Ki

DeepReinforce trainiert ein Coding-Modell, das sein eigenes Agenten-Harness lernt. Ich habe das 9B lokal auf einem M3 Max getestet. Die Idee ist stark, die Benchmarks sind selbstberichtet, und der größte Stolperstein steckt in der Verpackung.

Agent-Memory ist ein Architekturproblem, kein Schalter. Ein strukturierter Überblick: die kognitiven Memory-Funktionen, warum das Kontextfenster kein Gedächtnis ist, RAG bis GraphRAG mit ihren realen Kosten, und wo n8n nativ an seine Grenzen stößt.

Im Finale setzen wir den lokalen Agenten dorthin, wo in Xcode sonst Claude oder ChatGPT sitzen. Apple hat den lokalen Provider-Slot auf der WWDC26 gezeigt, wir haben macOS 27 und Xcode 27 gezielt installiert, um es zu verproben. Wie weit kommt das geliehene kleine Modell dort? Artikel 13 der Reihe „Ein lokaler Coding-Agent mit apfel".

Das Reihen-Finale: n8n bindet sich mit echtem OAuth-Flow gegen einen eigenen Service auf SAP BTP an. Client Credentials gegen den xsuaa-Token-Endpunkt, ein CAP-Service als SAP-nativer Stellvertreter, die n8n-OAuth2-Credential und ein Workflow, der ein Ticket mit einer Fall-ID aus BTP anreichert.

Gemma 4 12B gilt als das kompletteste lokale Modell. Für Python habe ich drei Varianten auf einem M3 Max gegeneinander laufen lassen, mit echter Code-Ausführung, inklusive eines Parsers, an dem alle drei scheitern.

MTPLX verspricht lokale LLMs auf dem Mac deutlich schneller, über die eingebauten MTP-Heads von Qwen 3.6. Nachgemessen auf einem M3 Max, mit echten Zahlen statt Werbeversprechen.

Microsoft feiert Majorana 2 als 1000-fach stabileren Quantenchip. Das Fundament sind Majorana-Quasiteilchen, deren Existenz in der Physik bis heute umstritten ist. Eine Einordnung mit technischem Hintergrund und Quellen.

Elf Artikel lang ging es darum, was n8n kann. Dieser ordnet ein, wo es nicht hingehört: gegenüber SAP Cloud Integration mit ihrem EAI-Erbe und der Edge Integration Cell mit ihrer Datengrenze. Mit einem Entscheidungsbaum statt eines Werkzeug-Verrisses.

Der Betrieb wird produktionsreif. Dieser Artikel stellt die Single-Process-Instanz auf den Queue-Mode um: Main nimmt Webhooks an und reiht Executions in Redis ein, Worker führen sie aus. Mit Worker-Skalierung, Queue-Metriken, einer Produktions-Checkliste und einer Einordnung, was der Queue-Mode nicht leistet.

Die Pipeline reichert ihre Tickets jetzt mit Stammdaten aus einem SAP-Backend an. Dieser Artikel zeigt die OData-Anbindung über HTTP, das SAP-eigene Fehlerformat, graceful degradation bei unbekanntem Kunden und wo AIF komplementär bleibt.

ChatGPT klingt nachdenklich. Claude klingt empathisch. Trotzdem ist da niemand zuhause. Eine mechanistische, philosophische und gesellschaftliche Einordnung des Unterschieds zwischen Sprachmodellen und Bewusstsein.

Drei Tage nach dem Launch zwingt eine Exportkontroll-Direktive Anthropic, Fable 5 und Mythos 5 für alle Kunden abzuschalten. Was passiert ist, warum, und was es bedeutet.

Der lokale Agent läuft ohne Key und ohne Cloud. Doch worauf ruht diese Unabhängigkeit? Zwei Veröffentlichungen derselben Woche, ein Cloud-Handoff von Anthropic und Apples MLX-Stack, ziehen die Frage scharf. Eine nüchterne Einordnung. Artikel 12 der Reihe „Ein lokaler Coding-Agent mit apfel".

Der Agent bekommt eine dritte Oberfläche. Hinter einem Hummingbird-Server streamt er seine Arbeit per Server-Sent-Events in den Browser, samt Bestätigung per Klick. Derselbe Kern wie im Terminal, nur eine andere Senke. Artikel 11 der Reihe „Ein lokaler Coding-Agent mit apfel".

