Agentic Workflows vs. Agenten — wann fest, wann frei
Der Unterschied zwischen festen, vordefinierten Workflows und autonomen KI-Agenten — mit Anthropics Definition, Trade-offs und Entscheidungshilfe.
Redaktion
Lexikon
boostN-App-Lexikon: ausführliche Erklärungen zu KI- und App-Konzepten.
-
- ki-orchestrierung Workflow-Automatisierung
Evaluator-Optimizer-Loop
Ein KI-Agent erzeugt, ein zweiter bewertet und kritisiert — und das so lange im Kreis, bis das Ergebnis ein klares Qualitätskriterium erfüllt.
Redaktion -
Function Calling / Tool Use
Wie ein LLM Werkzeuge aufruft: Tool-Definition als Schema, Modell wählt Funktion und Argumente, Ergebnis zurück ins Gespräch — der Grundbaustein jedes Agenten.
Redaktion - ki-orchestrierung Workflow-Automatisierung
Human-in-the-Loop — Freigabe-Gates für KI-Agenten
Was Human-in-the-Loop in Agenten-Workflows heißt: Freigabe-Gates, Eingriffspunkte vor kritischen Aktionen und warum sie für irreversible Schritte Pflicht sind.
Redaktion - ki-orchestrierung Keyword-Routing
LLM-Routing und der LLM-Router
Was ein LLM-Router macht: Anfragen automatisch an günstige oder starke Modelle leiten, Kosten senken und die Risiken bei Fehlklassifikation verstehen.
Redaktion - ki-orchestrierung MCP-Workflows
Model Context Protocol (MCP)
MCP ist der offene Standard, über den KI-Modelle an Tools und Datenquellen andocken. So funktioniert die Client-Server-Architektur.
Redaktion - ki-orchestrierung Multi-Agent
Multi-Agent-Orchestrierung
Wie mehrere KI-Agenten koordiniert zusammenarbeiten: Orchestrator-Worker, Supervisor-Pattern, Aufgabenverteilung und wann sich Multi-Agent lohnt.
Redaktion - ki-orchestrierung Agenten
Plan-and-Execute — das Planner-Executor-Muster für KI-Agenten
Plan-and-Execute heißt: erst einen kompletten Plan erstellen, dann Schritt für Schritt abarbeiten. Wie das Muster funktioniert und wo es ReAct schlägt.
Redaktion - ki-orchestrierung Workflow-Automatisierung
Prompt Chaining
Mehrere LLM-Aufrufe zu einer Pipeline verketten: Ausgabe wird Eingabe, Zwischen-Checks als Gates und wann Chaining besser ist als ein Mega-Prompt.
Redaktion - ki-orchestrierung Agenten
ReAct-Pattern: Reasoning und Acting im Wechsel
Wie das ReAct-Muster aus Thought, Action und Observation funktioniert, warum tool-nutzende KI-Agenten darauf bauen — und wo es typisch kippt.
Redaktion - ki-werkzeuge Agenten-Frameworks
Agenten-Frameworks im Überblick
CrewAI, AutoGen, AutoGPT, DSPy, Browser Use, LangGraph — was Agenten-Frameworks leisten, wo sie sich unterscheiden und wann du welches nimmst.
Redaktion - arbeiten-mit-ki Content-Erstellung
Content-Erstellung mit KI: ein sauberer Workflow
Einfach generieren reicht nicht. Der belastbare Ablauf: Briefing, Entwurf, Fakten-Check, Voice, SEO, Endredaktion — und wo der Mensch zwingend bleibt.
Redaktion - ki-konzepte LLM-Grundlagen
Embeddings einfach erklaert
Ein Embedding ist ein Vektor aus Zahlen, der Bedeutung im Raum verortet. Warum aehnliche Inhalte nah liegen und wofuer man Embeddings braucht.
Redaktion - ki-modelle Open-Weight
FLUX.2
FLUX.2 von Black Forest Labs (Freiburg): Open-Weight-Bildmodell, Varianten von 4B bis 32B, Lizenzen, Hardware-Bedarf und Einordnung im Markt.
