Wissen
Hier finden Sie alle Inhalte, nach Art sortiert: aktuelle Meldungen mit Einordnung, Themenübersichten, Schritt-für-Schritt-Anleitungen und Fachartikel aus der Praxis. In jedem Bereich stehen die neuesten Beiträge oben.
Kurzmeldungen zu Ereignissen der letzten Wochen, jeweils mit einer Einordnung, was sie für Unternehmen in DACH bedeuten.
Noch keine News veröffentlicht. Neue Meldungen erscheinen hier, sobald sie geprüft und freigegeben sind.
Übersichtsseiten stellen ein Thema von der Grundfrage bis zur Umsetzung dar und verknüpfen die passenden Fachartikel.
Multi-Agent-Systeme verständlich erklärt: Architektur und Topologien, BDI, Agenten-Kommunikation (MCP/A2A), Koordination, Frameworks und die größten Stolperstei
Angular + Laravel als Full-Stack-Stack: entkoppelte SPA und API, Sanctum-Auth, sauberes API-Design, Signals und Zero-Downtime-Deployment. Der Praxis-Leitfaden.
Was KI-Agenten wirklich leisten, wie Multi-Agent-Systeme funktionieren und wie B2B-Unternehmen den ROI berechnen. Praxisnaher Leitfaden von KI-Entwickler Martin
Anleitungen zum Nachbauen, Schritt für Schritt, mit Voraussetzungen und einer Prüfung am Ende.
Kein Schnipsel-Tutorial: Sie bauen mit Laravel 13, Blade und dem offiziellen laravel/ai-SDK einen vollständigen KI-Support-Desk. Ein Kunde sendet ein Ticket, ein Agent klassifiziert es per Structured Output, ein Queue-Job entwirft die Antwort, ein Mitarbeiter prüft sie in der Inbox mit KI-Kennzeichnung und sendet. Mit Datenbank, FormRequest-Validierung, Queue und Feature-Test, alles real gegen Azure OpenAI gebaut. Stand Laravel 13.19 und laravel/ai 0.9.0.
Der Laravel Service Container und das offizielle laravel/ai-SDK gehören zusammen: Ein KI-Agent ist ein ganz normaler Container-Service. In diesem Tutorial bauen Sie einen Support- und einen Triage-Agenten gegen Azure OpenAI, routen sie per Attribut, trennen sie über Contextual Binding und ersetzen sie im Test durch eine Attrappe. Alle Beispiele sind real ausgeführt, Stand Laravel 13.19 und laravel/ai 0.9.0.
Klassisches RAG antwortet aus dem ersten Suchergebnis, Agentic RAG prüft die Belege zuerst. Dieses Tutorial baut eine Korrektur-Schleife in TypeScript: ein Grader mit Structured Output bewertet die Treffer, formuliert bei schwachen Belegen die Suchanfrage neu und sucht erneut. Mit Azure OpenAI, Qdrant und drei echten Transkripten, inklusive der zwei Kalibrierungs-Fehler beim Bauen.
Fachartikel zu RAG, Agenten, Prozessautomatisierung und KI-Integration, geschrieben aus der Projektpraxis.
Kein Verstehen, kein Bewusstsein: Neuronale Netze lernen durch iterative Fehlerkorrektur. Die vier Schritte von Vorwärtsdurchlauf bis Gradientenabstieg, erklärt ohne Formeln, mit den Konsequenzen für Datenqualität und Projektkosten.
GPT, Llama und Gemini basieren auf derselben Idee von 2017: Self-Attention. Wie ein Transformer Text in Tokens zerlegt, Bedeutung aus Kontext berechnet und warum Halluzinationen kein Bug sind, sondern Architektur.
KI ist der Oberbegriff, Machine Learning die Teilmenge, Deep Learning die Spezialform mit neuronalen Netzen. Was dahintersteckt, welche Technik zu welchen Daten passt und warum Sie dafür kein eigenes Modell trainieren müssen.