MCP verschiebt das Schreiben von Werkzeugen aus dem Agenten zu eigenen Servern. Wir bauen einen kleinen MCP-Server, hängen ihn an apfel und messen, was MCP löst und was nicht. Artikel 10 der Reihe „Ein lokaler Coding-Agent mit apfel".

Ein einzelnes AI-Backend degradiert bei Ausfall zum regelbasierten Notausgang. Dieser Artikel baut aus zwei lokalen Modellen echte Redundanz: Round-Robin im Normalbetrieb, automatisches Failover bei Einzelausfall, Rule-Based erst wenn beide tot sind.

Aus dem One-Shot-Kommando wird eine interaktive REPL-Sitzung. Der Schlüssel zur Testbarkeit ist die strikte Trennung von Render-Logik und Terminal-I/O. Artikel 9 der Reihe „Ein lokaler Coding-Agent mit apfel".

Die Platforms State of the Union der WWDC26 im Überblick: Das Foundation Models framework öffnet sich für Server-Modelle und wird quelloffen, das neue Core AI bringt eigene Modelle on-device, und Xcode 27 stellt agentisches Coding ins Zentrum.

Zwei Monate nach der Warnung, Mythos sei zu gefährlich zum Veröffentlichen, gibt Anthropic die Mythos-Klasse öffentlich frei. Eine Einordnung von Claude Fable 5 und Mythos 5 zwischen Benchmark-Rekorden, Preis-Taktik und 30-Tage-Datenretention.

Der naive Agent-Loop endet, wenn das Modell schweigt, und das ist nur eine Selbsteinschätzung. Wir bauen einen Loop, dessen Abbruch eine maschinelle Prüfung ist, mit Iterationslimit und Kontext-Budget als Schutzgrenzen. Artikel 8 der Reihe „Ein lokaler Coding-Agent mit apfel".

Apple zeigt auf der WWDC26, wie MLX große Sprachmodelle über mehrere Macs verteilt. RDMA über Thunderbolt 5, die JACCL-Bibliothek und ein Cluster aus vier M3 Ultra, der ein Billion-Parameter-Modell lokal ausführt.

Bis hierher liefen zwei getrennte Pfade: der regelbasierte Eingang und die AI-Klassifikation. Dieser Artikel führt sie zu einer Pipeline zusammen, macht die Klassifikation zur austauschbaren Stufe und stellt den regelbasierten Classifier als bewussten Fallback hinter das Modell.

Anthropic hat ein Swift-Package veröffentlicht, das Apples Foundation Models Framework an Claude koppelt. Interessant ist nicht Claude in einer App, sondern das Übergabe-Muster: On-Device für schnell und billig, Claude für das Schwere.

Der naive Datei-Edit scheitert am kleinen Modell. Wir bauen den Agenten um diese Schwäche herum, mit Constrained Output und einem zweistufigen Edit-Workflow, und messen, wie viel sich zurückholen lässt. Artikel 7 der Reihe „Ein lokaler Coding-Agent mit apfel".

Ein reproduzierbares Eval mit 15 Aufgaben in fünf Kategorien misst, wo das lokale Foundation Model als Coding-Agent überzeugt und wo es kippt. Mit Cloud-Stichprobe und einer eigenen Messung dessen, was das Modell über seinen eigenen Erfolg behauptet. Artikel 6 der Reihe „Ein lokaler Coding-Agent mit apfel".

Der AI-Classifier läuft, aber was passiert beim Modell-Ausfall? Ein globaler Error-Workflow mit Telegram-Alert, ein Observability-Stack aus Prometheus, Loki und Grafana, und ein stiller Fallback, der sichtbar gemacht werden will.

Wir bauen die ersten Werkzeuge, mit denen der Agent etwas verändert, und sichern sie ab — Pfad-Sandbox, Bestätigungs-Gate, Diff vor dem Schreiben und Defense-in-Depth für die Shell. Artikel 5 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir bringen dem Agenten bei, Werkzeuge zu rufen — Tool-Definition im OpenAI-Schema, der Round-Trip aus Aufruf, Ausführung und Fortsetzung, und eine Tool-Abstraktion in Swift. Artikel 4 der Reihe „Ein lokaler Coding-Agent mit apfel".

