mit Constrained Output und einem zweistufigen Edit-Workflow, und messen, wie viel sich zurückholen lässt. Artikel 7 der Reihe „Ein lokaler Coding-Agent mit apfel".

Ein reproduzierbares Eval mit 15 Aufgaben in fünf Kategorien misst, wo das lokale Foundation Model als Coding-Agent überzeugt und wo es kippt. Mit Cloud-Stichprobe und einer eigenen Messung dessen, was das Modell über seinen eigenen Erfolg behauptet. Artikel 6 der Reihe „Ein lokaler Coding-Agent mit apfel".

Der AI-Classifier läuft, aber was passiert beim Modell-Ausfall? Ein globaler Error-Workflow mit Telegram-Alert, ein Observability-Stack aus Prometheus, Loki und Grafana, und ein stiller Fallback, der sichtbar gemacht werden will.

Wir bauen die ersten Werkzeuge, mit denen der Agent etwas verändert, und sichern sie ab — Pfad-Sandbox, Bestätigungs-Gate, Diff vor dem Schreiben und Defense-in-Depth für die Shell. Artikel 5 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir bringen dem Agenten bei, Werkzeuge zu rufen — Tool-Definition im OpenAI-Schema, der Round-Trip aus Aufruf, Ausführung und Fortsetzung, und eine Tool-Abstraktion in Swift. Artikel 4 der Reihe „Ein lokaler Coding-Agent mit apfel".

Innerhalb weniger Wochen sind zwei quelloffene Tools angetreten, um das Gedächtnisproblem von Claude Code zu lösen. Sie lösen aber nicht dasselbe Problem — Graphify baut einen Code-Graphen, MemPalace speichert das Gespräch.

Ein Forschungs-Preprint zeigt einen Computerwurm, der ein lokales Sprachmodell auf gekaperten Rechnern ausführt und seine Angriffe pro Ziel selbst entwickelt. Was an dem Proof of Concept neu ist, was nicht, und warum Patch-Management allein nicht mehr genügt.

Cross-Document View Transitions bringen App-artige Übergänge in klassische Multi-Page-Sites — mit einer einzigen CSS-At-Rule und ganz ohne Framework.

Wir legen ein Swift-Package an, bauen einen async HTTP-Client gegen apfel --serve und verarbeiten SSE-Streaming Token für Token — Artikel 3 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir starten apfel als lokalen OpenAI-kompatiblen Server, gehen alle Endpoints durch und sehen, wo das Protokoll von OpenAI abweicht — Artikel 2 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir installieren apfel, gehen die drei Modi (Prompt, Serve, Chat) durch, sehen wo das on-device-Modell trägt und wo es wackelt — Artikel 1 der Reihe „Ein lokaler Coding-Agent mit apfel".

Eine Reihe nimmt das Foundation Model in den Blick, das jeder Apple-Silicon-Mac mit macOS 26 mitbringt — und baut darauf einen Coding-Agenten in Swift, der lokal läuft.

Der TeamPCP-Vorfall vom Mai 2026 zeigt, wie eine manipulierte VS-Code-Erweiterung Zugriff auf rund 3.800 interne GitHub-Repositories ermöglichte — und warum das Problem nicht GitHub ist, sondern das Vertrauensmodell moderner Entwicklerumgebungen.

Wie ein n8n-Workflow Tickets mit einem lokalen Sprachmodell klassifiziert: strukturierter Output, zwei Backends ohne Cloud-Key, deterministische Sprach-Erkennung und ein Benchmark, der seine eigene Schwäche zeigt.

Anthropic hat Claude Opus 4.8 veröffentlicht: gleicher Preis wie 4.7, ein deutlicher Sprung bei Coding und Reasoning, eine messbar geringere Neigung, eigene Code-Fehler zu verschweigen, und Dynamic Workflows mit hunderten parallelen Subagenten.

Wie ein n8n-Workflow einen authentifizierten Webhook-Eingang bekommt, Credentials sicher gespeichert werden und Klassifikator-Logik als Sub-Workflow extrahiert wird.

Wie ein regelbasierter Ticket-Klassifikator in n8n entsteht: Item-Modell in der Praxis, Expressions korrekt einsetzen, Set-Node von Code-Node unterscheiden — und wo der Classifier erwartungsgemäß scheitert.

Bonus-Artikel der Reihe — wie sich der Parser des byhaushalt-Demos gegen zwei voneinander unabhängige Quellen messen lässt: die offiziellen EPL-PDFs des bayerischen Finanzministeriums und das interaktive Haushaltsdiagramm auf stmfh.bayern.de. Σ Einnahmen und Σ Ausgaben treffen die PDF-Σ bit-exakt; die Restdifferenz gegen STMFH ist datenstandsbedingt.