Redaktion - ki-werkzeuge Coding-CLI
Google Antigravity
Googles agent-first Dev-Suite aus Desktop-App, CLI und SDK. Wie Antigravity funktioniert, was es vom Gemini CLI ablöst und wo es gegen Claude Code antritt.
Redaktion - ki-konzepte LLM-Grundlagen
Halluzinationen bei LLMs — Ursachen und Gegenmittel
Warum LLMs selbstbewusst Falsches erfinden, welche Typen von Halluzinationen es gibt und welche Gegenmittel wirklich helfen — RAG, Quellenzwang, Verifikation.
Redaktion - ki-werkzeuge Hugging Face
Hugging-Face-Ökosystem
Hub, Spaces und die Libraries Transformers, Datasets, Diffusers und Accelerate — wie alles zusammenhängt und wie der Weg vom Modell-Finden zum Deployment läuft.
Redaktion - arbeiten-mit-ki Workflows
KI-Workflows automatisieren
No-/Low-Code-Automation mit Make, Zapier und n8n: Bausteine, Use-Cases für Agenturen und KMU, Pricing-Modelle und die teuersten Stolperfallen.
Redaktion - ki-konzepte LLM-Grundlagen
Das Kontextfenster von LLMs — was reinpasst und was nicht
Was das Kontextfenster ist, wie groß moderne Fenster sind, das Lost-in-the-Middle-Phänomen, Kosten und Latenz, und die Abgrenzung zu RAG und Langzeitgedächtnis.
Redaktion - ki-werkzeuge Agenten-Frameworks
LangGraph
LangGraph als Standard für Agenten-Orchestrierung — Nodes, Edges, State, Schleifen, Human-in-the-Loop und Persistence verständlich erklärt.
Redaktion - ki-werkzeuge Agenten-Frameworks
Microsoft Agent Framework
Microsofts SDK für KI-Agenten: Wie es Semantic Kernel und AutoGen zusammenführt, was Agents und Workflows trennt und wann es sich lohnt.
Redaktion - ki-werkzeuge Agenten-Frameworks
Microsoft Project Polaris
Microsofts eigenes KI-Coding-Modell, vorgestellt auf der Build 2026. Ersetzt GPT-4 in GitHub Copilot ab August 2026 — was dahintersteckt.
Redaktion - ki-modelle Gemini
Nano Banana
Googles Bildmodell mit dem Spitznamen Nano Banana — was hinter dem Codenamen steckt, was es kann und wie es sich von FLUX.2 und Co. abgrenzt.
Redaktion - arbeiten-mit-ki Produktivität
Produktiv parallel arbeiten mit KI-Agenten
Das Orchestrator-Worker-Muster, wann sich parallele Agenten lohnen und wann nicht, die Mechanik geteilter Queues und der Tokenpreis dafuer.
Redaktion - ki-werkzeuge Workflow-Automation
Self-Hosted Agenten-Stack (n8n, Dify, Ollama)
n8n, Dify und Ollama als selbst gehosteter KI-Stack — wer welche Schicht macht, wann sich das lohnt und welche Hardware du brauchst.
Redaktion - ki-konzepte LLM-Grundlagen
Temperatur, Top-p und Sampling bei LLMs
Wie ein LLM das nächste Token wählt: Temperatur staucht oder spreizt die Wahrscheinlichkeiten, Top-p und Top-k begrenzen die Auswahl. Welche Einstellung wofür.
Redaktion - arbeiten-mit-ki Token-Budget
Token-Budget im Alltag steuern — die größten Kostenhebel bei LLMs
Warum Tokens gleich Kosten sind, warum Output teurer ist als Input, und die wirksamsten Hebel: Caching, Batch, schlanker Kontext, Modellwahl, Output-Limit.
Redaktion - ki-konzepte LLM-Grundlagen
Tokens und Tokenisierung bei LLMs erklärt
Was ein Token ist, wie Tokenizer Text zerlegen und warum Tokens über Kosten, Kontextfenster und Geschwindigkeit entscheiden — mit Faustregeln zur Schätzung.
