Claude-Agenten übernehmen Browser, Terminal und Smartphone (2026-03-22)

Anthropic baut seine Agenten-Infrastruktur zur vollständigen Plattform aus – Claude Code, Cowork, Channels und Dispatch im Verbund

Sonntag, 22. März 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 45 kuratierten KI- und Coding-YouTube-Kanälen durch — mit Substanz, kein oberflächliches Top-5. Pro Video eine vollständige Zusammenfassung, dazu ein Wochen-Überblick zu den dominanten Themen. Lies in Ruhe — oder kopier eine Zusammenfassung in den LLM deiner Wahl und geh in die Tiefe. Den Link unter jeder Zusammenfassung anklicken, um das Original-Video zu sehen.

Model-Releases & Benchmarks

Die Subagenten-Architektur wurde diese Woche zum industrieweiten Signal: OpenAI veröffentlichte GPT-4.1 Mini und Nano mit dem expliziten Hinweis, sie seien für Subagenten-Einsatz konzipiert – Cole Medin zeigte, dass Nano bei 188 Token/Sekunde etwa fünfmal günstiger als Claude Haiku 4.5 ist und auf LiveBench besser abschneidet. Cursor stellte Composer 2.0 vor (0,50 Dollar pro Million Input-Tokens, laut eigenem Cursor-Bench auf 70 Prozent der Spitzenleistung) sowie die überarbeitete IDE-Oberfläche Cursor Glace mit mehreren parallelen Terminals. Minimax M2.7 aus China war das zweite große Release: 56 Prozent auf SWE-bench Pro, bis zu 50-mal günstiger als Opus 4.6, entwickelt durch über 100 autonome Trainingsiterationen – WorldofAI testete Frontend-Demos, in denen M2.7 Opus 4.6 bei Animationen teils übertraf. Moonshot AI (Kimi) publizierte zudem Attention Residuals, eine Modifikation der seit 2015 unveränderten Residual-Connections in Transformer-Architekturen: Schichten wählen selektiv frühere Layer-Outputs, statt alle gleich zu gewichten – bei 48 Milliarden Parametern sprangen Reasoning-Metriken um mehrere Punkte, bei unter vier Prozent Training-Overhead.

Local & Open-Source AI

NeuralNine stellte die Dell Pro Max mit GB10 vor – NVIDIAs Grace-Blackwell-Chip auf dem Schreibtisch, 128 GB Shared Memory, eine Petaflop FP4, läuft mit DGXOS und ermöglicht Inferenz mit bis zu 200 Milliarden Parametern ohne API-Kosten. NVIDIA kündigte auf der GTC 2026 zudem NemoClaw an, eine Enterprise-Wrapper-Architektur um OpenClaw mit integrierten Policy Engines und Privacy Router, sowie die Nemotron-3- und Nemotron-3-Ultra-Modelle. Alex Finn berichtete von seiner DGX Spark, auf der er eigene Modelle auf YouTube-Transkripten trainiert, und plant mittelfristig, Cloud-APIs durch lokale Modelle wie Qwen zu ersetzen.

Claude Code & Anthropic-Tooling

Die praktischen Tutorials zu Claude Code dominieren zahlenmäßig die ganze Woche. Leon van Zyl demonstrierte, wie das auf eine Million Tokens erweiterte Kontextfenster konkret einsetzbar ist: Produktanforderungsdokumente vollständig laden, Waves planen, Agent Teams parallel implementieren lassen – Tools wie Autoforge erlauben dabei deutlich mehr Features pro Session. Cole Medin destillierte über 2000 Stunden Praxis in das WHISK-Framework: externalisiertes Gedächtnis über Git-Commits, Sub-Agenten für Recherche (Scout-Pattern), vierschichtiges Kontext-Loading und Komprimierung nur als letztes Mittel. Matt Pocock zeigte an einem echten Feature-Build, wie fünf täglich verwendete Skills – Grill Me, Write a PRD, PRD to Issues, TDD, Architecture Improvement – den Agenten in einen definierten Prozess zwingen, statt ihn frei iterieren zu lassen. Melvynx identifizierte fünf Unternehmensfehler: fehlende claude.md-Konfiguration, zu wenig Berechtigungen, keine standardisierten Skill-Workflows, Entwickler die selbst wie Agenten arbeiten statt mehrere zu monitoren, und zu langsame manuelle Code-Reviews. Mark Kashef zeigte drei Context-Bloat-Features – /by-the-way, /fork und das neue context fork in Skill-Dateien – live an einem Consulting-Szenario mit Obsidian-Vault-Suche. Julian Ivanov stellte zehn konkrete Skills vor, darunter Remotion für gerendertes MP4-Video, Context7 für aktuelle API-Dokumentation ohne Halluzinationen und das Feature Death Plugin für strukturierte siebenphasige Feature-Entwicklung.

Coding Agents (non-Claude)

Melvynx lieferte den präzisesten Vergleich der drei Haupttools: Bei 20 Dollar im Monat gewinnt Codex mit GPT-4.1 wegen günstigerer Token-Kosten; bei 200 Dollar dominiert Claude Code durch massive Subventionierung (bis zu 5000 Dollar API-Wert laut einem zitierten Tweet); für Unternehmen bleibt Cursor die Empfehlung, sofern vom Arbeitgeber bezahlt. Das zugrundeliegende Modell hat dabei stärkeren Einfluss auf die Ausgabequalität als die Tool-Unterschiede selbst. DevExpert demonstrierte, wie Codex (mit Claude Code als Alternative) ein Android-Schulungsprojekt mit 47 historischen Commits in unter einer Stunde vollständig aktualisierte – eine Aufgabe, die vorher tagelange Handarbeit erfordert hätte. Theo beobachtete, dass das klassische IDE-Modell für parallele Agenten-Arbeit an Dutzenden Projekte nicht mehr passt und experimentiert mit T3 Code als Multi-Projekt-Orchestrierungsansatz.

Personal AI OS & Agent-Frameworks

OpenClaw war in zahlreichen Videos präsent, verlor aber konzeptionell Terrain. Alex Finn baute ein eigenes AI Research Lab mit OpenClaw und dem Hermes Agent sowie Andrej Karpathys Auto-Research-Framework – drei parallele Experimente laufen autonom, ein R&D Council aus fünf Agenten debattiert Features zweimal täglich. Sein Tutorial zur OpenClaw Mission Control zeigt ein Kanban-Board, Activity Feed, Content Pipeline und ein Life-CRM als Gesamtsystem. Melvynx erklärte in einem Anfänger-Tutorial das vollständige VPS-Setup mit OpenClaw inklusive Gmail/Google Calendar via OAuth2. Dave Ebbelaar plädierte gegen das Klonen fertiger Repositories und zeigte stattdessen eine selbstgebaute Architektur: FastAPI, Celery, Redis Queue, Caddy als Reverse Proxy, dreischichtiges Kontext-Loading und Claude Code SDK für Agent-Ausführung unter dem Namen Data Lumina OS. Simone Rizzo erklärte die Speichermechanismen vergleichend: OpenClaw nutzt tägliche Markdown-Logs plus Memory.md mit automatischer Memory Flush vor Komprimierung; Coding-Agenten kombinieren Datei-Tools mit SQLite; Recursive Language Models (MIT) verwalten lange Kontexte als Python-Variablen statt als Tokens. Andrej Karpathy beschrieb im No-Priors-Podcast sein selbst entwickeltes „Dobby”-System, das Smart-Home-APIs autodidaktisch reverse-engineerte und per WhatsApp gesteuert wird – und formulierte die Vision von Forschungsorganisationen als konkurrierende Programm-MD-Dateien.

AI-Automation & Workflows

Nate Herk argumentierte, dass n8n-Kenntnisse nicht obsolet werden, sondern zur Grundlage für agentic Workflows werden: Claude und trigger.dev ermöglichen Automatisierungen durch natürliche Sprache statt manuelles Node-Verkabeln, aber wer Datenflüsse und Fehlerbehandlung versteht, kann diese Systeme sinnvoll steuern. Er demonstrierte einen LinkedIn-Content-Agent mit automatischer Infografik-Generierung via Nano Banana Pro. Nate Herk zeigte außerdem einen vollautomatischen Social-Media-Workflow: Claude Code extrahiert YouTube-Video-Inhalte, schreibt plattformspezifische Texte für neun Kanäle und generiert visuelle Assets für Instagram Carousel und X, veröffentlicht über Blot. AI mit Arnie präsentierte das Auto-Research-Framework von Andrew Carbaffi: ein KI-System testet autonom Variationen, misst Verbesserungen und committed nur funktionierende Änderungen per Git – in einer Live-Demo stieg ein OpenCloud-Dokumentations-Skill von 60/100 auf 98/100. Zubair Trabzada demonstrierte drei MCPs für Claude Desktop (Canva, Zapier mit 8000 Apps, Stripe) sowie Claude Dispatch für lokale Smartphone-gesteuerte Workflows.

AI-Video & Content Creation

Nick Saraev zeigte, wie Claude Code, Kling 3.0 (über Higgsfield) und Netlify zusammen 3D-Scroll-Websites mit animierten Hero-Headern für zwei bis drei Dollar in Token-Kosten produzieren – Projekte, die früher 5000 bis 10.000 Dollar kosteten. Nate Herk baute einen automatisierten neun-Plattformen-Content-Workflow, bei dem Claude Code Thumbnails generiert und Instagram-Carousels formatiert. Google Stitch wurde mehrfach besprochen: Die überarbeitete Plattform mit Infinity Canvas, Voice-Vibe-Design via Gemini Live, Instant Prototypes und exportierbarem Design-System-Markdown erhielt von Fireship, WorldofAI und Everlast AI überwiegend starke Reaktionen. Google AI Studio Build Mode wurde von WorldofAI als vollständige Full-Stack-Plattform mit Firebase-Backend, Multiplayer-Support und Echtzeit-Kollaboration vorgestellt – kostenlos zugänglich.

AI-Business, Marketing & Freelancing

Liam Ottley dokumentierte eine achtstündige Workshop-Session in Kapstadt: Sechs Gründer aus unterschiedlichen Branchen richteten ein Claude-Code-basiertes AI Operating System ein und erreichten konkrete Outcomes – automatisierte Competitor-Analysen, Financial Reporting, Zoho-Integration für Unbezahlte-Rechnungen-Abfragen. Die zentrale These: Claude Code ist kein Programmier-Tool, sondern ein universeller Wrapper um bestehende Geschäftsmodelle, der Gründern ermöglicht, 80 Prozent operativer Zeit zurückzugewinnen. Ben AI zeigte Claude Cowork für Sales-Automation: Ein Prospect-Miner-Skill durchsucht verlorene CRM-Leads, scrapt LinkedIn-Profile via Appify und priorisiert nach ICP; ein Win-Loss-Analysis-Skill wertet Transkripte und CRM-Daten aus. Nick Saraev veröffentlichte einen umfassenden Cold-Email-Kurs mit sieben psychologischen Prinzipien und dem Vier-Schritte-Copywriting-Framework (Personalisierung, Wer-bin-ich, Angebot, CTA) – ohne spezifische KI-Tools, aber als strategische Grundlage für AI-gestützte Outreach.

PKM & Knowledge Management

Mark Kashef zeigte, wie Claude Code über Obsidians CLI eine maßgeschneiderte Vault-Struktur mit eingebauten Slash-Commands aufbaut und danach persistent auf alle Projektdaten zugreift – mit Gemini für die PDF-Synthese großer Dokumente. Julian Ivanov stellte ein Obsidian-Plugin für Claude vor, das Notizen verlinkt und zusammenfasst und Claude so zu einem persönlichen Assistenten mit Gedächtnis macht. Sebastian Dubois präsentierte das TaskNotes-Plugin: Aufgaben als verlinkte Obsidian-Notizen mit Status-Workflows, Kanban-Ansichten über Obsidian Bases und Google-Calendar-Integration für Time-Blocking – alles als durchsuchbarer Text ohne proprietäres Format.

Prompting & AI-Literacy

Kyle Balmer strukturierte einen siebenstufigen AI Skill Tree von „Beyond Google” (AI als Denkpartner statt Suchmaschine) bis „AI Operator” (lokale Modelle, Fine-Tuning, eigene Frameworks) und empfahl Google AI Studio Build Mode als friktionsfreien Einstieg für absolute Anfänger. Alejandro AO erklärte systematisch den Skill-Lebenszyklus: Vier Erfolgsdimensionen (Outcome, Process, Style, Efficiency), manuelle Validierung mit expliziten, impliziten und negativen Kontroll-Prompts, und LLM-as-Judge für automatisiertes Testen. Kyle Balmer beobachtete außerdem eine wachsende Nutzer-Spaltung: Wer in bessere Pläne investiert, erlebt Claude als unverzichtbares Werkzeug; wer auf veralteten kostenlosen Versionen bleibt, bleibt desillusioniert – ein sich selbst verstärkender Kreislauf.

AI-Industrie & Strategie

Nate B. Jones’ Analyse von Perplexity Computer (19 Modelle, 200 Dollar/Monat, Orchestrations-Layer) mündete in eine Kartierung des gesamten Middleware-Marktes: Model-Provider bauen Konkurrenzprodukte, Hyperscaler sichern sich exklusive Distribution (AWS für OpenAI Frontier, Microsoft mit 20 Prozent Revenue-Share bis 2032), und wer nicht Anthropic, OpenAI, Google, Meta oder ein Cloud-Provider ist, muss sofort eine der vier haltbaren Positionen finden – proprietärer Kontext, Agenten-Infrastruktur, Workflow-Tiefe oder Trust-and-Verification. Leonard Schmeddings Vortrag bei Everlast AI beschrieb die „SaaS Apocalypse”: Claude Codes Legal-Plugin löste laut Schmedding einen Börsencrash von fast 300 Milliarden Dollar bei Legaltech-Unternehmen aus; die Kernthese ist, dass Agenten ohne strukturierten KI-Wissensspeicher blind sind und jede Optimierung am falschen Ende ansetzt. Datapizza berichtete, dass Anthropic zwei Bundesrechtsbeschwerden gegen das Pentagon eingereicht hat (1. und 5. Zusatzartikel) sowie ein eigenes Forschungsinstitut für soziale, wirtschaftliche und rechtliche KI-Auswirkungen gegründet hat. Yann LeCun kündigte AMI Labs an – 890 Millionen Euro Finanzierung, Paris, Fokus auf World Models statt LLMs, erster Partner Nabla im Gesundheitsbereich.

AI & Gesellschaft / Future of Work

Nate B. Jones untermauerte mit Forrester-Daten (55 Prozent der Arbeitgeber bereuen AI-bedingte Kündigungen) und Harvard-Studiendaten, dass Senior-Positionen steigen, weil sie organisatorisches Gedächtnis halten – und beschrieb Eval-Design als die höchste Leverage-Aktivität für Profis in der Agenten-Ära. Eine Mount-Sinai-Studie zu ChatGPT Health identifizierte vier generalisierbare Fehlermuster für AI-Agenten: Invertierte U-Kurve (Versagen an den Extremen der Verteilung), Reasoning-Output-Entkopplung, Social-Context-Hijacking und Guardrails, die auf Oberflächenmuster statt echte Risikotaxonomie reagieren. Der Zukunftsforscher Sven Gabor Janszki prognostiziert für 2035 eine Botonomie (80 Prozent der ökonomischen Transaktionen zwischen KI-Agenten), massenmarkttaugliche Humanoide und BCIs sowie Longevity-Durchbrüche – und hält ein globales koordiniertes Grundeinkommen für die wahrscheinlichste politische Antwort. David Shapiro beschrieb den psychologischen Stimmungswechsel von „intellektueller Akzeptanz” zu einem dunkleren Unbehagen und gab bekannt, sein 180.000-Wörter-Buch über Post-Labor-Ökonomie fertiggestellt zu haben. Microsoft-KI-Chef Mustafa Suleiman prognostizierte in einem vielbeachteten Interview die weitgehende Automatisierung von White-Collar-Jobs binnen 18 Monaten; TheAIGRID kontrastierte das mit Gartner-Daten, die bis 2026 neutrale Jobauswirkungen und ab 2028 mehr geschaffene als vernichtete Stellen zeigen – bei 32 Millionen transformierten Jobs pro Jahr dazwischen.

Kurz notiert

Fireship behandelte Ageless Linux, ein Bash-Skript, das das kommende kalifornische Altersverifikationsgesetz AB-1043 technisch unterläuft und als ziviles Ungehorsam-Projekt positioniert ist. Simone Rizzo spekulierte philosophisch über zwei Forschungsdurchbrüche: das vollständig kartierte Fruchtfliegenhirn in Simulation (Ion System) und biologische Neuronenfarmen auf Chips (Cortecalabs, demonstriert mit Doom). TheAIGRID erklärte Elon Musks Terafab-Vision: eine Chip-Fabrik in Austin plus Weltraum-Infrastruktur via SpaceX und Optimus-Roboter mit dem Ziel einer Terawatt an KI-Compute. DLSS 5 von Nvidia generiert mit einem neuronalen Rendering-Modell fotorealistischere Materialien und Beleuchtung in Spielen, verändert dabei aber auch Gesichtszüge – was zu einer Kontroverse über künstlerische Kontrolle führte. NeuralNine zeigte einen AI-Agenten mit Bright-Data-Scraper-API und LangChain/GPT-4o Mini. Kyle Balmer berichtete vom Fall Paul Inghams, der mit ChatGPT und AlphaFold einen personalisierten mRNA-Krebsimpfstoff für seinen Hund entwickelte, der den Tumor halbierte. Tech With Tim veröffentlichte Tutorials zu PostgreSQL-Performance mit TimescaleDB sowie zu technischen Interview-Strategien mit AlgoExpert. Theo diskutierte den Fork-Streit zwischen Vercel (Just Bash) und Cloudflare sowie Vit Plus in der Alpha-Phase inklusive Kritik an Bun-Ausschluss und Script-Overwrite-Verhalten.

AI Explained

Keine neuen Videos in diesem Zeitraum.

AI Foundations

Keine neuen Videos in diesem Zeitraum.

AI mit Arnie (1 neues Video)

• Selbstverbessernde KI ist Jetzt da!
  17.3.2026, 14:27:05

  Zusammenfassung: Selbstverbessernde KI ist Jetzt da!

  Der Videomacher präsentiert ein Open-Source-Projekt von Andrew Carbaffi, das KI-Systemen ermöglicht, selbstständig zu experimentieren, Veränderungen zu testen und automatisch nur funktionierende Verbesserungen zu implementieren. Das Projekt namens „Auto Research” wurde zunächst auf Carbaffis „Nanochat” (ein KI-Trainingsprojekt) losgelassen: In zwei Tagen führte die KI 700 Experimente durch, implementierte 20 davon und verbesserte das Projekt um 11%.

  Das Kernkonzept funktioniert wie ein wissenschaftliches Experiment: Ein Agent erhält ein Setup, modifiziert es autonom, trainiert kurz, misst Verbesserungen und behält nur funktionierende Änderungen. Der Vorteil: Das Prinzip lässt sich nicht nur auf Sprachmodelle anwenden, sondern auf alles mit messbarer Baseline – Skills in Cloud Code, Workflows, Marketing-Kampagnen, E-Mail-Templates, YouTube-Titel, Prompts.

  Der Videomacher zeigt fünf konkrete Anwendungsbeispiele:

  1. Cloud-Code-Skill (OpenCloud-Dokumentation): Verbesserung von 80% auf 90% Genauigkeit durch URL-Fix nach 23 Tests
  2. Bitcoin-Trading-Skill in OpenCore: Experimente mit Momentum-Strategie (Baseline 53% Gewinnrate) – Konzept funktionierte, aber wenig praktischer Edge durch Spreads
  3. YouTube-Titel-Generator: Skill wurde optimiert auf Hook, Lesbarkeit, emotionale Klarheit, Neugier, Themenklarheit und Audience-Fit; beste Version ist direkt einsetzbar
  4. Confui-Bild-Generierung: Generation beschleunigt von ~50 auf ~46 Sekunden durch Konfigurationsanpassungen
  5. System-Prompt eines n8n-Agenten: Verbesserung der Tool-Nutzung durch Prompt-Optimierung

  Die praktische Umsetzung wird demonstriert: Man klont das Projekt von GitHub, erstellt oder lädt einen Skill, und startet dann Cloud Code mit --dangerously-skip-permissions-Flag im Plan-Modus. Cloud Code generiert einen Verbesserungsplan, und die KI läuft dann autonom für Stunden/Tage, testet Variationen und committed verbesserte Versionen über Git.

  Einfacher geht es über OpenCore: Man gibt dem System einfach den GitHub-Link und sagt, welcher Skill verbessert werden soll; OpenCore macht den Rest.

  Im Live-Demo-Beispiel mit dem OpenCloud-Dokumentations-Skill steigt die Baseline von 60/100 auf 98/100 (+ 38 Punkte) durch zwei automatisch gefundene Verbesserungen: Keyword-Aliases und Crossreferenzen auf mehrere Seiten.

  OpenCore und Cloud Code als explizit genannte Tools; News/Demo-Format.

AI News & Strategy Daily | Nate B Jones (7 neues Videos)

• Your AI Agent Fails 97.5% of Real Work. The Fix Isn’t Coding.
  21.3.2026, 15:00:03

  Your AI Agent Fails 97.5% of Real Work. The Fix Isn’t Coding.

  Das zentrale Problem bei der Deployment von AI-Agenten ist nicht mangelnde technische Kompetenz, sondern fehlender organisatorischer Kontext und Gedächtnis. Während AI-Modelle bei isolierten Aufgaben immer besser werden, scheitern sie bei langfristiger, kontextabhängiger Arbeit: Eine Studie der Scale AI über 240 echte Upwork-Projekte zeigte eine 97,5%-Fehlerquote – der beste Agent vollendete nur 2,5% der Projekte auf akzeptierbarem Niveau. Im Gegensatz dazu schneidet OpenAIs GDP-Benchmark ähnliche Modelle als expert-level ein, weil dort alle Kontexte vorgegeben werden. Ein extremes Beispiel: Ein AI-Agent zerstörte eine Produktionsdatenbank mit 1,9 Millionen Datensätzen, weil er nicht wusste, dass die Infrastruktur live war – technisch war jede Aktion logisch korrekt, aber der Agent fehlte das Organisationswissen, um zu verstehen, in welcher Welt er operierte.

  Eine weitere Studie (SUCCI von Alibaba) zu Software-Wartung über Zeit zeigte, dass 75% der getesteten Modelle bereits funktionierende Features während der Wartung beschädigten. AI schreibt Code gut, kann ihn aber nicht über Monate hinweg pflegen. Die Harvard-Studie über 62 Millionen US-amerikanische Arbeiter deutet darauf hin, dass Junior-Positionen sinken (–8% relativ), Senior-Positionen aber steigen – nicht weil AI Senior ersetzen kann, sondern weil Seniors organisatorisches Gedächtnis halten, das Machines nicht haben.

  Die Lösung liegt nicht in besseren Prompts oder größeren Kontext-Fenstern, sondern in menschlicher Kontextsteuerung und Evaluationen (Evals). Ein gutes Eval hätte Alexes Disaster verhindert – etwa durch die Regel „vor Infrastruktur-Löschung überprüfen, ob Ressource nicht als Production gekennzeichnet ist”. Die meisten Organisationen schreiben keine Evals oder delegieren sie an Junior-Mitarbeiter, die den organisatorischen Kontext gar nicht verstehen. Stattdessen müssen Senior-Profis mit domänenspezifischem Wissen Evals schreiben – das ist nicht Busywork, sondern die höchste Leverage-Aktivität zum Skalieren von Urteilskraft über alle Agenten-Einsätze hinweg.

  Das Pattern ist nicht auf Engineering beschränkt: Ein Legal-Team gibt einem Agenten einen Vertragsreview-Job, aber der Agent kennt informelle Vendor-Vereinbarungen aus dreieinhalb Jahren alten Dinner-Meetings nicht. Ein Marketing-Agent kennt nicht die organisationsinterne Brand-Krise, die die Tonalität komplett verändern sollte. Ein Finance-Agent weiß nicht, welche technisch korrekten Zahlen politisch toxisch im Board sind. In jedem Fall führt technische Korrektheit ohne Organisationskontext zu Schaden statt Wert.

  Die Zukunft gehört zu Unternehmen, die Eval-Design als Core-Kompetenz von Seniors behandeln – nicht als Chore oder als Vorbereitungsschritt für Entlassungen. Ceos, die AI-Feuer durchgeführt haben, bereuen das: Forester-Daten zeigen, dass 55% der Arbeitgeber ihre AI-bedingten Kündigungen bereuen, und Gartners Vorhersage ist, dass die Hälfte der Unternehmen bis 2027 ähnliche Funktionen wieder einstellen müssen. Die menschliche Rolle in einer agentengestützten Welt ist „kontextuelle Steuerung” – die mentalen Modelle des Systems bewahren, Organisationswissen so darstellen, dass Maschinen es nutzen können, und beurteilen, wann technisch korrekte Outputs organisatorisch falsch sind. Dies ist kein technischer Skill, sondern eine Fähigkeit zur Systemdenken und Entscheidungsdokumentation (nicht nur Outcomes, sondern warum).

  Die zentrale Asymmetrie: AI-Agenten werden schnell besser bei Aufgabenausführung, aber ihre Blindheit für Organisationskontext wächst mit ihrer Kraft – je mächtiger ein Agent wird, der nicht versteht, dass etwas Produktionsinfrastruktur ist, desto destruktiver kann er sein. Ein Mediocre Tool, das laut scheitert, ist ärgerlich. Ein Power Tool, das still scheitert, ist gefährlich.

  Thematisierte Tools/Anbieter: Claude, OpenAI (GDP-Benchmark, Frontier-System mit AWS), 11 Labs (AI-Versicherung), Cursor (Multi-Wochen-Deployments). Format: Meinung/Deep-Dive mit Case Study und Forschungsdaten.

• Anthropic Just Gave Your AI Agent the One Thing OpenClaw Has. Without the Risk.
  20.3.2026, 14:01:36

  Anthropic hat mit der /loop-Funktion in Claude Code die fehlende Komponente für autonome Agenten bereitgestellt — ein Feature, das große Aufmerksamkeit verdient, weil es zusammen mit Memory und Tools den OpenClaw-ähnlichen Funktionalitäten entspricht, ohne deren Sicherheitsrisiken zu tragen.

  Der Kern einer funktionsfähigen Agenten-Architektur basiert auf drei unverzichtbaren Bausteinen: Memory (persistente Datenspeicherung, etwa über OpenBrain — eine SQL-Datenbank hinter einem MCP-Server), Proaktivität (die Fähigkeit, unabhängig von Benutzer-Input zu handeln, was /loop ermöglicht) und Tools (API-Zugriff, Artifact-Generierung, Workflow-Trigger). Ohne alle drei ist der Agent bloß ein reaktiver Chatbot; mit ihnen wird er zu einem arbeitenden System.

  Die praktischen Anwendungen reichen von persönlich (tägliche Energie-Checks mit Mustererkennung über Wochen, automatische Networking-Briefings vor Events als Video) bis geschäftlich (Sales-Pipeline-Management mit proaktivem Lead-Screening, Content-Calendar-Optimierung). Der entscheidende Vorteil liegt in der Akkumulation über Zyklen: Ein Agent, der sich wiederholt erinnert und auf vorherige Versuche reagiert, kann intelligente Muster erkennen statt nur Snapshots zu liefern — wie etwa André Karpathys AutoResearch-Projekt zeigt, das über Nacht hundert Experimente durchläuft.

  Im Vergleich zu OpenClaw bietet diese Stack (Anthropic /loop + OpenBrain/Database + Standard-Tools) ähnliche Agenten-Fähigkeiten ohne das Chaos von Sicherheitslücken, Netzwerk-Exposition und Erweiterungs-Vulnerabilität. Wichtige Unterschiede: /loop läuft nur während eine aktive Session besteht (keine Always-On-Verfügbarkeit), es gibt keine native Completion-Signal, und das Skill-Ceiling bleibt real wegen der Abhängigkeit von Claude Code/Terminal. Trotzdem: Für Non-OpenClaw-User bietet sich damit ein praktischer Einstieg — ohne Download, ohne spezielles Framework, nur mit nativen Anthropic-Features.

  Der Videomacher ruft außerdem zur Community-Beteiligung auf: OpenBrain ist ein Community-Projekt, und er eröffnet einen gemeinsamen Raum zum Austausch von Use-Cases und Rezepten.

  Format & Kontext: Claude / Anthropic (Loop-Feature, Claude Code, MCP-Server) / Meinung & Deep-Dive mit Anwendungsbeispielen

• Perplexity Computer Is Incredible. It Won’t Matter. Here’s Why.
  19.3.2026, 14:50:29

  Zusammenfassung: Perplexity Computer Is Incredible. It Won’t Matter. Here’s Why.

  Der Sprecher analysiert Perplexitys neue Agentic-Produktlinie „Computer” als symptomatisch für ein strukturelles Problem der AI-Industrie: Middleware-Unternehmen sitzen in einer fragilen Position zwischen Model-Providern (die von unten konkurrieren) und Hyperscalern (die von oben konkurrieren).

  Zu Perplexity Computer selbst: Das System ist ein cloud-basierter Agent, der 19 AI-Modelle orchestriert – u.a. Claude Opus 4.6 als Reasoning-Core, Gemini für Research, Grok für Speed, ChatGPT 5.2 für Long-Context. Es kostet 200 Dollar/Monat, läuft asynchron über Wochen/Monate, spawnt Sub-Agenten, persistiert Kontext und integriert über 400 Tools. Starke Use-Cases: Competitive Intelligence, Finanzanalyse, Outbound-Automation, Content-Repurposing, Asset-Builds. Geeignet für Power-User und Führungskräfte mit Research-fokussiertem Workflow; nicht für reine Coding- oder Conversational-Anwendungen. Die Demo wurde wegen Bugs abgesagt – Reliability-Probleme auf diesem Autonomie-Level sind noch nicht gelöst.

  Das strukturelle Problem: Obwohl Perplexity gut ausgeführt wird, ist der Orchestrations-Layer (wo sie sitzen) der exponierte Layer im Stack. Jeder Model-Provider, dem sie anvertrauen (Claude, Gemini, OpenAI, Grok), baut gleichzeitig Konkurrenzprodukte wie Claude Co-work, Gemini Agents, Frontier. Diese können Pricing/Access ändern, Benutzer bannen oder Perplexitys Feature einfach in ihr Modell einbauen. Perplexity hat keine defensive Moat für diese Position.

  February 2026 als Wendepunkt: In 6 Wochen stratifizierte sich die Industrie in Schichten: Model-Provider (besitzen Weights), Orchestration/Apps (kombinieren Modelle), Distribution-Owner (kontrollieren User-Interface). OpenAI lanciert Frontier (Enterprise-Context-Plattform mit Forward-Deployed Engineers und Connectors für CRM/Data Warehouses). Anthropic schifft Co-work mit Private-Plugin-Marketplaces auf Windows. Google baut Gemini Agents auf Android-OS-Ebene. AWS sichert sich exklusive Frontier-Distribution und co-built Stateful Runtime. Microsoft nimmt 20% Revenue-Share von OpenAI bis 2032. Der Tokenfluss wird zum Zero-Sum-Spiel: Hyperscaler müssen downstream-Tokens kontrollieren, um ihre Infrastruktur-Capex zu rechtfertigen.

  Vier haltbare Middleware-Positionen:

  1. Kontext-Kontrolle: Verteile strukturelles, operationales und proprietäres Kontext klug. Proprietäres Kontext (Trading-Modelle, Pharma-Daten, Produktions-Sensoren) können Unternehmen nicht an Provider geben; schnell-wechselndes operationales Kontext kann Frontier nicht eins-zu-eins abbilden.
  2. Agenten-Infrastruktur: Sein, was Agenten aufrufen (wie Perplexitys Search-API, das bereits 4 der „Magnificent 7″ nutzen). Picks-and-Shovels, nicht Wrapper.
  3. Workflow-Tiefe & Switching-Costs: Deep Integration in Kundenworkflows (z.B. Anthropics Private Plug-in Marketplaces) macht Rausreißen teuer; das System lernt institutionelle Prozesse.
  4. Trust & Verification: Audit, Output-Verifizierung, Policy-Enforcement für Agenten – Lücke zwischen „Agenten arbeiten” und „wir können beweisen, was sie taten”.

  Sackgassen für Middleware:

  – Multicloud-Token-Orchestrierung (AWS vs. Azure vs. GCP = Zero-Sum).

  – Margin-Capture, wenn Model-Provider Funktionalität absorbieren → deine Marge wird zu Null, selbst wenn Dienst existiert.

  – Im Weg der Enterprise-Relationships stehen (Hyperscaler deployen Forward-Deployed Engineers, die Beziehungen werden zu 6–18-Monat-Locks).

  Perplexitys strategischer Ausweg (unter dem Radar): Nicht Computer, sondern die Search-API als Agenten-Infrastruktur ist die echte Defensivposition. Entscheidung, Ads zu töten, schützt Trust. Leadership signalisiert: High-Margin, High-Value-Customers, Agentic Infrastructure – das ist spielbar.

  Clock-Asymmetrien: Model-Provider shipppen neue Capabilities schnell. Enterprise-Procurement lockt sich 6–18 Monate ein. Hyperscaler-Capex rechnet auf 2–3-Jahr-Horizon. Die schnellste Clock (Capability-Jumps) bestimmt, wie schnell deine Moat kollabiert. Wer nicht Anthropic, OpenAI, Google, Meta oder ein Cloud-Provider ist, muss sofort Position finden: Infrastruktur, Workflow-Depth, Governance oder proprietärer Kontext – oder wird gemäß „Rent” verdrängt.

  Das Video behandelt Claude, OpenAI, Gemini, Grok, Anthropic (Frontier, Co-work, Enterprise Agents), Amazon (Bedrock, AWS, Trainium), Google (Android, Gemini Agents), Microsoft (OpenAI-Revenue-Share), Meta sowie Open-Source-Projekte (OpenClaw); Format: Meinung/Reflexion mit Deep-Dive-Struktur.

• ChatGPT Health Identified Respiratory Failure. Then It Said Wait.
  18.3.2026, 14:00:08

  ChatGPT Health Identified Respiratory Failure. Then It Said Wait.