Artikel 10 der Reihe — wie aus einer Vite-SPA im Repo eine Live-Site unter eigener Subdomain wird. Branch-Protection für Solo-Projekte, ein Bash-Skript das via git worktree den pages-Branch befüllt, Custom-Domain über DNS-CNAME plus .domains-Datei, HTTPS via Let's Encrypt. Und warum CI bewusst ein eigener Folge-Artikel wird.

Warum echter Ticket-Datensatz im öffentlichen Repo ausscheidet und wie ein hybrider Generator mit lokalen Modellen und Claude realistische Testdaten mit reproduzierbarer Verteilung erzeugt.

n8n produktionsnah selbst hosten: Docker Compose, Postgres statt SQLite, Caddy mit Auto-HTTPS, persistente Volumes und die Environment-Variablen, die wirklich zählen.

Was n8n technisch ist: Editor, Execution Engine, Task Runner, Workflows als JSON. Dazu das Item-Array als zentrales Datenmodell und die Einordnung im Integrationsspektrum.

Artikel 7 der Hummingbird-Reihe. Wir messen das LLM-Gateway gegen funktional äquivalente Implementierungen in FastAPI und Fastify — mit fairem Middleware-Stack, deterministischem Backend-Stub und oha als Lastgenerator. Was dabei rauskommt, ist gleichzeitig das erwartete und das überraschende Ergebnis.

Artikel 6 der Hummingbird-Reihe. Wir ergänzen das Gateway um Prometheus-Metriken via swift-metrics und swift-prometheus, einen /metrics-Endpoint, MetricsMiddleware und TracingMiddleware. Dazu Cross-Compile auf ein statisch gelinktes Linux-Binary via Swift Static Linux SDK, ein Multi-Stage-Dockerfile und eine systemd-Unit für den Betrieb auf bare-metal Linux.

Artikel 9 der Reihe — drei Hooks für byhaushalt: PostToolUse formatiert nach jedem Edit, PreToolUse blockt Commits mit Debug-Resten, Stop läuft schnelle Tests aber nur für geänderte Layer. Warum ein zu aggressiver Stop-Hook mehr schadet als nützt, und warum Playwright in die CI gehört, nicht in den Hook.

SAP hat n8n strategisch investiert und in Joule Studio eingebettet. Mercedes-Benz rollt die Plattform global aus. Ein Prolog zur n8n-Einstiegs-Reihe.

Artikel 8 der Reihe — Markdown-Spec als E2E-Test-Vertrag: Claude liest den User-Flow, exploriert live im Browser über Playwright-MCP, findet robuste Selektoren und schreibt den Playwright-Test. Drei Specs, drei Tests, drei Baseline-Screenshots.

Artikel 5 der Hummingbird-Reihe. Wir fügen API-Key-Auth, Token-Bucket-Rate-Limiting und spec-konforme Error-Responses hinzu — und nutzen dabei den generischen RequestContext aus Hummingbird 2, das Feature das uns typsicheren Middleware-Zustand ohne Dictionaries gibt.

Artikel 7 der Reihe — zwei MCP-Server, eine Projektkonfiguration: Context7 holt aktuelle Library-Doku direkt in den Editor, bevor Claude raten muss. Plus shadcn/ui-Migration und ein chart-builder-Skill, der Context7 gezielt aufruft.

Artikel 6 der Reihe — drei Worktree-Branches, drei Visualisierungen über demselben Datenmodell. Treemap, Sunburst und Sankey nebeneinander vergleichen, statt sequenziell zu raten. Plus: warum die Entscheidung am Ende nicht gegen zwei Verlierer fiel, sondern für einen Switcher.

Artikel 4 der Hummingbird-Reihe. Wir ergänzen beide Endpoints um Streaming via Server-Sent Events: MLXClient.completeStream als AsyncThrowingStream, Anthropic-Events, OpenAI-Chunks, Task-Cancellation. Tokens erscheinen beim Client direkt während das Modell generiert.

Artikel 3 der Hummingbird-Reihe. Wir verbinden das Gateway mit mlx_lm.server: MLXClient als Swift actor, Formatkonvertierung von Anthropic nach OpenAI, Fehler-Mapping mit HTTP-Statuscodes. Nach diesem Artikel liefert das Gateway echte Modellantworten.

Artikel 2 der Hummingbird-Reihe. Wir implementieren die Anthropic Messages API und die OpenAI Chat Completions API im selben Gateway: Codable-Typen für beide Protokolle, zwei POST-Endpoints, Eingabevalidierung, Mock-Inferenz.

