Beiträge zu "explainer"
-
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.
-
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.
-
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.
-
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.
-
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.
-
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.