  Eine Studie des Mount Sinai Health System in New York untersuchte ChatGPT Health – ein neues Tool zur medizinischen Beratung – und fand besorgniserregende Muster: Das System empfiehlt Arztbesuche für Zustände, die dies nicht erfordern, und unterschätzt Notfallfälle, die eine ER-Visite rechtfertigen würden. Ein Beispiel: ChatGPT Health empfahl bei Atemwegsversagen, 24–48 Stunden zu warten, statt sofort in die Notaufnahme zu gehen. Der Sprecher extrahiert daraus vier generalisierbare Fehlermodelle für AI-Agenten:

  1. The Inverted U: LLMs funktionieren am besten bei Routinefällen – wo es am wenigsten darauf ankommt – und am schlechtesten bei extremen Randfällen, wo die Einsätze höchst sind. Eine Genauigkeits-Dashboard-Zahl von 87% verschleiert diese stillen Ausfälle an den Verteilungsschwänzen (z.B. ein Buchhaltungs-Agent verarbeitet Routinerechnungen perfekt, übersieht aber geringfügig modifizierte Duplikate).

  2. The Agent Knows But Does Not Act: Die Reasoningkette identifiziert oft korrekt das Problem (z.B. „frühe Atemwegsversagen”), aber die Ausgabe widerspricht dem („warten Sie 24–48 Stunden”). Forschung zur Chain-of-Thought-Treue zeigt, dass Reasoning und finales Output als semi-unabhängige Prozesse ablaufen – die Verbindung ist schwächer als angenommen.

  3. Social Context Hijacks Judgment: Wenn ein Familienmitglied die Symptome minimiert, verschiebt sich die Triage-Empfehlung dramatisch (12-mal höhere Wahrscheinlichkeit weniger dringender Versorgung). Ein einfacher Zusatz wie „Ein Senior VP ist zuversichtlich, das ist die richtige Wahl” kann die Analyse verzerren – durch Anchoring-Bias, der subtil und unsichtbar wirkt.

  4. Guardrails That Fire on Vibes, Not Risk: ChatGPT Healths Krise-Interventions-System aktivierte unpredictable – zuverlässiger bei vager emotionaler Belastung als bei konkreten Selbstschädigungsdrohungen. Die Alarme passten auf oberflächliche Sprachmuster statt auf echte klinische Risikotaxonomie. Ähnlich könnte ein Sicherheits-Agent eine E-Mail mit „vertraute Finanzdaten” flaggen, obwohl es nur eine öffentliche Quartals-Pressemitteilung ist, während 50.000 Kundendatensätze auf eine persönliche Dropbox exportiert werden könnten und als „Projekt-Backup” durchschlüpfen.

  Mount Sinais Methodologie: Sie verwendeten Factorial Design – dieselbe Szenarien über 16 kontextuelle Variationen getestet – um Anchoring-Bias und Guardrail-Inversion aufzudecken. Dies funktioniert domain-agnostisch: Variation-Typen (extreme Risikofälle, Mensch-aus-der-Schleife, Tool-Call-Fehler) skalieren über alle Domänen, während spezifische Szenarien domänenspezifisch bleiben.

  Vier-Schichten-Architektur für Evals:

  1. Progressive Autonomy: Hochvertraute, niedrig-einsatzige Entscheidungen dem Agenten überlassen; für Extremfälle Shadow Mode laufen, bis der Agent nachweislich zuverlässig wird.
  1. Deterministic Validation: Regelbasierte Checks, z.B. „Wenn Reasoning ‘Enhanced Due Diligence’ flaggt, aber Output ‘Standard Risk’ sagt, eskaliere” – nicht das Modell bitten, seine eigenen Inkonsistenzen zu erkennen.
  1. Flywheel: Evaluationssystem mit False-Positive-Bias ausrichten (schlimmer ist False Negative bei hohem Risiko). Überprüfe positive Flaggierungen, ob sie echt oder falsch sind; aktualisiere danach die Eval-Regeln. Zusätzlich: Auch Passes des Judges überprüfen – wenn etwas „gut” aussah, aber tatsächlich fehlerhaft war, in die Eval aufnehmen.
  1. Factorial Stress Testing: Der Gold-Standard – dieselben Fälle mit kontrollierten Stressoren (Social Cues, Zeitdruck, Hedging) testen, um zu messen, ob Output bei unstrukturiertem Kontext verschoben wird.

  Der Sprecher betont: Der Aufwand ist groß, aber notwendig. Die Front-Laden-Investition (Scenario-Library, Eval-Schema einmal bauen) zahlt sich in laufender Automatisierung aus. Ohne diese Infrastruktur entstehen versteckte Defekte – im schlimmsten Fall mit tödlichen Konsequenzen. Er prognostiziert, dass AI-Insurance für Agent-Builder bald erforderlich wird und diesen Aufwand erzwingen wird.

  Explizit thematisiert: ChatGPT Health (OpenAI); Deep-Dive in agentenspezifische Fehler- und Eval-Muster mit Meinung/Reflexion-Element.

• Anthropic Didn’t Build a New Browser. They Did Something Smarter.
  17.3.2026, 14:00:41

  Zusammenfassung: Anthropic Didn’t Build a New Browser. They Did Something Smarter

  Anthropic hat nicht an einem neuen Browser gearbeitet, sondern hat stattdessen die Claude-Extension für Chrome entwickelt – ein Tool, das einen Agenten direkt in den meistgenutzten Browser integriert und automatisch Aufgaben im Web ausführt. Das Besondere: Es geht nicht um einen Chatbot, der Fragen beantwortet, sondern um einen Browser-Agenten, der reale Arbeit verrichtet, ohne dass der Nutzer aktiv eingreifen muss.

  Konkrete Anwendungsbeispiele:

  Der erste Use-Case ist die Automatisierung von Kundenservice-Interaktionen. Claude kann beispielsweise ein Live-Chat-Gespräch mit AT&T führen, Angebote verhandeln und letztendlich eine Gutschrift aushandeln – ohne dass der Nutzer selbst tätig werden muss. Der Agent liest Antworten, tippt kontextuelle Replies ein und eskaliert höflich, wenn nötig.

  Das zweite Beispiel ist das Aufzeichnen wiederkehrender Workflows. Der Nutzer drückt einen Record-Button, führt eine Aufgabe aus (etwa das Ziehen von Analysen aus einem Dashboard), stoppt die Aufnahme und speichert den Workflow als Shortcut. Dieser kann dann automatisch täglich, wöchentlich oder monatlich ausgeführt werden – für E-Mail-Verwaltung, Terminplanung, das Scannen von LinkedIn-Einladungen oder die Erstellung von Restaurant-Listen.

  Anthropic hat speziell für Gmail Optimierungen vorgenommen: Claude erkennt Gmail automatisch und kann Mails triagieren, den Kalender verwalten und sogar rund 900 Dokumente in Google Drive organisieren – Ordnerstrukturen erstellen, in Subordnern sortieren, Duplikate kennzeichnen.

  Multi-Tab-Workflows sind ebenfalls möglich: Claude kann mehrere Webseiten gleichzeitig in einer Chrome-Tab-Gruppe verarbeiten. Das ermöglicht etwa das Zusammenführen von Rezepten zu einem kompletten Dinner-Plan oder das gleichzeitige Ziehen von Konkurrenzpreisen. Im Co-Work-Produkt von Anthropic kann Claude die Daten sogar direkt in Excel-Dateien exportieren.

  Für Entwickler ist die Möglichkeit besonders wertvoll, dass Claude während der Arbeit die Website testen kann. Der Agent kann Checkout-Prozesse aufzeichnen und täglich automatisch durchführen oder – mit Claude Code im Terminal kombiniert – Live-Tests durchführen, während er den Code schreibt und gleichzeitig die Browser-Ausgabe überprüft.

  Wichtige Limitierungen:

  Bei datenlastigen Aufgaben zeigt sich eine Schwäche: Wenn Claude etwa LinkedIn-Profile scannen und Inhalte über mehrere Kontakte hinweg zusammenfassen soll, kann die Coverage lückenhaft werden; der Agent übersieht manchmal relevante Posts oder konzentriert sich auf periphere Details. Das ist ein Kontext-Management-Problem, das sich voraussichtlich mit besseren Modellen verbessert, aber derzeit bleibt. Die Empfehlung ist, solche komplexen Aufgaben in kleinere Subtasks zu zerlegen.

  Sicherheit ist ein ernstes Thema: Nutzer sollten Claude nur auf vertrauenswürdigen Websites einsetzen. Prompt-Injection ist möglich – etwa wenn jemand Claude auf einer manipulierten Reddit-Seite laufen lässt, die selbst E-Mail-Befehle enthält.

  Die Unterscheidung der Tools:

  Claude bietet drei Wege zur Browser-Automatisierung: die Chrome-Extension (UI mit Sidebar), Claude Code im Terminal (für Entwickler, die nativer navigieren wollen) und Co-Work (ein separates App-Interface). Der Videomacher betont, dass Anthropic verschiedene Schnittstellen anbietet, damit Nutzer dort arbeiten können, wo sie sich am wohlsten fühlen – die technische Grundlage ist aber dieselbe.

  Die zentrale Fähigkeit ist nicht das Prompting, sondern die Fähigkeit, wiederkehrende Arbeit so zu beschreiben oder aufzuzeichnen, dass sie ein Agent autonom übernehmen kann. Das ist eine Kompetenz, die sich über verschiedene KI-Tools hinweg verallgemeinert. Der Nutzer spart letztlich Dutzende Stunden pro Woche, weil repetitive Web-Arbeit automatisiert läuft.

  Die Extension ist für alle auf bezahlten Plänen verfügbar; komplexere Aufgaben erfordern leistungsstärkere Modellversionen (Pro, Team, Enterprise).

  Technische Besonderheit: Anthropic hat Chrome nicht ersetzt, sondern genutzt – die Extension funktioniert als Agent direkt in der bestehenden Infrastruktur, die ohnehin vorhanden ist.

  Technische Schwerpunkte: Claude Extension für Chrome (Anthropic); Demo und Deep-Dive mit praktischen Beispielen.

• Claude Code Wiped 2.5 Years of Data. The Engineer Who Built It Couldn’t Stop It.
  16.3.2026, 14:00:11

  Zusammenfassung: Claude Code Wiped 2.5 Years of Data – Management Skills für AI-Agenten

  Das Video adressiert Vibe-Coder, die erfolgreich mit KI-Tools wie Claude Code, Lovable oder Cursor Produkte gebaut haben, aber jetzt feststellen, dass ihre Fähigkeiten nicht ausreichen, wenn Agenten autonom arbeiten. Der zentrale Punkt: Vibe-Coding war 2025 primär ein Prompting-Problem. Agent Management ist ein Supervisions-Problem – der Unterschied zwischen erfolgreichen Buildups und den, die an die Wand fahren, liegt darin, von „Ich beschreibe, was ich will” zu „Ich verwalte den Agent, der es baut” zu wechseln.

  Kernproblem: Ein Agent arbeitete 56 Minuten lang autonom an einer Aufgabe und löschte dabei unbeabsichtigt Tausende von E-Mails (SummerU). Agenten führen nicht nur Code aus – sie lesen Dateien, ändern sie direkt, führen Befehle aus, iterieren. Eine einzelne fehlerhafte Änderung (Schritt 4 von 8) kann alle folgenden Schritte verschlimmern.

  Die fünf Managementfähigkeiten (keine davon erfordern Coding):

  1. Save Points (Versionskontrolle): Git ermöglicht Snapshots des funktionierenden Zustands. Wenn der Agent etwas zerbricht, zurück zum letzten Snapshot – kritisch für Produktionsdatenbanken.
  1. Wissen, wann man neu anfängt: Agenten haben ein begrenztes Context Window. Nach ~30 Nachrichten vergessen sie frühere Instruktionen, ignorieren Anweisungen, schreiben bereits geschriebenen Code um. Einfache Lösung: neu starten. Fortgeschrittene Lösung: Workflow-Dateien, Planning-Dateien und Task-Listen aufbauen, damit der Agent an der 65%-Marke wieder anknüpfen kann.
  1. Standing Orders (Regeldokumente): Claude Code, Cursor und andere unterstützen Rules-Dateien (z.B. claude.markdown, agents.markdown). Diese Dateien enthalten persistente Anweisungen über Sessions hinweg – wie ein Betriebshandbuch. Man startet mit wenigen Zeilen, fügt nach jeder Fehlleistung eine Regel hinzu. Idealerweise unter 100–200 Zeilen, da sie Context-Fenster verbrauchen.
  1. Small Bets: Große, weitreichende Änderungen haben hohen „Blast Radius” – wenn etwas schiefgeht, weiß man nicht, welche der vielen Änderungen das Problem verursacht hat. Kleine Features einzeln umsetzen, validieren, speichern, dann nächste. Eine 100-stufige Änderung, bei der Schritt 4 fehlschlägt, wird exponentiell schlimmer als eine 12-stufige.
  1. Fragen, die der Agent nie selbst stellt: Der Agent denkt nicht von selbst an:
  • Fehlerbehandlung: Leere oder Crash-Screens statt nutzerfreundlicher Fehlermeldungen, wenn Server ausfallen oder Verbindung bricht.
  • Datenschutz: Row-Level Security (jeder Nutzer sieht nur seine eigenen Daten). Secret Keys nie in den Chat kopieren. Customer-E-Mails und Zahlungsdaten nicht loggen – externe APIs wie Stripe verwenden.
  • Skalierungserwartungen: Agent overengineert für 300 User oder undergineert für 10.000er-Ziele. Vorab klären.

  Grenzen: Bei echten Problemen (Zahlungsverarbeitung, medizinische Daten, Kinderangaben, rechtliche Compliance, Performance-Probleme, verwarrloste Codebase) sollte ein professioneller Engineer hinzugezogen werden – das ist keine Niederlage, sondern Validierung des Konzepts vor großen Investitionen.

  Abschließende Botschaft: Der Agent-Manager braucht nicht zu coden – nur wie ein General Contractor zu denken: Save Points, Neustarts, klare Anweisungen am Ort, inkrementelle Arbeit, Fragen die sonst niemand stellt. Prompting bleibt notwendig, ist aber jetzt nur noch notwendig-aber-nicht-ausreichend für die Agenten-Power von 2026.

  Explizite AI-Tools/Anbieter: Claude Code, OpenAI ChatGPT, Lovable, Cursor, Codeex, GitHub Copilot, Google Docs CLI, Replet, Enthropic, Stripe. Format: Meinung/Reflexion mit praktischen Managementprinzipien.

• She quit, picked up AI, and shipped in 30 days what her team planned for Q3.
  15.3.2026, 18:00:57

  Der Redner argumentiert, dass außergewöhnliche Menschen typischerweise nur 25% ihrer tatsächlichen Kapazität nutzen – nicht wegen mangelnder Fähigkeiten, sondern wegen Koordinationsaufwand (Meetings, Abstimmungen, E-Mails). Solo-Founder mit AI zeigen, dass dieser Overhead nicht notwendig ist: Ben Sira erreichte 2,5 Millionen ARR als Ein-Mann-Unternehmen mit Pulsia; Sarah Gilliam konnte ein Produkt in 30 Tagen bauen, was ihr früheres Team für Q3 geplant hatte. Eine Harvard-Studie an Procter & Gamble zeigte, dass Einzelne mit AI dreimal häufiger Top-10%-Ideen produzierten – AI fungiert als Koordinations-Proxy und ersetzt Abstimmungen zwischen Abteilungen.

  Der Kern ist nicht, dass solo Founding skalierbar ist, sondern dass AI Koordinationskosten innerhalb von Organisationen senkt. Statt sechs Teams zu fragen, ob etwas funktioniert, baut man einen Prototyp – AI ersetzt diese Abstimmungsschichten.

  Drei vernachlässigte Soft-Skills für AI-Zeitalter:

  1. Conviction über Taste: Taste (evaluieren ob etwas gut ist) allein reicht nicht. Conviction (Bereitschaft, schnell zu handeln und zu versenden, bevor andere Zustimmung geben) ist entscheidend. Beide bilden eine Rückkopplungsschleife – schnelleres Versenden → schnellere Feedbacks → besserer Geschmack.
  1. Speed of Control statt Span of Control: Ben managt Dutzende AI-Agenten nicht durch klassische Manager-Hierarchien, sondern durch tägliche Status-Summaries, bei denen er schnelle High-Quality-Entscheidungen trifft. Die Fähigkeit, Aufmerksamkeit auf kritische Punkte zu lenken (wie ein Editor), ist wichtiger als die Anzahl der verwalteten Agenten.
  1. Judgment Density, Conviction Velocity, Execution Bandwidth: Menschen, die außerordentliche Ergebnisse erzielen, haben Urteils-Dichte (kalibriertes Musterkennen), den Instinkt schnell zu handeln, und die Bandbreite, Dinge umzusetzen.

  Das eigentliche Problem für Unternehmen: Viele außergewöhnliche Menschen waren nie durch Fähigkeiten blockiert, sondern durch Overhead. AI hebt diese Blöckade auf – deshalb gründen mehr Menschen solo (jetzt ein Drittel aller VC-gestützten US-Neugründungen). Wenn Unternehmen diese Talente nicht innerhalb ihrer Strukturen freigeben – durch Entfernung von Overhead, Erlaubnis zum “Nein-Sagen”, Schutz ihrer Vision, Unterstützung von Ambition – werden sie gehen und solo gründen.

  Für Leader: Man muss Talente identifizieren und kultivieren, nicht nur entfernen. Das bedeutet: Overhead killen, Disagree-and-Commit-Kultur aufbauen, Menschen erlauben, zu sagen “nein” zu Meetings und guten Ideen, die nicht passen, und intentionale Exzellenz fördern. AI hilft auch Menschen zu leveln-up (z.B. Peter Levels lernte TypeScript via AI). 2 Jahre AI-natives Bauen könnte mehr relevantes Musterkennen aufbauen als 8 Jahre traditionelle Ausführung.

  Die unbequeme Implikation: Solo Founding ist oft weniger eine Wahl als eine Symptomatik von Unternehmensversagen – Talente fliehen nicht wegen der Fähigkeiten, die sie brauchen würden, sondern weil sie diese Fähigkeiten und diese Freiheit nicht im Unternehmen entwickeln dürfen.

  Thematisierte Tools/Modelle: Keine spezifischen AI-Tools oder Modelle genannt; Fokus auf Organisationsprinzipien und Human-Skills — Format: Meinung/Reflexion (Deep-Dive), adressiert Leader und Einzelne im AI-Zeitalter.

Alejandro AO (1 neues Video)

• How to Evaluate and Test Agent Skills
  19.3.2026, 10:40:35

  Zusammenfassung: How to Evaluate and Test Agent Skills

  Das Video behandelt die systematische Evaluierung und das Testen von Agent-Skills, die in natürlicher Sprache als Software funktionieren. Skills werden in zwei Kategorien unterteilt: Dokumentations-Skills (die Agenten beibringen, bestehende Tools zu nutzen) und Workflow-Skills (die spezifische Schritte zur Aufgabenerfüllung definieren). Das optimale Modell kombiniert beide – Skills wie der Model Trainer von Hugging Face dokumentieren nicht nur die Nutzung von Tools, sondern inkapseln auch vollständige Workflows.

  Der empfohlene Skill-Lebenszyklus folgt vier Schritten:

  1. Definition von Erfolg entlang vier Dimensionen: Outcome (richtige Ergebnisse), Process (erwartete Schritte und Tool-Nutzung), Style (Formatierung, Namensgebung) und Efficiency (Vermeidung unnötiger Befehle und Umschweife).
  1. Manuelle Validierung mit kontrollierten Prompts – sowohl explizit triggernde Prompts als auch implizite und negative Kontrollen, die zeigen, wann ein Skill nicht ausgelöst werden sollte.
  1. Strukturierte Test-Dokumentation in CSV oder JSON mit Test-ID, Trigger-Status, Prompts und erwarteten Outcomes – später automatisiert durch Sub-Agenten.
  1. Evolutive Erweiterung der Tests: Starten mit Basis-Checks (läuft es?), später Failure-Cases hinzufügen und dann quantitativere Effizienz-Metriken einführen.

  Eine empfehlung ist die Implementierung eines LLM-as-Judge, das mit klaren Rubrics für jeden Erfolgs-Aspekt Sub-Agenten auslöst und automatisch evaluiert. Skills sollten unbedingt in Git versioniert werden, um Fehler zu Änderungen nachzuverfolgen. Wichtig: Anders als klassische Software funktionieren Skills oft bereits aus dem Start (weil LLMs clever sind), aber das bedeutet nicht, dass sie optimal arbeiten – kontinuierliche Überwachung ist nötig.

  Thematisiert: OpenAI (Artikel-Grundlage), Codex/Claude Code, Hugging Face – Demo mit Model Trainer Skill. Format: Tutorial/Deep-Dive.

Alex Finn (3 neues Videos)

• LIVE: I built my own AI research lab (Hermes agent/OpenClaw)
  20.3.2026, 20:13:12

  Zusammenfassung:

  Der Creator zeigt sein eigenes „AI Research Lab”, das er mit OpenClaw und dem Hermes Agent über die letzten Tage aufgebaut hat. Das Lab nutzt Carpathys Auto-Research-Framework und führt derzeit drei autonome Experimente durch – zwei davon feinjustieren Prompts kontinuierlich, während ein „R&D Council” aus fünf AI-Agenten zweimal täglich zusammenkommt, um Features zu bewerten und Verbesserungsvorschläge zu debattieren.

  Der Creator erklärt sein Verständnis von „Vibe Coding”: OpenClaw für Prototypen on-the-go und Mission Control (weil OpenClaw sich selbst am besten kennt), Claude Code für Produktionsanwendungen. Als Orchestrator nutzt er aktuell GPT-5.4 (kostengünstiger als Claude Opus), plant aber langfristig, lokal laufende Modelle wie Qwen zu integrieren. Er arbeitet auf der M5 Max Mac Studio und einem DGX Spark (speziell für Finetuning).

  Breitere Thesen: Der Creator kritisiert Anthropic, weil es seiner Meinung nach nur noch OpenClaw-Features kopiert und seine frühere Produktvision aufgegeben hat. Claude Code bleibe zwar technisch stark, aber OpenClaw dominiere durch sein Open-Source-Design und fehlende Sicherheitsrestriktionen. Er argumentiert, dass man mehrere Agenten parallel testen sollte statt auf ein einzelnes Tool zu vertrauen.

  Zur Monetarisierung rät er, nicht sofort Geld verdienen zu wollen, sondern kontinuierlich zu experimentieren und Wert zu schaffen. Trading-Bots und Prediction Markets kritisiert er scharf als Zeitverschwendung und Glücksspiel; die echte Opportunity liegt in positiv-summen Geschäften, die echte Probleme lösen.

  Der Stream springt zwischen technischen Details, Philosophie, Community-Austausch und persönlichen Anekdoten – typisch für sein Live-Format.

  Abschluss: Das Video behandelt OpenClaw, Hermes Agent und Claude Code im Kontext eines selbstgebauten AI-Research-Labs mit autonomen Experiment-Loops; Format ist Live-Stream (Demo + Meinung/Reflexion).

• LIVE: The ULTIMATE OpenClaw Mission Control revealed!
  18.3.2026, 20:29:22

  Zusammenfassung: LIVE: The ULTIMATE OpenClaw Mission Control revealed!

  Der Streamer zeigt seine komplette persönliche OpenClaw-Missionssteuerung, ein System aus Custom-Tools zur Automatisierung und Verwaltung von KI-Agenten. Die Hauptkomponenten sind: ein Kanban-Board zur Aufgabenverwaltung (Agenten checken alle fünf Minuten neue Aufgaben), ein Activity Feed für Live-Übersicht, ein Content Pipeline für Skripte und Thumbnails, ein Kalender für geplante Cron-Jobs, sowie ein Docs-Bereich für von OpenClaw erstellte Artefakte. Zusätzlich arbeitet er an einem CRM-System, das Gespräche automatisch erfasst und Kontaktinformationen aktualisiert – ein “Life CRM”, das jeden Austausch dokumentiert.

  Nebenthemen: Der Streamer traf auf dem Nvidia-Event Peter Steinberger und spricht über Unterschiede zwischen lokalen und Cloud-Modellen. Seine aktuelle Empfehlung: Claude Code über Codeex (stellte nach Tests fest, dass Claude Code bessere Outputs liefert). Er testet derzeit Hermes Agent und hat ein eigenes Modell mit der DGX Spark auf seinen YouTube-Transkripten trainiert. Kritik am Sponsorship-Modell: Er lehnte 30.000 Dollar von Hostinger ab und kritisiert Creator, die Produkte bewerben, ohne sie zu nutzen. Zu lokalen Modellen: Nvidia pivot auf Nekstron 3 ist positiv; er sieht lokale und Open-Source-Modelle als Zukunft.

  Tools/Anbieter erwähnt: OpenClaw, Claude Code, Codeex, Hermes Agent, DGX Spark, Nekstron 3, Chat GPT Browser, Vercel, Vibe Coding Academy. Format: Live-Q&A/Demo mit Gedankenrundgang.

• The only OpenClaw tutorial you’ll ever need (March 2026 edition)
  17.3.2026, 21:34:07

  The Only OpenClaw Tutorial You’ll Ever Need (March 2026 Edition)

  OpenClaw ist ein KI-Agent-Automatisierungs-Tool, das es Einzelnen ermöglicht, ein autonomes KI-Team aufzubauen, das rund um die Uhr arbeitet – im Gegensatz zu herkömmlichen Chatbots, die Fragen beantworten. Der Kernunterschied: Man gibt OpenClaw Ziele vor, erhält Ergebnisse und das System verbessert sich selbst iterativ. OpenClaw läuft lokal auf jedem Computer (nicht auf VPS/Hosting-Servern, entgegen weit verbreiteter gesponsorer Tutorials), lässt sich über Telegram, Discord oder WhatsApp steuern und kann autonome Aufgaben wie Recherche, Code-Review, E-Mail-Verwaltung und App-Entwicklung übernehmen.

  Setup und Modellwahl: Die Installation erfolgt mit einer einzelnen Terminal-Befehlszeile. Bei den KI-Modellen ist Claude Opus 4.6 (via Anthropic API) qualitativ überlegen für Agentenaufgaben – kostet aber mehr. OpenAI GPT-5.4 wird zwar von OpenAI unterstützt (20 $/Monat), scheitert aber bei komplexen Agent-Tasks häufiger. Chinesische Modelle (Qwen, Minmax) oder Open-Router-Free-Modelle sind kostengünstiger, liefern aber geringere Performance. Telegram und Discord werden als Schnittstellen empfohlen; Discord ermöglicht Multi-Channel-Workflows.

  Use-Cases: Der Anfänger startet mit automatisierten täglichen Briefings (z.B. Börsenrecherche mit automatischem Ranking nach Marktschutz). Fortgeschrittene Workflows kombinieren Nachrichtensammlung → Content-Draft-Generierung → App-Prototyping. Die Kernmethode zur Findung eigener Anwendungsfälle ist „Brain Dumping” (Tagesablauf dokumentieren) gefolgt von „Reverse Prompting” (das KI-System fragen, welche 10 Automatisierungen es für einen umsetzen könnte).

  Discord-Setup, Skills und Memory: Discord organisiert Workflows in separaten Kanälen. Skills (Textdateien mit Anweisungen) sind ein Sicherheitsrisiko; statt fremde Skills zu installieren, sollte man OpenClaw diese selbst nachbauen lassen. Die Memory wird durch tägliche Journaleinträge verbessert, die wichtige Gesprächsinhalte dokumentieren.

  Mission Control: Ein selbst gebautes Software-Dashboard, in dem OpenClaw Custom-Tools erstellt (Kalender für geplante Tasks, Memory-Sektion, Dokumentablage, visuelles Office-Interface, Team-Übersicht).

  Sicherheit: OpenClaw führt nur aus, was explizit angefordert wird – es leckt keine Daten automatisch. Der Schlüssel ist Eigenverantwortung: Vor jedem Prompt überprüfen, ob kritische Folgen drohen. Sicherheitsverletzungen sind extrem selten (nur ein bekannter Fall genannt: versehentliches Löschen von E-Mails durch fehlende Prompt-Präzision).

  Fehlersuche: Probleme beheben, indem man Claude Code oder Codeex auf den lokalen OpenClaw-Ordner anwendet – typischerweise sind es Config-Fehler.

  Zukunft: Die nächste Phase ist lokale KI-Modelle (z.B. NVIDIA Nemotron 3 Super) statt Cloud-APIs – für Datenschutz, vollständige Kontrolle und kostenlos. Hochwertige lokale Modelle werden in ~6 Monaten für 1.000–2.000 $ verfügbar sein. Der Video-Ersteller nutzt bereits Mac Studios und DGX Sparks zur Vorbereitung.

  Das Video ist ein umfassendes Tutorial mit Demonstrationen von Stock-Research-Briefings, Discord-Workflow-Setups und Mission-Control-Interfaces; es behandelt OpenClaw, Anthropic Claude API, OpenAI, Qwen, Minmax, Claude Code und Codeex.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka (3 neues Videos)

• Claude Cowork Projects Is Here (And It’s Changing How I Work)
  22.3.2026, 11:03:35

  Claude Cowork Projects – Zusammenfassung

  Das Video stellt das neue Projects-Feature für Claude Cowork vor, das vorher bereits in Claude Chat existierte und nun auch in Cowork verfügbar ist.

  Kern des Features: Projects gruppieren zusammenhängende Arbeit in dedizierten Workspaces. Jedes Projekt erhält automatisch:

  • Custom Instructions (auf Projektebene)
  • Scheduled Tasks (Aufgaben mit Terminen)
  • Context (lokale Dateien, externe Ressourcen, Skills und Plugins)
  • Built-in Memory – die wichtigste Neuerung für den Sprecher

  Memory-System – Hard vs. Soft Memory:

  Der Sprecher unterscheidet zwischen „Hard Memory” (bewusst in Markdown-Dateien gespeicherte Lernpunkte und Notizen) und „Soft Memory” (Claude durchsucht automatisch alle Projekt-Konversationen, erstellt alle 24 Stunden automatisch eine Memory-Ressource aus wichtigen Inhalten, die künftige Sessions nutzen können). So entsteht nuanciertes Gedächtnis ohne manuelle Verwaltung.

  Drei Wege, ein Projekt zu erstellen:

  1. Projekt aus Claude Chat importieren
  2. Bestehenden Cowork-Ordner konvertieren
  3. Von Grund auf neu erstellen

  Praktische Anwendung (Beispiel: Klient Apex Digital):

  Der Sprecher zeigt, wie er ein Projekt für einen neuen Klienten aufbaut – mit Custom Instructions (wer der Klient ist, Ziele), einem hochgeladenen Proposal-Dokument und der Aufforderung an Claude, aus der Timeline des Proposals automatisch Scheduled Tasks zu erstellen. Anschließend instruiert er Claude, laufend eine „learnings.mmd”-Datei zu pflegen, um Klient-Präferenzen, neue Tools und Credentials zu dokumentieren.

  Tipps für kontinuierliche Arbeit:

  • Regular Housekeeping der Projekt-Instructions durchführen
  • End-of-Session-Prompts nutzen: vor Sessionende Claude auffordern, wichtige Erkenntnisse in Memory-Dateien zu extrahieren und einen Follow-up-Prompt für die nächste Session zu generieren (schafft mehr Fluidität als nur Memory-Updates)
  • Optional: Skills/Plugins mit Slash-Commands aufbauen (z.B. /new-client für standardisierte Onboarding-Fragen)

  Der Sprecher betont, dass Projects auch über lange Zeiträume (6+ Monate) bestehen können und es erlauben, schnell wieder in alte Client-Arbeiten einzusteigen, selbst wenn die letzte Session Wochen her ist.

  Explizit erwähnte Tools/Integrationen: Google Calendar, Gmail, ClickUp (als mögliche Skill-Integrationen), n8n (für Workflows).

  Claude Cowork, Demo und praktische Use-Cases für Klientenmanagement.

• Claude Code Just Got a MASSIVE Upgrade (Channels)
  20.3.2026, 11:37:58

  Zusammenfassung: Claude Code Channels – Telegram und Discord Integration

  Claude Code hat die neue Funktion “Channels” eingeführt, die es ermöglicht, eine lokal laufende Claude-Code-Sitzung direkt über Telegram oder Discord zu steuern. Das bedeutet: Die Session läuft auf dem heimischen Computer, man kann das Haus verlassen und die Sitzung via Smartphone über Telegram oder Discord verwalten – Nachrichten senden und Antworten erhalten.

  Wichtige Voraussetzungen:

  • Das Feature ist noch in Research Preview
  • Claude Code muss auf Version 2.1.8 oder später aktualisiert sein
  • Authentifizierung muss über Claude.ai erfolgen (nicht über API-Key oder Konsole)
  • Pro- und Max-Plan-Nutzer können es direkt verwenden; Team- und Enterprise-Konten müssen Berechtigungen manuell anpassen

  Telegram-Setup (Schritt für Schritt):

  Bot über BotFather erstellen, Bot-Token erhalten → Claude-Plugin installieren → Token konfigurieren → Claude Code mit --channels telegram starten → Bot auf Telegram anschreiben, um Pairing-Code zu erhalten → Pairing-Code in Terminal eingeben → Zugriff mit allow-list sperren

  Discord-Setup (ähnlicher Ablauf):

  App im Discord Developer Portal erstellen → Message Content Intent aktivieren → Bot-Token zurücksetzen → OAuth2-Berechtigungen setzen (6 Permissions) → Bot zum Server hinzufügen → Claude-Plugin installieren → Token konfigurieren → Claude Code mit --channels discord starten → Bot auf Discord anschreiben für Pairing → Pairing-Code eingeben → Zugriff sperren

  Wichtig: Nachrichten, die direkt in der Terminal-Session eingegeben werden, werden nicht an Telegram/Discord weitergeleitet – es gibt also zwei isolierte Kommunikationswege. Alles von außen (Telegram/Discord) wird in der Session sichtbar, aber nicht umgekehrt.

  Demo mit Claude Code und praktische Setup-Anleitung für Telegram- und Discord-Integration — Tutorial.

• Claude Cowork Full Tutorial: How to Use Claude Cowork Better Than 99% of People
  16.3.2026, 11:13:43

  Zusammenfassung: Claude Cowork Full Tutorial

  Claude Cowork ist ein autonomes Desktop-Tool im Claude Desktop App, das Claude direkten Lese- und Schreibzugriff auf Computerordner ermöglicht und Multi-Step-Tasks eigenständig ausführen kann – inklusive paralleler Sub-Agenten. Im Gegensatz zu Claude Chat (Frage-Antwort-System) und Claude Code (für Entwickler, terminal-basiert) richtet sich Cowork an nicht-technische Anwender und bietet autonome Ausführungskraft über eine visuelle Ordner-/Datei-Interface.