Redaktion - ki-werkzeuge Vektor-Datenbanken
Vektor-Datenbanken
Was Vektor-Datenbanken leisten, wofür man sie braucht und wie sich Chroma, Weaviate, Milvus, Qdrant und pgvector im Vergleich schlagen.
Redaktion -
KI-Modelle vergleichen — wer baut was und wofür wählen
Die wichtigsten Modellfamilien 2026 im Überblick. Wer baut Claude, GPT, Gemini, Llama, Mistral, DeepSeek, Qwen — und welches Modell wofür wählen.
Redaktion -
KI-Modellfamilien im Überblick
Claude, GPT, Gemini, Llama & Co. — wer baut was, wofür ist welche Familie gut, und wie wählt man das passende Modell für die eigene Aufgabe aus.
Redaktion - ki-konzepte RAG
RAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.
Redaktion - ki-konzepte Agenten
KI-Agenten bauen — vom Tool Use zum Multi-Agent-System
Wie KI-Agenten funktionieren: vom einfachen Tool-Call über MCP, Strukturierte Outputs und LangGraph bis zur Frage, wann Multi-Agent-Setups sinnvoll sind.
Redaktion - ki-konzepte API-Nutzung
Mit der LLM-API arbeiten — Streaming, Caching, Rate Limits
Praktische API-Mechanik jenseits des Pricings: Streaming für UX, Prompt Caching gegen Token-Kosten, Batch-API für Massenjobs, Rate Limits ohne 429-Drama.
Redaktion - ki-werkzeuge Pipeline-Frameworks
Pipeline-Frameworks — LangChain, LlamaIndex und wann man sie braucht
LangChain, LlamaIndex, LangGraph und Haystack im Vergleich. Wofür sie gemacht sind, wann Eigenbau lohnt — und die häufigsten Stolperfallen.
Redaktion -
KI-Coding-Tools im Vergleich
Cursor, Windsurf, Claude Code, GitHub Copilot, Continue.dev, Aider im Vergleich. Mit Tabelle und Entscheidungshilfe für vier typische Workflows.
Redaktion - ki-konzepte Evaluation
LLM-Qualität messen — Evals, Benchmarks, Judges
Wie misst man, ob ein LLM-System gut funktioniert? Drei Ebenen von Public Benchmarks bis CI-Eval, Stolperfallen wie Goodhart, Judge-Bias und Eval-Aging.
Redaktion - ki-konzepte Training & Fine-Tuning
Fine-Tuning einfach erklärt — wann, wie, womit
Wann Fine-Tuning sich lohnt, welche Verfahren es gibt (SFT, DPO, LoRA, QLoRA), und was AMD- bzw. NVIDIA-Hardware in der Praxis voneinander unterscheidet.
Redaktion - ki-modelle LLM-Pricing
KI-Pricing einfach erklärt
Wie KI-Modelle abrechnen — Token, Input vs. Output, versteckte Kostentreiber und drei Hebel zum Sparen. Mit Preistabelle und Rechenbeispielen.
Redaktion -
LLMs lokal betreiben — Hardware, Tools, Modelle
Wie du Sprachmodelle auf eigener Hardware betreibst — VRAM-Bedarf, Tool-Landschaft (Ollama, LM Studio, llama.cpp, vLLM) und welche Modelle für welche GPU.
Redaktion - ki-konzepte Prompting
Prompt-Sicherheit — Injection, Leaking, Guardrails
Wie Prompt Injection, Prompt Leaking und Jailbreaks funktionieren — und welche Verteidigungen (Guardrails, Spotlighting, Sanitization) wirklich helfen.
Redaktion - ki-konzepte Prompting
Prompting-Techniken im Überblick
Zero-Shot, Few-Shot, Chain-of-Thought, Tree of Thoughts, ReAct & Co. — wann welche Prompting-Technik lohnt und wie sie zusammenspielen.
Redaktion - ki-konzepte RAG
RAG verstehen — von der Idee bis zum produktiven System
Wie eine RAG-Pipeline funktioniert: Embedding, Vektor-DB, Retrieval, Reranking, Prompt — und welche Stolperfallen typisch sind.
Redaktion