Artikel 1 · Swift auf dem Server mit Hummingbird. Wir legen das Projekt an, schreiben Package.swift, richten den AsyncParsableCommand-Einstiegspunkt ein und bauen einen minimalen Router mit /healthz und /v1/models bis curl eine Antwort liefert.

Artikel 5 der Reihe — v0.4 liefert drei JSON-Dateien, kein Datenmodell. Ein Plan-File mit drei Tasks und parallelen Subagents baut Schema, Normalisierung und Property-based Tests. Plus: was Format-Inkonsistenz über Parallelisierung lehrt.

Prolog · Serie: Swift auf dem Server mit Hummingbird. Warum Swift auf dem Server 2026 keine Liebhaberei mehr ist, wie Hummingbird sich von Vapor unterscheidet und warum wir ein lokales LLM-Gateway als Demo-Projekt gebaut haben.

SAP hat auf dem Sapphire 2026 den ABAP MCP Server zur allgemeinen Verfügbarkeit angekündigt — die technische Grundlage, um externe KI-Agenten wie GitHub Copilot, Amazon Q oder Claude Code direkt in ABAP-Entwicklung einzubinden. Was die Ankündigungen technisch bedeuten, was sie kosten werden und wo die Grenzen noch liegen.

Artikel 4 der Reihe — mit drei Slash Commands wird der Parser wiederholbar: /parse-epl für beliebige Einzelpläne, /check-totals mit eingebautem pytest-Aufruf, /diff-vs-gesamt für den Abgleich gegen den Gesamthaushalt. Plus: was xfail über Parser-Lücken verrät.

Artikel 3 der Reihe — der erste Parser-Code für byhaushalt entsteht per TDD: Custom Skill mit Trigger-Description, uv-Setup, sechs Tests vor der Implementation, und wie der Summen-Konsistenz-Test Halluzinationen im PDF-Parsing verhindert.

Artikel 2 der Reihe — bevor byhaushalt seinen ersten Parser-Code sieht, kartiert Claude Code die PDF-Struktur der bayerischen Haushaltspläne. Plan Mode, Explore-Subagent und Architecture Decision Records als Werkzeuge für das Erkunden vor dem Implementieren.

Artikel 1 der Reihe — wir installieren Claude Code, legen das byhaushalt-Repo an, schreiben die erste Memory-Datei und legen fest, woran sich der Agent in jeder Session zu halten hat. Plus: Permissions, Quelldaten, der erste Tag.

Prolog · Serie: Agentic Coding mit Claude Code. Wer sich in diesem Jahr durch Tech-Newsletter, Konferenz-Keynotes und Tool-Landingpages liest, trifft auf zwei Begriffe, die beide mit denselben Versprechen verkauft werden: Vibe Coding und Agentic Coding. Die Zukunft des Programmierens, heißt es.

Ein neues LLM aus Miami verspricht 12 Millionen Tokens Kontext, lineare Skalierung und 52-fache Geschwindigkeit gegenüber FlashAttention. Wir schauen uns an, was technisch dahintersteckt – und wo die berechtigte Skepsis ansetzt.

Acht Artikel Theorie, ein Bonus-Kapitel Praxis. Wir führen alle Code-Bausteine der LLM-Serie zu einem lauffähigen Mini-Sprachmodell zusammen, trainieren es auf TinyShakespeare und hängen einen winzigen SFT-Schritt an. Mit Augenzwinkern Richtung Star Trek TNG.

Wie aus einem Basismodell, das Texte vervollständigt, ein hilfreicher Assistent wird. Supervised Fine-Tuning, RLHF, DPO und Constitutional AI — das letzte Stück der LLM-Pipeline, mit der ehrlichen Frage, was Alignment eigentlich löst.

Claude Desktop registriert ungefragt eine Native-Messaging-Brücke in sieben Browser-Verzeichnissen — auch in nicht installierten. Was das technisch bedeutet, warum es gegen die ePrivacy-Richtlinie verstößt, und warum gerade Anthropic damit Vertrauen verspielt.

Position, Tiefe, Stabilität — was zu Attention dazukommt, damit ein vollständiger Transformer entsteht. Positional Encodings, Feed-Forward-Schichten, Residual Connections, Layer Normalization, der ganze Block in Python und der Sprung zu GPT, BERT, Llama und Claude.

Microsofts Projekt 'Windows K2' soll Windows 11 retten – fasst aber das Grundproblem nicht an. Warum Apple die plausibelste Antwort ist und Linux einen App-Store-Ansatz verdient hat, der von der Distribution unabhängig ist.

Eine schrittweise Migrationsstrategie weg von GitHub, mit Schwerpunkt auf CI-Pipelines. Konkrete Workflow-Übersetzung, Self-Hosted-Runner-Setup und eine abhakbare Checkliste.