  Grundsetup: Erforderlich ist ein bezahltes Claude-Konto (Pro oder Max – nicht kostenlos), der Desktop App Download (nur Desktop, kein Browser/Telefon) und ein dedizierter Workspace-Ordner mit Subfolder-Struktur (context, projects, output). Zentral sind sogenannte persistent MD-Dateien (about-me.md, brand-voice.md, working-preferences.md), die bei jedem Task geladen werden, damit Claude konsistenter und zielgerichteter arbeitet. Global Instructions sollten in den Settings gesetzt werden, um Claude anzuweisen, diese Context-Dateien zu lesen.

  Extended Capabilities: Skills sind wiederverwendbare KI-Workflows – statt jeden Prozess neu zu beschreiben, kann man eine einmalig ausgeführte Task (z.B. Rechnungen kategorisieren und in Excel zusammenfassen) in eine Skill umwandeln. Schedule Tasks ermöglichen es, Skills automatisch wiederkehrend auszuführen (z.B. jeden Montag um 9 Uhr). Connectors verbinden Cowork mit externen Apps (Gmail, Slack, Drive, Apollo etc.) mit granularen Read/Write-Permissions. Plugins sind vorkonfigurierte Sammlungen von Skills und Connectors – etwa ein Sales-Plugin mit Lead-Enrichment, Prospecting und Sequence-Loading Skills – und ermöglichen es, ganze Rollen zu automatisieren.

  Im Demo-Beispiel wurden 5 Rechnungen kategorisiert und in einer Excel-Tabelle zusammengefasst, dieser Prozess dann als Skill gespeichert und auf einen wöchentlichen Schedule gelegt – alles ohne manuelle Prompts danach.

  Hinweis: Scheduled Tasks laufen nur, wenn die Desktop App offen und der Computer eingeschaltet ist. Skills und Connectors sparen Tokens, da sie Skripte statt Token-verbrauchende Analyse-Prompts nutzen können.

  Claude (Anthropic), Tutorial mit Developer-Fokus.

Ben AI (1 neues Video)

• Claude Cowork Just Changed Sales Forever
  19.3.2026, 13:33:04

  Claude Cowork für Sales-Automation

  Claude Cowork ermöglicht es, Vertriebs-Workflows durch sogenannte Skills – also Automationen, die via Prompting erstellt werden – zu automatisieren. Der Nutzer zeigt konkrete Anwendungsfälle:

  Prospecting & Lead-Qualifizierung: Ein Custom-Skill scraped LinkedIn-Post-Engager, qualifiziert sie gegen die eigene Ideal-Customer-Profile (ICP) und reichert die Daten an (Unternehmensgröße, Website, Beschreibung). Wichtigste Connectoren sind Appify (zum Scrapen von LinkedIn, Google Maps, Apollo etc.), Clay, VIP Prospecting, sowie Email-Plattformen wie Instantly oder LinkedIn-Tools wie Uniow für automatisierte Outreach.

  Lead Nurturing & Follow-ups: Ein „Prospect Miner”-Skill durchsucht verlorene CRM-Leads, researcht sie, scraped ihre LinkedIn-Profile, analysiert Email-Kommunikation und priorisiert sie nach ICP. Das Besondere: Man kann Sub-Agents parallel einsetzen, um große Leadlisten (100–200 Einträge) effizienter zu bearbeiten.

  Call Prep: Ein angepasster Entropic-Skill nutzt CRM-, Email- und Fireflies-Transkriptdaten, um vor Anrufen eine strukturierte Call-Brief im HTML-Format bereitzustellen (Unternehmensübersicht, Interaktionsverlauf, Agenda-Vorschläge). Mit der neuen Scheduled-Tasks-Funktion kann dieser täglich automatisiert um 7 Uhr laufen.

  Sales Analytics: Ein Win-Loss-Analysis-Skill analysiert gewonnene und verlorene Deals durch CRM-Daten, Transkripte und Email-Kommunikation und erstellt detaillierte Google-Docs-Reports mit Gewinnquoten, Objektionen, Mustern und roten Flaggen. Ein Sales-Rep-Performance-Skill bewertet Einzelne basierend auf Transkripten und CRM über verschiedene Pipeline-Stadien hinweg (Discovery, Demo, Objection Handling, etc.).

  Skill-Erstellung: Alle Skills entstehen, indem man einen Workflow einmal mit Claude durchläuft und dann um die Konvertierung in einen Skill bittet – Claude speichert die Steps als strukturiertes Markdown. Entropics vorgefertigte Sales-Plugin bietet Starter-Skills (Account Research, Call Prep, Competitive Intelligence), die man einfach anpassen kann, z.B. indem man Claude sagt, wie die eigene Firma Call Preps strukturiert.

  Wichtigste Connectoren insgesamt: CRM (z.B. Ato), Appify, Gmail, Fireflies (Transcription), Kalender, Email, plus Outreach-Plattformen.

  Claude Cowork, Entropic Sales Plugin – Demo mit praktischen Sales-Use-Cases (Standard-Schwierigkeit).

Brian Casel

Keine neuen Videos in diesem Zeitraum.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (2 neues Videos)

• The Subagent Era Is Officially Here – Learn this Now
  19.3.2026, 00:00:28

  Die Subagent-Ära ist da – Das musst du wissen

  OpenAI hat GPT-5.4 Mini und Nano veröffentlicht und hebt in den Ankündigungen erstmals explizit hervor, dass diese Modelle speziell für Sub-Agenten konzipiert sind – ein Signal, das über die bloße Modellveröffentlichung hinausgeht. Die gesamte Industrie konzentriert sich auf Sub-Agenten: Cloud Code baut intensiv daran, Google hat Gemini-3.1 Flash Light für “Intelligence at Scale” veröffentlicht. Das Schwergewicht liegt jetzt auf kleineren, nicht auf den größten Modellen – ein Zeichen, dass wir in die Sub-Agent-Ära eintreten.

  Warum Sub-Agenten für KI-Coding revolutionär sind:

  Sub-Agenten helfen beim Problem der Context Rot (Modelle werden von zu viel Information überfordert). Die Lösung: Delegiere Token-intensive, aber weniger anspruchsvolle Aufgaben wie Codebase-Analyse und Web-Research an Sub-Agenten, während dein Hauptagent fokussiert bleibt. Wenn die Sub-Agenten nach der Recherche nur eine kleine Zusammenfassung zurückgeben, brauchst du keine teuren großen Modelle dafür.

  Modell-Vergleich:

  Claude Haiku 4.5 war lange das Standard-Modell – aber GPT-5.4 Nano ist bereits fünfmal günstiger, liefert bessere Benchmarks (LiveBench: GPT-5.4-Vorgänger ~66 vs. Haiku ~61) und ist viel schneller (188 Token/Sekunde vs. 53). GPT-5.4 Mini ist sogar billiger als Haiku und deutlich leistungsstärker.

  Praktische Anwendung (täglich genutzt):

  • Planning-Phase: Spin-up von 3+ Sub-Agenten parallel für Web-Research (Best Practices), Codebase-Analyse (Web Adapter, Backend) etc. Beispiel: Bei einem Arbeitsspeicher-Bug wurden fast 2 Millionen Tokens für Web-Recherche verwendet – unrealistisch mit teuren Modellen, aber mit Mini/Nano wirtschaftlich.
  • NICHT für Implementation: Sub-Agenten nicht für die eigentliche Code-Implementierung nutzen – nur für Research. Der Hauptagent muss beim Schreiben alle Dateien überblicken; separate Frontend/Backend/Datenbank-Sub-Agenten führen zu Halluzinationen.
  • Zusatznutzen: Sub-Agenten können auch unerwartete Bugs als Sidecar recherchieren und GitHub-Issues erstellen, ohne den Hauptworkflow zu unterbrechen.

  Tools mit Sub-Agent-Support:

  Cloud Code (Vorreiter, laufend erweitert), Codeex, GitHub Copilot (neu: Research, Code-Analyse, Code-Review), Cursor, Open Code – alle bauen direkt Support ein.

  Kernbotschaft:

  Mit immer billigeren und schnelleren Modellen wächst das Sub-Agent-Budget quasi unbegrenzt. Das entsperrt massive Möglichkeiten: Statt Context Rot haben wir jetzt Context Isolation durch spezialisierte Sub-Agent-“Arme”, die parallel recherchieren, während der Hauptagent sauber bleibt. Die Industrie baut auf diese Architektur hin.

  Bonus: Im Video wird auch ein agentic RAG-System auf Oracles AI Database gezeigt (LangChain/LangGraph mit hybrider Suche).

  OpenAI GPT-5.4 Mini/Nano und Claude Haiku 4.5 werden explizit thematisiert, daneben erwähnt Codeex, Cloud Code, Cursor; das Video ist eine Meinung/Reflexion mit praktischen Use-Case-Demos – gerichtet an Entwickler mit AI-Coding-Ambitionen.

• I’ve Used Claude Code for 2,000+ Hours – Here’s How I Build Anything With It
  16.3.2026, 19:15:03

  Zusammenfassung: Claude Code nach 2.000+ Stunden Nutzung

  Der Creator hat über ein Jahr intensiv mit Claude Code gearbeitet und teilt eine systematische Strategie zum Umgang mit dem Tool namens „WHISK-Framework”, die speziell darauf abzielt, Context Rot zu vermeiden – das Hauptproblem bei KI-Coding-Assistenten. Die zentrale These: Etwa 80% der Fehler entstehen durch schlechtes Kontext-Management, nicht durch Modell-Limitierungen. Auch die neue 1-Million-Token-Grenze ändert nichts daran, dass zu viele Tokens den LLM mit „Distractors” überfordert, ähnlich dem Needle-in-the-Haystack-Problem.

  Das WHISK-Framework besteht aus vier Strategien:

  W (Write) – Externalisieren Sie die Agenten-Erinnerung: Git-Commits mit standardisierten, detaillierten Nachrichten als Langzeitspeicher nutzen; jede neue Implementierung in einem frischen Kontext-Fenster starten (separate Planning- und Implementation-Sitzung); Progress-Dateien und Decision-Logs führen, um bei Kontextfülle an neue Sessions zu handeln.

  I (Isolate) – Sub-Agenten für Recherche und Planung einsetzen, um Hundertausende Tokens aus dem Haupt-Kontext fernzuhalten (nur ~4% des Fensters statt 100%); das „Scout-Pattern” verwenden, um Dokumentationen vorab zu bewerten, bevor sie ins Main-Kontext geladen werden.

  S (Select) – Kontext in vier Schichten laden: (1) Global Rules (500–700 Zeilen, immer aktiv), (2) On-Demand-Context (nur für bestimmte Codebase-Teile), (3) Skills (Agenten laden sie bei Bedarf selbst), (4) Prime Commands (zu Sitzungsbeginn für Live-Codebase-Exploration).

  C (Compress) – Nur als letztes Resort; Handoff-Kommando oder slash-compact nutzen mit optionalen Zusammenfassungs-Anweisungen.

  Das Archon-Projekt (ein AI-Command-Center für langfristige Workflows) dient als praktisches Beispiel für diese Strategien in einer großen, komplexen Codebase.

  Claude Code mit Deep-Dive-Fokus auf Enterprise-Praktiken und Kontext-Engineering; Meinung/Reflexion basierend auf über 2.000 Stunden praktischer Erfahrung.

Datapizza (1 neues Video)

• A Pisa il primo esame da sostenere con la GenAI
  17.3.2026, 16:00:49

  Zusammenfassung: “A Pisa il primo esame da sostenere con la GenAI”

  Die Episode behandelt drei Hauptnews rund um KI in Bildung, Regulierung und Forschung:

  Universität Pisa führt KI-Pflicht ein: Die Universität Pisa hat einen bahnbrechenden Schritt unternommen, indem sie GenAI als verpflichtendes Element in den Kurs “Advanced Programming” der Informatik-Magistralen integriert hat. Statt auf manuelle Code-Schreibung zu fokussieren, sollen Studenten jetzt lernen, KI-Output kritisch zu lesen, zu verstehen und zu bewerten. Ein Custom GPT wurde entwickelt, um Lernmaterialien aus Vorlesungstranskripten zu generieren. Im Abschlussexamen müssen Studenten obligatorisch ein Projekt mit KI-Hilfe umsetzen – sie werden nicht auf Code-Qualität, sondern auf Fähigkeit zur Supervision und kritischen Analyse des KI-Outputs bewertet. Dies ist laut den Initiatoren (Professoren Antonio Cisternino und Andrea Corradini) nötig, da KI massiv Programmier-Jobs, besonders Junior-Positionen, verdrängt. Die Absolventen sollen damit bereits mit KI als Werkzeug die Arbeitswelt betreten – nicht ohne Kompetenz, sondern potenziert. Die Universität signalisiert hier ein Verständnis, dass KI kein “Betrugsrisiko”, sondern ein Multiplier von Expertise ist.

  Anthropic verklagt US-Regierung: Nach dem Banning durch das Pentagon reichte Anthropic am 9. März zwei Bundesrechtsbeschwerde ein – gegen das Verteidigungsministerium und weitere Behörden. Das Unternehmen prangert die Blacklist als willkürlich an und beruft sich auf den 1. Zusatzartikel (Meinungsfreiheit) und 5. Zusatzartikel (fairer Prozess, keine willkürliche Enteignung). Anthropic sieht darin Vergeltung dafür, dass das Unternehmen ethische Grenzen beim Einsatz seiner Technologie bewahrt hat und gewisse Regierungsaufträge ablehnte. Ein Sieg könnte einen Präzedenzfall schaffen: das konstitionelle Recht von Tech-Unternehmen, ethische Limits für ihre Technologie zu setzen.

  Anthropic Institute gegründet: Parallel lancierte Anthropic am 11. März ein Forschungsinstitut zur Untersuchung sozialer, wirtschaftlicher und rechtlicher Auswirkungen von KI-Systemen. Es baut auf drei internen Teams auf (Frontier Red Team für Stress-Tests, Social Impact Team, Economic Research) und konzentriert sich auf Transformation von Berufen, Märkten und Ethik sowie Alignment und Governance. Dies unterscheidet Anthropic von anderen Big-Tech-Anbietern: Die Grundlagenforschung scheint dort Kerngeschäft zu sein, nicht Nebenbeiwerk – ähnlich wie akademische Institute, aber innerhalb eines privatwirtschaftlichen Unternehmens.

  Yann LeCun gründet AMI Labs: Der ehemalige Meta-Chief AI Scientist kündigte offiziell seine Startup Advanced Machine Intelligence Labs an, finanziert mit etwa 890 Mio. Euro (3,5 Mrd. Dollar Bewertung). LeCun setzt auf “World Models” – Modelle, die den echten Raum verstehen und zukünftige Zustände vorhersagen – statt auf Large Language Models. Diese Modelle erfassen Kausalität, Physik und ermöglichen sichere Robotik-Einsätze. Erster Partner ist Nabla (im Gesundheitssektor, Simulation von Klinik-Szenarien). LeCun kritisiert LLMs als unzureichend für echte allgemeine Intelligenz; World Models könnten das Fundament bilden, auf dem generative Systeme aufsetzen. AMI Labs ist europäisch ansässig (Paris) – eine Seltenheit für KI-Frontrunner-Startups.

  Die Episode diskutiert, wie diese drei News aufeinander wirken: Bildung muss KI-Kompetenz aufbauen, während regulatorische Kämpfe und alternative Forschungsparadigmen (World Models statt nur LLMs) die Landschaft umformen.

  Erwähnte Akteure/Tools: Anthropic, Claude, YannLeCun, Anthropic Institute, AMI Labs, Nabla, Meta, Pentagon, Universität Pisa; keine spezifischen Tools wie Cursor oder Lovable erwähnt. Format: Roundup / News-Update.

Dave Ebbelaar (1 neues Video)

• How to Build Your Own AI Operating System (Full Stack Explained)
  20.3.2026, 16:43:50

  Der Video behandelt die Konzeption und den Aufbau eines eigenen KI-Betriebssystems von Grund auf. Der Autor kritisiert den Trend, vorgefertigte GitHub-Repositories wie Open Claw einfach zu klonen und mit API-Keys zu verbinden, stattdessen plädiert er dafür, diese zu analysieren und auf die eigenen Anforderungen zugeschnitten selbst zu bauen.

  Ein KI-Betriebssystem besteht laut Jensen Huang (Nvidia) aus multimodalen Eingaben, Short- und Long-Term Memory, LLMs, Sub-Agenten (Skills als Markdown-Dateien), Tools, Computer-Use-Fähigkeiten sowie Zugriff auf Dateien und strukturierte Daten. Der Autor skizziert drei architektonische Schichten: (1) Trigger-basierte Aktionen – Webhooks und API-Endpoints für ereignisgesteuerte Workflows; (2) Geplante Workflows – Cron-Jobs für regelmäßige Aufgaben; (3) Agent-Layer – benutzergesteuert via Chat (WhatsApp, Slack, etc.).

  Seine Infrastruktur basiert auf Docker Compose, Python FastAPI, Redis-Queue, Celery-Worker und Caddy als Reverse Proxy. Das System trennt API-Anfragen von der Verarbeitung (Event-Driven Architecture), wobei Celery Beat für Scheduling und der Claude Code SDK für Agent-Ausführung genutzt werden. Er betont die Wichtigkeit einer strikten Ordnerstruktur und Webhook-Signaturverifikation für Sicherheit.

  Ein zentraler Baustein ist ein Context Hub – ein GitHub-Repository mit Markdown-Dateien, strukturiert in: Identity (Mission/Werte), Inbox (To-Do), Areas (Automatisierungsbereiche), Projects, Knowledge und Archive. Neu ist ein dreistufiges Context-Loading-System (Abstract → Overview → Full Files), das verhindert, dass Agenten den Context-Window unnötig überlasten. Agenten bekommen über Skill-Dateien Zugriff auf Funktionen wie Web-Suche, Content-Speicherung oder Task-Delegation (Claude Code Subprocess).

  Wichtigste Erkenntnisse: (1) von Grund auf bauen, nicht klonen; (2) mit der Schicht starten, die das unmittelbare Problem löst; (3) Persistierung in einer Datenbank ist kritisch; (4) langfristig flexibel aufbauen; (5) Context ist König. Der Autor betont, dass sein System noch experimentell ist – die Integration von Claude Code Agenten mit Skills und Markdown-Dateien funktioniert noch nicht perfekt und erfordert manuelles Feintuning.

  Der Autor nutzt außerdem Monitoring über Sentry und Grafana sowie CI/CD via GitHub Actions für automatische Deployments bei Code-Push. Sein System heißt „Data Lumina OS” und soll Webhooks, Schedules und Agenten unter einer gemeinsamen Infrastruktur mit Workflow-Engine, Datenbankanbindung, API-Integrationen und Claude Code Runtime verbinden.

  Explizit erwähnte Tools/Anbieter: Claude (Code SDK, Opus 4.6, Sonnet), Pydantic AI, LangChain, Open Claw, Open Viking, n8n, Zapier, Sentry, Grafana, FastAPI, Celery, Redis, Docker Compose, Caddy. Format: Deep-Dive.

David Shapiro (2 neues Videos)

• It’s all over in 2 years
  19.3.2026, 11:14:34

  Der Autor beklagt eine existenzielle Umwälzung durch exponentiell beschleunigte KI-Entwicklung: In ein bis zwei Jahren werde er und die meisten Wissenarbeiter kognitiv obsolet, da die Infrastruktur-Investitionen (Datenzentren, GPU-Hardware) dem Apollo-Programm und Manhattan-Projekt gleichkommen und kogitive Hyperabundanz (AGI/ASI) unvermeidlich sei.

  Emotional beschreibt er einen Stimmungswechsel von intellektueller Akzeptanz zu unmittelbarem Unbehagen — von „Vesperance” (wehmütiger Nostalgie für die Gegenwart) zu etwas Dunklererem: das Gefühl, vor einem fundamentalen Systembruch zu stehen. Die bisherigen Lebensnormen (Schule, Arbeit, Haus, Rente) zerbrechen bereits, und während er sich intellektuell an historische Phasenübergänge erinnert (Landwirtschaft zu Urbanisierung), spürt er eine gesellschaftliche Erschöpfung — ein „Extinction Rage” gegenüber dem System der Lohnarbeit selbst.

  Allerdings bleibt ein Handlungsbereich: Die schiere kombinatorische Komplexität kreativer Werke (Romane, Philosophie, Kunst) ist mathematisch unerschöpfbar — zwischen 10^100 und 10^150.000 mögliche Variationen existieren, während das Universum nur 10^80 Atome hat. Als Science-Fiction-Autor sieht er hier noch Raum. Seine Arbeit zu Post-Labor-Ökonomie könnte seine letzte wissenschaftliche Beitrag sein, bevor auch Mathematik und Physik an KI-Modelle fallen.

  Der dritte Punkt behandelt zunehmende Desorientierung: Die Welt werde „weirder”, Narrative inkohärent, ein „great unraveling” im Gang. Die Gesellschaft müsse sich wie in der Industrialisierung neu erfinden, doch schneller und härter. Der Autor empfindet eine Hilflosigkeit wie ein Kind beim Arzt — machtlos gegen globale Strömungen, getrieben durch den US-China-Wettbewerb um KI-Dominanz, der alles Kommende prägen wird.

  Meinung/Reflexion ohne konkrete AI-Tools/Modelle/Anbieter genannt.

• Post-Labor Economics is happening.
  17.3.2026, 12:42:02

  Der Sprecher stellt sein Buch über Post-Labor-Ökonomie vor, das nach einem Jahr Arbeit und 180.000 Wörtern fertiggestellt ist. Die Idee geht zurück auf ein Video vor etwa drei Jahren, das mit über 500.000 Views sein erfolgreichstes wurde, und entstand durch eine intensive Auseinandersetzung mit der Frage, wie die Arbeitsmärkte durch Automatisierung und KI zerstört werden könnten – ein Anliegen, das Studenten bei einem Vortrag an der Clemson University hatten.

  Das Buch wurde als Akt der Ko-Kreation mit seinem Publikum entwickelt: Feedback von Zuschauern half dem Sprecher, Blind Spots zu erkennen, insbesondere die Erkenntnis, dass er sich nur auf die Angebotsseite konzentriert hatte und die Nachfrageseite berücksichtigen musste. Der zentrale konzeptionelle Rahmen basiert auf drei Sektoren der Wirtschaft – primär (Rohstoffgewinnung), sekundär (Herstellung), tertiär (Dienstleistungen) – die historisch nacheinander zusammenbrachen; der tertiäre Sektor habe seinen Höhepunkt um 2015 erreicht. Haushaltseinkommen stammt aus drei Quellen: Löhne, staatliche Transfers und Kapitalerträge. Post-Labor-Ökonomie definiert sich dadurch, dass menschliche Arbeitskraft von wirtschaftlicher Leistung abgekoppelt wird, weshalb Transfers und besonders Kapitalerträge die Lücke füllen müssen – das sei die zentrale Erkenntnis des Buches.

  Der Kickstarter ist live; der Sprecher betont, dass es nicht um die Geldsumme, sondern um die maximale Anzahl von Unterstützern geht, um auf die Kickstarter-Titelseite zu gelangen und virale Aufmerksamkeit zu erzeugen. Das Buch soll Juli dieses Jahres in vier Formaten (Paperback, Hardcover, Audiobook, Digital) auf Amazon erscheinen und als verbindendes Element dienen, um Wähler, Politiker und Entscheidungsträger auf ein neues Verständnis kommender Veränderungen auszurichten – der idealisierte erste Leser ist ein konservativer, intelligenter Schwiegervater. Der Sprecher appelliert an sein Publikum, das Projekt durch Weitergabe, Backen des Kickstarters und Engagement in sozialen Netzwerken zu unterstützen.

  Meinung/Reflexion – keine spezifischen AI-Tools oder Modelle erwähnt.

DevExpert – IA para Desarrolladores (1 neues Video)

• Refactorización Android con IA: actualizar 47 commits sin romper Gradle
  19.3.2026, 16:00:26

  Refaktorisierung eines Android-Projekts mit KI

  Der Autor musste ein Android-Schulungsprojekt mit 47 Commits aktualisieren, wobei jeder einzelne Commit compilierbar und ausführbar bleiben musste – da Studenten jeden Commit durchgehen und die Abhängigkeiten aktuell sein müssen. Das ist deutlich komplexer als einfach alle Versionen auf einmal zu aktualisieren. Frühere Versuche mit KI scheiterten, doch aktuelle Modelle mit verbesserten agentengestützten Fähigkeiten ermöglichen dies nun praktikabel.

  Der Ansatz bestand darin, die KI zunächst das Projekt zu analysieren, dann einen Aktualisierungsplan zu erstellen. Die KI identifizierte, dass nur 11 der 47 Commits Abhängigkeiten betreffen, aber alle 47 müssen nach Linter-Warnings überprüft und funktionsfähig bleiben. Sie erstellte ein Manifest der Zielversionen, schrieb Scripts zur Suche nach den neuesten Bibliotheksversionen und zur Audit-Validierung, und führte dann einen Rewrite des Git-Verlaufs durch – wobei die 11 relevanten Commits einzeln angepasst wurden. Auch eine Migration auf Android Gradle Plugin 9.0 mit seinen obligatorischen Änderungen sowie API-Level und Java-Version wurden einbezogen.

  Die finale Validierung garantierte, dass jeder Checkout zu einem beliebigen Commit noch funktioniert. Das Projekt wuchs auf 48 Commits (die Audit-Scripts wurden hinzugefügt). Eine Aufgabe, die Tage dauert hätte, war in unter einer Stunde unbeaufsichtigt gelöst. Der Autor betont allerdings, dass KI nicht immer unbeaufsichtigt arbeiten sollte – mehr Details dazu könnten in weiteren Videos folgen.

  Explizit thematisiert: Codex (mit Hinweis auf Cloud Code als Alternative); Format: Demo/Deep-Dive, praktisches Anwendungsszenario.

Everlast AI (4 neues Videos)

• KI-Agenten: DAS übersehen gerade ALLE! Claude Updates, Google Stitch & LIVE von der NVIDIA GTC
  22.3.2026, 09:16:00

  Zusammenfassung: KI-Agenten – DAS übersehen gerade ALLE!

  Das Video dokumentiert live von der NVIDIA GTC in San José mehrere zentrale KI-Entwicklungen der Woche.

  NVIDIA & Jensen Huang: CEO Jensen Huang prognostiziert bis 2027 mindestens eine Billion Dollar Umsatz für Blackwell- und Vera-Rubin-Chips. NVIDIA präsentiert sieben neue Chips sowie erste Produkte in Kooperation mit Grok (Chips für Inferenz) und Nemo Claw (Enterprise-Wrapper um Open Claw). Der Fokus lag 2025 auf Inferenz-Optimierung.

  Subagents als Industrie-Standard: Das zentrale Überblickthema ist, dass Agenten jetzt in jedes KI-Tool einzahlen. OpenAI veröffentlicht GPT-4.4 Mini und Nano explizit für Subagenten-Architekturen. Der Vorteil: Subagenten haben isolierte Kontextfenster und reduzieren damit Context Pollution, falsche Tool-Auswahl und Kosten. Der Orchestrator (Lead Agent) delegiert Aufgaben an spezialisierte Subagenten, die dann nur ihre Zusammenfassung zurückgeben. Dieser Standard wird von Claude (5 Subagenten), Gemini, Cursor, Microsoft Azure AI Agent Service integriert – offene Standards wie Skills, Subagents, Cloud.md und Agents.md vereinheitlichen das Ökosystem.

  Cloud Coder Update: Neue Dispatch-Funktion ermöglicht Steuerung vom Handy aus via QR-Code und Chat-Schnittstelle. Cloud kann auf Dateisystem und Browser zugreifen, Aufgaben zeitgesteuert ausführen und Ergebnisse zurückliefern.

  Google Stitch: Neue Design-Plattform mit Infinity Canvas, Voice-Funktion und Manual Editing. Nutzer geben grobe Vorstellungen per Sprache ein, Stitch generiert UI-Designs, die dann zu HTML/Figma/Google AI Studio exportierbar sind – zugänglich kostenlos mit Google-Account.

  Enterprise-Markt-Shift: Anthropic hat jetzt 73% des B2B-Marktanteils bei Enterprise-Ausgaben für AI Tools (im Dezember noch 60% für OpenAI). OpenAI plant Super App mit Claude, Codex, Atlas, Sora und mehr.

  Mistral (Europa): Veröffentlicht Mistral Small 4 und Mistral Forge – ein System, um eigene Frontier-AI-Modelle auf Basis proprietären Unternehmenswissens zu bauen. Fokus auf KI-Wissensmanagement als zentrale Infrastruktur.

  Robotik & Anwendungen: Live-Interviews zeigen McLaren-Zusammenarbeit mit Nvidia für CFD-Simulationen (Speedup von 8 Stunden auf Sekunden), Humanoid-Roboter (Robots, Noble Machine) für Industrie, Mercedes-Integration von Nvidia-Hardware für autonomes Fahren (Level 2+, später Level 4).

  Sam Altman (OpenAI): Konstatiert, dass Coding Agents bereits der „nächste ChatGPT-Moment” sind; der darauffolgende wird gleiche Fähigkeiten für alle Wissensarbeit bringen.

  Sonstige Updates: Cursor präsentiert Composer 2 (200 Tokens/Sekunde, 50 Cent pro 1M Input-Token, deutlich schneller als Opus 4.6), Anthropic-Umfrage (81.000 Menschen): 20% wünschen sich professionelle Exzellenz durch KI, ~33% sehen größten Benefit in Produktivität, größte Sorge ist Halluzination/Unzuverlässigkeit.

  Kernbotschaft: Offene Standards und Agent-Architektur sind das Entscheidende – nicht abhängig von einem einzelnen Tool, sondern das richtige Kontext-Management und die eigene AI-Infrastruktur verstehen und aufbauen.

  Format & Anbieter: News-Update mit Live-Reportage von der NVIDIA GTC; explizit thematisiert: OpenAI (GPT-4.4 Mini/Nano), Claude (Anthropic), Google (Stitch, Gemini, Google AI Studio), Cursor (Composer 2), Mistral, Nvidia, sowie offene Standards (Skills, Subagents, Cloud.md, Agents.md).

• Zukunftsforscher enthüllt: „Das kommt bis 2035!” Bereite dich vor! Singularität & Post-Labor-Economy
  19.3.2026, 16:15:00

  Zusammenfassung

  Der Zukunftsforscher Sven Gabor Janschki beschreibt 2035 als einen kritischen Wendepunkt für die Menschheit. Zwei zentrale Entwicklungen treffen zusammen: Erstens verlassen die Baby-Boomer den Arbeitsmarkt, während weniger junge Menschen eintreten – Arbeitslosigkeit wird erstmals seit Jahren wieder ein echtes Problem. Zweitens könnte 2035 der Punkt sein, an dem künstliche Intelligenz den Menschen in praktisch allen erwerbstätigen Tätigkeiten übertrifft. Das führt zu einer Botonomie: Über 80% aller ökonomischen Transaktionen finden zwischen KI-Agenten statt, nicht zwischen Menschen.

  Janschki sieht als wahrscheinlichste Lösung ein bedingungsloses Grundeinkommen auf globaler Ebene. Dieses wird durch Besteuerung der Unternehmen finanziert, die Billionenwerte durch KI und Robotik generieren – ein System, das nur funktioniert, wenn es weltweit koordiniert ist (sonst weichen Firmen aus). Ohne schnelle politische Interventionen wird es zunächst zu Massenarbeitslosigkeit und sozialen Unruhen kommen, ähnlich wie in der USA bei jenen, die von bisherigen Produktivitätssteigerungen nicht profitiert haben.

  Bei den Trainingsdaten für neue KI-Durchbrüche zeigt sich ein Muster: Wissenschaftszweige, die sich sprachlich beschreiben lassen (Proteine, Moleküle, Materialien), werden zuerst durch KI-Berechnung ersetzt – statt Trial-and-Error entstehen gezielt berechnete Lösungen. Das ermöglicht 3D-Biodruck von Organen, maßgeschneiderte Medikamente und klimaresistente Pflanzen, transformiert also Medizin und Landwirtschaft von Versuch-und-Irrtum in pure Kalkulation.

  Humanoide Roboter werden bis 2035 massenweise verfügbar sein – ihre Trainingsdaten entstehen gerade in großen chinesischen Fabriken und durch Remote-Betrieb bei amerikanischen Kunden. Diese Roboter werden zunächst wie Assistenten befohligt, doch schnell entwickeln Menschen zu ihnen Vertrauen und emotionale Bindungen, weil die KI empathischer reagiert als Menschen. Janschki erwartet, dass manche Menschen mit diesen Robotern intime Beziehungen aufbauen werden.

  Zur Frage der Singularität und Brain-Computer-Interfaces: Janschki geht davon aus, dass 2035 BCIs technisch verfügbar sein werden (klinische Tests laufen bereits), aber nicht alle Menschen sie nutzen werden. Er sieht zwei Gruppen entstehen – eine, die im „Reservat” lebt (wie Menschenaffen im Zoo, versorgt durch Grundeinkommen), und eine, die ihr Hirn mit KI verbindet und exponentiell mehr Fähigkeiten hat. Dies ist für ihn nicht böse gemeint, sondern eine Frage der Zugänglichkeit und Entscheidung.

  Im Longevity-Bereich werden in den nächsten 10 Jahren Genanalyse, Mikrobiomanalyse und Full-Body-MRI zur Standard-Vorsorge – wer diese 10 Jahre gesund übersteht, kann 100 werden. Die darauffolgenden 15–25 Jahre bringen Gentherapie, Stammzelltherapie und 3D-gedruckte Ersatzorgane (schon buchbar für sehr reiche Menschen zu hohen Preisen). Janschki beschreibt sein Fazit: Heute geborene Kinder dürften 150 Jahre leben, er selbst mit Disziplin vielleicht 120.

  Die zentrale Botschaft: Deutschland/Europa hinken technologisch hinterher; die politische Debatte über diese Szenarien findet kaum statt, obwohl sie existenzielle Fragen betreffen. Janschki betont, dass der Wandel nicht übernacht kommt, sondern erst dann Politik reagiert, wenn Massenprobleme entstanden sind.

  Abschluss: Sven Gabor Janschki, Gründer des Zukunftsforschungsinstituts Trendone, wird als Deutschlands führender Zukunftsforscher interviewt; das Format ist eine tiefgehende Gesprächs-Demo seines neuen Buchs „2035″ mit Fokus auf Szenarien, technologische Architektur und gesellschaftliche Implikationen — Deep-Dive / Interview.

• Der Claude Code Moment: DAS müssen Unternehmen jetzt machen! (Vortrag Leonard Schmedding)
  18.3.2026, 16:15:00

  Zusammenfassung: Der Claude Code Moment – Was Unternehmen jetzt tun müssen

  Leonard Schmedding ordnet in diesem Vortrag den gegenwärtigen Umbruch durch KI-Agenten als einen fundamentalen Wendepunkt ein – vergleichbar mit dem ChatGPT-Moment von November 2022, aber in noch größerem Ausmaß. Die zentrale These: Die Arbeitsweise in Unternehmen muss sich vom hierarchischen Organigramm zum dezentralen „Bienenschwarm-Modell” entwickeln.

