Beiträge zu "how-to"
-
Einen internen Skill-Katalog aufbauen: Prüfung, Zuständigkeit und Auffindbarkeit
Einen Skills-Katalog für Ihre Organisation aufbauen: einreichen, prüfen, mit Verantwortlichem und Version veröffentlichen, ausmustern. Mit Ideen aus Registries.
-
Betriebsreihe: KI-Agenten ausrollen mit Canaries und Rollbacks
KI-Agenten ausrollen wie jeden Dienst: neues Modell, Prompt oder Skill zuerst an wenige Läufe, Evals und SLOs entscheiden, ein Rollback bleibt bereit.
-
Strukturierte Ausgaben für Agenten: Schemas, Verträge, Zuständigkeit
Structured output agents übergeben typisierte Daten statt Freitext. JSON-Schemas für Tool-Ergebnisse definieren, versionieren und Verantwortliche nennen.
-
Betriebsreihe: LLM FinOps für Agenten, jedes Token zuordnen
LLM FinOps überträgt das Cloud-Vorgehen auf Agenten: Läufe taggen, Kosten je Key und Team zuordnen, Budgets setzen, früh warnen, Nutzung exportieren.
-
Enterprise AI Agent Rollout: Pilot, Basislinie, dann skalieren
Ein Enterprise AI Agent Rollout gelingt mit kleinem Pilot, Telemetrie ab Tag eins, Ausgabenlimits und schriftlichen Ausstiegskriterien für jeden Schritt.
-
Selbst betriebene Modelle für Agenten: was sich ändert, wenn die Inferenz bei dir läuft
Self-hosted LLM für Agenten: Prompts bleiben im Haus, Sie tragen aber Kapazität, Updates und Bewertung. Lokale Runtimes, Batch-Server und der Betriebsaufwand.
-
Betriebsreihe: Runbooks zu Skills machen, ohne die Kontrolle zu verlieren
Runbook automation AI mit Kontrolle: Runbook in einen Skill plus eng begrenzte Tools mit Freigaben umwandeln. Eine Schritt-für-Schritt-Anleitung für Ops-Teams.
-
LLM Cost Optimization für Agenten: Caching, Code-Ausführung und Budgets
LLM Cost Optimization für Agenten: wann Prompt Caching lohnt, wann Code-Ausführung Tool-Aufrufe schlägt und warum harte Token-Budgets auch Sicherheit sind.
-
Claude Code Hooks als Durchsetzungspunkte für Policies in Coding-Agenten
Claude Code Hooks führen Code vor einem Werkzeugaufruf aus; ein PreToolUse-Hook setzt Policy lokal durch. Aufbau, Grenzen und warum ein zentrales Gate bleibt.
-
AI Agent Sandboxing: Dateisystem- und Netzwerkisolation zusammen
AI Agent Sandboxing wirkt nur, wenn Dateizugriff und Netzverkehr nach außen begrenzt sind. Warum eine Grenze nicht reicht und wie Allow-Lists Freigaben sparen.
-
Agent-Skills versionieren wie jede andere Abhängigkeit
Skill versioning behandelt Agent-Skills wie Abhängigkeiten: SemVer, Changelog, Pinning und Evals für Upgrades. Was in Anweisungen als Breaking Change gilt.
-
Erst den Datenfluss zeichnen, dann den ersten Prompt schreiben
Ein agent data flow diagram zeigt, wo unsichere Daten eintreten, wo private liegen und wo etwas hinausgeht. Eine Vorlage, die Trifecta-Risiken früh zeigt.
-
Ein MCP-Server pro System: MCP-Server-Design, das sich steuern lässt
Regeln für MCP-Server-Design, das sich steuern lässt: ein kleiner Server pro System, Tool-Namensräume und getrennte Lese- und Schreibrechte statt Mega-Gateway.
-
Kleine geprüfte Schritte schlagen einen großen Prompt
Inkrementelle Agent-Workflows zerlegen Arbeit in kleine Schritte mit Abnahmeprüfung, Fortschrittsnotiz und sauberem Zustand. Das Muster im Überblick.
-
Aufbau eines Agent-Skills: SKILL.md, schrittweises Laden und Umfang
SKILL.md ist der Einstieg eines Agent-Skills: Die kurze Beschreibung entscheidet, wann der Rest lädt. Progressive Disclosure, Minimal-Skill und Umfangsregeln.
-
Tools schreiben, die Agenten wirklich nutzen können: Namen, Schemas und Fehler
Tool-Design für KI-Agenten ist Schnittstellen-Design für ein Modell als Leser. Checkliste zu Namen, Namespaces, Schemas, Fehlern und kleinen Tools.