Llm

Die meisten Tutorials zu „strukturierten Ausgaben“ von LLMs sind wenig ernst gemeint. Sie lehren Sie, höflich um JSON zu bitten und darauf zu hoffen, dass das Modell sich entsprechend verhält. Das ist keine Validierung. Das ist Optimismus mit geschweiften Klammern.

Diese Seite dient als praktische Referenz für die Optimierung der agentischen LLM-Inferenz (Temperatur, top_p, top_k, Penalties und deren Interaktion in mehrstufigen und tool-lastigen Workflows).

Sie chatten bereits mit dem Hermes-Agenten auf Ihrem Smartphone über Text. Jetzt möchten Sie direkt mit ihm sprechen und gesprochene Antworten erhalten. Das ist in der Regel der richtige Schritt, insbesondere wenn Sie Hermes bereits als persistenten, selbst gehosteten Assistenten nutzen. Lange Prompts auf einem kleinen Bildschirm einzutippen ist langsam und fehleranfällig.

Hermes Agent wird mit einem Kanban-stilisierten Board und dem Hermes Gateway ausgeliefert, das Ihren selbst gehosteten LLM sättigen kann, wenn zu viele Aufgaben gleichzeitig zugewiesen werden.

Hermes Agent behandelt Skills als die Standardmethode, wiederholbare Workflows zu lehren. Die offizielle Dokumentation beschreibt sie als auf Abruf verfügbare Wissensdokumente, die dem offenen agentskills.io-Standard entsprechen und über progressive Offenlegung geladen werden, sodass das Modell zuerst einen kleinen Index sieht und nur dann die vollständigen Anweisungen lädt, wenn eine Aufgabe dies tatsächlich erfordert.

Hermes Agent von Nous Research ist ein modellunabhängiger, werkzeugnutzender Assistent, den Sie lokal oder auf einem VPS ausführen können – aus der Shell, einem Vollbild-TUI oder einem Messaging-Gateway.

Die meisten KI-Agent-Stacks behandeln Sicherheit nach wie vor als ein Problem, das erst nach der Demo behoben wird. NemoClaw geht von der entgegengesetzten Annahme aus und macht Isolation, Richtlinien und Routing von Anfang an zur Standardeinstellung.

Dieser Abschnitt sammelt Anleitungen zu persistenter Wissens- und Gedächtnisführung in KI-Systemen – wie Assistenten Fakten, Präferenzen und destillierten Kontext über Sitzungen hinweg beibehalten, ohne jeden einzelnen Token in einen einzigen Prompt zu stopfen. Hier bedeutet „Gedächtnis“ die bewusste Speicherung (Nutzerfakten, Zusammenfassungen, speicherbasierte Stores), nicht den GPU-Speicher oder die Modellgewichte.

Aktualisiert im September 2026: Hinzufügung von Mnemosyne und Memori, Erweiterung der Konfiguration für Honcho und Hindsight sowie Hinzufügung eines Vergleichs der Erfassungsrichtlinien neben der ursprünglichen Infrastruktur-Tabelle.

Sie kennen das Spiel. Sie öffnen einen Chat mit einem KI-Agenten, erklären Ihr Projekt, teilen Ihre Präferenzen, erledigen etwas Arbeit und schließen den Tab. Kommen Sie in der folgenden Woche zurück, ist es, als würden Sie mit einem Fremden sprechen – der gesamte Kontext ist verschwunden, jede Präferenz vergessen, das Projekt von Grund auf neu erklärt.

OpenClaw ist als Produkt gescheitert. Es hat seinen Treibstoff verloren.

Eine lange Zeit litt llama.cpp unter einem augenfälligen Mangel: Sie konnten pro Prozess nur ein Modell bereitstellen, und ein Wechsel erforderte einen Neustart.

Die meisten Teams missbrauchen Claude Skills auf eine von zwei Arten. Entweder verwandeln sie SKILL.md in einen Mülldeponie-Ort oder sie schaffen es nie, von riesigen kopierten Prompts wegzukommen.

Der Hermes KI-Assistent, offiziell dokumentiert als Hermes Agent, wird nicht als einfacher Chat-Wrapper positioniert.

OpenClaw verfügt über zwei Erweiterungskonzepte, die leicht verwechselt werden können.

Plugins erweitern die Laufzeitumgebung. Skills erweitern das Verhalten des Agents.

Dieser Artikel handelt von OpenClaw-Plugins — nativen Gateway-Paketen, die Kanäle, Modellanbieter, Tools, Sprachfunktionen, Speicher, Medien, Websuche und andere Laufzeitschnittstellen hinzufügen.