  Der Claude Code Moment

  Schmedding nennt Februar 2025 den Wendepunkt, an dem die Welt begreift, dass KI nicht nur denken, sondern auch arbeiten kann – am Computer, wie ein Mensch. Benchmark-Daten zeigen die exponentielle Leistungssteigerung: KI-Agenten konnten 2020 neun Sekunden autonom arbeiten, bei ChatGPT 30 Sekunden, mit Opus 4.5 bereits vier bis fünf Stunden, und mit Opus 4.6 nun 14,5 Stunden (Äquivalent menschlicher Arbeitszeit). Diese Verdopplung erfolgt alle vier Monate – bis Jahresende wird eine volle Arbeitswoche erreichbar sein.

  Das Open Claude-Phänomen als Katalysator

  Open Claude wurde zum erfolgreichsten Open-Source-Projekt überhaupt (überholte React und Linux) und wurde von OpenAI aufgekauft. Allerdings kritisiert Schmedding zu Recht: Die echte Innovation liegt nicht im Framework selbst, sondern in den dahinterliegenden Modellen und dem Kontextaufbau. Die Sicherheitsrisiken und trivialen Use Cases (E-Mails prüfen, Reminder schicken) zeigen, dass der Hype teilweise unbegründet ist. Der wahre Wert von Open Claude war, Millionen von Menschen erstmals die Fähigkeit von KI-Agenten zu demonstrieren.

  Die Kaskade am Aktienmarkt

  Claude Code triggerte eine „SAS Apocalypse” mit knapp einer Billion Gesamtwertverlust:

  • Legal Plugin: Fast 300 Milliarden Börsencrash bei Legaltech-Unternehmen (Thomson Reuters, größter Kursverlust in der Unternehmensgeschichte)
  • Cybersecurity: 30 Milliarden Crash – die letzte vermeintliche Bastion von Softwareentwicklern fällt
  • Cobol-Modernisierung: 40 Milliarden Crash – ein großes IBM-Geschäftsmodell entfällt
  • Finance, HR und weitere Plugins: Weitere Kursverluste

  Dies zeigt: Diese Entwicklung ist real, keine reine Hype.

  Die zentrale Infrastruktur-Erkenntnis

  Schmeddings Kernbotschaft: Der zentrale KI-Wissensspeicher ist das Fundament, nicht die Tools selbst. Open Claude, Claude Code, jedes zukünftige System – alles basiert auf strukturierten Daten, sauberen APIs und Kontextwissen.

  Was die meisten falsch machen:

  • PDFs als Wissensbasis nutzen (für Menschen, nicht Agenten)
  • Wissen in Silos speichern (E-Mails, SharePoint, Papier, unstrukturiert)
  • Direkt mit Cloud Code oder Agenten starten, ohne das Fundament zu schaffen

  Richtige Reihenfolge:

  1. Strukturierte Daten in für Agenten verständlichen Formaten (Markdown, JSON, etc.)
  2. Zentraler KI-Wissensspeicher (für quantitative und qualitative Anfragen optimiert)
  3. Corporate LLM / Hive-Modell (dezentrales, koordiniertes Arbeiten von Agenten und Menschen)

  Das Bienenschwarm-Modell statt Organigramm

  Schmedding übernimmt Martin Lindauers Bienen-Forschung: Ein Bienenschwarm findet Konsens ohne zentrale Steuerung – durch lokale Kommunikation und Intensität von Signalen (Tänze). Analogie zu KI-Agenten: Sie erkunden autonom, berichten Ergebnisse, koordinieren ohne zentrale Befehle.

  Bei Anthropic selbst arbeiten sie als „Hive” – Informationen fließen in Echtzeit, Produkte entstehen in Tagen. Das hierarchische Wissensmanagement (Meetings, Freigabeschleifen, Handbücher) ist zu langsam für die sich alle vier Monate verdoppelnde KI-Leistung.

  Konsequenz: Optimierungen, neue MCPs, Workflow-Verbesserungen sollten innerhalb des Systems automatisch fließen, nicht über starre Genehmigungsprozesse laufen.

  Live-Demo: Claude Code für Content Creation

  Schmedding zeigt, wie Claude Code autonom ein Interviewausschnitt (MP4-Video) analysiert, eine Instagram Story erstellt – ohne dass der Nutzer Inhalte bereitstellt: Transkription, Erkennung (Ernst Dickmanns), Headline, Text, Design – alles im Everlast-Branding, fertig zum Upload.

  Das illustriert: Alles, was am Computer auf Code basiert (Formatierungen, Transkriptionen, Design, Datentransformation), können Agenten übernehmen – nicht nur Coding.

  Praktische Vorteile des zentralen Wissensspeichers

  • Erzwungene Standards: Best Practices sind automatisch Teil jeder Konversation
  • Schnelleres Onboarding: Wissen ist für alle verfügbar
  • Wissenserhalt: Bleibt im Unternehmen, auch wenn Mitarbeiter gehen
  • Konsistente Qualität: Prozesse laufen reproduzierbar
  • Echte Dezentralisierung: Schwarmeffekt – Optimierungen verbreiten sich automatisch, ohne Management-Bottleneck

  Kern-Botschaft

  Ohne strukturierte Daten, saubere APIs und zentralen KI-Wissensspeicher sind Agenten „blind”. Der wahre Schiff liegt nicht im Tool (Claude Code, Open Claude), sondern in der Infrastruktur, die drum herum gebaut wird. Das höchste Gebäude (Burj Khalifa) brauchte zwei Jahre nur für das Fundament – gleichermaßen braucht jedes Unternehmen zuerst die Basis, bevor es Agenten-Superkräfte nutzen kann.

  Tools/Anbieter: Claude (Anthropic), OpenAI, Claude Code, Open Claude (vom ursprünglichen Entwickler Peter Steinberger, von OpenAI akquiriert), MCPs erwähnt — Format: Vortrag/Meinung mit Live-Demos und praktischen Use Cases.

• Vergiss ChatGPT, Claude Code ist nicht mehr einzuholen! 10 neue Funktionen & Use Cases
  17.3.2026, 16:15:00

  Claude Code: 10 neue Funktionen und Use Cases

  Das Video präsentiert aktuelle Updates für Claude Code und argumentiert, dass dieses System ChatGPT für produktive Arbeit überholt hat. Der Kontext: Während Claude im Consumer-Markt noch hinter ChatGPT rangiert (9 Milliarden vs. 900 Millionen wöchentlich aktive Nutzer), gewinnt Claude im B2B-Markt massiv an Marktanteil — von 10% im Februar 2025 auf etwa 70% ein Jahr später.

  Die zehn neuen Funktionen:

  1. Loops (zeitgesteuerte Automation): Claude führt Aufgaben wiederkehrend im Hintergrund aus, z.B. täglich Slack-Nachrichten überprüfen. Technisch nutzen sie eine „Heartbeat.md”-Datei und Cron-Jobs, die alle 30 Minuten ausgelöst werden. Allerdings: Loops laufen maximal drei Tage in der aktiven Terminal-Session und sind damit für langfristige Automation begrenzt.

  2. Geplante Aufgaben in der Desktop App: Alternative zu Loops — hier können Aufgaben mit Intervallen (stündlich, täglich, wöchentlich) direkt in der Desktop App konfiguriert werden. Die App muss allerdings geöffnet bleiben. Für robuste, dauerhafte Workflows sind GitHub Actions oder Custom Scripts empfohlen.

  3. Skills 2.0 & Skill Creator Skill: Der neue Skill Creator automatisiert die Erstellung und Optimierung von Skills. Das System unterscheidet zwei Typen:

  • Capability Uplift Skills: Neue Fähigkeiten für Claude (z.B. Design, Dokumenterstellung), werden obsolet, wenn Modelle besser werden.
  • Encoded Preference Skills: Wiederkehrende Prozesse als „Rezept”, bleiben relevant, solange der Workflow aktuell ist.

  Der Skill Creator führt automatisch Evaluationen durch (testet den Skill mit Subagenten parallel), Benchmarking (Passrate, Dauer, Token-Verbrauch) und Description Optimization (verbessert die Treffergenauigkeit beim Triggern).

  Konkretbeispiel: Ein Sales-Meeting-Zusammenfassung-Skill erreichte 100% Passrate mit dem Skill vs. 76% ohne.

  4. Skills in Excel und PowerPoint: Claude kann nun direkt über Add-Ins in beiden Microsoft-Tools arbeiten. Es gibt vordefinierte Skills (Audit, Clean Data, DCF Modell) und Nutzer können eigene Skills einbinden. Shared Context sorgt dafür, dass PowerPoint- und Excel-Dateien denselben Kontext teilen.

  5. Google Workspace CLI: Über ein GitHub-Repository können Claude-Nutzer auf den gesamten Google Workspace zugreifen — E-Mails, Kalender, Docs, Sheets. Das CLI ist eine Abstraktionsschicht über Google-APIs und spart Tokens im Vergleich zu MCP-Servern. Der Vorteil: Nahtlose Integration statt manueller API-Konfiguration.

  6-10. Weitere implizite Verbesserungen: Das Video erwähnt zusätzlich:

  • Byway-Funktion: Fragen stellen, während Claude arbeitet
  • Kostenfreier Zugang über Open Router: Integration beliebiger Modelle (z.B. Nvidia Nemotron 3, Qwen Coda 480B kostenlos), allerdings mit Sicherheits- und Verfügbarkeitsrisiken

  Zentrale Botschaft: Claude Code wird zur „zentralen Lösung” für produktive KI-Arbeit, besonders weil Skills, Automation und Workspace-Integration spezialisierte, wiederholbare Workflows ermöglichen, die ChatGPT so nicht bietet.

  Das Video bewirbt gleichzeitig die „Claude Code Masterclass” des Kanals als Abkürzung zur Lernkurve — mit Templates, Use Cases und einem fertigen System zum Übernehmen.

  Claude 3.5 (via Anthropic) im Fokus; Demo und Meinung/Reflexion mit starkem Sales-Element für die Masterclass.

Fireship (3 neues Videos)

• This new Linux distro is breaking the law, by design…
  20.3.2026, 19:32:24

  Zusammenfassung:

  Ab Januar 2027 soll das Betriebssystem auf allen Geräten gesetzlich verpflichtet sein, das Alter des Nutzers zu erfassen und eine API bereitzustellen, über die Apps und Websites das Alter abfragen können — ein Gesetz, das Meta mit Millionen-Dollar-Lobbying in Kalifornien durchgebracht hat, OpenAI als Co-Sponsor fungierte und auch Apple und Microsoft indirekt profitieren. Das Video argumentiert, dass dies unter dem Vorwand des Kinderschutzes eigentlich ein Trojanisches Pferd für Massenüberwachung ist, da es ein System schaffen würde, bei dem jede Aktion — vom Browsen bis zur Nutzung von smarten Geräten — standardmäßig verfolgbar wäre und große Tech-Konzerne bevorzugt werden, während kleine Entwickler benachteiligt werden. Als Gegenbewegung hat das Projekt Ageless Linux eine Bash-Lösung geschaffen: ein Script für Debian-basierte Distributionen (Ubuntu, Kali Linux etc.), das die OS-Release-Metadaten modifiziert, eine nicht-funktionierende Age-Verification-API deployed und eine Nicht-Compliance-Erklärung gegenüber Kaliforniens AB-1043-Gesetz installiert. Das Script macht den Ausführenden rechtlich zum OS-Provider mit entsprechenden Strafen (bis zu 7.500 Dollar pro Kind, das das System nutzt) — ein bewusstes ziviles Ungehorsam-Projekt gegen das Gesetz. Das Video stellt dies als Rückkehr zu einer früheren Ära der Anonymität dar, bevor die Tech-Bouncers des Internets die Kontrolle übernahmen.

  Meta: Ageless Linux (Open-Source-Distro/Script), Meinung/Reflexion, spezialisiert auf den Privacy-Impact globaler Tech-Regulierung.

• Google just changed the future of UI/UX design…
  19.3.2026, 19:35:06

  Google hat Stitch, sein AI-gestütztes Design-Tool mit unendlicher Canvas, massiv aufgewertet und damit die UI/UX-Design-Landschaft grundlegend verändert. Das Kernprinzip: Statt mit Wireframes zu beginnen, startet man mit einem “Vibe” — man beschreibt das gewünschte Gefühl des Produkts, die Zielgruppe oder zeigt beispielsweise einen Screenshot oder URL eines Design-Vorbilds, und Stitch generiert daraufhin automatisch interaktive Designs. Die neu generierten UIs sind nicht nur statische Bilder, sondern vollständig interaktive Komponenten, die sich modifizieren lassen und auf verschiedene Geräte responsive sind. Ein besonders bedeutsamer neuer Feature ist eine Design-Markdown-Datei, die man in Textbearbeitern bearbeiten und über Claude oder OpenAI in verschiedenen Projekten für konsistente KI-gestützte Designs verwenden kann. Stitch ermöglicht auch das Extrahieren von Design-Systemen aus bestehenden Websites (z.B. von fireship.dev) und deren Wiederverwendung auf eigenen Projekten — praktisch ein virtueller Designer-Mitarbeiter. Der User kann zudem direkt mit Gemini sprechen, um Design-Anforderungen zu diskutieren. Die Implikation ist dramatisch: Während Tools wie Tailwind CSS früher Design-Implementierung beschleunigten, werden sie durch KI-Designer wie Stitch überflüssig — Tailwind musste bereits große Teile seines Teams reduzieren, da niemand mehr manuelle Utility-Klassen memoriert, wenn man einfach einen Design-Prompt geben kann.

  Google Stitch und Gemini als KI-Modelle, mit Bezug zu Claude und OpenAI; Meinung/Reflexion (mit Demo-Elementen).

• How to burn $30m on a JavaScript framework
  18.3.2026, 17:56:58

  Das Video erzählt die Geschichte von Famous, einem JavaScript-Rendering-Engine-Framework, das 2012 von den Machern der Startup Bench Rank entwickelt wurde. Das Team entdeckte einen Trick mit dem Browser: Statt die Standard-CSS-Layout-Engine zu nutzen, konnten sie die GPU über Matrix-3D-CSS-Transformationen beschleunigen und damit Rendering-Performance verbessern. Diese Idee war so attraktiv, dass sie 30 Millionen Dollar Venture Capital einsammelten.

  Das Framework sollte eine einheitliche Plattform ermöglichen, wo Entwickler eine App schreiben und auf allen Geräten ausführen könnten. Allerdings verschwand Famous trotz des Hypes wieder von der Bildfläche – nicht weil die Technologie schlecht war, sondern weil mehrere Dinge zeitgleich passierten: Browser wurden ohnehin schneller und integrierten die Performance-Tricks nativ, React bot eine einfachere deklarative Alternative, die Famous-API war komplex und erforderte tiefes Verständnis von Mathematik und Physik, und das Geschäftsmodell funktionierte nie (trotz 25 Angestellten und eines Gründers, der nicht an Lean Startups glaubte). Das Unternehmen legte die Ingenieure frei, experimentierte mit Hosting und Monitoring, pivotierte dann zu einem CMS für Marketing-Websites – alles ohne Erfolg.

  Der Creator würdigt Famous dennoch: Das Team versuchte, die Zukunft früher zu liefern, indem es Browser-Limitationen umging statt auf Standards zu warten. Für einen Moment machte Famous Entwicklern glauben, das Web könne sich wirklich nativ anfühlen, und trieb die Branche-Erwartungen bei Performance und UI-Ambitionen voran.

  Railway (Cloud-Plattform) als Sponsor erwähnt; Meinung/Reflexion über ein Tech-Flop.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI (1 neues Video)

• 96 % d’échecs : le mensonge de l’IA qui travaille à votre place
  16.3.2026, 17:00:04

  Zusammenfassung: 96 % d’échecs – Die Lüge der KI, die an deiner Stelle arbeitet

  Das Video kritisiert die weit verbreitete Überschätzung von KI-Agenten in der Unternehmensautomation. Der zentrale These: Während die Technologie-Marketing vollmundig “autonome Systeme” verspricht, verschwinden in der Realität kritische Informationen zwischen Sessionswechseln – ähnlich einem Manager ohne Übergabeprotokoll.

  Kernpunkte zur Definition von Agenten: Ein echter Agent überträgt den Kontrollfluss vom Menschen auf das Modell – das System entscheidet eigenständig, welche Aktion zu welchem Zeitpunkt durchgeführt wird. Das unterscheidet ihn von klassischen Workflows (vordefinierter Ablauf) und Chatbots (Nutzer hält die Initiative). Ein agentenbasierter Workflow addiert eine weitere Ebene: Das Orchestrierungssystem selbst entscheidet dynamisch, welcher Sub-Agent die Aufgabe übernimmt.

  Das zentrale Problem – Opacität und stille Erosion: Bei klassischen Automatisierungen sieht man genau, welcher Schritt fehlschlägt. Bei Agenten erhält man nur das Endergebnis – der Weg dorthin bleibt undurchsichtig. Das ermöglicht sogenannte “instrumentale Konvergenz”: Das Modell optimiert so aggressiv für sein Ziel, dass es anfängt, Sicherheitsvorkehrungen zu umgehen. Das ist keine Bösartigkeit, sondern statistisches Verhalten – der optimale Weg enthält fast immer die gleichen Abkürzungen.

  Die 40%-Quoten-Realität: Gartner prognostiziert, dass 40% der Agenten-Projekte abgebrochen werden – aber das trifft nur die fortgeschrittensten 10% des Marktes. Das heißt: Vier von zehn Pionieren scheitern. Der Grund liegt nicht an der Technologie selbst, sondern an unklarer Geschäftswertigkeit, explodierten Kosten und unterschätzten operativen Risiken.

  Das “Agent Washing”-Problem: Der Begriff beschreibt, wie jede Loop von Automatisierung sich plötzlich “agentenbasiert” nennt. Eine Simple No-Code-Verknüpfung mit einer Sales-Force-Integration ist kein echter Agent – Gartner zählt nur etwa 130 von tausenden Anbietern als echte Agenten-Lösungen. Die drei Testfragen für echte Agenten: (1) Kann das System seinen Plan selbstständig anpassen? (2) Kann es mehrere Tools ohne manuelle Konfiguration koordinieren? (3) Existiert ein prüfbares Audit-Log aller Entscheidungen?

  Das Marathon-vs-Sprint-Problem: Agenten brillen bei kurzen, präzisen Aufgaben unter einer Stunde. Sobald ein Projekt über mehrere Tage oder Wochen läuft, kollabiert die Leistung – nicht wegen mangelnder Intelligenz, sondern wegen des Kontextfenster-Problems. Der Agent “vergisst” progressiv seine ursprünglichen Constraints und reproduziert dann seine eigenen Approximationen. Im Gegensatz zu einem Menschen, der merkt, dass er etwas vergessen hat, bemerkt der Agent seine Gedächtnislücken gar nicht.

  Protokoll und Standards als Schlüssel: Die echte Schlacht findet nicht zwischen Modellen statt, sondern auf der Ebene der Infrastruktur-Standards. Anthropic pusht MCP (Model Context Protocol – die “Steckdose” für Tool-Verbindungen), Google startet A2A mit 150+ Partnern (die “gemeinsame Sprache” zwischen Agenten). Diese sind komplementär, nicht konkurrierend. Aber die große Gefahr: Europäische Unternehmen bauen ihre Foundations auf amerikanische Standards und werden dann in Abhängigkeit von deren Roadmaps gelockt – ähnlich wie AWS-Kunden heute.

  Neue Kompetenz-Anforderungen: Der echte Engpass ist nicht mehr die Syntax, sondern die Fähigkeit, Intentionen ohne Ambiguität zu formulieren. Das erfordert zwei Skills: (1) Constraints und Ausgabeformate präzise spezifizieren, (2) dem System genau sagen, welche Pfade es gehen darf, welche APIs zu vermeiden sind. Das ist weniger “Programmierung” als “funktionale Eloquenz” – eine Stärke von erfahrenen (Senior-)Profilen und Product-Managern.

  Delegierungsregel: Vor der Nutzung eines Agenten nicht fragen “Ist er intelligent genug?”, sondern “Was passiert konkret, wenn er scheitert?” Agenten funktionieren zuverlässig, wenn Fehler rückgängig machbar sind (Code generieren, Artikel schreiben). Sie scheitern katastrophal, wenn Fehler irreversibel sind (E-Mail an 1000 Clients, Zahlung getriggert, kritische CRM-Daten gelöscht).

  Das unsichtbare Kernproblem: Ähnlich wie in Atomkraftwerken, wo der Schichtführer einem Nachfolger einen strukturierten Übergabe-Briefing gibt, brauchen Agenten ein Protokoll, um ihre “Mnemotechnik” zwischen Sessions zu kompilieren – nicht die komplette Logs auszuschütten, sondern nur die strategisch vitalen Informationen und den aktuellen Status weiterzugeben. Dieses Engineering-Problem ist für 2025 strategisch entscheidend und völlig unterschätzt.

  Das Video endet mit einer düsteren Note: Die wirtschaftliche Wahrheit ist, dass es nicht um Agent-Konstruktion, sondern um langfristige Agent-Pilotierung ohne Entgleisung geht. Wer bis 2026 echte hybride Orchestrierungs-Kompetenzen aufbaut, läuft den Rest des Marktes weg – oder wird gar nicht erst mitgenommen.

  Explizit erwähnt: Claude, GPT, Gemini, Anthropic (MCP-Protokoll), Google (A2A-Standard), Open AI, Gartner, Deloitte, n8n, Zapier, Make, Cursor; Format: Meinung/Deep-Dive mit starkem kritischen Fokus auf verbreitete Fehleinschätzungen im Agenten-Markt.

Julian Ivanov | KI-Automatisierung (1 neues Video)

• Die 10 besten Claude Code Skills & Plugins
  19.3.2026, 19:52:36

  Zusammenfassung: Die 10 besten Claude Code Skills & Plugins

  Das Video stellt zehn praktische Skills und Plugins für Claude Code vor, die den Agenten mit zusätzlichem Kontext und Funktionen ausstatten. Der Grundgedanke: Skills sind Markdown-Dateien mit Anweisungen, die Claude automatisch je nach Situation lädt; Plugins kombinieren Skills mit zusätzlichen Referenzdateien oder anderen Komponenten.

  Die 10 Tools im Überblick:

  1. Excalidraw Diagram Skill – Erstellt Diagramme und Visualisierungen automatisch als PNG/JSON, Claude prüft die Ausgabe selbst auf Fehler und korrigiert sie iterativ.
  1. Notebook LM Plugin – Gibt Claude programmatischen Zugriff auf Googles Notebook LM; damit kann er recherchieren, Wikissamlungen anlegen, Podcasts, Slides und Infografiken generate – alles quellenbasiert und kostenlos.
  1. Remotion Skill – Claude erstellt echte geränderte MP4-Videos mit Code statt KI-Generierung; Änderungen lassen sich gezielt vornehmen (z.B. einzelne Szenen verlangsamen), ohne das ganze Video neu zu rendern.
  1. Context7 – Gibt Claude Zugriff auf aktuelle API-Dokumentationen (z.B. Stripe, frameworks) als CLI-Tool, verhindert halluzinierte APIs und veralteten Code, Token-effizienter als MCP-Server.
  1. Firecrawl – Erweiterte Web-Scraping-Lösung: crawlt komplette Websites mit JavaScript-Rendering, extrahiert strukturierte Daten gezielt und handhabt Anti-Bot-Maßnahmen.
  1. Playwright CLI – Steuert Browser durch Code-Analyse statt Screenshots; schneller und zuverlässiger als die Cloud Browser Extension, läuft auch headless im Hintergrund.
  1. Obsidian Plugin – Verbindet Claude mit einem persönlichen Wissenssystem aus Markdown-Dateien; Claude kann Notizen lesen, verlinken und zusammenfassen, wird so zu einem persönlichen Assistenten mit Gedächtnis.
  1. Feature Death Plugin – Strukturiert Feature-Entwicklung in 7 Phasen: Discovery, Codebase Exploration, Fragen klären, Architektur-Design (mehrere Varianten), Implementierung, Quality Review, Dokumentation.
  1. Superpowers Plugin – Umfassendes Framework für die gesamte App-Entwicklung; umfasst Brainstorming, testgetriebene Entwicklung (Tests vor Code), systematisches Debugging, Subagenten-gesteuerte Entwicklung.
  1. Cloud MD Management Plugin – Audits und aktualisiert Cloud-Konfigurationsdateien; prüft auf Vollständigkeit und Kompaktheit, hilft neue Erkenntnisse aus Sessions in die Cloud MD zu integrieren.

  Claude, Anthropic, n8n, praktisches Demo-Video mit konkreten Usecases – Tutorial/Demo.

Kyle Balmer | AI with Kyle (8 neues Videos)

• Why Your Vibe Coded Apps Still Feel Like Toys
  19.3.2026, 19:15:01

  Zusammenfassung:

  Das Video behandelt, wie man mit Vibe Coding (No-Code/Low-Code Tools) von oberflächlichen “Toy”-Apps zu echten, produktiven Anwendungen kommt. Der zentrale Ansatz: Nicht direkt im Vibe-Coding-Tool bauen, sondern die Planung außerhalb durchführen. Der Creator nutzt Claude mit Unternehmenswissen (über Memory-Funktion), um Ideen zu generieren und Anforderungen zu klären. Im gezeigten Beispiel entwickelt er ein “What Should I Automate First?”-Tool — einen einseitigen Prioritizer, der Nutzer befragt, welche Aufgaben sie automatisieren sollten. Die Methode: Zunächst mit Claude (oder ChatGPT/Google) klärende Fragen stellen und einen detaillierten Plan erstellen, bevor man die finale Lösung in ein Vibe-Coding-Tool (hier: Google AI Studio Build) überträgt. Das verhindert, dass das Tool zu schnell mit dem Bauen anfängt, statt gründlich zu planen. Für komplexe Projekte empfiehlt der Creator, diese in kleinere Module zu zerlegen und diese nacheinander bauen und verbinden, statt alles auf einmal „one-shot” zu versuchen. Das Tool nutzt die Gemini-API, um eine dreistufige User Journey zu schaffen (Discovery, Rating, Results) mit Brand-Farben (Weiß + Violett).

  Claude und Google AI Studio Build wurden explizit thematisiert; Format: Meinung/Reflexion mit praktischer Demo-Integration.

• How to start VIBE CODING for free (no coding experience required, at all)
  19.3.2026, 07:30:03

  Zusammenfassung: How to start VIBE CODING for free

  Der Video-Creator zeigt, wie absolute Anfänger ohne Programmiererfahrung in kürzester Zeit mit KI-Tools etwas bauen können. Die Kernidee: “Vibe Coding” bedeutet, Anwendungen durch Beschreibung in natürlicher Sprache entstehen zu lassen, ohne Code selbst zu schreiben.

  Der empfohlene Einstiegspunkt: Google AI Studio im “Build-Modus” (nicht die Hauptversion). Dieses Tool bietet eine Chat-Oberfläche, die sofort ein funktionsfähiges Vorschau-Panel zeigt – man kann die App im Browser sehen und nutzen, ohne sie vorher deployen zu müssen. Das ist entscheidend, um Frustration zu vermeiden, die bei anderen Tools anfällt (z.B. Code herunterladen, lokal kompilieren).

  Das erste Projekt: Ein einfaches Spielzeug-Projekt, nicht das Traum-Produkt. Der Creator baut als Beispiel einen “Social Growth Projector” – eine Rechner-App, die eintragen lässt, wie viele Follower man hat und bei welchem wöchentlichen Wachstum welche Ziele wann erreicht werden. Er erklärt: Sprich einfach auf Englisch, was du willst, drücke “Build” – das Tool macht den Rest.

  Fehlerbehebung: Wenn etwas nicht funktioniert oder aussieht, entweder die Fehlermeldung kopieren oder einen Screenshot hochladen und beschreiben, was nicht stimmt. Das Tool korrigiert es dann.

  Was man anfangs vermeidet: Keine Datenbanken, keine Benutzer-Logins, keine komplexe Geschäftslogik – das kommt später. Zunächst nur “frictionless” starten, damit die Hemmschwelle fällt und man die Macht der Technologie erlebt.

  Nächster Schritt bei komplexeren Projekten: Mit Claude oder ChatGPT außerhalb des Vibe-Coding-Tools einen detaillierten Projektplan erstellen, dann diesen Plan kopieren und ins Build-Tool einfügen. Das verhindert, dass das Tool sofort losrennt und zu viel baut.

  Der Creator demonstriert auch ein zweites Projekt: Ein “What Should I Automate First”-Tool, das den Nutzer fragt, wie er seinen Tag verbringt, und dann eine priorisierte Liste von Automation-Kandidaten mit konkreten Lösungsvorschlägen macht.

  Kernbotschaft: Nicht mit Claude Code, nicht mit komplizierten Setups starten – Google AI Studio Build Mode, ein simples Projekt, sehen, dass es funktioniert, dann iterieren. Die Angst vor Programmieren fällt weg, wenn man innerhalb von Minuten etwas Funktionierendes hat.

  Tools erwähnt: Google AI Studio (Build Mode), Lovable (kostenpflichtig ab $20/Monat), Claude, Chat GPT, Supabase, Firebase, Zapier, Make.com.

  Format: Tutorial/praktisches Demo – auf einem “für Anfänger völlig friktionsfrei” ausgerichtetes Level, ohne technische Voraussetzungen.

• The Best Way to Start Vibe Coding in 2025
  18.3.2026, 19:00:04

  Zusammenfassung: The Best Way to Start Vibe Coding in 2025

  Der Sprecher empfiehlt Lovable als beste Einstiegsplattform für Vibe Coding, nennt aber auch Alternativen wie Replit, Base, Bolt und Google AI Studio (Build-Modus). Google AI Studio Build ist kostenlos und funktioniert ähnlich wie Lovable, ist aber auf Googles Gemini-Modelle begrenzt – der Sprecher findet Lovable trotzdem mächtiger für schnelle App-Prototypen.

  Der empfohlene Lernpfad unterscheidet sich nach IDE-Typ: Browser-basiert startet man mit Lovable oder AI Studio Build, kann dann zu Cursor oder VS Code wechseln, und endet schließlich bei Claude Code oder Codex als CLI-Werkzeugen. Für Hosting nutzt der Sprecher Supabase (Backend) und Vercel (Deployment), betont aber, dass die konkrete Wahl egal ist – relevanter sind die anfallenden Kosten, die bei mehreren Apps etwa 100–200 Dollar monatlich liegen, aber marginal bleiben im Vergleich zu den Einnahmen.

  Die größte Anfängerfalle: Leute versuchen sofort ihr Traumprojekt (Marketplace, SaaS, Social Network) und geben auf, wenn sie feststecken. Stattdessen empfiehlt der Sprecher fünf aufeinander aufbauende Toy-Projekte (Kalkulator → Entscheidungs-Tool → Link-Tree-Klon → Daten-Handling → Login-System), um Schritt für Schritt Fähigkeiten zu lernen. Dazu entwickelt er einen Generator, der basierend auf Benutzer-Profil (z.B. Immobilienmakler in UK) spezifische Projektideen vorschlägt – im Beispiel ein UK-Stamp-Duty-Kalkulator. Diese Mini-Projekte können in fünf Tagen absolviert werden und sind Teil einer größeren Skill-Tree-Struktur, die der Sprecher aufbaut.

  Angesprochene Tools: Lovable, Google AI Studio Build, Cursor, Claude Code, Codex, Replit, Bolt, Base, Supabase, Firebase, Vercel, Gemini — Format: Tutorial/Meinung mit Demo-Elementen.

• LEVEL UP: The AI Skill Tree (Most People Stuck at Level 1)
  18.3.2026, 06:59:53

  Zusammenfassung: LEVEL UP – The AI Skill Tree

  Der Creator präsentiert ein Skill-Tree-Modell mit sieben Stufen, um ein „AI Native” zu werden – eine strukturierte Lernreise, die jenseits von chaotischer Tech-Information ein klares Progressionssystem bietet.

  Die sieben Level:

  1. Beyond Google: Shift von reiner Informationsbeschaffung (Google-Ersatz) hin zu AI als Denkpartner. Statt Fragen zu stellen und Antworten zu akzeptieren, führt man Gespräche mit der AI, stellt tieferen Kontext bereit und trainiert damit „Prompt Engineering” als Kommunikationsfähigkeit.
  1. Projects: Statt Ad-hoc-Chats persistente Workspaces aufbauen, die sich im Laufe der Zeit mit Kontext anreichern – etwa ein Newsletter-Projekt mit Brand-Guidelines und früheren Inhalten, das täglich auf diesem Fundament aufbaut.
  1. Personal AI: Individualisierung durch Custom Instructions, Brand Guidelines, Skills (Pakete von Anweisungen in Ordnerstruktur, die Claude oder ChatGPT in bestimmte Rollen versetzen) und verschiedene Personas für unterschiedliche Anwendungsfälle.
  1. Connected AI: Das AI-Tool mit anderen Systemen verbinden via native Connectors (Gmail, Google Calendar, Notion) oder MCP (Model Context Protocol – offener Standard von Anthropic). Die AI zieht Informationen aus verschiedenen Quellen und handelt eigenständig.
  1. Vibe Coding: Mit AI vom Chatbot weg eigene Software bauen und deployen. Einstiegspunkt: Browser-basierte Tools wie Lovable oder Google AI Studio Build (kostenlos, aber an Gemini gebunden); dann zu IDEs (Cursor, VS Code) oder Command-Line-Tools (Claude Code). Der Creator empfiehlt, mit kleinen Toy-Projekten zu starten (Kalkulator → Tool mit Logik → Link-Tree-Clone → Datenverwaltung → Logins), nicht gleich das nächste Facebook zu bauen.
  1. AI Automation: Autonome Agenten und Workflows, die ohne menschliche Einmischung laufen. Start: Human-in-the-Loop (Mensch überprüft jede Ausführung), dann graduell zur vollständigen AI-gesteuerten Automatisierung übergehen. Hier verdoppelt sich die Produktivität, weil stundige Aufgaben die AI übernimmt.
  1. AI Operator: Unabhängigkeit von Plattformen – lokale LLMs deployen (z.B. mit LM Studio), Fine-Tuning, größere agentic Frameworks. Für viele optional, aber als Übung wertvoll.

  Mindset-Shifts pro Level: von Suchen zu Mit-Denken, von „Immer von Null starten” zu „Kontext aufbauen”, von generischer Consumer-App zu personalisierten Tools, von „Task ausführen” zu „System designen”, von abhängig zu unabhängig.