Ein Forschungs-Preprint zeigt einen Computerwurm, der ein lokales Sprachmodell auf gekaperten Rechnern ausführt und seine Angriffe pro Ziel selbst entwickelt. Was an dem Proof of Concept neu ist, was nicht, und warum Patch-Management allein nicht mehr genügt.

Wir legen ein Swift-Package an, bauen einen async HTTP-Client gegen apfel --serve und verarbeiten SSE-Streaming Token für Token — Artikel 3 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir starten apfel als lokalen OpenAI-kompatiblen Server, gehen alle Endpoints durch und sehen, wo das Protokoll von OpenAI abweicht — Artikel 2 der Reihe „Ein lokaler Coding-Agent mit apfel".

Wir installieren apfel, gehen die drei Modi (Prompt, Serve, Chat) durch, sehen wo das on-device-Modell trägt und wo es wackelt — Artikel 1 der Reihe „Ein lokaler Coding-Agent mit apfel".

Eine Reihe nimmt das Foundation Model in den Blick, das jeder Apple-Silicon-Mac mit macOS 26 mitbringt — und baut darauf einen Coding-Agenten in Swift, der lokal läuft.

Wie ein n8n-Workflow Tickets mit einem lokalen Sprachmodell klassifiziert: strukturierter Output, zwei Backends ohne Cloud-Key, deterministische Sprach-Erkennung und ein Benchmark, der seine eigene Schwäche zeigt.

Anthropic hat Claude Opus 4.8 veröffentlicht: gleicher Preis wie 4.7, ein deutlicher Sprung bei Coding und Reasoning, eine messbar geringere Neigung, eigene Code-Fehler zu verschweigen, und Dynamic Workflows mit hunderten parallelen Subagenten.

Artikel 7 der Hummingbird-Reihe. Wir messen das LLM-Gateway gegen funktional äquivalente Implementierungen in FastAPI und Fastify — mit fairem Middleware-Stack, deterministischem Backend-Stub und oha als Lastgenerator. Was dabei rauskommt, ist gleichzeitig das erwartete und das überraschende Ergebnis.

Artikel 6 der Hummingbird-Reihe. Wir ergänzen das Gateway um Prometheus-Metriken via swift-metrics und swift-prometheus, einen /metrics-Endpoint, MetricsMiddleware und TracingMiddleware. Dazu Cross-Compile auf ein statisch gelinktes Linux-Binary via Swift Static Linux SDK, ein Multi-Stage-Dockerfile und eine systemd-Unit für den Betrieb auf bare-metal Linux.

Artikel 5 der Hummingbird-Reihe. Wir fügen API-Key-Auth, Token-Bucket-Rate-Limiting und spec-konforme Error-Responses hinzu — und nutzen dabei den generischen RequestContext aus Hummingbird 2, das Feature das uns typsicheren Middleware-Zustand ohne Dictionaries gibt.

Artikel 4 der Hummingbird-Reihe. Wir ergänzen beide Endpoints um Streaming via Server-Sent Events: MLXClient.completeStream als AsyncThrowingStream, Anthropic-Events, OpenAI-Chunks, Task-Cancellation. Tokens erscheinen beim Client direkt während das Modell generiert.

Artikel 3 der Hummingbird-Reihe. Wir verbinden das Gateway mit mlx_lm.server: MLXClient als Swift actor, Formatkonvertierung von Anthropic nach OpenAI, Fehler-Mapping mit HTTP-Statuscodes. Nach diesem Artikel liefert das Gateway echte Modellantworten.

Artikel 2 der Hummingbird-Reihe. Wir implementieren die Anthropic Messages API und die OpenAI Chat Completions API im selben Gateway: Codable-Typen für beide Protokolle, zwei POST-Endpoints, Eingabevalidierung, Mock-Inferenz.

Prolog · Serie: Swift auf dem Server mit Hummingbird. Warum Swift auf dem Server 2026 keine Liebhaberei mehr ist, wie Hummingbird sich von Vapor unterscheidet und warum wir ein lokales LLM-Gateway als Demo-Projekt gebaut haben.

Ab macOS 17 können Drittanbieter-Apps MLX direkt als System-Framework nutzen.

Warum lokale Sprachmodelle 2026 zur echten Alternative werden — MLX, Unified Memory und ein Stack, der ohne Cloud funktioniert.