Gestufte Kontexte: Eine Wissenshierarchie für KI-Agenten

Gestufte Kontexte: Eine Wissenshierarchie für KI-Agenten

Fünfstufige Wissenshierarchie für das Agenten-Speicher.

Ein Agent mit einer einzelnen, flachen Memory-Datei vergisst nichts; er kann einfach nicht aufhören, Dinge in Erinnerung zu behalten, nach denen er nicht gefragt wurde. Die Lösung ist ein gestufter Kontext, bei dem jede Wissensebene durch einen anderen Trigger eingespeist wird.

Trendierende Open-Source-KI-Projekte auf GitHub, Oktober 2026

Trendierende Open-Source-KI-Projekte auf GitHub, Oktober 2026

Offenquellen-KI, gruppiert nach Anwendung

Die monatliche Trending-Seite von GitHub funktioniert für eine Sprache, weil ein Sprachfilter bereits den suchbaren Bereich definiert. Open-Source-KI stellt eine andere Frage: Die Projekte erstrecken sich über fünf Programmiersprachen, und der aussagekräftigste Schnittpunkt ist die Aufgabe, die ein Repository erfüllt.

Rückblick für Hermes-Agent: Selbst gehostetes Gedächtnis mit lokalen LLMs

Rückblick für Hermes-Agent: Selbst gehostetes Gedächtnis mit lokalen LLMs

Permanenter Hermes-Speicher auf Ihrer eigenen Hardware.

Ein selbst gehosteter KI-Agent benötigt mehr als ein langes Kontextfenster. Er braucht eine Möglichkeit, nützliche Fakten beizubehalten, frühere Entscheidungen abzurufen und seine Kenntnis davon, was er weiß, zu revidieren, während sich Projekte weiterentwickeln.

Upgrade auf Go 1.27: Was bricht, was als erstes übernommen werden sollte

Upgrade auf Go 1.27: Was bricht, was als erstes übernommen werden sollte

json/v2 im Hintergrund, stdlib-UUID und GODEBUG-Fallen.

Go 1.27 wurde im August 2026 veröffentlicht. Für die meisten Module ist der Upgrade ein einziger go.mod-Eintrag, gefolgt von einem go fix-Lauf — aber einige Änderungen treffen still und heimlich zu. Hier ist, was tatsächlich kaputtgeht und was zuerst adaptiert werden sollte.

Concurrency in Go begrenzen: errgroup, Worker Pools und Backpressure

Concurrency in Go begrenzen: errgroup, Worker Pools und Backpressure

Begrenze die parallele Arbeit, statt sie einfach abzubrechen.

Unbegrenztes Fan-out ist der Standardausfallmodus der Go-Konkurrenz: Jede go-Anweisung ist eine weitere laufende Aufgabe, ohne Obergrenze und ohne Verantwortlichen. Dieser Artikel behandelt die Einführung beider: Obergrenzen und Verantwortung.

Go-Web-Frameworks 2026: net/http, chi, Gin, Echo und Fiber im Vergleich

Go-Web-Frameworks 2026: net/http, chi, Gin, Echo und Fiber im Vergleich

Fünf Go-HTTP-Stacks, ein Benchmark-Setup, echte Zahlen.

Go liefert einen produktionsreifen HTTP-Server in seiner Standardbibliothek mit, und seit Go 1.22 übernimmt der eingebaute Router selbstständig die Methodenabgleichung und Pfadparameter. Die Frage nach dem Framework hat sich verengt, ist aber nicht verschwunden.

Selbst gehostete SEO-Tools und -Plattformen: Open-Source-Leitfaden

Selbst gehostete SEO-Tools und -Plattformen: Open-Source-Leitfaden

Open-Source-SEO jenseits von WordPress-Plugins

Self-hosted SEO deckt inzwischen Crawler, Search-Console-Dashboards, Ranking-Tracker, MCP-Server und lokale KI ab. Dieser Leitfaden vergleicht die wichtigsten Open-Source-Plattformen und welche Funktionen ohne kostenpflichtige SEO-APIs funktionieren.

gstack: KI-Software-Engineering-Stack

gstack: KI-Software-Engineering-Stack

Eine Softwarefabrik, gebaut aus Agenten-Fähigkeiten

KI-Coding-Agenten können bereits Funktionen schreiben, Repositorien modifizieren, Tests ausführen und Pull Requests öffnen. Das schwierigere Problem ist es, einen Agenten dazu zu bringen, einen wiederholbaren Engineering-Prozess vor, während und nach dem Schreiben des Codes zu befolgen.

Self-Hosted Deep-Research-Systeme: 12 Tools im Vergleich

Self-Hosted Deep-Research-Systeme: 12 Tools im Vergleich

Selbst gehostete Agenten, die über die Suche hinaus recherchieren

Deep Research ist inzwischen eine eigene Softwarekategorie geworden, nicht mehr nur ein Modell, das auf ein Suchfeld angewiesen ist. Dieser Artikel vergleicht zwölf selbst gehostete Systeme und die dahinterliegenden Forschungsarchitekturen.

Die effiziente Frontiere offener Modelle: Den Sweet Spot für 2026 finden

Die effiziente Frontiere offener Modelle: Den Sweet Spot für 2026 finden

Der ideale Bereich für offene LLMs im Jahr 2026: rund 30 Mrd. Parameter.

Im September 2026 liegt die effiziente Frontier der offenen Modelle zwischen 25 Milliarden und 34 Milliarden Parametern: nahezu Frontier-nahes Agenten-Work auf einer einzigen 24-GB-GPU, mit einem Bruchteil der Hardware von 70B-Klasse.

Abonnieren

Neue Beiträge zu Systemen, Infrastruktur und KI-Engineering.