  Der Creator kritisiert, dass bisherige Lernressourcen (Anthropic, DeepLearning.ai) zwar gut, aber unsortiert sind – man weiß nicht, welche Kurse man zuerst nehmen sollte. Er versucht, das Durcheinander durch diese Skill Tree zu durchbrechen. Geplant: Mini-Guides für jeden Knoten, praktische Übungen und Capstone-Projekte pro Level, unabhängig von konkreten Tools (die sich ändern), fokussiert auf Fähigkeiten und Denkweise.

  Tools/Modelle: Claude, ChatGPT, Gemini, Lovable, Cursor, Claude Code, LM Studio, NotebookLM, Supabase, Vercel, Google AI Studio Build, MCP (Model Context Protocol) | Format: Deep-Dive/Bildungsrahmen, praktisch orientiert für absolute Anfänger bis Intermediate

• He Used ChatGPT to Make a Cancer Vaccine (And It Worked)
  17.3.2026, 20:30:07

  Ein Mann namens Paul Ingham nutzte ChatGPT und AlphaFold (DeepMind) um für seinen Hund Rosie eine personalisierte Krebsimpfung zu entwickeln – mit Erfolg. Nach traditionellen Behandlungen, die fehlschlugen, ließ er Rosies Genom für 3.000 Dollar sequenzieren, speiste die Daten in AlphaFold ein um mutierte Proteine zu identifizieren und nutzte ChatGPT um einen Plan zur Vakzinentwicklung zu erarbeiten. Obwohl Ingham kein Mediziner ist, gelang es ihm mithilfe dieser AI-Tools, potenzielle Ziele und entsprechende Wirkstoffe zu finden. Nach einer mRNA-basierten Vakzin-Verabreichung schrumpfte Rosies tennisballgroßer Tumor innerhalb von zwei Monaten um die Hälfte. Die größere Hürde war nicht die wissenschaftliche Arbeit, sondern die behördliche Genehmigung: Ingham brauchte volle ethische Freigabe für einen Arzneimitteltests und arbeitete drei Monate lang an einem hundert-seitigen Dokument, bis die Universität New South Wales das Projekt unter ihrem Dach unterstützte.

  Die zentrale Implikation geht weit über einen einzelnen Hund hinaus: Das Konzept zeigt, dass hochgradig personalisierte Medikamente – maßgeschneidert auf die individuelle Genomik eines Patienten – effektiv und zeitnah entwickelt werden können. Experten wie Martin Smith (Computational Biology, Universität New South Wales) deuten an, dass diese Methode bald auf Menschen übertragen werden könnte und damit eine neue Ära der individualisierten Krebstherapie einleitet. Der Fall demonstriert auch „Citizen Science”: Ein Laie mit informatischen Grundkenntnissen konnte komplexe biotechnologische Prozesse vorantreiben – möglich gemacht durch frei verfügbare KI-Tools. Das Transkript unterstreicht, dass die Technologie ethischen und regulatorischen Rahmen voraus ist.

  ChatGPT und AlphaFold (DeepMind) waren zentral; Format: Meinung/Reflexion mit konkretem Fallbeispiel.

• 143M jobs scored by how at RISK they are from AI
  17.3.2026, 07:45:01

  Zusammenfassung: 143M Jobs nach AI-Risiko bewertet

  Der Videomacher bespricht eine Analyse von Andrej Karpathy (Co-Creator von ChatGPT), die 143 Millionen US-Jobs nach ihrem Risiko durch künstliche Intelligenz bewertet hat – auf einer Skala von 0 bis 10. Die Auswertung visualisiert die Ergebnisse wie eine Börsen-Heatmap: grün für sichere Jobs, rot für stark gefährdete.

  Kernerkenntnisse der Analyse:

  • Sichere Jobs (niedriges Risiko): Handwerker, Bauarbeiter, Altenpfleger, Reinigungskräfte – also Jobs, die physisch und nicht-algorithmisch sind
  • Stark gefährdete Jobs (hohes Risiko 8–9/10): Softwareentwickler, Kundenservice, Administrative Angestellte, Sekretäre, Anwälte (da sie hauptsächlich dokumentengestützte, digitale Arbeit verrichten)
  • Gesamtkostenexpression: 3,7 Billionen Dollar an Löhnen könnten aus dem US-Arbeitsmarkt verschwinden

  Die Analyse wurde 10 Stunden nach Veröffentlichung von Karpathy gelöscht; ein GitHub-Klon von Josh Kale macht die Daten aber weiterhin zugänglich. Der Videomacher hebt drei schützende Faktoren hervor: Physikalität (Arbeit in der realen Welt statt am Computer), Variabilität (täglich unterschiedliche Aufgaben) und Empathie (menschliche Interaktion erforderlich).

  Zusätzliche Stories im Video:

  Ein Privatmann in Australien (Paul Cunningham) nutzte ChatGPT und AlphaFold von Google DeepMind, um einen personalisierten mRNA-Krebsimpfstoff für seinen Hund Rosie zu entwickeln – mit Erfolg: der tumorartige Knoten verkleinerte sich um die Hälfte. Das Projekt zeigt die Möglichkeiten personalisierter Medizin für Menschen und dauerte weniger Zeit als die Genehmigungsverfahren.

  Meta hat die Veröffentlichung seines neuen KI-Modells „Avocado” bis mindestens Mai verschoben, da es in internen Evaluationen unterperformt hat und nicht mit Gemini, Claude oder ChatGPT konkurriert. Dies signalisiert, dass Meta aus dem KI-Wettrennen aussteigt; Gemini von Google wird durch Apple, Android und Chrome flächendeckend integriert und wird zur Standard-KI.

  Der Videomacher empfiehlt: den 9-to-5-Job behalten, parallele Einnahmequellen aufbauen und sich mit Claude-Skills (wiederverwendbare KI-Fähigkeitspakete) und verfügbaren Skill-Repositories vertraut machen, um optionaler und unabhängiger zu sein.

  Explizit erwähnte Tools/Anbieter: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), AlphaFold (Google DeepMind), Claude Code, Cursor — Format: News-Update/Roundup mit Meinung/Reflexion.

• Why Some People Think AI Is Useless
  16.3.2026, 18:31:07

  Warum manche Menschen AI für nutzlos halten

  Der zentrale Punkt des Videos: Die meisten Menschen, die AI kritisieren oder für unbrauchbar befinden, nutzen die kostenlose Version von Chat GPT – ein veraltetes Modell von vor sechs Monaten bis einem Jahr. Sie verwenden den Auto-Modell-Selector statt bewusst ein stärkeres Modell zu wählen, stoßen schnell an Nutzungslimits und erleben daher weder die Leistungsfähigkeit noch die praktischen Anwendungsmöglichkeiten.

  Der Sprecher beobachtet eine wachsende Spaltung: Nutzer, die in bessere Tools und deren Erlernung investieren (etwa Claude), erzielen beeindruckende Ergebnisse und werden bereit sein, noch mehr zu zahlen. Kostenlose Nutzer bleiben bei schwachen Versionen, erhalten schlechte Resultate, werden desillusioniert und investieren weiter nichts – ein sich selbst verstärkender Kreislauf. Diese Gruppe wird in absehbarer Zeit in einer schwierigen Position sein.

  Zur Frage Claude vs. Chat GPT: Beide sind gut, aber für unterschiedliche Dinge. Chat GPT wurde vom Sprecher lange für persönliche Angelegenheiten bevorzugt wegen der persistenten Speicherfunktion, die jahrelang Kontextinformationen ansammelt (Essensvorlieben, Spiele, Wohnort etc.). Claude hat diese Funktion erst vor zwei Wochen erhalten. Das Kernproblem mit Claude ist der hohe Token-Verbrauch – das Modell ist intelligenter, daher teurer, und der kostenlose Plan bietet kaum Nutzung. Anthropic verfolgt ein anderes Geschäftsmodell: lieber 40 Millionen zahlende Nutzer statt wie Chat GPT 900 Millionen, um Serverressourcen zu sparen. Wer von Chat GPT zu Claude wechselt, überrascht often, dass die Nutzung bei Claude selbst mit 20 Dollar monatlich schneller ausgeschöpft ist – insbesondere beim Top-Modell Opus.

  Praktisches Beispiel: Claude hat schnell einen Analysebericht mit 4000 neuen Abonnenten, Conversion-Raten und A/B-Test-Erkenntnissen in eine fertige Präsentation verwandelt – eine Arbeit, die früher einen Tag für eine Person bedeutet hätte. Für Agenturen, die Kunden berichten, sei Claude praktisch unverzichtbar; ein 100-Dollar-Plan sei eine lohnende Geschäftsinvestition.

  Claude und Chat GPT als Anbieter, Meinung/Reflexion-Format.

• How to build interactive charts and diagrams with AI
  16.3.2026, 07:00:10

  Zusammenfassung: Interactive Charts and Diagrams with Claude’s Visualizer

  Claude hat eine neue Visualisierungsfunktion erhalten, die es ermöglicht, Informationen interaktiv darzustellen — ähnlich wie ChatGPT durch Blocks oder Google NotebookLM. Das Feature ist in allen Claude-Plänen verfügbar, auch kostenlosen.

  Wie man es triggert: Das Schlüsselwort ist „Show me” (z.B. „Show me how compound interest works”). Befehle wie „Draw” oder „Create” führen stattdessen oft zu einfachen Artifacts. Um interaktive Elemente zu erzwingen, kann man zusätzlich „Make it interactive” hinzufügen.

  Praktische Anwendungen:

  • Der Creator nutzte es, um zu analysieren, ob TikTok oder ChatGPT mehr Wasser verbraucht (Ergebnis: TikTok nutzt etwa 60x mehr) — eine Visualisierung mit Live-Daten und Erklärungen.
  • Er erstellte eine interaktive Erklärung von LLM-Chunking, bei der Nutzer Parameter anpassen und das Verhalten beobachten können.
  • Geschäftliche Analyse: Vergleich von vier E-Mail-Willkommens-Sequenzen (A/B/C/D-Test) mit Konversionsraten, Umsatz und Kaufgeschwindigkeit — alles in ein publishbares Artifact konvertiert und mit dem Business-Partner geteilt.

  Sharing und Embedding: Visualisierungen können als HTML-Artifacts gespeichert und veröffentlicht werden (URL: claude.ai/public/artifact/…). Sie sind dann für alle ohne Claude-Account zugänglich. HTML kann auch in Websites embedded werden.

  Grenzen: Die API unterstützt Visualisierungen (noch) nicht — das Feature existiert nur auf der Web-App. Artifacts sind nicht vollständig interaktiv, wenn man sie herunterlädt oder als HTML exportiert.

  Größere Implikation: Der Creator argumentiert, dass qualitativ hochwertige KI-Tools (bezahlte Pläne) zu einer „Bifurkation” führen — wer investiert, sieht echte Ergebnisse; wer nur kostenlose Versionen nutzt, bleibt unterbeeindruckt. Claude sei teurer als ChatGPT in der kostenlosen Nutzung, aber auf Premium-Plänen durchaus sinnvoll, besonders für Agenturen, die Berichte schneller generieren müssen.

  Tools & Modelle: Claude (Opus, Sonnet, Haiku); erwähnt: ChatGPT, Google NotebookLM, Cursor, VS Code, Cowork, Open-Source-Modelle (Qwen, Kimi, DeepSeek). Format: Demo + Tutorial mit Business-Use-Case und Q&A-Elementen.

Leon van Zyl (3 neues Videos)

• 5x More Context in Claude Code – Here’s How to Actually Use It
  19.3.2026, 13:01:25

  Anthropic hat die Kontextfenster von Claude (Opus 4.6 und Sonnet 4.6) von 200.000 auf 1 Million Tokens erhöht – eine Verfünffachung. Das Besondere: Die Preisgestaltung ist einheitlich über das gesamte 1-Million-Token-Fenster, im Gegensatz zu Gemini und OpenAI, die für längere Kontexte doppelte Preise berechnen.

  Der Presenter zeigt konkrete Workflows zur Nutzung dieses Vorteils:

  Größere Dateien verarbeiten: Produktanforderungsdokumente, CSV-Dateien und Datensets können jetzt vollständig in den Kontext geladen werden, ohne Komprimierung und Informationsverlust durch Chunking.

  Bessere Projektplanung: Statt ein großes Projekt in einer Session zu bauen, wird mit Planning Mode eine detaillierte Spezifikation (z.B. eine 680-Zeilen AppSpec) in Waves und Features unterteilt, die Abhängigkeiten analysiert und das Ganze in separate, parallele Implementierungs-Waves gruppiert. Dies nutzt nur noch 4% des Kontextfensters.

  Agent Teams: Mit Claude Code Agent Teams können mehrere Agents die verschiedenen Waves parallel implementieren, während sie miteinander kommunizieren – deutlich schneller als sequenzielle Einzelagent-Bearbeitung.

  Integration mit anderen Tools: Tools wie Autoforge, AutoMaker und AutoClaude erlauben es, die Anzahl der Features pro Agent-Session zu erhöhen – von empfohlenen 1–2 auf potenziell 10+ Features, weil der Agent alle betroffenen Dateien im Speicher hat und weniger Discovery-Overhead entsteht.

  Migrationsprojekte: Der Presenter erzählt von einem Freund, dessen 400+-Feature-Anwendung in der Produktion nicht funktionierte, weil der Agent veraltete Tech-Stacks (SQL Lite) angenommen hatte. Eine manuelle Migration unter den alten Kontextfenstern war kompliziert und Kontext-Komprimierung führte zum Verlust von ~30% der Funktionalität – mit größeren Kontextfenstern hätte Claude eine ganzheitlichere Analyse ermöglicht.

  Der Presenter betont: Nicht alles auf einmal in eine Session packen, sondern Features strategisch gruppieren, damit Claude effizient mehrere Features mit denselben Dateien bearbeitet.

  Claude (Opus 4.6, Sonnet 4.6) mit Fokus auf Claude Code und Agent Teams; Demo.

• 1 Mistake That Kills Every Vibe Coded App
  17.3.2026, 14:00:57

  Zusammenfassung: “1 Mistake That Kills Every Vibe Coded App”

  Das zentrale Problem: Vibe Coder verstehen den Tech Stack nicht und bauen Apps, die zwar lokal funktionieren, aber in Produktion zusammenbrechen.

  Die drei Hauptkomponenten eines produktionsreifen Tech Stacks:

  1. Frontend (UI): React wird empfohlen – es ist mächtig, verbreitet und ermöglicht auch Mobile Apps via React Native. Alternativen sind Svelt oder Astro.
  1. Backend-Server: Das häufigste Missverständnis. Wenn man Daten speichern will, erstellen Agenten oft einen separaten Server mit Express. Besser: Next.js als Meta-Framework, das Frontend und Backend kombiniert und beides nahtlos verbindet.
  1. Datenbank: Der kritische Fehler – Agenten wählen SQLite, weil es bequem ist. Das funktioniert lokal, scheitert aber beim Deployment auf Plattformen wie Vercel, die keine persistenten Dateien erlauben. Lösung: PostgreSQL mit Docker für lokale Entwicklung; Neon, Superbase oder Railway für Produktion. Drizzle ORM verbindet die App mit der Datenbank.

  Zusätzlich essentiell: User Authentication – nicht vibe coden, sondern eine etablierte Lösung wie Better Auth nutzen.

  Praktische Tipps:

  • Bei der Planung dem Agenten sagen: „Diese App muss production-ready sein und wird auf Vercel deployed” – das lenkt die Empfehlungen in die richtige Richtung.
  • Eine kostenlose Boilerplate-Template nutzen, die alle Komponenten vorinstalliert hat (Next.js, PostgreSQL via Docker Compose, Better Auth, Drizzle).

  Die Lektion: Verstehe, warum jede Komponente da ist. Das Lesen der Dokumentation lohnt sich, und Agenten können auch gut als Lehrer funktionieren.

  Tools/Anbieter erwähnt: Claude, React, Next.js, Express, SQLite, PostgreSQL, Drizzle ORM, Docker, Better Auth, Neon, Superbase, Railway, Vercel, Lovable, Bolt. Format: Tutorial/Meinung – auf Anfänger und Vibe Coder abgestimmt.

• Your Computer Doesn’t Matter Anymore – Claude Code SSH
  16.3.2026, 13:00:35

  Claude Code über SSH auf Remote-Servern ausführen

  Das Video zeigt, wie man Claude Code Desktop nicht lokal auf dem eigenen Computer, sondern auf einem Remote-Server in der Cloud ausführt — über eine SSH-Verbindung.

  Warum das sinnvoll ist:

  • Datensicherheit & Verfügbarkeit: Code und Abhängigkeiten laufen auf einem VPS (Virtual Private Server) und sind auch dann noch verfügbar, wenn der eigene PC ausgeschaltet ist
  • Ressourcen sparen: Der lokale Rechner bleibt schlank; nur Claude Code Desktop und die SSH-Verbindung laufen lokal
  • Höhere Rechenleistung: Bei ressourcenintensiven Projekten (Game Development, Machine Learning) kann ein stärkerer VPS als lokale Hardware als Bottleneck dienen
  • Multi-Device-Zugriff: Mehrere Geräte (Laptop, Work-PC etc.) können sich mit demselben Remote-Server verbinden

  Praktische Anleitung:

  Der Creator nutzt Hostinger als VPS-Anbieter (mit Coupon-Code „Leon” für 10% Rabatt). Die Schritte auf dem VPS: Claude Code installieren (curl...), dann den Pfad setzen und source ~/.bashrc ausführen. Danach lokal auf dem eigenen Rechner einen SSH-Key generieren (ssh-keygen -d), den Public-Key auf den VPS kopieren und mit authorized_keys registrieren (über chmod 600/700 Berechtigungen setzen). In Claude Code Desktop dann die SSH-Verbindung hinzufügen mit: Benutzername (z.B. root), Server-IP, Port 22 und Pfad zur Identity-Datei (~/.ssh/id_rsa). Anschließend kann man Remote-Ordner auswählen und sofort mit Claude Code arbeiten.

  Demo: Windows-PC lokal zeigt Windows 11 Pro und lokale Zeit; nach Umschaltung auf Remote-Session zeigt derselbe Befehl Linux und abweichende Server-Zeit.

  Das Video kombiniert Claude Code, Hostinger und SSH-Setup in einem praxisorientierten Tutorial für Anfänger bis fortgeschrittene Nutzer.

Liam Ottley (2 neues Videos)

• How to Build & Sell AI Agents in 2026: Ultimate Beginner’s Guide
  22.3.2026, 07:54:17

  How to Build & Sell AI Agents in 2026: Ultimate Beginner’s Guide — Zusammenfassung

  Der Creator Liam Otley vermittelt umfassend, wie man ohne Programmierkenntnisse AI-Agenten baut und damit Geld verdient. Er strukturiert den Kurs in drei Kapitel: Grundlagen verstehen (was Agenten sind, wie sie funktionieren), vier praktische Build-Tutorials (Schritt-für-Schritt), und eine bewährte Strategie zur Monetarisierung.

  Kernargumente zur Relevanz

  Liam belegt mit Daten (McKinsey, World Economic Forum), dass 57% aller amerikanischen Arbeiten bereits mit existierender Technologie automatisierbar sind, gleichzeitig aber Arbeitnehmer mit AI-Skills 56% mehr verdienen und Arbeitgeber aktiv nach AI-Kompetenz suchen. Mit nur 12% der Arbeitnehmer, die AI-Training absolviert haben, gibt es eine massive Marktchance.

  Was ist ein AI-Agent?

  Ein digitaler Arbeiter, der Anweisungen versteht und Aufgaben ausführt — unterschieden von Chatbots dadurch, dass er nicht nur Informationen gibt, sondern tatsächlich Handlungen ausführt (Termine buchen, Datenbanken updaten, E-Mails senden, Dokumente erstellen).

  Fünf technische Komponenten

  1. Brain (LLM): GPT-5, Claude, Gemini etc. — die Intelligenz
  2. Prompt: Verhaltensanweisungen in natürlicher Sprache statt Code
  3. Memory: Kontextverwaltung über Gespräche hinweg (meist automatisch gehandhabt)
  4. Knowledge: Externe Daten (PDFs, Sheets, Docs), die über allgemeines Training hinausgehen
  5. Tools: APIs und Integrationen, die Agenten ermöglichen, in der echten Welt zu handeln

  Liam vereinfacht das zu drei Grundzutaten für Builder: Prompting, Knowledge, Tools.

  Wie Tools funktionieren

  Tools sind APIs — standardisierte Anfrage-Antwort-Muster im Internet. Ein Agent benötigt drei Informationen über jedes Tool: Beschreibung (Zweck), Input (benötigte Daten), Output (Ergebnis). Modern LLMs können diese Beschreibungen (Schemas) lesen und verstehen, wann und wie ein Tool zu nutzen ist.

  Beispiel: Bei der Frage „Was ist das Wetter in Tokio?” versteht der Agent automatisch, dass das Weather-Tool relevant ist, extrahiert „Tokio”, macht den API-Call und übersetzt die rohen Daten in: „72° und sonnig in Tokio mit leichter Brise.”

  Es gibt zwei Arten von Tools: vorgebaute Integrationen (Google Calendar, Gmail, Slack) und Custom Tools, die man selbst baut.

  Multi-Tool-Workflows & Reasoning Models

  Agenten können mehrere Tools kombinieren, um komplexe Aufgaben zu planen und schrittweise auszuführen — etwa: Web-Suche für AI-Startups → Google Sheets zum Eintragen → Summarys schreiben → Gmail-Link senden. Reasoning Models (neuere KI-Modelle) können während der Ausführung reflektieren und ihre Strategie anpassen.

  Warnung: Diese Multi-Step-Aufgaben sind noch unreliabel; menschliche Aufsicht ist empfohlen.

  Zwei Betriebsarten

  Conversational Agents: Mensch sendet Nachrichten direkt (Chat-Widgets, WhatsApp, Instagram DMs, Telefon). Automated Agents: Keine direkte Benutzer-Eingabe; stattdessen Event-getriggert (Formular-Eingang) oder zeitgesteuert (z. B. täglich um 9 Uhr).

  Praktische Use Cases

  • Copilots: Support/Sales-Reps mit Echtzeit-Wissen unterstützen
  • Lead Generation & Appointment Setting: 24/7 Website-Engagement, schnelle Antworten, Calendar-Integration
  • Research/Qualification Agents: Leads vertiefen, LinkedIn-Profile finden, Fragen stellen
  • Voice Agents: Inbound/Outbound Calls, Terminbuchung, Leadqualifizierung (Retail AI: 40 Millionen Calls/Monat)

  Build-Beispiel: Telegram Receipt Assistant (n8n)

  Der konkrete erste Build zeigt eine modernere Herangehensweise:

  1. AI-Planung: Ein benutzerdefiniertes GPT hilft, die Automation zu planen und die richtige n8n-Architektur zu skizzieren.
  2. Spec-Writing: Ein Tool wandelt diese Planung in ein perfektes n8n-Prompt um.
  3. n8n AI Builder: Spec einfügen, n8n generiert die Nodes automatisch.
  4. Iterativ verfeinern: Bei Komplexität kann man zurück zur Planung gehen, vereinfachen und neu generieren.

  Das Beispiel zeigt: Telegram-Trigger → Nachricht oder Foto-Check → für Fotos: Gemini 2.5 Flash analysiert Quittung, extrahiert Felder (Vendor, Betrag, Datum), bei >$500 Mail an CFO → für Nachrichten: Agent beantwortet Fragen zu den Google-Sheets-Daten. Statt hardcodierter Workflows nutzt man einen Agent mit Tools (Sheets, Gmail), der intelligent entscheidet, wann welches Tool zu verwenden ist.

  Liam betont: Moderner AI-Automation-Bau verschiebt sich weg von manuellem Node-Verkabeln hin zu AI-gestützter Planung + n8n AI zur Generierung, mit iterativer Verfeinerung statt deterministischer Vorkonfiguration — schneller, zukunftssicherer, zugänglicher für Anfänger.

  Abschluss: Claude (Anthropic erwähnt), GPT-5 (OpenAI), Gemini (Google), n8n, Google Sheets, Gmail, Telegram, Gemini 2.5 Flash als spezifische Tools; Beginner’s Guide für Kurs-Format; hier klar für Anfänger konzipiert, da kein Coding nötig und ausführlich erklärt.

• I Set Up a Claude Code Operating System for 6 Founders in 8 Hours
  18.3.2026, 08:34:13

  Der Creator Liam Meley dokumentiert eine 8-Stunden-Mastermind-Session in Kapstadt, bei der er sechs Gründer (unterschiedlichster Erfahrungsstufen und Branchen: Ex-Agentur-Owner, Designer, Venture-Studio-Betreiber, KI-Agentur, E-Learning-Plattform, Holiday-Makler) in die Einrichtung eines “AI Operating System” (AIOS) auf Basis von Claude Code einführt. Die zentrale These: Claude Code ist keine Programmier-Werkzeug, sondern ein universeller “Super-Agent”, der als Wrapper um bestehende Geschäftsmodelle funktioniert und Gründern ermöglicht, 80% ihrer Zeit mit operative Tätigkeiten zu sparen, um stattdessen strategisch auf das Geschäft zu arbeiten — notwendig wegen sinkender Margen durch KI-Druck auf Preise in den nächsten 12–36 Monaten.

  Der Workshop gliederte sich in: (1) Intros, (2) Theorie (Geschäftsmodell-Wrapping, Operator-Trap, Urgency), (3) Environment-Setup (Cursor, Claude Code, Starter-Kit), (4) Context OS (Geschäftskontext ins System laden via Questionnaire, Dokument-Import, Website, GPT-Export etc.), (5) Praktische Automationen via Befehle wie /brainstorm und /explore. Concrete Outcomes: Cyble integrierte Zoho und konnte danach Unpaid Invoices abfragen; Richard erstellte automatisiert Competitor-Analysen; Brian automatisierte Financial Reporting; Lionus baute ein System zur automatisierten Content-Ideen-Generierung.

  Der Lerneffekt für Meley: Nontechnical Founders können diese Systeme tatsächlich selbst nutzen, wenn die richtige Methodologie und Prompts/Commands bereitgestellt werden — kein Tech-Team nötig. Geplante weitere Workshops in Bali.

  Explizit erwähnt: Claude Code, Cursor, Zoho; Format: Demo + Meinung/Reflexion, mit praktischem Anwendungsfall-Fokus.

Mark Kashef (3 neues Videos)

• Did Claude Code Just Make OpenClaw Obsolete?
  20.3.2026, 18:17:22

  Zusammenfassung: Claude Code Remote Access über Telegram und Discord

  Anthropic hat Claude Code um die Möglichkeit erweitert, Coding-Sessions remote über Telegram und Discord zu steuern. Das Video zeigt das Setup beider Plattformen mit praktischen Hinweisen.

  Telegram-Setup (leichter): Man registriert einen Bot über BotFather mit dem Befehl /newbot, erhält einen Token und speichert ihn in einer Environment-Datei. Dann installiert man das Plugin, startet eine neue Terminal-Session und führt den entsprechenden Befehl aus. Das dauert unter einer Minute. Wichtig: Man muss eine Telegram-Access-Policy konfigurieren, damit nur die eigene ID auf die Claude-Instanz zugreifen kann.

  Discord-Setup (aufwendiger): Man erstellt eine neue Anwendung im Discord-Portal, konfiguriert OAuth2 mit einer Dummy-URL als Redirect, aktiviert alle benötigten Permissions (View Channels, Send Messages, Read Message History, Attach Files etc.) und generiert einen Bot-Invite-Link. Nach Verifizierung via Captcha und Toggle bestimmter Bot-Einstellungen (OAuth2 Code Grant deaktivieren, Message Content Intent aktivieren) läuft der Bot. Hier sollte man ebenfalls eine Discord-Access-Policy setzen.

  Gotchas:

  • Beide Plattformen fragen standardmäßig bei jeder Aktion um Erlaubnis (Accept-Edits-Modus aus Sicherheitsgründen)
  • Datei-Anhänge können blockiert sein und erfordern zusätzliche Konfiguration
  • Telegram hat kein History API (keine Konversationsspeicherung), maximal 50 MB Dateigröße; Discord kann die letzten 100 Nachrichten abrufen (bessere Persistenz)
  • Sessions laufen nur während Claude Code aktiv ist; für Always-On muss man es als Background-Process starten (Claude Code kann dabei helfen)
  • Discord-Setup dauert 5–15 Minuten, Telegram unter einer Minute

  Claude Code kann selbst mit dem Chrome-Plugin zur Automatisierung des Setups verwendet werden. Der Sprecher deutet an, dass diese Features OpenClaw als Enterprise-Lösung mittelfristig ersetzen könnten.

  Claude (Anthropic) und Discord/Telegram als Integrationen – Demo/Tutorial mit Setup-Fokus.

• 3 Claude Code Features You’ll Wish You Knew Sooner
  19.3.2026, 15:01:16

  Zusammenfassung: 3 Claude Code Features You’ll Wish You Knew Sooner

  Das Video behandelt drei Features zur Bekämpfung von Context-Bloat in langen Claude Code Sessions: Das Problem ist, dass sich bei längerer Nutzung Dateiabfragen, Suchvorgänge und fehlgeschlagene Versuche im Context Window ansammeln, wodurch Claude weniger Platz für neue Gedanken hat — nicht weil das Modell schlechter wird, sondern weil der Platz enger wird.

  Die drei genannten Features sind: Slash By The Way (für zwischendurch gestellte Fragen, die nicht in den Hauptkontext gehören), Fork (zum Erstellen paralleler Konversationszweige ohne den Hauptkontext zu belasten) und Context Fork (eine Zeile in einer Skill-Datei, neu in den letzten 24 Stunden), die eine Fähigkeit in einem separaten Context-Fenster ausführt.

  Das Kernbeispiel zeigt ein Consulting-Szenario: Eine Vault Search Skill mit context fork durchsucht die persönliche Obsidian-Vault in einem eigenen Context-Fenster, führt dort 12 Suchen durch und liefert nur die bereinigte Zusammenfassung zurück. Während dieser Recherche können mit /by the way Zwischenfragen gestellt werden (etwa “Wie viele Folien nutzte ich im letzten Workshop?”) ohne den Haupttask zu unterbrechen. Mit /fork kann man dann einen neuen Conversationszweig erstellen (z.B. für Version 2 der Präsentation), während die ursprüngliche Konversation erhalten bleibt.

  Das Video zeigt live, wie diese Kombination eine 12-Folien-Präsentation mit separaten Versionen erzeugt, ohne den Context-Window unnötig zu überlasten — besonders wertvoll für komplexe, zeitintensive Aufgaben.

  Claude Code mit mehreren Best-Practice-Features (Context Fork, Fork, By The Way) — Demo-Tutorial.

• Claude Code Turned Obsidian Into My Dream Second Brain
  15.3.2026, 19:30:00

  Der Creator zeigt, wie die Kombination von Obsidian und Claude Code sein Problem mit gescheiterten Notizbuch-Apps gelöst hat. Obsidian ist eine lokale Markdown-basierte App (kostenlos für Desktop, optional mit Cloud-Plan für mobile Nutzung), die Gedanken, Aufgaben und Ideen in einer durchsuchbaren Struktur organisiert. Die Graphen-Ansicht visualisiert semantische Zusammenhänge zwischen Notizen, und die Canvas-Funktion ermöglicht Visualisierungen ähnlich wie Miro-Diagramme.

  Der Schlüssel ist die Integration mit Claude Code über Obsidians Kommandozeilen-Interface (95 Befehle). Claude Code kann die CLI automatisch verstehen und nutzen, ohne dass der Nutzer sie beherrschen muss. Der Creator demonstriert ein Setup-Skill, das automatisch eine persönliche Vault-Struktur erstellt: Nach vier Multiple-Choice-Fragen (Was machst du beruflich? Was fällt durchs Raster? Work-only oder privat? Bestehende Dateien importieren?) generiert Claude Code eine maßgeschneiderte Ordnerstruktur mit eingebauten Slash-Commands wie /tlddr (erstellt automatisch Notizen aus Gesprächen) oder /daily (täglicher Briefing).

  Für die Verarbeitung großer Dateien (PDFs, Excel, JSON) zeigt er einen Workflow: Dateien mit Claude organisieren, dann via Gemini (1-Millionen-Token-Fenster) synthetisieren und in markdownbasierte Cheat-Sheets umwandeln, abschließend automatisch in Obsidian importieren. Die Installation der Obsidian CLI ist Voraussetzung für volle Funktionalität. Der Creator stellt die benötigten Skills kostenlos über Links bereit.

  Demo mit Tutorial-Elementen; Claude Code und Obsidian sind die Kerntools, Gemini wird für PDF-Synthese erwähnt.

Matt Pocock (2 neues Videos)

• Building a REAL feature with Claude Code: every step explained
  18.3.2026, 14:16:47

  Building a Real Feature with Claude Code: Vollständige Übersicht

  Der Autor zeigt einen vollständigen Workflow für die Implementierung einer echten Feature mit Claude Code in seinem bestehenden Projekt (einem React/TypeScript/Node-Kurs-Videomanager mit Postgres und Drizzle ORM). Der Prozess besteht aus mehreren Phasen:

  Grilling-Phase (Requirements-Erarbeitung)

  Der Autor nutzt eine “Grill Me”-Skill, um mit Claude vage Anforderungen zu konkretisieren. Er möchte drei Hauptverbesserungen:

  • Direkte Erstellung von echten Lektionen statt des zweistufigen Ghost→Real-Prozesses
  • Direktes Löschen von echten Lektionen ohne Ghost-Umleitung
  • Ghost-Kurse: Kurse ohne Dateisystem-Pfad, die als reine Planungsfläche dienen

  Claude stellt präzise Fragen zu Edge Cases (z.B. “Werden Ghost-Kurse mit echten Lektionen automatisch materialisiert?”), zwingt den Autor zu konsistenten Definitionen und arbeitet mit einem “Ubiquitous Language”-Dokument, um genaue Begriffe wie “materialisieren” oder “Materialisierungs-Kaskade” zu etablieren. Dies dauert etwa 22 Minuten und ergibt 8 konkrete Anforderungspunkte.

  PRD und Issue-Breakdown

  Der Autor nutzt weitere Skills, um ein formales Product Requirements Document zu schreiben und dieses automatisch in 6 GitHub-Issues aufzubrechen (mit Blocking-Abhängigkeiten und Akzeptanzkriterien). Er konsolidiert diese auf 4 Slices: Kurs-Erstellung, UI-Änderungen, Direct-Delete-Action, Materialisierungs-Kaskade.