Die Tagesschau stellt ihren Apple-Messages-for-Business-Kanal ein und verweist Empfängerinnen und Empfänger ausschließlich auf einen WhatsApp-Kanal. Eine beitragsfinanzierte Anstalt wechselt damit von einem datenschutzfreundlichen Messenger-Kanal zu einem deutlich problematischeren – und schaltet plattformneutrale Alternativen aus.

Wie aus dem Bottleneck der RNNs ein Mechanismus wurde, der jeden Token mit jedem anderen verbindet. Query, Key, Value, Multi-Head und das Paper, das die NLP-Welt umkrempelte, erklärt mit Bibliotheks-Bildern und etwas Mathe für die, die es genau wissen wollen.

Ein Kommentar zur Signal-Phishing-Affäre, zur Reflexreaktion einer Bundestagsvizepräsidentin – und zum sehr lauten Schweigen des Digitalministers.

Welche Code-Hosting-Plattformen arbeiten ohne Default-on-Datenverarbeitung? Vergleichstabelle, Plattform-Steckbriefe von Codeberg über Gogs und Launchpad bis zu AWS CodeCommit, plus konkrete TDM-Opt-out-Implementierung.

Seit dem 24. April 2026 nutzt GitHub die Copilot-Daten von Free-, Pro- und Pro+-Konten standardmäßig zum KI-Training. Was hinter der Änderung steckt und warum sie das Zwei-Klassen-Modell der Plattform offenlegt.

Warum Sprache Gedächtnis braucht, und wie die ersten Sprachmodelle diesen Kontext gelernt haben. Rekurrente Netze, LSTMs und das Problem mit langen Sätzen, erklärt ohne Formel-Gewitter.

Eine unabhängige Analyse des am 23. April 2026 veröffentlichten GPT-5.5. Was die Zahlen wirklich sagen, wo Claude Opus 4.7 weiterhin führt und warum die Preisentwicklung Entwickler beunruhigen sollte.

Windows ist Designfehler geworden. Copilot, Recall, TPM-Sniffing, dazu eine Cloudstrategie die Produktivität kostet statt sie zu liefern. Macs sind im Business die rationalere Wahl. Das Softwareargument gilt 2026 nicht mehr.

Wie neuronale Netze aus Fehlern lernen. Loss, Gradienten, Chain Rule, Gradient Descent — Backpropagation von Hand implementiert auf einem 2-Layer MLP das XOR und Token-Vorhersage lernt.

Was zwischen Embedding und Logit passiert. Neuronen, Layer, Forward Pass und Aktivierungsfunktionen — vollständig in numpy implementiert, ohne Framework-Magie.

Wie Sprachmodelle Bedeutung in Zahlen kodieren. Embedding-Tabellen, Cosine Similarity, Vektorarithmetik und warum King minus Man plus Woman gleich Queen ergibt.

Was passiert zwischen Eingabe und Antwort? Tokens, Wahrscheinlichkeitsverteilungen und Sampling-Strategien — Schritt für Schritt erklärt, mit echtem Code.

Anthropic veröffentlicht Claude Opus 4.7 mit deutlich besserer Coding-Performance, 3,75 Megapixel Vision und einem neuen xhigh-Effort-Level. Eine Einordnung der Benchmarks und des Mythos-Hinweises am Rande.

Die Koalition senkt die Spritsteuer und nennt es Entlastung. Am Endpreis ändert sich nichts — außer der Gewinnmarge der Mineralölkonzerne.

Ein Open-Source-Tool, das kommerzielle KI-Memory-Lösungen deklassiert — mit einer 2.500 Jahre alten Methode, lokal, kostenlos und quelloffen.

Anthropics Claude Mythos brach aus einer Sandbox aus und fand tausende Zero-Days. Eine Einordnung zwischen echtem Risiko, methodischen Lücken und strategischer Narrativsteuerung.

Warum lokale Sprachmodelle 2026 zur echten Alternative werden — MLX, Unified Memory und ein Stack, der ohne Cloud funktioniert.

Ein Obsidian-Plugin für bidirektionale Synchronisation mit BookStack — gebaut mit Claude Code als strukturiertem Entwicklungspartner.

Horizontale Grids mit Sections, ein-/ausklappbare Listen, Sterne-Rating mit Mask, und Tap-Feedback ohne Button.

Der Standard-ColorPicker ist ein winziger Kreis. Mit blur, scaleEffect und opacity 0.014 wird daraus ein frei gestaltbarer Button.

Wiederverwendbare Modifier als View-Extension. Eine Designänderung, ein Ort im Code.

Der Inline-Picker verschluckt sein Label. Ein Menu-Wrapper löst das Problem. Dazu: ein generischer Enum-Picker für weniger Boilerplate.