KI / SprachmodelleModelle, die mit viel Text trainiert sind und Sprache verstehen und erzeugen: LLMs, Embeddings, RAG und lokale Modelle im Einsatz.
LLM-WikiAndrej Karpathys Muster für persönliches Wissen: Ein LLM-Agent liest jede Quelle einmal und arbeitet sie in wachsende, verlinkte Notizen ein.
Retrieval-Augmented GenerationFragen mit einem Sprachmodell beantworten, indem zuerst passende Stellen aus einem Wissensbestand gesucht und dem Modell als Kontext mitgegeben werden.
Claude APIDie Programmierschnittstelle von Anthropic zu den Claude-Modellen. Wird getrennt von einem claude.ai-Abo abgerechnet, mit Schlüsseln aus der Claude Console.
OpenRouterEine API für viele Sprach- und Bildmodelle verschiedener Anbieter, kompatibel zum Chat-Completions-Format von OpenAI, abgerechnet über Guthaben.
Die Suche meiner Wissensdatenbank vermessenFünf lokale Embedding-Modelle gegen 26 Testfragen: warum die Suche jetzt mit BGE-M3 statt multilingual-e5-small läuft, mit einem neuen Mindestwert.
RSS-Meldungen mit n8n und OpenRouterAnleitung: n8n liest Sicherheitsmeldungen, ein Sprachmodell bewertet und schreibt sie neu, ein eingeschränktes SSH-Skript committet sie ins Git-Repo einer statischen Seite.
Safari-Lesezeichen-SortiererPython-Skript, das Safari-Lesezeichen mit Claude Haiku in Ordner sortiert und das Ergebnis als Importdatei an Safari gibt, damit iCloud es überträgt.
Wie ein LLM-Wiki funktioniertWie ein LLM-Wiki funktioniert, am Beispiel dieser Wissensdatenbank: Markdown in einem eigenen Git-Repository, ein Python-Tool mit MCP für Agenten und eine Website, die nur anzeigt.