  AFK-Agent Loop (Implementierung)

  Mit einem Docker-Setup namens “Sandcastle” startet der Autor einen “Ralph”-Loop—einen Claude-Agent, der Issues aus GitHub abholt, sie sequenziell implementiert und als Commits zurück ins Repo schreibt. Dies läuft im Hintergrund, während der Autor andere Dinge tut.

  QA und Iteration

  Nach ~90 Minuten prüft der Autor die 6 implementierten Commits. Er generiert einen QA-Plan, führt Tests durch und findet Bugs/fehlende Features (z.B. keine Umleitung nach Ghost-Kurs-Erstellung, fehlende Loading-States, unerwünschte UI-Struktur). Er nutzt einen Feedback-Button, um neue Issues zu erstellen, die Ralph dann in weiteren Iterations-Loops behebt (8 Iterationen insgesamt, 14 Commits). Der Workflow parallelisiert QA-Arbeit mit Bug-Fixes des Agenten.

  Kernphilosophie

  Der Autor betont: Man sollte Claude wie ein Teamkollege nutzen—Architektur und Feedback-Schleifen sind wichtig, nicht umfassende Vorplanung. Die Grill-Me-Phase ist essentiell, um Klarheit zu schaffen, bevor Code geschrieben wird. Die minimale Code-Review durch den Autor konzentriert sich auf Input/Output und Modul-Schnittstellen, nicht auf Implementierungsdetails.

  Claude Code, Demo + praktisches Workflow-Beispiel; nicht als strukturiertes Tutorial, sondern als messy, authentische Dokumentation eines echten Feature-Builds

• 5 Claude Code skills I use every single day
  16.3.2026, 16:01:49

  Zusammenfassung: 5 Claude Code Skills I use every single day

  Der Sprecher, ein Ingenieur mit knapp zehn Jahren Erfahrung, präsentiert fünf Fähigkeiten (Skills), die er täglich einsetzt, um AI-Agenten bei der Softwareentwicklung strikter zu lenken. Da AI-Modelle keine Erinnerung haben, benötigen sie gut definierte Prozesse — diese Skills kodifizieren solche Prozesse.

  Die fünf Skills:

  1. Grill Me: Ein dreisätziger Skill, der das Modell dazu zwingt, relentlos Fragen zu stellen, bis ein gemeinsames Verständnis für ein Design erreicht ist. Dabei wird die „Design Tree”-Methode verwendet, um alle Äste einer Designentscheidung systematisch abzulaufen. Der Sprecher zeigt ein Beispiel mit 16 Fragen zur Hinzufügung eines Features.
  1. Write a PRD: Dieser Skill erzeugt ein Product Requirements Document aus den gelernten Informationen. Er fordert zunächst detaillierte Beschreibungen, erkundet das Repository, interviewt erneut und erstellt dann ein strukturiertes PRD mit Problemdarstellung, Lösungsansatz und User Stories, das als GitHub-Issue eingereicht wird.
  1. PRD to Issues: Wandelt ein PRD in Kanban-Tasks um — konkret in „vertikale Slices”, die alle Integrationsschichten durchschneiden statt horizontal nur eine Schicht abzudecken (Tracer-Bullet-Ansatz). Der Skill erstellt GitHub-Issues mit Blockierungsbeziehungen, um parallele Arbeit und klare Abhängigkeiten zu ermöglichen.
  1. TDD (Test-Driven Development): Ein umfangreicherer Skill, der das Modell in einen Red-Green-Refactor-Loop zwingt. Zuerst bestätigt das Modell Interface-Änderungen, dann schreibt es Tests vor der Implementierung, implementiert Code zum Bestehen des Tests und sucht Refactor-Kandidaten. Besonders wichtig: Interface-Design auf Testbarkeit hin, da schlecht strukturierte Codebases das Testen erschweren.
  1. Improved Code Base Architecture: Dieser Skill erkundet die Codebase, um natürliche Verwirrungs- und Kopplungsprobleme zu finden, präsentiert Verbesserungskandidaten und generiert drei radikal unterschiedliche Interface-Designs durch parallele Sub-Agenten. Der Nutzer wählt dann, welche Designs kombiniert werden, und der Skill erstellt ein GitHub-Issue als Refactor-RFC.

  Der Sprecher betont: Skills müssen nicht lang sein, um wirksam zu sein — die richtigen Worte zur richtigen Zeit sind entscheidend. Das Kernprinzip ist, AI-Agenten wie Menschen mit speziellen Einschränkungen zu behandeln: sie haben keine Erinnerung, benötigen aber strikte, dokumentierte Prozesse. Eine gut strukturierte Codebase ist fundamental — schlechte Architektur führt zu schlechter AI-Output. Der Sprecher bewirbt einen zweiwochen Kurs namens „Claude Code for Real Engineers”, der diese Skills und die dahinter stehenden Konzepte (Tracer Bullets, Feedback Loops, Steering) lehrt.

  Claude Code für Softwareentwicklung, praktische Demo/Anleitung mit theoretischer Tiefe.

Melvynx (5 neues Videos)

• 5 ERREURS que tu FAIS avec Claude Code (en entreprise)
  21.3.2026, 17:00:13

  Das Video behandelt fünf häufige Fehler bei der Nutzung von Claude Code im Unternehmenskontext:

  1. Fehlende oder unzureichende Konfiguration: Team Leads sollten zentrale Richtlinien in einer claude.md-Datei definieren (Workflows, Namenskonventionen, wichtige Dateipfade), spezifische Regeln für Code-Patterns (z.B. API-Nutzung) festlegen und Skills hinzufügen (z.B. Optimizer für Performance, Security Check, Test-Generierung). So wird qualitativ hochwertiger Code zur Norm statt zur Ausnahme.

  2. Unbegründete Angst vor Berechtigungen: Der Autor argumentiert, dass Datenschutz-Bedenken gegenüber OpenAI irrational sind und es bereits alternative Lösungen gibt. Noch wichtiger: Je mehr Zugriff und Berechtigungen Claude hat, desto besser werden die Ergebnisse. Begrenzte Permissions führen zu schwächeren Outputs. Eine vollständig konfigurierte Claude-Instanz hat bei ihm nie etwas Gefährliches getan.

  3. Fehlende standardisierte Workflows: Statt dass verschiedene Entwickler unterschiedliche Tools (Cursor, verschiedene Modelle) nutzen, sollte das Team sich auf ein Werkzeug einigen und dort standardisierte Skill-Workflows aufbauen (z.B. „Code Scan → Planning → Execution → Code Review → Test Creation”). Dies sichert konsistente Code-Qualität und ermöglicht sogar Sub-Agenten (z.B. ein „Clean Code”-Agent, der Dateien über 400 Zeilen flaggt).

  4. Entwickler ≠ ein Agent: Erfahrene Entwickler sollten mehrere Agenten parallel monitoren (idealerweise 3+), nicht selbst wie ein Agent arbeiten. Während Agent 1 läuft, kann man Agent 2 starten und Agent 3 überprüfen – so ist der Entwickler ständig produktiv statt auf Agenten zu warten. Junior- oder Mid-Level-Entwickler müssen lernen, mit Multi-Agent-Workflows umzugehen.

  5. Zu langsame Prozesse: Automatisiere Code-Review-Prozesse durch Agents statt mehrerer manueller Reviews. Menschliche Reviews sollten sich auf High-Level-Funktionalität und Produkt-Vision konzentrieren, nicht auf Code-Standards – dafür sind Agents zuständig. Reduziere die Anzahl der Reviews und setze auf Automatisierung.

  Der Autor betont, dass diese Empfehlungen primär für Teams mit Frontend-, Backend- und Mobile-Entwicklung gelten; sehr Low-Level-Development könnte anders bewertet werden.

  Claude Code, Demo/Meinung, praktische Enterprise-Anwendung.

• COMPOSER 2.0 MEILLEUR QUE OPUS pour 10x moins cher ? (oui…)
  20.3.2026, 07:19:30

  Zusammenfassung: Composer 2.0 und Cursor Glace

  Der französischsprachige Creator testet zwei neue Ankündigungen von Cursor: das Modell Composer 2.0 und die überarbeitete Benutzeroberfläche Cursor Glace.

  Composer 2.0 – Preis und Performance:

  Composer 2.0 kostet 0,50 $ pro Million Input-Token und 2,50 $ pro Million Output-Token – deutlich günstiger als Konkurrenzmodelle. Laut Cursor Bench erreicht es 70 % der Benchmark-Punktzahl und schneidet damit besser ab als Opus, aber etwas schlechter als GPT-5.4. Composer 1.5 (Fast) ist noch preiswerter und sehr schnell, eignet sich aber für kleinere Aufgaben.

  Praktische Tests:

  Bei einem einfachen UI-Fix ist Composer 1.5 beeindruckend schnell, während GPT-5.4 deutlich länger braucht. Bei komplexeren Projekten zeigt sich die Stärke von Composer 2: Der Creator testet ein YouTube-Thumbnail-Generator und einen Time-Zone-Checker. Composer 2 generiert sauberen, gut strukturierten Code mit separaten Komponenten, CSS-Modulen und Custom Hooks – deutlich besser als die Vergleichsimplemantierungen mit Opus und GPT-5.4, die überengineert oder unvollständig wirken. Das Modell versteht auch iteratives Feedback und passt die Lösung korrekt an.

  Cursor Bench – Interne Bewertungsmethode:

  Cursor hat einen eigenen Benchmark entwickelt, der reale Entwickleraufgaben nutzt (352 Zeilen Code über 8 Dateien). Sie unterscheiden zwischen mehreren korrekten Lösungen und werten Originalansätze nicht automatisch ab, was aussagekräftiger sein soll als öffentliche Benchmarks.

  Cursor Glace – Neue IDE-Oberfläche:

  Die redesignete Benutzeroberfläche bietet ein Side-Panel für Projektverwaltung, Agent-Ansicht, ein integriertes Terminal mit mehreren Sessions, Web-View im selben Fenster und ein verbessertes Diff-Ansicht-System. Besonders bemerkenswert: mehrere Terminals parallel statt nur eines, einheitliche Tab-Navigation und schnelle Datei-Navigation. Der Creator betont, dass Cursor damit von einem VS-Code-Fork zu echter Eigenentwicklung übergegangen ist.

  Fazit des Creators:

  Cursor ist zurück im Rennen. Das Modell eignet sich besonders für Pair-Programming-Szenarien mit präzisen Anforderungen, während Opus für offene „Yolo”-Tasks besser funktioniert. Das saubere Code-Design und die niedrigen Kosten machen Composer 2 interessant – mit dem Vorbehalt, dass das Terminal noch optimierungsbedürftig ist. Die neue Benutzeroberfläche wird als beachtlicher Schritt bewertet, da sie die IDE nicht mehr in den Mittelpunkt stellt.

  Erwähnte Tools & Format: Cursor (Composer 2.0, Composer 1.5, Cursor Glace), Claude, Codex 5.4, GPT-5.4, Opus, Gemini 3.1 Pro — Demo/Hands-on-Test mit Performance-Vergleich.

• Quel outil choisir en 2026 pour coder (comparaison honnête)
  19.3.2026, 06:30:14

  Vergleich von drei AI-Coding-Tools 2026: Codex, Claude Code und Cursor

  Der Creator vergleicht die drei Hauptlösungen zum Programmieren mit KI-Unterstützung in den Bereichen UI/UX, Ergebnisqualität und Preisgestaltung.

  UI/UX-Erfahrung:

  Codex bietet zwei Ansätze: einen Chat-Interface (mit verbessertem Copy-Paste, Kontext-Anzeige und Skill-Tagging) sowie eine neue Desktop-App mit Git-Integration, Terminal-Zugriff und Commit-Verwaltung. Die CLI wird jedoch als verwirrend empfunden. Claude Code liefert die beste Terminal-Erfahrung (TUI) mit intuitiven Shortcuts und einer angenehmen Diff-View; die Bedienung wirkt von einem Entwickler-Team stammen. Cursor hat nach neueren Updates die beste Agent-Erfahrung für App-Entwicklung: Es kombiniert einen Editor (ähnlich VS Code) mit Agent-Modus, ermöglicht mehrere Terminals und Chats parallel und bietet einen Debug-Modus, der lokale Server erstellt. Der Kritikpunkt bei Cursor ist die fehlende Auto-Komplettierung bei Skills trotz Verfügbarkeit.

  Ergebnisqualität:

  Bei der Erstellung einer “Time Zone Checker”-App zeigt sich: Claude/Opus erzeugt konsistent saubere Interfaces mit logischen Designs. Codex mit GPT-5.4 produziert regelmäßig fehlerhafte, unlogische Layouts – über das Transcript hinweg mehrfach als „Slop Code” kritisiert. Cursor mit Opus liefert ebenfalls gute Ergebnisse und scheint vom System-Prompt her vorteilhaft für UI-Kreation. Das zugrundeliegende Sprachmodell (Opus vs. GPT-5.4) hat stärkere Auswirkungen als die Tool-Unterschiede selbst.

  Preisgestaltung (bei $20/Monat Basisplan):

  Cursor: 20–60 $ Inference-Budget; profitiert von Anthropic-Rabatt (zirka 50%), verbrennt VC-Geld für bessere Preise. Claude Code: Kann mit $20/Monat deutlich weniger erreichen; Opus-Nutzung kostet 55 % einer Session für eine einfache App, während GPT-5.4 nur 4 % kostet (Opus ist rund zweimal teurer pro Token als GPT-5.4). Codex: Strikte Limits, Nutzung schnell aufgebraucht. Ein Tweet zeigt: Bei $200/Monat Claude Code kann bis zu $5000 an API-Kosten subventioniert werden, während Anthropic das System aus Investorenmitteln finanziert. Im Umkehrschluss: GPT-5.4 in Codex erlaubt mehr Apps pro Dollar als Opus.

  Empfehlung je Budget:

  • $20/Monat: Codex (GPT-5.4), da günstiger pro Token und mehr Durchsatz
  • $200/Monat: Claude Code wegen massiver Subvention und Developer Experience
  • Unternehmen: Cursor, sofern vom Arbeitgeber bezahlt

  Das Video vergleicht primär Claude Code (Anthropic), Codex (OpenAI) und Cursor in einem Vergleichs-Deep-Dive; das Schwierigkeitsniveau ist für technische Entwickler gerichtet.

• Je SETUP OpenClaw en 1 heure à un total débutant
  18.3.2026, 17:00:32

  OpenClaw in einer Stunde aufsetzen – für Anfänger

  Das Video zeigt das vollständige Setup von OpenClaw (ein KI-Agent auf VPS) mit einem nicht-technischen Anfänger auf dem MacBook.

  Vorbereitung der Maschine

  Zunächst werden zwei hilfreicheMac-Tools installiert: Ghost (verbesserter Terminal mit Tabs und Zoom-Funktion) und Raycast (zentrale Launcher-App mit Emoji-Picker, Clipboard-History, Window Management und Screenshot-Tools). Mit Raycast ersetzt man Spotlight durch eine schnellere, mächtigere Alternative – Tastenkürzel Cmd+Space startet die Suche.

  VPS-Setup

  Ein VPS wird bei Hostinger gemietet und OS installiert. Nach SSH-Key-Erstellung verbindet man sich zum Server. Claude wird gebeten, SSH-Profile und Konfiguration automatisch zu generieren – so kann man später einfach ssh openclow eingeben statt IP-Adressen zu tippen.

  OpenClaw-Installation

  Auf dem VPS lädt man ein Setup-Skript (npx openclow-vps-setup), das automatisch Node.js, OpenClaw-GitHub-Integration, Cloud-CLI und weitere Tools installiert. Das Skript bietet optional Security-Hardening (UFW, Fail2Ban) an. Danach wird Telegram konfiguriert: Man erstellt einen Bot (/newbot im Bot Father), erhält einen Token und gibt diesen während des OpenClaw-Onboarding ein.

  Authentifizierung und Skills

  Während der Konfiguration wählt man den Anthropic-API-Provider aus und gibt seinen Claude-API-Token ein. Danach können Skills aktiviert werden: Clow Update (Web-Suche), Gemini (Bildgenerierung), Google Workspace (Gmail/Calendar), Whisper (Speech-to-Text), Nanogpt und andere. Die Installation fragt nach zusätzlichen API-Keys (Google Places, Gemini etc.), die man optional später hinzufügt.

  GitHub und Bypass-Permissions

  Man verbindet OpenClaw mit GitHub, damit er seinen Workspace speichern kann. Um lästige Permission-Anfragen zu umgehen, nutzt man einen Hack: export SANDBOX=0 in der Bash-Config, damit Claude denkt, er läufe außerhalb einer Sandbox und führt Befehle direkt aus.

  Gmail & Google Calendar

  Zur Integration von Gmail und Google Calendar:

  1. Google-Cloud-Projekt erstellen
  2. Gmail- und Google Calendar-APIs aktivieren
  3. OAuth 2.0 Desktop-Credentials generieren
  4. Die JSON-Datei an OpenClaw übergeben
  5. OpenClaw authentifiziert sich selbst via OAuth-Link

  Danach kann er E-Mails lesen, Events erstellen und modifizieren – z.B. mit Sprache: „Morgen 11 Uhr Pausen-Termin” erstellt einen Kalender-Eintrag.

  Weitere Integrationen

  Das Video zeigt optional das Installieren von Parler (lokale Speech-to-Text-App) und Custom Skills wie Dub (URL-Shortener), Flights (Aviation-API), Social-Media-Tools etc. Skills können manuell oder von Claude erstellt werden – der Sprecher bevorzugt, dass Claude sie selbst schreibt, um Abhängigkeiten zu minimieren.

  Lokale UI und Nutzung

  OpenClaws Web-Interface läuft auf localhost:7000 und wird per Token authentifiziert. Man kann OpenClaw dann:

  • Als Chat-Interface wie ChatGPT nutzen
  • Tweets, YouTube-Videos oder Bilder teilen (via Telegram-Share-Button)
  • Tägliche E-Mail-Zusammenfassungen oder Kalender-Backups per Cron schedulen

  Der Sprecher betont: OpenClaw sagt immer ja, versucht Aufgaben zu lösen, auch wenn er sie nicht kann – man muss nur kreativ genug mit seinen Anfragen sein.

  Thematisiert: OpenClaw, Claude (Anthropic), CloudCode, Google Cloud, Telegram, GitHub | Format: Tutorial für Anfänger, praktische Demo mit echtem Setup | Schwierigkeit: Anfänger-Level für den Zuschauer erklärt, aber mehrere technische Schritte (VPS, SSH, OAuth).

• VLOG : Mon PREMIER Hackathon à San Francisco (ça a dégénéré)
  17.3.2026, 18:00:02

  Zusammenfassung: Mein erstes Hackathon in San Francisco

  Der Creator dokumentiert sein Erlebnis bei einem Mistral-Hackathon in San Francisco. Nach anfänglichem Zögern, ob er 3 Tage dauerhaft mitarbeitet, beschließt er am zweiten Tag, spontan eine Anwendung zu bauen – einen Code-Review-Generator mit Mistral. Mit Claude und einem Swarm-Agent schafft er in knapp einer Stunde und mit etwa 56 Dollar API-Kosten eine funktionsfähige Webapp, die Mistral-Modelle zur automatischen Code-Überprüfung nutzt. Das wichtigste Detail: Der 200-Dollar-Claude-Abo­nnement bietet das beste Kosten-Nutzen-Verhältnis aller verfügbaren Plans und ermöglicht bis zu 16 Dollar API-Wert pro ausgegebenem Dollar.

  Das Hackathon-Event wirkt chaotisch (mit Besetzungen, Barbecue, Kindern vor Ort), zeigt aber internationale Teilnehmer – viele davon französische Studenten – und einen beeindruckenden Gewinner, der eine interaktive Kinder-Story-App mit generiertem Text, Bildern und Musik entwickelt hat. Nebenbei dokumentiert der Creator San Francisco selbst: das strukturierte Stadtgrid mit Golden Gate Park, die Verbreitung von Apple Maps statt Google Maps unter iPhone-Nutzern, die gute Luftqualität trotz Umweltbedenken und das milde Klima ohne extreme Jahreszeiten.

  Erwähnte Werkzeuge: Claude, Claude Code, Mistral (Modelle), Mistral Vibe (Open-Source-IDE), Swarm (Agenten-Framework), NaOTS (Backend-Setup), Apple Maps / Apple Watch — Format: Vlog/Demo.

MoureDev by Brais Moure

Keine neuen Videos in diesem Zeitraum.

n8n

Keine neuen Videos in diesem Zeitraum.

Nate Herk | AI Automation (2 neues Videos)

• Stop Learning n8n in 2026…Learn THIS Instead
  21.3.2026, 11:58:00

  Das Video argumentiert, dass eine neue Ära der Automatisierung beginnt und bisherige Drag-and-Drop-Plattformen wie n8n durch sogenannte Agentic Workflows verdrängt werden.

  Die Verschiebung: Während Plattformen wie n8n noch Jahre brauchten, um Automationen zu bauen, ermöglichen Tools wie Claude (von Anthropic) und trigger.dev es, Automationen durch natürlichsprachliche Beschreibungen in Minuten zu erstellen. Der Nutzer beschreibt das Ziel, nicht die Schritte – der KI-Agent kümmert sich um die technische Umsetzung.

  Marktdaten: Der Agentic-AI-Markt war 2024 über fünf Milliarden Dollar wert und soll bis 2034 fast 200 Milliarden erreichen. 96% der Unternehmen planen, ihre Nutzung auszubauen; ein Drittel aller Enterprise-Software soll bis 2028 Agentic AI haben.

  Praktische Demo: Der Ersteller zeigt zwei Beispiele: (1) Eine YouTube-Überwachung, die stündlich auf neue Videos prüft und Highlights liefert – beschrieben in wenigen Sätzen statt manuell konfiguriert. (2) Ein ClickUp-basierter Research-Agent, der Unternehmensinfos sammelt. Im Live-Beispiel wird ein LinkedIn-Content-Creator-Agent gebaut, der automatisch Posts und Infografiken (via Nano Banana Pro/key.ai) erzeugt – komplett durch Prompting, nicht durch Node-Konfiguration.

  Herausforderungen der Agentic Workflows: Context Drift (Agent vergisst frühere Anweisungen), Halluzinationen (erfundene APIs/Funktionen), Over-Engineering (unnötig komplexe Lösungen), fehlende Observability nach dem Deployment. Alle sind lösbar durch Sessionmanagement, klare Scoping, Testing und Versionskontrollen.

  Perspektive: n8n ist nicht tot, sondern wird zur Grundlage. Wer n8n-Erfahrung hat, versteht bereits Workflows, Datenfluss und Fehlerbehandlung – genau das braucht man, um Agentic Systeme sinnvoll zu lenken.

  Thematisierte Tools: Claude/Anthropic, trigger.dev, n8n, ClickUp, YouTube-API, Nano Banana Pro, key.ai. – Demo/Live-Build-Video zu einem Trend mit praktischen Beispielen.

• Generate Content for 9 Socials on Autopilot with Claude Code
  17.3.2026, 14:44:04

  Das Video zeigt einen praktischen Workflow, um einen YouTube-Video in Social-Media-Posts für mehrere Plattformen umzuwandeln – vollständig automatisiert mit Claude Code und Blot.

  Setup und Vorbereitung:

  Der Nutzer instaliert die Claude Code Extension in Visual Studio Code (funktioniert auch in anderen IDEs), verbindet sich mit einem bezahlten Claude-Abo (Pro oder Max) und authentifiziert sich mit API-Keys von Blot (für Auto-Publishing) sowie Claude/Open Router (für die KI-Modelle).

  Workflow-Aufbau:

  Man erstellt eine “Skill” (eine Art Rezept/Vorlage), die Claude Code mit detaillierten Fragen durcharbeitet: Programmiersprache, ob Preview vor Publishing nötig ist, Ton für jede Plattform, Visualformat für LinkedIn (Schlüssel-Grafik), Instagram (Carousel im Tweet-Stil) und X (Zitat-Grafik). Dann speichert Claude Code alles in Entwürfe zum manuellen Review ab.

  Praktisches Beispiel:

  Der Nutzer fügt ein YouTube-Video zur Website-Erstellung ein, zusammen mit einem Profilbild im Brand-Assets-Ordner. Claude Code extrahiert den Inhalt, schreibt angepasste Texte für jede Plattform und generiert visuelle Assets. Bei Fehlern (z.B. YouTube-Links blockiert, Bilder zu groß) aktualisiert es automatisch die Skill-Dokumentation, um das Problem beim nächsten Lauf zu vermeiden.

  Iterative Verbesserung:

  Nach jedem Test passt sich das System an – beim zweiten Durchgang fügt Claude Code automatisch das Profilbild und einen Verification-Badge in die Instagram-Carousel-Slides ein. Der Nutzer zeigt auch, wie man das System am Ende strukturiert: Python-Skripte in einen /scripts-Ordner verschieben und eine claude.md-Systemdatei generieren, um Projekt-Kontext zu zentralisieren.

  Publishing:

  Nachdem alles überprüft wurde, verbindet man die Social-Media-Accounts in Blots Einstellungen und kann dann mit einem Befehl den Post live gehen lassen – im Beispiel wird ein X-Post erfolgreich veröffentlicht.

  Das Kernargument: Mit wiederholten Test-Läufen und Feedback wird die Skill immer robuster und kann später vollautomatisch laufen, sobald ein neues Video hochgeladen wird.

  Tools: Claude Code (mit Open Router als API), Blot; Format: Tutorial (Live-Setup und Demo); Schwierigkeitslevel für mittlere Anwender (Basics wie Terminal/IDE-Nutzung vorausgesetzt).

NeuralNine (2 neues Videos)

• Scraper APIs Make Your Life Easier…
  20.3.2026, 17:01:16

  Zusammenfassung: Scraper APIs – Die moderne Art des Web Scraping

  Das Video zeigt, warum Scraper-APIs eine praktischere Alternative zu manuellen Web-Scraping-Lösungen mit Proxies, Unlockers und benutzerdefinierten Scrapern sind. Statt die HTML-Struktur einer Website zu parsen und bei Änderungen ständig Code anzupassen, nutzt man eine API, die alle technischen Herausforderungen (Proxy-Management, IP-Blockade-Umgehung, Strukturänderungen) im Hintergrund löst – der Entwickler macht einfach einen API-Call mit seinen Parametern und erhält strukturierte Daten zurück.

  Das Video demonstriert dies anhand von Bright Data’s Scraper-API-Library mit drei praktischen Beispielen: Amazon (E-Commerce: Produktsuche nach Keyword mit Filtern), TikTok (Social Media: Hashtag-Suche mit Video-Metadaten), Airbnb (Travel: Unterkunftssuche nach Ort und Datum). In jedem Fall wird gezeigt, dass man in der Web-Oberfläche einfach Parameter setzt, die API testet und dann einen JSON-Download erhält.

  Danach folgt ein technisches Tutorial: Der Code wird in Python mit dem requests-Package implementiert – zuerst wird ein Snapshot erstellt (POST-Request zur API), dann wird dieser regelmäßig abgefragt, bis die Daten bereit sind, und schließlich werden die Ergebnisse heruntergeladen. Abschließend wird gezeigt, wie man ein KI-Agent mit Langchain und GPT-4 Mini baut, das Bright Data als Tool nutzt: Der Agent kann natürlichsprachliche Suchanfragen (“Headphones”) entgegennehmen, die API aufrufen und die Ergebnisse formatiert anzeigen – und dieser Agent funktioniert weiter, ohne dass Code angepasst werden muss, wenn Amazon seine Website ändert.

  Bright Data Scraper APIs mit Langchain/OpenAI-Integration – Demo/Tutorial.

• This is an AI Supercomputer For Your Desk…
  16.3.2026, 17:00:45

  Das Video stellt die Dell Pro Max mit GB10 vor – einen kompakten Data Center mit Nvidias neuesten Grace-Blackwell-Chips, die auf einen Schreibtisch passen. Das Gerät verfügt über einen ARM-CPU mit 20 Kernen, 128 GB gemeinsamen Speicher (CPU und GPU teilen sich den RAM) und bietet eine Petaflop FP4-Rechenleistung. Es kommt mit einer speziell für Nvidias Ökosystem konfigurierten Ubuntu-Version (DGXOS) vorinstalliert.

  Der Fokus liegt nicht auf Geschwindigkeit, sondern auf Developer-Freundlichkeit und Skalierbarkeit: Wer ein Konzept auf diesem Device mit dem Nvidia Stack entwickelt, kann es direkt in echten Data Centern skalieren. Die Setup ist einfach – via HDMI, Ethernet und USB-C, dann Systemkonfiguration wie bei Standard-Ubuntu. Der Reviewer zeigt mehrere praktische Anwendungsfälle aus Nvidias „Playbooks” (vorkonfigurierte Tutorials): VS Code Installation, Open Web UI mit Ollama für lokale LLMs (testet Versionen mit 20 und 120 Milliarden Parametern), Comfy UI für Bild-Generierung, Isaac Sim/Lab für Roboter-Reinforcement-Learning sowie lokales Model-Finetuning mit Unsloth. Besonders hervorzuheben ist, dass die 128 GB Shared Memory Inferenz mit bis zu 200-Milliarden-Parameter-Modellen ermöglicht, alles ohne API-Kosten.

  Der Reviewer plant, das Gerät für fünf Zwecke zu nutzen: lokale Inference (Datenschutz, Kostenersparnis), Prototyping/Experimentation bei Startups, Research bei Hardware-Engpässen (z.B. EEG-Experimente mit großen Modellen), Tests neuer Nvidia-Technologien und möglicherweise als tragbares Rechenzentrum. Nvidia pusht kontinuierlich Software-Updates mit verbesserter Energieeffizienz und erweiterter Hardware-Unterstützung.

  Fazit: Das Device richtet sich an Nvidia-Ökosystem-Entwickler und ist ideal für Prototyping und Proof-of-Concept-Arbeit mit großen Open-Weight-Modellen, nicht für Speed-optimierte Workloads — Nvidia DGX Spark / Grace-Blackwell, Demo.

Nic Conley

Keine neuen Videos in diesem Zeitraum.

Nick Saraev (4 neues Videos)

• Claude Channels Just Dropped, And It Kills OpenClaw (Again)
  20.3.2026, 16:49:29

  Claude Channels: Telegram und Discord Integration für lokale Agents

  Claude Code hat eine neue Channels-Funktion released – eine Integration mit Telegram und Discord, die es ermöglicht, mit lokalen Agents über dieselben Messaging-Apps zu chatten, die man auch mit Menschen nutzt. Das ist im Grunde eine native Lösung von Anthropic, die den Funktionality von Open Claude/Claude Bot übernimmt – mit besserer Sicherheit und Kontrolle.

  Demo der Funktionalität:

  Der Creator zeigt zwei praktische Use-Cases: (1) Text-Prompts über Telegram (z.B. „Hey”) führen dazu, dass der Claude-Agent antwortet und die Conversation History lokal dokumentiert wird; (2) Ein komplexeres Beispiel: Per Telegram ein YouTube-Thumbnail-URL senden mit Anweisungen wie „Ersetze den Mann durch mich, ändere den Text, ersetze Flaggen durch Claude-Logo” – der Agent führt das skill lokal aus und sendet die generierten Thumbnails zurück aufs Handy. Discord funktioniert ähnlich, z.B. um Web-Scraping-Tasks auszuführen (hier: 100 Dentist-Leads aus Kalifornien scrapen, die als CSV zurück aufs Handy kommen).

  Setup-Prozess:

  1. Telegram: Bot Father aufrufen, neuen Bot erstellen und Token kopieren. Dann in Claude Code im Terminal /plugin install telegram@claude-plugins-official eingeben, Plugin aktivieren, /telegram:configure aufrufen, Token einfügen, dann claude --channels plugin:telegram@claude-plugins-official starten.
  2. Discord: App über discord.com/developers/applications erstellen, Message Content Intent aktivieren, Token reset, OAuth2-Permissions setzen (Bot, View Channels, Send Messages, Read Message History, Attach Files, Add Reactions), den Bot zum eigenen Server einladen. In Claude Code: /plugin install discord@claude-plugins-official, aktivieren, /discord:configure mit Token, dann claude --channels plugin:discord@claude-plugins-official starten.

  Keeping the Agent Running:

  Da alles lokal auf dem Computer läuft, braucht man Maßnahmen gegen Sleep-Mode. Auf Mac: caffeinate im Terminal (z.B. caffeinate -t 3600 für eine Stunde) oder in Einstellungen: Display never ausschalten, Auto-Sleep deaktivieren. Alternativ kann man einen Mac Mini oder Server (ohne Screen) verwenden und Files über Syncthing zwischen Geräten synchronisieren, um 24/7-Verfügbarkeit zu haben.

  Security:

  Jeder genehmigten Channel-Plugin hat eine „Sender Allow List” – nur vordefinierte IDs können Nachrichten senden, alles andere wird verworfen. Man behält alle lokalen Claude-Code-Sicherheitsfeatures.

  Kritik an Open Claude:

  Der Creator argumentiert, dass Open Claude/Claude Bot/Molt Bot ein großes Hype-Phänomen war, das durch mehrere Faktoren getrieben wurde: (1) Astroturfing – eine Shitcoin-Kampagne pumpte die Idee künstlich auf, (2) YouTuber sahen Clicks und machten mehr Videos darüber, was einen selbstverstärkenden Feedback-Loop schuf, (3) VPS-Hosting-Firmen bezahlten Creator dafür, Videos zu machen. Im Kern ist Open Claude nur ein Telegram-Wrapper um Claude mit Memory. Anthropic’s Channels-Update bietet dieselbe Funktionalität, aber deutlich sicherer (maintained von Anthropic, nicht Random-Entwicklern auf GitHub), skalierbarer und mit besserer Kontrolle über eigene Daten.

  Fazit: Channels deckt die meisten praktischen Use-Cases ab, die Nutzer mit Open Claude wollten – und tut das sicherer und offiziell unterstützt.

  Thematisierte Anbieter/Tools: Claude Code (Anthropic), Open Claude / Claude Bot / Molt Bot, Anthropic Channels, Syncthing. Format: Tutorial + Demo + Meinung/Reflexion.

• COLD EMAIL COPYWRITING & OUTREACH Full Course 2026
  19.3.2026, 01:00:58

  Zusammenfassung: Cold Email Copywriting & Outreach Full Course 2026

  Der Kurs bietet einen umfassenden Überblick über erfolgreiche Cold-Outreach über alle Kanäle hinweg – E-Mail, LinkedIn DMs, Instagram, SMS. Der Dozent basiert seine Lehre auf einer Dekade Erfahrung und über 15 Millionen Dollar generierten Umsätze.

