Artikel
Ausführliche Notizen zum Aufbau von KI-Systemen: was wo läuft, was es kostet und wo es zu Problemen kommt.
So veröffentlicht man MCPs mit 10/10
Menschen finden stillschweigend Umwege, wenn APIs schlecht sind. Agents nennen das genaue Feld, an dem sie scheitern. Hier ist der zweiteilige Testablauf, den ich für MCPs, APIs, CLIs und SDKs verwende, was automatisierte Tests in 94 Durchläufen aufgedeckt haben und das dafür von mir als Open Source veröffentlichte Testgerüst.
Dein Agent hat deinen Ordner nicht gelesen
Wenn du in Claude Code oder Codex einen Ordner öffnest, landen dessen Dateien nicht automatisch im Kopf des Modells. Es weiß zunächst fast nichts und muss die Dateien erst lesen. Das ist gut so und macht AGENTS.md zur wichtigsten Datei, die du schreiben wirst.
Ein KI-Agent tut nur zwei Dinge
In jedem Schritt schreibt ein Agent entweder eine Nachricht an dich oder ruft ein Tool auf. Das ist der ganze Mechanismus. Wenn man das verstanden hat, funktionieren Claude Code, ChatGPT und ein n8n-Agent nach demselben Prinzip, nur mit anderen Tools. Und du weißt, wo du nachsehen musst, wenn etwas schiefläuft.
Dein MCP kann keine Binärdateien annehmen? So löst du das Problem
Ein Tool-Argument ist Text. Für eine PDF- oder XLSX-Datei ist darin kein Platz. Der Kniff: Das MCP gibt eine einmalig nutzbare Upload-URL zurück, und der Agent sendet die Datei per einfachem HTTP-Request dorthin. So habe ich es für mein SaaS AI Glot umgesetzt und so sicherst du es ab.
Die Tools, die ich jedem meiner Agenten gebe
Fünf Keys, die ich in jeden Agenten einbinde: Linkup für die Websuche, Apify für Scraping, Softr für die Speicherung, Cloudflare für Deployments und OpenRouter für günstige Modell-Aufrufe. Wofür sie gut sind und welche Regeln ich dafür festgelegt habe.
Neugier macht dich gut im Umgang mit KI
Agenten verbergen all das, was sichtbar war, als du jeden Schritt selbst gebaut hast. Du kannst trotzdem nachsehen: Lies die Tool-Liste, klicke dich in die Aufrufe und frag, wie der Agent vorgehen will. Worauf ich achte und was es mir gebracht hat.
Jev senkte die Kosten dieses KI-Agenten um 61 %
Bei der besten Aufgabe 61 % und im Durchschnitt über acht Aufgaben 29 % weniger, gemessen in 192 Durchläufen mit deterministischer Bewertung und ohne Qualitätseinbußen. Mit Jev, dem neuen Entscheidungsmodell von TypeSafe, wählte ich aus, welche Skills ein Agent vorab lädt, und entfernte aus jeder Tool-Antwort die Felder, die er nie lesen wird.
Gib Agenten ein Tool, um dir Feedback zu senden
Agenten nutzen jetzt dein MCP und stoßen auf Hindernisse, die du nie zu Gesicht bekommst. Mit einem zusätzlichen Tool können sie dir mitteilen, was schiefgelaufen ist, was sie erwartet haben und welches Modell und welches Harness sie verwendet haben. Hier zeige ich dir den Aufbau, den ich nutze, und einen echten Bericht, den ich erhalten habe.
Ich nutze MCP für den Großteil meiner Arbeit nicht mehr
MCP ist ideal für einmalige Aufgaben. Für volumenstarke Prozesse ist es zu langsam, verbraucht zu viele Tokens und führt dazu, dass mein Agent Daten erneut schreibt, die er bereits hat. Das nutze ich stattdessen: direkte API-Aufrufe in Skripten, ein Skill zur Dokumentation und ein Proxy, damit niemand Keys lokal auf dem Laptop speichern muss.
Halte deine Repos unabhängig vom Harness
In einer normalen Woche verwende ich vier verschiedene KI-Coding-Tools. Drei Vorgehensweisen sorgen dafür, dass meine Repositories mit allen funktionieren, und ein Problem habe ich noch nicht gelöst.
Kleine Modelle sollten entscheiden, was große Modelle sehen
Ein großes Modell kleinere orchestrieren zu lassen, ist inzwischen üblich. Der größere Gewinn liegt meiner Meinung nach darin, kleine Modelle darum herum einzusetzen: Sie wählen den Kontext aus, filtern die Ergebnisse der Tools und verdichten Informationen, solange sie noch frisch sind.
Jede Business-App, die ich gebaut habe, brauchte dieselben vier Seitentypen
Vier Jahre interne Tools und Kundenportale, und die Seitenstruktur blieb fast identisch: eine Startseite pro Benutzergruppe, die langweiligen Utility-Seiten, eine Entity-Seite pro Objekt und eine Detailseite dahinter. Was wohin gehört und wie man das entscheidet.
Ein einfacher Effizienztrick für KI-Chatprodukte
Die meisten KI-Chat-Apps benennen eine Konversation entweder nur einmal oder nach jeder Nachricht neu. Eine einfache Logik dazwischen hält die Titel aktuell und senkt die Kosten für dieses Feature um etwa 75%.
Die Beherrschung von n8n-Sub-Workflows kann Sie gefährlich gut in KI machen
Dies sieht aus wie ein n8n-Artikel, ist aber keiner. Einen wiederkehrenden Job in Schritte zu unterteilen, jedem Schritt nur den benötigten Kontext zu geben und pro Schritt ein Modell zu wählen, sind die Fähigkeiten, die darüber entscheiden, ob etwas, das Sie mit KI bauen, bezahlbar bleibt. In n8n lassen sich diese Prinzipien am leichtesten erkennen.
Die meisten KI-Agenten sollten keine Agenten sein
Innerhalb weniger Monate habe ich die Zahl der Agenten in meinen produktiven Workflows um etwa fünf reduziert. An ihre Stelle traten: ein kleines Modell, das Anfragen weiterleitet, festgelegte statt zur Laufzeit entschiedene Schritte und von Hand geladener und gespeicherter Gesprächskontext. Hier ist das Canvas.
Konkrete Tipps: Von einfachem RAG zu besserem RAG
Das Setup aus jedem Tutorial lässt kaum Kontrolle über die Query zu: eine Anfrage pro Aufruf und vier Chunks zurück. Sechs Änderungen im n8n Canvas fixen das, von Multi-Query bis zum Relevance Threshold.