Die Evolution eines Agenten.
Wir bauen einen Agenten so auf, wie er wirklich entsteht: Schicht für Schicht. Jedes Bauteil löst ein konkretes Problem des vorherigen - vom ersten LLM-Call bis zum Schwarm.
Der Agent-Harness.
Fünf Bauteile machen aus einem nackten LLM-Call einen Agenten: Gespräch, Identität, Werkzeuge, Grenzen. Jedes Bauteil mit Basics für alle, Experimenten für Member und Deep-Dives für Pro.
Der LLM-Call
Ein Request, eine Antwort - der rohe Baustein, aus dem alles andere entsteht. Und die wichtigste Erkenntnis gleich zu Beginn: Das Gehirn ist nicht im Agenten. Es ist am anderen Ende der Leitung.
Message-History
Nach jeder Antwort legen wir auf - der nächste Anruf beginnt bei null. Kontext entsteht erst, wenn wir das Protokoll des Gesprächs jedes Mal komplett vorlesen.
System Prompt
soul.md - wer bin ich heute? Persönlichkeit, Rolle und Regeln als allererste Nachricht: die Individualisierung des Agenten.
Tools & Loop
Das LLM kann nur reden - handeln muss der Harness. Tool-Definitionen, Ausführung und Routing: hier entsteht die Agent-Loop, und aus dem Sprachmodell wird ein Agent.
Guardrails
Die Hausordnung des Agenten: was er nie tun darf, wie Fehler abgefangen werden - und warum Grenzen kein Misstrauen sind, sondern Architektur.
Für alle frei: das Konzept, die Analogie, das Warum.
Mit kostenlosem Konto: Experimente, Quizze und die Vertiefung.
Für Pro-Mitglieder: die Tiefe für alle, die es wirklich bauen wollen.
Die Erweiterungen.
Alles, was du an einen Agenten anbaust - auch an einen fertigen wie Pi oder Hermes: Memory, MCP-Server, Sidecars, Kanäle & Trigger, am Ende der Schwarm. Der Block wächst von vorn: Bauteile mit eigener Seite stehen oben, die übrigen darunter als Roadmap.
Memory
Ein Agent erinnert sich nie - er schickt mit. Wie Informationen überhaupt in den Kontext kommen, was einmal pro Session und was pro Anfrage mitfährt, und ab wann dafür ein eigener Dienst neben dem Agenten steht.
MCP-Server
Das Protokoll, über das eine Fähigkeit auffindbar und aufrufbar wird. Warum vor MCP jeder Harness seine eigene Werkzeug-Anbindung schrieb, was ein Server anbietet - Werkzeuge, Ressourcen, Prompts -, und welcher der beiden Transporte wann der richtige ist.
Sidecars
Was am anderen Ende eines Tools hängt: ein zustandsloser Dienst neben dem Agenten, der eine Fähigkeit anbietet und nach der Antwort nichts behält. Warum das ein eigener Container ist und nicht eine Funktion im Agenten-Prozess.
Tool-Calling im Betrieb
Der Werkzeugaufruf funktioniert im Prototyp und zerbricht in Produktion - nicht am Modell, sondern an sechs Übersetzungen dazwischen. Was schiefgeht, warum es so schwer zu sehen ist, und was man dagegen baut.
Tiny Agents und die Kompressionsgrenze
Zweihundert Werkzeuge passen in keinen Kontext - und die Werkzeugliste ist dabei das billigere der beiden Probleme. Warum dynamisches Filtern zu kurz greift, und was eine Kompressionsgrenze stattdessen tut.
Guardrails im Betrieb
Die Hausordnung im Harness ist die erste Verteidigung - aber der Harness ist Partei: Er führt aus, was das Modell sagt. Im Betrieb steht deshalb eine zweite Kontrollebene außerhalb. Was sie sieht, was sie verhindert, was sie nur beweisen kann.
- Kanäle & Trigger
In Vorbereitung
- Schwarm
In Vorbereitung
Die Inferenz.
Das Gehirn am anderen Ende der Leitung: welche Modelle es gibt, welche Engines sie servieren, welche Hardware sie brauchen - und wie man sie ehrlich vergleicht.
Wie ein LLM funktioniert
Am anderen Ende der Leitung sitzt kein Wissen und kein Plan - nur eine Maschine, die das nächste Token rät. Warum genau dieses Raten reicht, um zu übersetzen, zu programmieren und zu argumentieren, ist die Grundfrage von Block III.
Die Modell-Landschaft
„Das eine LLM" gibt es nicht - es gibt hunderte Modelle, in allen Größen, offen und geschlossen. Die gute Nachricht: Dein Harness bleibt derselbe. Nur die Nummer, die er wählt, ändert sich.
Was in einem Modell-Download steckt
„Lokal betreiben" heißt: ein Ordner mit ein paar Gigabyte darin. Welche Datei welche Aufgabe hat - und warum ausgerechnet die kleinste davon, das Chat-Template, darüber entscheidet, ob dein Modell antwortet oder stottert.
Inferenz-Engines
Eine Modelldatei ist nur ein Sack voller Zahlen. Dass daraus eine API wird, die auf deinen Call antwortet, ist die Arbeit der Inferenz-Engine - des Plattenspielers, der die Platte abspielt.
Hardware
Warum reden beim Thema LLM alle über Grafikkarten? Weil Speicher die harte Grenze ist: Er entscheidet, welche Modelle du überhaupt wählen kannst - und was jede Antwort kostet.
Benchmarks
Jede Woche „schlägt" ein neues Modell alle anderen. Benchmarks machen aus diesem Lärm Zahlen - nützlich fürs Grobsortieren, gefährlich, wenn man ihnen blind glaubt.
Feintuning
Irgendwann fällt in jedem Projekt der Satz „dann trainieren wir das Modell eben auf unsere Daten“. Meistens ist er verfrüht. Feintuning bringt einem Modell Form und Verhalten bei, kein Wissen - und das ist der Unterschied, an dem die meisten Missverständnisse hängen.