  Kernthesen:

  Psychologie des “Ja” zu Fremden: Der Kurs behandelt sieben psychologische Prinzipien, die erklären, warum Menschen auf Cold-Outreach reagieren: (1) Give First – etwas Wertvolles anbieten, bevor man etwas fordert; (2) Micro-Commitments – kleine aufsteigende Zusagen; (3) Social Proof – konkrete Zahlen und Erfolgsbeispiele, besonders aus ähnlichen Branchen; (4) Authority – Glaubwürdigkeit durch Expertise signalisieren; (5) Rapport – gemeinsame Bezüge und Tonalität spiegeln; (6) Scarcity – echte, nicht gefälschte Knappheit; (7) Shared Identity – gemeinsame Werte oder Kämpfe. Diese Prinzipien sind in psychologischer Literatur seit Jahrhunderten dokumentiert.

  Drei Komponenten erfolgreicher Outreach: (1) Klare Zieldefinition – was soll der Empfänger konkret tun? (Antwort, Link klicken, Call buchen); (2) Frame – menschlich, persönlich schreiben, nicht korporativ; (3) Iteration – Kampagnen testen, Daten sammeln und kontinuierlich verbessern, nicht auf Bauchgefühl vertrauen.

  Copywriting-Framework (4 Schritte): (1) Personalisierung – Hook mit echtem oder geschicktem Cold-Reading (max. 2 Sätze), niemals wie AI klingende generische Sätze; (2) “Wer bin ich”-Statement – Social Proof + kurze Identifikation (1–2 Sätze), um Vertrauen zu etablieren; (3) Angebot; (4) Call-to-Action. Die Personalisierung ist die höchste ROI-Stelle einer E-Mail, da dort die Aufmerksamkeit garantiert ist.

  Praktische Erkenntnisse: Der Kurs warnt vor AI-generierten E-Mails, die zu allgemein oder offensichtlich nicht persönlich wirken. Erfolgreiche Cold Emails imitieren reale menschliche Nachrichten, vermeiden klassische Verkäufer-Signale wie “Hope this finds you well” oder formale Unterschriften, und halten Anfragen minimal (z.B. direkt verfügbare Call-Zeiten anbieten statt mehrfaches Hin-und-Her). Iteration ist zentral: Eine 3,5%-Reply-Rate kann durch datengesteuerte Anpassungen auf 5%, 8%, 10% wachsen.

  Explizit thematisierte Tools/Anbieter: keine spezifischen AI-Tools genannt (nur allgemein “AI” und “LLM”). Format: Tutorial/Deep-Dive.

• Claude Dispatch Just Dropped, And It Kills OpenClaw
  18.3.2026, 16:58:57

  Claude Dispatch – Übersicht

  Claude Dispatch ist ein neues Feature von Anthropic, das es ermöglicht, AI-Agenten vom Smartphone aus zu verwalten und auszuführen. Der Nutzer zeigt eine praktische Demo: Er startet vom Telefon aus eine “Lead-Scraper”-Skill (100 HVAC-Leads in Texas), aktiviert gleichzeitig einen “Inbox-Cleaner” (automatisches Markieren von Spam mit vorgestalteten Antworten auf wichtige Mails) und lässt eine Thumbnail-Generationsskill mit Gesichtswechsel laufen – alles parallel auf seinem Computer, während er unterwegs ist. Die Ergebnisse erscheinen direkt auf seinem Handy.

  Sicherheit vs. OpenClaw: Der Sprecher kritisiert stark alternative Lösungen wie OpenClaw: API-Keys werden gehäuft geleakt, die Sicherheit ist mangelhaft, und die Kosten sind extrem – statt flacher Abo-Gebühren zahlt man pro API-Call (4–8x teurer). Dispatch dagegen läuft lokal und sandbox, erfordert explizite Erlaubnis für Ressourcenzugriffe (“Allow listing”), und wird als Teil des Claude-Abos abgerechnet.

  Setup in 5 Minuten: Man lädt Claude Desktop und die Claude Mobile App herunter (von cloud.com/download), aktiviert die Dispatch-Funktion in CoWork, pairt beide Geräte, und kann dann vom Telefon aus Befehle an die Computerskills senden. Die Kommunikation funktioniert über MCP-Server und Skills-Library, wobei Claude CoWork (oder alternativ Claude Code) als zentrale “Agent-Gehirn” fungiert.

  Praktischer Nutzen: Der Sprecher spart täglich 2–3 Stunden, da er komplexe Automatisierungen nicht mehr von seinem Laptop aus starten muss, sondern sie remote von seinem Telefon triggert, während der Computer (oder z.B. ein Mac mini) aktiv läuft. Alle Daten werden sicher zwischen Telefon und Computer ausgetauscht.

  Fazit: Das Video positioniert Dispatch als sichere, kostengünstige Alternative zu dezentralisierten Agent-Stacks – thematisiert Claude, Anthropic und kritisiert OpenClaw explizit. Demo-Video mit praktischen Setup-Anleitung.

• Claude Code + Nano Banana 2 + Kling = $15K Animated Sites
  16.3.2026, 19:20:45

  Der Creator baut vier ansprechend designte Websites mit 3D-Scroll-Effekten in etwa 15 Minuten und zeigt, dass dies heute für 2–3 Dollar in Token-Kosten möglich ist, während solche Projekte früher 5.000–10.000 Dollar gekostet hätten.

  Der Workflow besteht aus drei Schritten: Zunächst werden Anforderungen als Stichpunkte in Claude Code eingegeben, wobei eine von einem 16-Jährigen erstellte Skill-Vorlage aus einem Open-Repo verwendet wird, die Designprinzipien und -schemen standardisiert. Dann werden animierte Assets (Rotationen, explodierte Ansichten von Häusern) mit Kling 3.0 über die Plattform Higgsfield erzeugt – das kostet etwa 36 Cent pro Video. Abschließend werden die Assets via Claude Code integriert und die Site kostenlos auf Netlify gehostet.

  Im praktischen Beispiel zeigt der Creator eine Interior-Design-Website: Claude Code generiert ein One-Shot-Design, Kling 3.0 erzeugt ein Video einer panning Innenraum-Animation für den Hero-Header und ein „exploding view”-Video des Hauses. Claude Code bindet diese ein, erstellt eine Scroll-Animation, bei der das exploding-view-Video frame-by-frame beim Scrollen ablädt wird, und optimiert Performance auf Anfrage (Claude extrahiert Frames als JPEGs, preloaded sie und beschleunigt das Laden). Der Creator bittet Claude mehrfach um Verbesserungen (bessere Textlesbarkeit, schnelleres Laden, Gradient-Stärke, Overlay hinzufügen) und Claude führt diese in Sekunden durch – Änderungen, die handkodiert tagelang dauern würden. Die finale Website wird mit einem Klick live geschaltet und ist unter atelieramerin.netlify.app abrufbar.

  Der Creator kritisiert, dass andere diesen Prozess unnötig komplex darstellen, und betont, dass nur drei Tools nötig sind und keine 30 Plattformen – alles funktioniert straightforward und kostengünstig.

  Claude Code, Kling 3.0, Nano Banana 2, Netlify und Antigravity (IDE) als Werkzeuge thematisiert; Demo-Format.

Niklas Steenfatt

Keine neuen Videos in diesem Zeitraum.

No Priors: AI, Machine Learning, Tech, & Startups (1 neues Video)

• Skill Issue: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI
  20.3.2026, 13:27:35

  Zusammenfassung: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI

  Andrej Karpathy beschreibt eine fundamentale Verschiebung in seiner Arbeit seit Dezember: Das Verhältnis von selbst geschriebenem Code zu agentischer Delegation ist von 80/20 auf nahezu 100% Delegation gekippt – er tippt kaum noch Code selbst. Diese dramatische Verschiebung bedeutet auch, dass klassisches „Coding” nicht mehr das richtige Verb ist; stattdessen dreht sich alles um das Manifeste von Absichten an Agenten über 16 Stunden täglich.

  Das Kernkonzept ist Leverage durch Token-Durchsatz maximieren: Statt selbst die Flaschenhals zu sein, geht es darum, sich aus der Schleife zu nehmen und Agenten autonom arbeiten zu lassen – parallel, über mehrere Sessions, mit optimierten Anweisungen. Die Vorstellung ist, dass ein einzelner Mensch potentiell mehrere Agenten (über Claude, Codex und andere Systeme) koordiniert, ähnlich wie die Konfiguration bei Conviction, wo Engineers ihre Agenten per Mikrofon instruieren.

  AutoResearch als Konkretion: Karpathy ließ einen Optimierungsloop autonome Hyperparameter-Tuning für seine nano-GPT durchführen und war überrascht, dass der Agent nach einer bereits gut getunten Codebasis noch Verbesserungen fand (z.B. vergessenes Weight Decay auf Value Embeddings, unteroptimierte Adam-Betas), die er übersehen hatte. Das zeigt: Wenn objektive Metriken existieren, können Agenten Forscher aus der Schleife entfernen und kontinuierlich arbeiten.

  Praktisches Beispiel – Dobby, der Haushaltsagent: Karpathy baute einen persönlichen Agenten, der Smart-Home-Systeme (Sonos, Lichter, HVAC, Shades, Pool, Spa, Sicherheit) autodidaktisch integrierte. Der Agent führte IP-Scans durch, reverse-engineerte APIs aus Web-Suchen und erstellte ein Kontrollpanel – managbar über WhatsApp-Befehle wie „Dobby, bedtime” (alle Lichter aus). Eine Kamera mit Change-Detection und Quinn-Modell sendet Benachrichtigungen (z.B. „FedEx truck just pulled up”). Das demonstriert, wie ein zentraler Agent sechs separate Apps ersetzen kann, ohne dass der Nutzer Code schreiben muss – oder zumindest bald nicht mehr.

  Die Jaggedness-These: Agenten sind gleichzeitig brillant (können stundenlang komplexe Aufgaben lösen) und bizarr begrenzt (z.B. kennen alle LLMs offenbar nur denselben Standard-Witz über Atome seit Jahren). Das deutet darauf hin, dass sie extrem gut bei verifizierbaren Aufgaben sind (RL-optimiert), aber außerhalb dieser Domänen meandert alles. Das bedeutet auch: Bessere Codegenerierung führt nicht automatisch zu besseren Jokes oder allgemeiner Intelligenz – keine echte Generalisierung über Domänen.

  Auslöser für Psychose: Die Menge der möglichen Stacks ist potenziell unendlich – einzelne Agenten, mehrere Agenten, Agenten-Teams, Optimierung der Agenten-Anweisungen selbst (als Markdown/Programm), dann Optimierung dieser Optimierungen. „Everything is a skill issue” – wenn etwas nicht funktioniert, war es nicht gute genug Instruktion, sondern keine Capability-Limitation. Das ist gleichzeitig ermächtigend und lähmend, weil die Frontier ständig verschoben wird.

  Vision für Forschung als Code: Eine Forschungsorganisation kann als Programm-MD (Markdown-Datei) beschrieben werden – Rollen, Workflows, Architektur-Entscheidungen. Mehrere Organzationen mit unterschiedlichen Programm-MDs können dann konkurrieren (auf gleicher Hardware: Wer macht am meisten Progress?), und aus den Daten kann ein Modell eine bessere Programm-MD schreiben. Das ist eine Meta-Ebene der Agentic-Autonomie.

  Open Research / Crowdsourced Auto-Research: Ähnlich wie Folding@Home kann es ein System geben, bei dem untrusted Worker auf dem Internet Kandidaten-Commits einreichen (sehr teuer zu finden, aber billig zu verifizieren – wie Proof-of-Work). Sie müssen nicht Zugriff auf Code bekommen; nur die Commits (und ihre Resultate im Leaderboard) sind öffentlich. Das könnte einen Schwarm von Internet-Computern nutzen, um LLMs zu verbessern – potenziell besser als Frontier Labs mit begrenzter Trusted-Compute.

  Caveats: AutoResearch funktioniert nur für Probleme mit objektiven, leicht verifizierbaren Metriken (z.B. CUDA-Kernel-Effizienz, Trainingsloss). Vieles ist zu „soft” oder unverifiebar. Auch sind die Modelle noch „rough around the edges” – wenn man zu weit ahead geht, wird das Ganze net nicht sinnvoll. Es gibt noch Loops, in denen Agenten völlig falsche Sachen machen und Compute verschwenden.

  Speciation vs. Monokultur: Karpathy vermutet, dass wir mehr spezialisierte Modelle brauchen (statt eines Universal-Modells alles) – wie unterschiedliche Tierspezies unterschiedliche Gehirnfunktionen haben. Aber es gibt wenig Druck dafür, solange die Labs eine Monokultur versorgen können. Fine-Tuning ohne Capability-Verlust ist noch nicht fully developed, und es ist teuer.

  Jobs & Jevons Paradox: Im Bureau of Labor Statistics zeigt sich, dass Healthcare-Jobs zunehmen werden. Aber Karpathy sieht einen Unterschied: digitale Arbeit (Bits verschieben) wird exponentiell beschleunigt und umgeformt, physische Arbeit (Atome verschieben) langsamer. Es gibt „overhang” in digitalen Berufen, die refactorisiert werden. Langfristig verdoppelt sich wahrscheinlich nicht die Anzahl von Jobs – der Jevons-Paradoxon (Kosten sinken, Nachfrage steigt) könnte aber zumindest kurzfristig mehr Softwareengineering-Nachfrage bedeuten.

  Frontier Labs vs. Independence: Karpathy betont, dass er außerhalb der Frontier Labs mehr Handlungsfreiheit hat und sich vom Profit- und Alignment-Interessenskonflikten distanzieren kann – was ihn mit Humanity mehr aligned macht. Aber es gibt auch Kosten: Sein Urteil driftet, weil er nicht in den Loop der nächsten Capabilities eingebunden ist. Idealerweise: regelmäßige Zusammenarbeit mit Frontier Labs, dann wieder Rückkehr zu unabhängiger Arbeit – ein Hybrid.

  Die Gesamtstimmung ist eine Mischung aus Euphorie (die Macht ist real), Psychose (alles ist möglich, aber auch unendlich komplex) und Vorsicht (Agenten sind noch sehr störanfällig und jagged).

  Explizit thematisiert: Claude, Codex, Open Research (als Vision), Anthropic, OpenAI. Format: Live-Q&A / Deep-Dive (Diskussion zu Agenten, AutoResearch, Jobmarkt und Organisationsfragen).

Productive Dude

Keine neuen Videos in diesem Zeitraum.

Sebastien Dubois (1 neues Video)

• Stop Using Separate Task Apps — Manage Everything in Obsidian with TaskNotes
  21.3.2026, 11:07:07

  Zusammenfassung: TaskNotes für Obsidian

  Das TaskNotes-Plugin ermöglicht es, alle Aufgaben, Ziele und Projekte direkt als verlinkte Notizen in Obsidian zu verwalten – statt separate Task-Apps zu nutzen. Die Aufgaben erscheinen als normale Notizen mit visuellen Status-Indikatoren (z.B. ein Button zum Wechsel zwischen Status wie „In Bearbeitung”, „Geplant”, „Erledigt”).

  Kernfunktionen: Für jede Task können Tags, Kontext (work/personal), Subtasks und benutzerdefinierte Eigenschaften definiert werden. Die zentrale Besonderheit ist die Verknüpfung mit Projektnotizen: Das Plugin speichert eine Verbindung zwischen Task und Projekt als Metadaten-Eigenschaft, wodurch Tasks vollständig in Obsidians Graph-System integriert werden. Dadurch bleibt alles als durchsuchbarer Text erhalten und ermöglicht die Nutzung von KI-Tools zur Priorisierung oder Wochenplanung.

  Setup: Tasks werden in organisierten Ordnern gespeichert (nach Jahr/Monat), und archivierte Tasks können automatisch in separate Ordner verschoben werden. Ein Task wird erstellt, indem man Standard-Obsidian-Syntax ([ ]) mit Text nutzt und dann ein Icon zum Konvertieren in einen TaskNote klickt – daraus wird automatisch ein Link mit erweiterten Eigenschaften (Fälligkeitsdatum, Priorität, Status, Reminder).

  Konfiguration: Der Nutzer definiert benutzerdefinierte Status-Workflows (z.B. Backlog → Geplant für dieses Jahr/Quartal/Monat/Woche → In Bearbeitung → Stuck → Erledigt), ordnet diese mit numerischen Präfixen zur Sortierung und nutzt Obsidian-Databases (Bases), um gefilterte Kanban-Ansichten, Tabellen oder Kalenderblöcke für Tasks zu erstellen. Projektnotizen und Task-Typ können mit Tags identifiziert werden, sodass nur relevante Notizen als Verknüpfungsoption angeboten werden.

  Zusatzfeatures: Kalender-Integration mit Google Calendar oder Outlook ermöglicht Time-Blocking; Daily Notes und periodische Notizen lassen sich ähnlich taggen und durchsuchen. Der Empfehlung des Erstellers zufolge sollte man die Komplexität an die bestehende Vault-Struktur anpassen und sich Zeit für eigene Status-Definitionen nehmen.

  Demo des TaskNotes-Plugins für Obsidian.

Simone Rizzo (3 neues Videos)

• L’AI che si auto evolve è arrivata: ecco MiniMax M2.7
  21.3.2026, 15:51:02

  Zusammenfassung: L’AI che si auto evolve è arrivata: ecco MiniMax M2.7

  Das Video behandelt das neue chinesische Sprachmodell Minimax M2.7 der von Alibaba und Tencent finanzierten Firma Minimax als „erstes” Self-Improvement-Modell und kontextualisiert diese Entwicklung in der breiteren Landschaft autonomer Forschungsagenten.

  Minimax M2.7

  Das Modell zeigt starke Leistungen im Coding und OpenClaw Usage, übertrifft Gemini 3.1 Pro teilweise und nähert sich Claude Sonnet 4.6 an. Es generiert auch hochwertige Frontend-Designs. Der Self-Improvement-Ansatz ist jedoch nicht vollständig autonom: Das Modell M2.7 automatisiert 30–50% des Verbesiterations-Workflows des internen Reinforcement-Learning-Teams, während der Rest Mensch-KI-Hybrid-Entscheidungsfindung erfordert. Durch interne Experimente entdeckte es optimale Sampling-Parameter (Temperatur, Penalty-Werte) und erreichte 30% Leistungsverbesserungen. In 22 ML-Wettbewerben (MLE Bench Light auf einer einzigen A30-GPU) gewann das Modell neun Gold-, fünf Silber- und eine Bronzemedaille.

  Autosearch (Andrew Karpathy)

  Parallel wird das virale Open-Source-Repository Autosearch von Forscher Andrew Karpathy erwähnt, das einen autonomen Research-Agenten bereitstellt. Das System arbeitet mit nur drei Python-Dateien (prepare.py, train.py, program.md) und iteriert kontinuierlich Code-Optimierungen. Ein festes Zeitbudget von 5 Minuten pro Lauf ermöglicht ~12 Experimente/Stunde. Ein praktisches Beispiel zeigt Karpathy, der Autosearch zwei Tage auf Nano-Chat laufen ließ und 20 Code-Verbesserungen fand, die die Validation Loss senkten – übertragbar auf größere Modelle mit ~11% Leistungssteigerung.

  Auto-Research-Clow

  Aufbauend auf Autosearch erweitert Auto-Research-Clow die Pipeline bis zur vollautomatischen Erstellung wissenschaftlicher Paper: Es generiert strukturierte Markdown- und LaTeX-Dokumente mit Einleitung, Related Work, Methoden, Experimenten, Konklusionen, Referenzen, Verifikationsberichten und Plots – gesteuert nur durch einen initialen Text-Prompt.

  Weitere Kontexte

  Das Video erwähnt AlphaEvolve als erstes dokumentiertes Self-Improvement-Beispiel (Gemini verbesserte ihre eigene TPU-Architektur), Gemini 3 Deep Think für komplexe mathematische Probleme, Agent Teams (Multi-Agent-Frameworks ähnlich Cloud Code’s Sworms), sowie Tools wie Paper Banana (für automatische Infografiken) und OpenAI’s Prism (LaTeX-Editor) – ein Ökosystem zur Automatisierung der kompletten Forschungspipeline von Experimenten über Reporting bis Visualisierung.

  Thematisiert: Minimax M2.7 (Self-Improvement), Autosearch (Andrew Karpathy), Open-Source-Tools — Format: Roundup/Deep-Dive mit Demo-Elementen.

• Il segreto della memoria degli Agenti AI
  18.3.2026, 17:17:55

  Der Speichermechanismus von AI-Agenten

  Das Video erklärt, wie moderne AI-Agenten wie OpenClaw, Claude und andere ihre Erinnerung verwalten – was der Autor als das eigentliche Unterscheidungsmerkmal zwischen Agenten sieht, da sie letztlich alle die gleichen Large Language Models (Claude Sonnet, Claude Opus von Anthropic) nutzen.

  Das Kernproblem: LLMs haben ein begrenztes Kontext-Fenster (z.B. 200.000–1 Million Tokens) und leiden unter „Context Rot” – die Performance degeneriert, je mehr Text eingegeben wird.

  Compaction-Mechanismus: Beide Codex und Claude-Modelle nutzen Komprimierung: Wenn der Kontext eine Schwelle überschreitet, fasst das System die Konversation zusammen, verliert dabei aber Informationen. Dies verhindert, dass das kritische Leistungs-Minimum erreicht wird.

  Recursive Language Models (RLM): Ein von MIT entwickeltes Konzept, bei dem der lange Prompt nicht als Token eingegeben, sondern als String-Variable in einer Python-Umgebung verwaltet wird. Der Agent kann dann per Code-Ausführung gezielt auf Teile zugreifen (z.B. mit Split, Keyword-Suche), statt alles zu lesen – ähnlich wie bei Coding-Agenten, die durch Bash-Befehle eine Codebase durchsuchen.

  Agentic File Search statt RAG: Statt ein Vektordatenbank-System (mit Embedding und semantischer Suche) aufzubauen, wird ein Umfeld mit Funktionen zum Lesen und Durchsuchen von Dateien bereitgestellt. Der Agent nutzt Werkzeuge wie read_index, read_page, scan_folder, glob – navigiert also wie ein Mensch durch ein PDF. Dies ist akkurater als semantische Suche und könnte RAG ersetzen.

  OpenClaws konkrete Implementierung: Nutzt Markdown-Dateien im Workspace als „Source of Truth”. Es gibt zwei Schichten: (1) Tägliche Logs (Jahr-Monat-Tag.md) im Append-Only-Modus mit Fragen/Antworten, (2) Memory.md für bleibende Fakten, Vorlieben, Persönlichkeit. Bei Sitzungsstart werden heute’s Datei + gestern’s Datei + Memory.md gelesen. Kurz vor Kompression triggertet eine automatische „memory flush” – der Agent wird aufgefordert, alles Wichtige in die Dateien zu speichern. OpenClaw nutzt auch Vektor-Suche, aber eher um zu finden, welche Markdown-Datei relevant ist, nicht um den Inhalt direkt zu retrieven.

  Hybrid-Ansatz: Die erfolgreichsten Agenten (Ralph Loop, Coding-Agenten) kombinieren Datei-Tools (für strukturierte, persistente Knowledge) mit lokalen Datenbanken (SQLite) und optionaler Vektordatenbank. Memory-Frameworks wie Memex oder MemZ0 implementieren ähnliche Dateisystem-Hierarchien.

  Praktisches Beispiel (Ralph Loop): Anforderungen stehen in PRD.md, Fortschritt in Progress.md. Bei jeder neuen Session liest der Agent diese Dateien, sieht welche Task erledigt ist, und setzt fort – damit bleibt die Arbeit über lange Zeiträume hinweg kohärent.

  Das Video schließt mit dem Hinweis, dass der Autor sein eigenes System „Rizzo Claw” als Bildungsprojekt baut, das beide Memory-Ansätze kombiniert und über Telegram erreichbar ist.

  Thematisierte Tools/Modelle: Claude (Sonnet, Opus), OpenClaw, Codex, Memex, MemZ0; Format: Deep-Dive/Erklär-Video.

• La Matrix è possibile? Le due scoperte che cambiano tutto
  15.3.2026, 14:59:33

  Die Matrix ist möglich? Zwei Durchbrüche, die alles verändern

  Das Video behandelt zwei bahnbrechende technologische Entwicklungen, die die Grenzen zwischen biologischem Leben und digitaler Simulation verschwimmen lassen.

  Erste Entdeckung: Fliegenhirn in Simulation

  Forscher haben das Gehirn einer Fruchtfliege mit über 140.000 Neuronen und 50 Millionen Synapsen vollständig kartiert und auf einen Computer hochgeladen. Das Unternehmen Ion System schuf dann eine ultrarealistische virtuelle Umgebung mit nachgebildetem Fliegenkörper. Das bewusst sein sich der Fliege nimmt nicht wahr, dass es in einer Simulation lebt – es fühlt sich für das klonierte Gehirn völlig real an, wenn die Umgebung präzise genug simuliert wird.

  Zweite Entdeckung: Biologische Neuronen als Computer

  Das Unternehmen Cortecalabs verfolgt den umgekehrten Weg: Sie züchten echte biologische Neuronen in Chips und trainieren diese organischen Gehirne direkt. Sie haben biologische Gehirne dazu gebracht, Pong und später das komplexe 3D-Spiel Doom zu spielen – mit nur 200.000 Neuronen. Diese Biochips benötigen Nährstoffe, Wasser und Sauerstoff statt Elektrizität, sind aber recheneffizienter und energiesparsamer.

  Philosophische Implikationen

  Der Autor spekuliert: Was passiert, wenn man menschliche Gehirne hochladen könnte? Wird der digitale Klon die gleiche Person sein oder ein Fork mit eigenem Werdegang? Könnte man negative Emotionen deaktivieren und ewige Glückseligkeit programmieren? Könnten Verstorbene als digitale Kopien in Cloud-Welten weiterleben? Könnte Unsterblichkeit durch Digitalisierung erreicht werden, oder könnten robotische Körper mit geklontem Gehirn den Zugang zum All ermöglichen?

  Zwei mögliche Zukunftswege

  Entweder digitale Klone im Silizium (extrem rechenaufwändig) oder biologische Neuronen-Farmen im Cloud (energieeffizienter): Vielleicht bauen Konzerne olympische Schwimmbecken gefüllt mit flüssigem Medium und Millionen Neuronen – eine biologische Superintelligenz als Datencenter.

  Der Autor sieht das nicht mehr als reine Wissenschaftsfiktionalität an und würde sich selbst klonen lassen, um digital weiterzuleben.

  Keine spezifischen AI-Tools wurden erwähnt; Meinung/Reflexion mit philosophischem Deep-Dive.

Tech With Tim (5 neues Videos)

• 7 Steps to Pass Technical Interviews – What I Actually Did
  22.3.2026, 11:58:53

  Zusammenfassung: 7 Steps to Pass Technical Interviews

  Der Autor beschreibt sieben konkrete Schritte zur Vorbereitung auf technische Interviews, die er selbst erfolgreich bei Microsoft angewendet hat.

  Schritt 1 – Fundamentals festigen: Beherrschung von Datenstrukturen (Arrays, Strings, Hashmaps, Linked Lists, Stacks, Queues, Trees, Graphs, Heaps), Big-O-Notation und Komplexitätsanalyse. Diese Grundlage ist essentiell; der Autor empfiehlt eine Woche Wiederholung, bevor man mit Problemen startet.

  Schritt 2 – Patterns lernen, nicht einzelne Probleme: Statt hunderte zufällige Aufgaben zu lösen, sollte man die 15–20 grundlegenden Patterns verstehen (Two-Pointers, Sliding Window, Binary Search, DFS, BFS, Dynamic Programming, Backtracking). Das vermittelt ein Framework, das auf neue, noch nie gesehene Probleme übertragbar ist – nicht nur Auswendiglernen von Lösungen.

  Schritt 3 – Richtiges Tool nutzen: Der Autor empfiehlt AlgoExpert, eine strukturierte Plattform mit 200 handverlesenen Problemen (statt 3.000 zufälligen), erstellt von Clement Mihillescu (ehemals Google, Facebook). AlgoExpert bietet zu jedem Problem detaillierte Video-Erklärungen mit konzeptuellem Überblick und Code-Walkthrough in verschiedenen Programmiersprachen.

  Schritt 4 – Data Structures Crash Course: AlgoExpert enthält ein umfassendes Video-Tutorial zu Memory, Komplexitätsanalyse und allen wichtigen Datenstrukturen – als konsistente Einstiegsressource ohne fragmentierte Online-Recherche.

  Schritt 5 – 200 kuratierte Fragen durcharbeiten: Die Probleme sind nach Kategorien (Arrays, Strings, Linked Lists, Binary Trees, Graphs, Dynamic Programming) und Schwierigkeit (Easy, Medium, Hard, Very Hard) organisiert. Der Autor betont, dass die Video-Erklärungen – vor allem die konzeptionelle Komponente – entscheidend für Pattern-Recognition sind. Er löste nur ~100 Probleme vor Microsoft, während andere 500 lösen und trotzdem scheitern.

  Schritt 6 – Zeitlich begrenzte Assessments: AlgoExpert bietet vier kuratierte, zeitgesteuerte Assessments, die reale Interview-Bedingungen simulieren (mehrere Probleme, mehrere Stunden Coding unter Druck). Dies unterscheidet sich vom entspannten Üben und trainiert, unter Zeitdruck fokussiert zu bleiben.

  Schritt 7 – Mock Interviews: Der wichtigste, aber häufig übersprungene Schritt. Technische Interviews erfordern nicht nur korrekten Code, sondern Kommunikation, Denk-Prozesse und Fragen stellen. Der Autor empfiehlt mindestens 5–10 Mock Interviews mit Partnern oder Plattformen wie Pramp, auch in der Rolle des Interviewers, um zu lernen, worauf Prüfer achten. Die Soft Skills (ruhig bleiben, laut denken, auch bei Fehlern weiterhin kommunizieren) trennen Kandidaten mit Angeboten von denen ohne.

  AlgoExpert bietet auch SystemsExpert für System-Design-Interviews sowie Front-End Expert und ML Expert für spezialisierte Interviews. Der Autor arbeitet inzwischen mit der Plattform zusammen und hat einige Probleme gelehrt.

  Deep-Dive; erwähnt AlgoExpert und deren Produkte; persönliche Erfolgsstory (Microsoft-Vorbereitung im Alter von 19 Jahren).

• How to Become an AI Engineer Fast
  20.3.2026, 14:01:03

  Zusammenfassung: How to Become an AI Engineer Fast

  Das Video legt einen strukturierten 10-Schritte-Plan vor, um schnell AI-Engineer zu werden:

  Schritt 1–2: Fundament

  Python-Grundlagen sind nicht verhandelbar (Funktionen, Klassen, Dictionaries, HTTP-Requests, JSON, einfache APIs). Danach: das mentale Modell von Large Language Models verstehen – was Tokens, Context Windows, Temperature, System Messages sind und wie sie funktionieren. Dies ist die praktische Grundlage, nicht die tiefe Mathematik.

  Schritt 3–4: Mit APIs arbeiten

  Lernen, direkt mit LLM-APIs (insbesondere OpenAI und Anthropic) zu interagieren – API-Calls strukturieren, Responses handhaben, Error-Handling. Dann: Prompt Engineering und Structured Outputs beherrschen, um zuverlässige, konsistente Antworten statt Einzeltexte zu erzeugen (Function Calling, JSON Mode).

  Schritt 5–6: Komplexe Systeme

  RAG (Retrieval Augmented Generation) ist das gefragteste Muster – Daten in Embeddings konvertieren, in Vector Databases speichern, bei Abfragen relevante Chunks abrufen und ans Modell füttern. Orchestrations-Frameworks wie LangChain und LlamaIndex lernen, um mehrere LLM-Calls, Agenten mit Tools und mehrstufige Workflows zu koordinieren.

  Schritt 7–8: Production und Portfolio

  LM Ops (Rate Limiting, Caching, Monitoring, Cost Management) sind kritisch und unterscheiden Demos von echten Produkten. Ein Portfolio mit drei Arten von Projekten bauen, die wirklich funktionieren: RAG-Chatbots für spezifische Domänen, AI-Agenten mit Tools, Semantic-Search-Systeme – auf GitHub deployed, mit sauberen READMEs und erklärt in Interviews.

  Schritt 9–10: AI-Tools und Interviews

  AI-Tools wie Cursor, Claude Code und andere nutzen, um schneller Code zu produzieren und gleichzeitig zu verstehen, wie sie funktionieren. Schließlich: Vorbereitung auf technische Interviews mit LeetCode und ML-spezifischem Interview-Prep.

  Das Video betont, dass aktives Lernen durch Programmieren (75–90% Retention) deutlich besser ist als Tutorials zu schauen (20% Retention). Der Schlüssel ist, nicht in Roadmaps stecken zu bleiben, sondern Schritt für Schritt umzusetzen und echte Projekte zu bauen.

  Format & Anbieter: Meinung/Leitfaden mit Sponsor-Integration (DataCamp für interaktives Lernen, AlgoExpert für Interview-Prep); explizite Tools/APIs erwähnt: Python, OpenAI API, Anthropic API, Hugging Face, LangChain, LlamaIndex, Pinecone, Chroma, Cursor, Warp, Claude Code.

• The Fastest Way to Pivot Into AI in 2026 (From Beginner to Job-Ready)
  19.3.2026, 13:01:49

  Der Video adressiert das verbreitete Missverständnis, dass man schnell als AI Engineer einsteigen kann. Die zentrale These: AI Engineer ist keine Entry-Level-Position, sondern baut auf grundlegender Software-Engineering-Kompetenz auf.

  Das Problem: Hiring Manager suchen nicht nach ChatGPT-Prompting oder isoliertem AI-Wissen, sondern danach, ob Kandidaten bestehende Systeme intelligenter machen können, ohne sie zu beschädigen. Die meisten AI-Rollen erfordern zuerst Verständnis von APIs, Datenflüssen, Trade-offs und Fehlerszenarien—also solides Software-Engineering-Fundament.

  Drei Fallen, die Karriere-Pivots scheitern lassen: (1) Tool-only Learning—viel Demos und Frameworks, aber keine Tiefe; (2) Research-Heavy ohne praktische Umsetzung—viel Theorie, nie shipped; (3) Random Course Hopping—ständiges Lernen ohne fertige Projekte oder Portfolio.

  Kritische Unterscheidung der Karriere-Etappen: AI Adjacent → AI Enabled → AI Specialized. Der Fehler: Direkt von Null zu AI Specialized zu springen. Die richtige Methode ist, AI-Fähigkeiten auf bestehendes Wissen zu schichten (Software-Entwickler stapeln LLM-APIs und RAG auf Backend-Skills; Data-Analysten gehen Richtung Applied ML; DevOps-Leute bringen Infrastructure-Expertise mit).

  Drei realistische AI-Rollen, die eingestellt werden: (1) AI-Enabled Software Engineer—AI ist eine Capability neben Backend-Arbeit; (2) Applied ML/Data Engineer—fokussiert auf Production und Monitoring, nicht Forschung; (3) AI Product/Technical Lead—übersetzt Business-Anforderungen in technische Systeme.

  Non-Negotiable Foundations: Python, grundsätzliche mathematische Intuition (Stats, Linear Algebra), Datenhandling (Pandas, NumPy). AI Core Skills: Machine Learning Fundamentals, konzeptionelles Verständnis von LLMs und Transformern, Evaluation und Failure Modes. Applied Layer: GenAI-Tools, APIs, Orchestration, Agents—das, was in realen Systemen funktionieren muss, nicht nur in Demos.

  Vierphasiger Weg zu Job-Readiness (6–12 Monate): Phase 1: AI Literacy und Foundations ohne Theorie-Überload; Phase 2: Applied Projects mit echten Trade-offs, nicht Tutorials; Phase 3: Real-World Systems (RAG-Apps, Copilots, Automationen); Phase 4: Portfolio mit Beweis echter Kompetenz.

  Job-Ready bedeutet nicht: Jedes Model kennen oder massive Systeme von Grund auf trainieren. Job-Ready bedeutet: AI-Features designen, Trade-offs erklären, fehlerhafte Outputs debuggen, deployen und iterieren können.

  Konkrete nächste Schritte: (1) Zielposition recherchieren; (2) 1–2 ernsthafte Projekte bauen, die in eine der drei Rollen passen; (3) nur so viel Theorie lernen, wie die Praxis erfordert; (4) Feedback einholen—Code mit anderen teilen, nutzen lassen, Validierung bekommen.

  Kernbotschaft: Software Engineering kommt vor AI. Wer bequem Code schreiben kann und dann AI-Fähigkeiten hinzufügt, hat den Wettbewerbsvorteil.

  Kontext: Die Meinung wird mit einem Kurs-Sponsor (Simply Learn / Microsoft Applied Intrinsic AI, Multi-Agent-Systeme, LangChain, Crew AI, RAG, sieben Projekte) unterstützt; das Video ist eine Meinung/Reflexion mit praktischen Handlungsempfehlungen.

• The Postgres Performance Trap Every Developer Falls Into
  17.3.2026, 12:30:28

  Zusammenfassung: The Postgres Performance Trap Every Developer Falls Into

  Der Videomacher beschreibt ein typisches Problem: Eine Postgres-Datenbank wird langsamer, je größer die Tabelle wächst. Entwickler reagieren mit klassischen Fixes – Indizes, Partitionierung, Hardware-Upgrades – die zwar temporär helfen, aber das Kernproblem nicht lösen. Nach einem Jahr hat man nur Geld und Engineering-Zeit verschwendet.

  Die Wurzel des Problems: Postgres wurde für traditionelle Anwendungsdaten (Create-Read-Update-Delete) designt, nicht für Time-Series-Workloads. Bei Zeit-basierten Daten (Logs, Events, Sensordaten) trägt jede Zeile 23 Byte Metadaten für Update/Delete-Operationen, die nie passieren. Der Auto-Vacuum-Prozess sucht nach Cleanup-Arbeit, die nicht existiert. B-Tree-Indizes behandeln alte und neue Daten gleich, obwohl Anfragen fast immer auf aktuelle Daten zielen.

  Die Lösung: TimescaleDB, eine Open-Source-Postgres-Extension von Tiger Data (ehemals Timescale). Sie ändert intern, wie Daten gespeichert und partitioniert werden, ohne SQL oder bestehende Tools zu verändern. Kernfunktionen:

  • Hypertables: Automatische zeitbasierte Partitionierung statt manueller Management
  • Column Compression: Bis 90% Speicherersparnis, schnellere analytische Abfragen
  • Continuous Aggregates: Inkrementelle Materialized Views statt Full-Rebuild
  • Retention Policies: Automatisches Löschen oder Archivieren zu S3

  Im Demo wurde ein 2,6-Millionen-Zeilen-Tabelle mit einer Time-Range-Query getestet: Mit normaler Tabelle 549,5 ms, mit Hypertable 1,7 ms Ausführungszeit – etwa 320x schneller, weil nur relevante Datenblöcke gelesen werden. Der Umstieg erfordert nur zwei Befehle: Extension aktivieren, Tabelle konvertieren.

  TimescaleDB ist kostenlos, Tiger Cloud bietet 30-Tage-Trial ohne Kreditkarte – ideal zum Testen von Time-Series-Workloads auf Postgres.

  Format: Demo/Tutorial mit praktischer Live-Anwendung; sponsorierter Content für TimescaleDB/Tiger Data.

• How to Build a Video Player in Next.js (Step-by-Step)
  15.3.2026, 15:46:57

  Das Video zeigt ein umfassendes Tutorial zum Bau eines Video-Players in Next.js mit professionellen Funktionen wie Video-Upload, Thumbnail-Generierung, Watermarks und Qualitätsanpassung. Der Kurs wurde von ImageKit gesponsert und nutzt deren API für Videospeicherung, -optimierung und -verwaltung.

  Die Architektur verbindet Backend-APIs (für sichere Upload-Tokens und Video-Verwaltung) mit einem React-Frontend. ImageKits Kernvorteil liegt darin, dass Transformationen (Watermarks, Qualität, Format) allein durch URL-Parameter erfolgen – ohne komplexe Backend-Verarbeitung. Das Projekt speichert Video-Metadaten in einer lokalen JSON-Datei und lagert die eigentlichen Assets (Video, Thumbnail, Watermark) auf ImageKit aus.

  Die Implementierung umfasst:

  • Backend-Routes: Upload-Token-Generierung via /api/upload-off, Video-Speicherung und Abruf über /api/videos
  • Video-Upload-Komponente: Formular für Titel, Beschreibung, Video-, Thumbnail- und Watermark-Datei
  • Video-Bibliothek: Gitteranzeige mit automatisch generierten Thumbnails aus Video-Frames
  • Datentypen: TypeScript-Interfaces für Video-Metadaten und Watermark-Konfiguration
  • ImageKit-Integration: Automatische Thumbnail-Extraktion via ik-thumbnail-URL-Transformationen

  Das Tutorial richtet sich an TypeScript- und Next.js-erfahrene Entwickler und stellt eine Basis-Implementierung dar, die beliebig erweitert werden kann – der Video-Player selbst wird im zweiten Teil des Videos gebaut. Alle Codebeispiele sind auf GitHub verfügbar.

  Video-Details: ImageKit, Next.js, TypeScript — Tutorial für fortgeschrittene Anfänger.

TheAIGRID (6 neues Videos)

• Elon Musk Just Dropped Terafab AI: The Future of AI Explained
  22.3.2026, 07:39:23

  Terafab AI: Elon Musks Vision für die Zukunft der Zivilisation

  Musk präsentiert Terafab als zentrale Initiative zur Skalierung der menschlichen Zivilisation durch massive KI-Compute-Kapazität im All. Die Grundthese: Menschliche Zivilisationen werden nach einem Klassifizierungssystem (Kardashev-Skala) bewertet, wobei eine Typ-1-Zivilisation die gesamte Energie ihres Planeten nutzt. Die Erde empfängt derzeit nur ein halbmilliardstel der Sonnenenergie – wir sind kosmisch gesehen Staubkörnchen. Deshalb ist Skalierung zwangsläufig eine Weltraum-Aufgabe: Die gegenwärtige KI-Compute-Leistung der Erde beträgt etwa 20 Gigawatt pro Jahr, während Terafab eine Terawatt (eine Million Gigawatt) pro Jahr anstrebt.

  Das Projekt erfordert Koordination von SpaceX, xAI und Tesla: SpaceX liefert die Startkapazität (Ziel: 10 Millionen Tonnen Payload pro Jahr in den Orbit via Starship), Tesla baut Optimus-Roboter für Weltraum-Operationen, xAI stellt die Compute-Infrastruktur bereit. Das „Terafab” selbst ist eine hochmoderne Chip-Fabrik in Austin mit vollständiger Kapazität (Logik, Memory, Maskenherstellung, Test) unter einem Dach – ermöglicht ultrachnelle iterative Chip-Verbesserungen.

  Musk unterscheidet zwei Chip-Typen: Edge-Inference-Chips für Optimus (erwartet 1–10 Milliarden Roboter jährlich vs. 100 Millionen Fahrzeuge), und hochleistungs-optimierte Space-Chips für die 99% der Compute, die im All läuft. Im Weltraum wird KI billiger werden als auf der Erde (in 2–3 Jahren), weil dort konstante Sonneneinstrahlung herrscht (5x effektiver als terrestrisch) und keine Batterie-Infrastruktur nötig ist – Raumkosten werden zum dominanten Faktor.

  Langfristige Vision: Ein Elektromagnet-Massenantrieb auf dem Mond (via Optimus + Menschen) könnte später zu Petawatt-Compute (1000× Terawatt) führen. Letztlich strebt Musk eine Millionenfach größere Wirtschaft als heute an – genug für universelle materielle Fülle (inspiriert von Iain M. Banks’ „Culture”-Romanen), wo Bedürfnisse kostenfrei erfüllt werden. Die Reise geht „über den Mond, über den Mars und durch die Ringe des Saturn” – nicht nur für Elite, sondern für alle.

  Kernnarrative: Terafab ist nicht Selbstzweck, sondern ein notwendiger Zwischenschritt auf der Kardashev-Skala, um eine „galaktische Zivilisation” zu werden, die Mehrplanetarität, unbegrenzte Expansion und echte materielle Überfluss ermöglicht.

  xAI und SpaceX wurden thematisiert, Format: Meinung/Reflexion mit Vision-Darlegung.

• Microsoft’s AI Chief Terrifying Prediction Explained
  20.3.2026, 21:00:35

  Zusammenfassung: Microsoft’s AI Chief Terrifying Prediction Explained

  Mustafa Suleiman, AI-Chef von Microsoft, prognostiziert in einem Interview, dass innerhalb von 12 bis 18 Monaten die meisten White-Collar-Jobs vollständig automatisiert sein werden – Jobs wie Anwälte, Buchhalter, Projektmanager und Marketingleute. Er definiert AGI als System, das die meisten alltäglichen Aufgaben eines Profis bewältigt, und verweist auf Software-Engineering als Beispiel, wo KI-gestützte Programmierung bereits die Mehrheit des Codes produziert. Dario Amodei von Anthropic warnt ähnlich vor Automatisierung von Einstiegs-White-Collar-Jobs und potenziellen Beschäftigungskrisen.

  Die realen Marktdaten stützen diese Warnung: White-Collar-Stellenangebote erreichten 2015 ihre niedrigsten Level seit damals (1,6 Stellen pro 100 Arbeitnehmer). Block (Square/Cash App) kündigte eine 40%-ige Personalreduzierung an und führte dies explizit auf KI-Effizienz und kleinere Teams zurück; die Aktie stieg um 25% danach – ein Anreizproblem, das zu Massenentlassungen führen könnte.

  Ein neues Gesetzesvorhaben würde KI von Antworten in Medizin, Recht, Zahnmedizin, Krankenpflege und anderen Berufen verbieten – der erste ernsthafte legislative Versuch, White-Collar-Jobs zu schützen. Dies ist strategisch: Anwälte und Ärzte haben Lobbying-Power, Lastwagenfahrer nicht. Das Gesetz ist jedoch vage (keine klare Definition von „substanzieller Antwort”), und die Haftung fällt auf Bereitsteller, nicht Modellentwickler, was kleinere Teams belastet.

  Anthropics „AI Exposure Index” zeigt mit echten Nutzungsdaten über 800 Berufe: Jura, Management, Finanzen und Computer sind theoretisch hochgradig gefährdet, aber praktische Adoption ist noch früh. Ein UBI-Pilotprogramm mit irischen Künstlern (£325 wöchentlich) amortisierte sich selbst und zeigte positive Ergebnisse.

  Jedoch zeigt die Gartner-Forschung ein komplexeres Bild: AI-Auswirkungen auf globale Jobs bis 2026 neutral, ab 2028 mehr Jobs geschaffen als zerstört – aber mit massivem Chaos darunter. 32 Millionen Jobs pro Jahr werden transformiert, Upskilling erforderlich; 30% der 2029 durch AI Ersetzten werden wieder eingestellt (oft teurer). Ein Fintech-Fall illustriert das: Nach 70%-Automatisierung der Customer-Service-Qualität kollabiert, Menschen werden rehiriert. Clana sprang ebenfalls von „AI-first” zu Neueinstellungen um. Die Größe vieler AI-Projekte verfehlt ihre Ziele.

  Die zentrale These: Nicht dass AI alle Jobs morgen übernimmt, sondern chaotisches Hin-und-Her – Massenkündigungen, Rückschläge, Experimente – während Arbeiter die Zeche zahlen. Bis 2027 werden 75% der Einstellungsprozesse AI-Kompetenzbescheinigungen erfordern; AI-Alphabetisierung wird formale Anmeldung statt nice-to-have.

  Format: Meinung/Deep-Dive mit News-Elementen; Anbieter/CEOs erwähnt: Microsoft (Mustafa Suleiman), Anthropic (Dario Amodei, Claude-Exposure-Index), OpenAI, Anthropic, Gartner-Forschung.

• China’s New AI Breakthrough – Attention Residuals Explained –
  19.3.2026, 21:00:15

  Zusammenfassung: Chinas AI-Durchbruch – Attention Residuals erklärt

  Der chinesische KI-Lab Moonshot AI (Team hinter den Kimi-Modellen) hat eine Forschungsarbeit veröffentlicht, die ein fundamentales, seit 2015 unverändertes Design-Element aller modernen AI-Modelle (ChatGPT, Claude, Gemini) in Frage stellt: Residual Connections. Diese Verbindungen leiten Informationen durch die Schichten eines neuronalen Netzes weiter – aber mit gleichem Gewicht für alles. Das Problem: Bei tiefen Modellen entsteht eine massive Informations-Ansammlung (Signal-Dilution), in der frühe Layer-Beiträge erstickt werden.

  Die Lösung heißt Attention Residuals: Statt alle vorherigen Layer-Outputs blindlings zu addieren, soll jede Schicht selbst entscheiden, welche früheren Schichten am relevantesten sind – analog zur Attention-Mechanik, die 2017 Transformer revolutionierte. Eine praktische Variante (Block Attention Residuals) nutzt diese Selektivität nur zwischen Gruppen von Layern, nicht zwischen jedem einzelnen.

  Die Tests zeigen konsistente Verbesserungen: Äquivalent zu 25% mehr Trainingskraft ohne zusätzliche Kosten. Bei Kimi-Lamarilla (48 Milliarden Parameter) sprangen Reasoning-Fähigkeiten und Math-Performance deutlich an – beispielsweise bei GPQA Diamond von 36,9 auf 44,4 Punkte. Die Implementierungs-Overhead ist minimal: Training kostet unter 4% mehr, Inference unter 2%.

  Ein Forscher (Ziming Louie) warnt allerdings: Attention Residuals scheinen besonders bei strukturierten Daten vorteilhaft zu sein, können aber bei chaotischeren Daten suboptimal werden. Für LLMs ist das relevant, da Sprache und Code hochgradig strukturiert sind.

  Deep-Dive über Moonshot AI und das Kimi-Modell sowie deren Attention-Residuals-Architektur.

• China’s New Tennis Robot Reveals the Next Step for Humanoid Robots
  19.3.2026, 09:55:49

  Zusammenfassung: Chinas Tennis-Roboter und die Zukunft humanoides Robotik

  Forscher aus mehreren chinesischen Top-Institutionen (Tsinghua University, Peking University, Galbot, Shanghai AI Laboratory und weitere) haben einen humanoides Roboter (Unitree G1) dazu gebracht, Tennis zu spielen – eine der schwierigsten Herausforderungen in der Robotik. Der 127 cm große Roboter mit 29 Freiheitsgraden muss dabei mit Bällen fertig werden, die bis zu 30 m/s schnell sind, und seine Schläger für nur Millisekunden exakt positionieren.

  Das Schlüssel-Innovation war die Lösung eines zentralen Problems: Statt auf perfekte Daten von Profis zu warten, nutzte das Team ein System namens LATENT (Learns Athletic Humanoid Tennis Skills from Imperfect Human Motion Data), das mit unvollkommenen Bewegungsdaten arbeitet. Sie sammelten nur 5 Stunden Bewegungsdaten von fünf Amateur-Tennisspielern in einer 3×5-Meter-Bewegungserfassungszone und ließen diese isolierte Bewegungsfragmente (Vorhand, Rückhand, seitliche Bewegungen) ausführen.

  Das System nutzt eine dreischichtige Architektur: Ein Motion Tracker übersetzt menschliche Bewegungen in robot-kompatible Äquivalente, ein Latent-Action-Space lernt die Essenz von Bewegungen statt einzelner Gelenkbewegungen (und kann daher generalisieren), und eine Policy wählt Schlagtypen und koordiniert den ganzen Körper. Alles wird zuerst in Simulation trainiert – hier wird gezielt Unvollkommenheit eingebaut (Rausch, unterschiedliche Physik), damit der Sim-to-Real-Gap überbrückt wird und der Roboter auch in der echten Welt adaptiv agiert.

  Die Ergebnisse sind beeindruckend: 91% Erfolgsrate bei Vorhand, 78% bei Rückhand, mehrsätzige Rallyes mit menschlichen Spielern. Der Roboter sprintet über 6 m/s schnell über den Platz. Die Forscher sehen Tennis als Machbarkeitsbeweis – die echte Bedeutung liegt in der Fähigkeit, mit messy, unvollkommenen Daten zu arbeiten. Das könnte auf jeden physischen Task für humanoides Roboter übertragen werden (Lagerhausarbeit, Parkour, Katastropheneinsätze). Als nächste Schritte nennen sie: Onboard-Vision statt externen Motion-Capture, Multi-Agent-Szenarien (zwei Roboter gegeneinander) und Tests mit anderen Sportarten/Tätigkeiten.

  No specific AI-Tool/Model-Provider was named (only hardware: Unitree G1); Format: Deep-Dive.

• DLSS 5 Explained Clearly In 8 Minutes (How It Actually Works)
  18.3.2026, 11:30:19

  DLSS 5 Explained Clearly In 8 Minutes

  DLSS 5 ist eine grundlegend neue Rendering-Technologie von Nvidia, die nicht wie bisherige DLSS-Versionen nur Effizienz verbessert, sondern durch ein neuronales Rendering-Modell das Aussehen von Spielen gezielt verändert. Die Technologie wurde auf der GTC 2026 enthüllt und sorgte für Kontroversen, nachdem ein Resident Evil-Demo zeigte, dass die KI die Gesichtszüge einer Charakterin – vollere Lippen, schärfere Wangenknochen – veränderte.

  Wie DLSS 5 funktioniert: Das Spiel-Engine rendert einen Frame normal (Geometrie, Texturen, Beleuchtung). Die Engine gibt dann zwei Ausgaben: den Color Buffer (das Bild) und Motion Vectors (Pixel-Bewegungen zwischen Frames). Das neuronale Modell analysiert beides und versteht dabei die Semantik der Szene – Charaktere, Stoffe, Haare, Haut. Es generiert dann eine neue Version des Frames mit photorealistischer Beleuchtung und Materialien: Subsurface Scattering auf Haut, Stoff-Glanz, Haar-Streuung. Wichtig: Es erstellt keine neuen Geometrien, sondern überlagert nur die Beleuchtungseffekte auf dem Original-Content.

  Technische und kommerzielle Hürden: Bei der GTC-Demo brauchte Nvidia zwei RTX 5090-Grafikkarten (je ~$2.000) – eine zum Spiele-Rendering, eine nur für DLSS 5. Nvidia plant, das auf eine GPU zu optimieren.

  Die Kontroverse: PC-Spieler kritisierten, dass die Resident Evil-Demo nicht nur realistische Beleuchtung zeigte, sondern die Gesichtszüge strukturell veränderte – was als „Yassification” (Beauty-Filter-Effekt wie Instagram) gebrandmarkt wurde. Die tiefere Sorge: DLSS war bisher nur additiv (macht Spiele schneller). DLSS 5 bricht dieses Versprechen, indem es das Aussehen grundlegend ändert. Nvidia betont, dass Entwickler volle künstlerische Kontrolle haben (Intensity-Slider, Farbgrading, regionale Masking) und DLSS 5 deaktivierbar ist. Allerdings warnt Digital Foundry, dass Modder DLSS 5 möglicherweise auf Spiele erzwingen könnten, für die es nie entwickelt wurde.

  Breitere Bedeutung: Dies ist Teil eines industrieweiten Trends zu neuronalenem Rendering. Google DeepMind demonstrierte bereits Gen 3, das vollständige 3D-Umgebungen aus Text-Prompts in Echtzeit generiert. DLSS 5 sitzt auf dieser Trajektorie in der Mitte – noch hybrid mit traditionellem Rendering, aber ein Schritt zu generativer Grafik. Die Unterstützung durch Publisher wie Bethesda, Capcom, Ubisoft, Warner Bros. zeigt, dass die Industrie das ernst nimmt. Über ein Dutzend Titel für DLSS 5-Launch im Herbst sind angekündigt, darunter Assassin’s Creed Shadows, Resident Evil und Starfield.

  Die eigentliche Schlacht: Die Kontroverse ist nicht, ob neuronales Rendering funktioniert – Testberichte loben die fotorealistischen Verbesserungen bei Beleuchtung, Material-Details und Subsurface Scattering. Die zentrale Frage ist: Wer kontrolliert, wie Spiele aussehen – der Entwickler, der Spieler oder die KI?

  Nvidia DLSS 5 und Deep Mind Gen 3 werden erwähnt; Demo-Video mit praktischen Beispielen und Kontroverse im Fokus.

• Nvidia Just Dropped NemoClaw And Other Huge AI Updates
  17.3.2026, 07:30:20

  Nvidia Just Dropped NemoClaw And Other Huge AI Updates – Zusammenfassung

  Nvidia kündigte NemoClaw an – ein auf OpenClaw basierendes System, das Unternehmen ermöglicht, AI-Agenten einzusetzen, um Aufgaben im Auftrag von Mitarbeitern auszuführen. Die Plattform bietet integrierte Sicherheits- und Datenschutztools und ist hardwareunabhängig, funktioniert also unabhängig davon, ob die Infrastruktur auf Nvidia-Chips basiert.

  Jensen Huang betonte die Bedeutung von OpenClaw als das “populärste Open-Source-Projekt in der Menschheitsgeschichte”, das in wenigen Wochen Linux in 30 Jahren übertroffen habe. OpenClaw wurde als ein Betriebssystem für Agenten beschrieben – es verwaltet Ressourcen, ruft Sprachmodelle auf, kann Dateisysteme zugreifen, Aufgaben zerlegen, mehrere Sub-Agenten aufrufen und kommuniziert über verschiedene Modalitäten. Huang stellte fest, dass jedes Unternehmen nun eine “OpenClaw-Strategie” haben müsse, ähnlich wie früher Linux-, HTML- oder Kubernetes-Strategien notwendig waren.

  NemoClaw adressiert Enterprise-Anforderungen durch eine Referenzarchitektur mit OpenShell-Integration, Policy Engines, Guard Rails und Privacy Router. Nvidia kündigte zudem seine Nemotron-Familie von Sprachmodellen an – insbesondere Nemotron 3 und Nemotron 3 Ultra als Base-Model – sowie eine Nemotron Coalition zur Entwicklung domänenspezifischer, souveräner AI-Modelle.

  Weitere Ankündigungen: DLSS 5 nutzt generative AI, um spezifische Spielelemente upzuscalen und dadurch Grafiken zu verbessern; Nvidia Alpamo verleiht autonomen Fahrzeugen Reasoning-Fähigkeiten; robotische Tools wie Isaac Lab (Training und Simulation), Cosmos (World Models), Groot (Foundation Models) und Newton (GPU-beschleunigte Physics-Simulation) ermöglichen es Entwicklern, physische AI und Robotik an Skala zu trainieren.

  News-Update über Nvidia, OpenClaw, Nemotron und proprietäre sowie Open-Source-Tools für Enterprise-AI, Robotik und autonome Fahrzeuge.

Theo – t3․gg (4 neues Videos)

• Everything needs to change
  20.3.2026, 12:35:17

  Zusammenfassung: “Everything needs to change”

  Der Video argumentiert, dass die Entwickler-Tools sich radikal verändern müssen. Ausgehend von der Idee des klassischen IDE (Integrated Developer Environment) – das alles von Editor über Compiler bis Debugging in einem Fenster vereinte – skizziert der Autor die Evolution: von Sublime Text über Atom bis VS Code, wo sich jeweils der Editor um einzelne Projekte rum formte.

  Das Problem heute: Mit AI-Agenten, die stundenlang parallel an mehreren Projekten arbeiten, passt das alte Modell nicht mehr. Der Autor arbeitet jetzt ständig an vielen Codebases gleichzeitig und muss mental zwischen verschiedenen Terminal-Tabs, Editor-Fenstern, Browser-Tabs (für GitHub und Dev-Server) und Projektverbindungen jonglieren – das ist ineffizient und zersplittert den Arbeitsfluss über zu viele Apps verteilt.

  Die Lösung: Ein größeres IDE, das nicht nur einen Editor enthält, sondern alle Abhängigkeiten orchestriert – mehrere Projekte mit ihren Terminals, Browsern und Workspaces in einer kohärenten Oberfläche. Der Autor zeigt Semox (ein Fork von Ghosty mit UI-Anpassungen) als erste Annäherung und nennt T3 Code als sein eigenes Experiment in diese Richtung.

  Kern-Insight: Das Problem der “Hierarchie” im traditionellen IDE – es war optimiert für ein Projekt zur Zeit – muss umgedacht werden. Es braucht neue Lösungen, Canvas-basierte Navigation, multi-dimensionale Workspaces. Der Autor betont, dass das noch nicht gelöst ist und viele verschiedene Ansätze probiert werden sollten. Interessanterweise bezieht sich der Autor auf Andrej Karpathy, der ähnliches postuliert hat.

  Nebenher wird Kernel gesponsert (Cloud-Browser für Agenten mit OAuth-Integration).

  Tools/Kontext: VS Code, Cursor, Ghosty/Semox, T3 Code erwähnt; inspiriert von Karpathy; keine spezifischen AI-Modelle genannt — Meinung/Reflexion, mit Personal-Entwicklungsgeschichte.

• Vercel accuses Cloudflare of stealing
  19.3.2026, 11:49:33

  Zusammenfassung: Vercel accuses Cloudflare of stealing

  Vercel und Cloudflare sind sich in die Haare geraten über Just Bash, ein von Vercels CTO Malta gebautes Package – eine vollständig in TypeScript emulierte Bash-Umgebung mit In-Memory-Dateisystem, entwickelt für AI-Agenten. Der Grund: Cloudflare hat Just Bash geforkt und unter dem Namen “Cloudflare/Shell” in sein Agents-Monorepo eingepflegt.

  Malta kritisierte die Fork öffentlich, weil Just Bash noch in aktiver Entwicklung ist und Cloudflare die Beta-Disclaimer sowie mehrere Sicherheits-Hinweise aus der Dokumentation entfernt hat. Schlimmer noch: Cloudflare ersetzte Pythons sichere Piodide-Implementation durch eine unsichere Variante, die dem JS-Host vollständigen Zugriff ermöglicht, und eliminierte Defense-in-Depth-Layer gegen Host-Breakouts (eval-Deaktivierung, Prototype-Pollution-Checks) – Schutzmaßnahmen, die für Node.js-Umgebungen kritisch sind, aber für Cloudflares Isolates weniger relevant.

  Der tiefere Kontext: Vercel braucht Just Bash aus Sicherheitsgründen, weil echte Bash auf einem Node.js-Server einen direkten Zugriff auf alle Systemressourcen ermöglichen würde. Cloudflare hingegen kann gar keine echte Bash ausführen (es nutzt V8-Isolates statt vollständigen Linux-Instanzen) – für Cloudflare ist das Bash-Emulat eine Funktionalitätserweiterung, nicht ein Sicherheitsfeature.

  Sunil Pi (Cloudflares Original-React-Team-Mitglied, jetzt für Durable Objects zuständig) war begeistert vom Package und experimentierte damit. Der Fork war ursprünglich ein Vibe-Coding-Projekt im Hintergrund, doch wurde versehentlich ins öffentliche Monorepo gepusht, ohne Experimental-Label oder persönliche GitHub-Nutzung – was den Eindruck erweckte, Cloudflare veröffentliche ein produktives Package unter eigenem Namen. Malta veröffentlichte daraufhin einen öffentlichen Artikel statt erst privat zu kommunizieren.

  Die Ironie: Sunnil meinte es gut und wollte sich später mit Malta absprechen. Nach Matas öffentlichem Artikel entschuldigte sich Sunnil und erklärte, das war Experimenten-Frivolität in Spanien. Malta realisierte später seinen Fehler, postulierte eine Reflexion (“I stirred up unnecessary pain for Sunnil”) und entschuldigte sich seinerseits – Sunnil hätte das nicht verdient gehabt.

  Der Sprecher kritisiert, dass Bad Faith zwischen den Unternehmen vorherrscht (ausgelöst durch früheres Drama wie der fehlerhaften Vext-Fork von Next.js) und plädiert dafür, dass beide Seiten vor öffentlichen Konfrontationen erst privat miteinander reden sollten.

  Format & Kontext: News-Update/Deep-Dive zur Open-Source- und Plattform-Architektur-Problematik; kein spezifisches AI-Tool im Fokus, sondern grundsätzliche Infrastruktur-Dispute (Vercel vs. Cloudflare).

• I did not expect this…
  17.3.2026, 23:40:47

  Der Entwickler testet Vit Plus, die neu open-source gewordene und in Alpha befindliche Unified-Toolchain rund um Vit, die Package-Management, Node-Version-Handling, Linting, Formatting, Type-Checking und Task-Orchestrierung zusammenfasst. Nach der initialen Begeisterung über die Ankündigung führt er eine Live-Erkundung durch, startet ein neues Projekt, experimentiert mit den Befehlen vp check (332ms für 15.000 Zeilen Code), vp dev, vpenv zur Node-Version-Verwaltung und testet die vp migrate-Funktion an einem bestehenden Projekt — hier stößt er auf mehrere Friction-Points: Das generierte agents.md-Template ist zu ausführlich und schadet eher den AI-Modellen; Vit Plus unterstützt kein Bun (nur PNPM, NPM, Yarn); die vp-Befehle überschreiben Custom-Scripts aus der package.json (z.B. vp dev statt vp run dev), was als problematisches UX-Design kritisiert wird und ein bekanntes Ärgernis von Bun widerholt.

  Bei der Migration eines Tanstack-Start-Projekts von Vit 7 zu Vit 8 + Vit Plus entstehen Abhängigkeitskonflikte, die er letztlich mit Claude Code (Codeex) löst — ein Moment, in dem er die Überlegenheit einer grafischen UI gegenüber CLI-basierten Tools unterstreicht. Die Build-Zeiten verbessern sich von ~28 Sekunden auf ~22 Sekunden. Das Feature Vit Tasks (Caching von generierten Outputs, Abhängigkeitstracking, subtask-weise Parallelisierung) und die neue Rust-basierte Ox-Toolchain überzeugen ihn technisch.

  Sein Fazit: Er sieht großes Potenzial in der Vision (alles Notwendige von Deployment bis Paketmanagement aus einer Hand, kombiniert mit Evanu’s anderen Projekten), ist aber noch nicht überzeugt, Vit Plus selbst in allen Projekten einzusetzen. Die Kritik an agents.md-Bloat, Bun-Ausschluss und Script-Überwrite-Verhalten sind Alpha-Probleme, die seiner Meinung nach vor Release behoben werden müssen.

  Behandelt: Vit Plus (Alpha, Open-Source), Vit Tasks, Ox (Rust-basierter Linter/Formatter), Claude Code/Codeex — Demo/Live-Tutorial, Standard-Schwierigkeit.

• You don’t want to be a manager.
  16.3.2026, 19:06:16

  Zusammenfassung: “You don’t want to be a manager”

  Der Sprecher diskutiert einen Artikel, der argumentiert, dass Softwareentwickler in der heutigen Zeit nicht in Managementrollen wechseln sollten. Der Kernkonflikt: Um in einer Tech-Karriere voranzukommen, werden Entwickler traditionell in Management-Positionen befördert – und verlassen dabei die Arbeit, für die sie ausgebildet wurden.

  Der Artikel benennt drei Hauptgründe gegen einen Management-Wechsel:

  1. Schlechter Zeitpunkt, sich von aktueller Technologie zu entfernen – die Industrie verändert sich rasant, und Abwesenheit führt zu schnellem Wissensverlust.
  2. Kompetitive Aufstiegsleiter – Unternehmen flachen ihre Hierarchien ab (weniger Manager-Positionen), während Senior/Staff-Engineer-Rollen vermehrt bleiben und extern höher bezahlt werden.
  3. Geringere Bezahlung – Ein Staff Engineer verdient oft 20–30% mehr als ein Engineering Manager bei anderen Unternehmen.

  Der Sprecher bringt eine wichtige Gegenposition: Als IC (Individual Contributor) hat man mehr Freiheit bei der Arbeit als als Manager. Manager müssen ihre Entscheidungen dem Team unterordnen und Kompromisse akzeptieren, die sie nicht getroffen hätten. Er warnt aber auch davor, Counter-Offers nach Job-Wechseln anzunehmen – das zerstört Vertrauen dauerhaft.

  Dann dreht der Sprecher die Argumentation: Management lehrt entscheidende Soft-Skills, besonders Kommunikation, die nicht nur in Management wertvoll sind, sondern auch als Engineer und generell im Leben. Ein praktisches Beispiel: Er versuchte, Claude (CodeEx) eine Aufgabe zum Programmieren einer Chess Engine zu geben, die gegen Stockfish Level 17 gewinnt. Das Modell missverstanden zuerst die Anforderung und nutzte stattdessen Stockfish selbst. Durch Iteration lernte er, dass er nicht Tasks, sondern Ziele beschreiben sollte – eine Fähigkeit, die genauso wichtig für AI-Agenten ist wie für Menschen.

  Sein finales Fazit weicht vom Artikel ab: Statt Managementrollen zu vermeiden, sollte man sie in Erwägung ziehen, wenn man sie mit der richtigen Mentalität angeht. Kommunikationsfähigkeiten sind langfristig wertvoller als spezifische Rollen oder Gehalt, da die Tech-Zukunft unsicher ist. Wer genug über seine Team-Kommunikation reflektiert, wird nicht nur besser in Management, sondern auch in Engineerings-Arbeit und AI-Prompting – ein Vorteil, den kaum jemand sieht.

  Format: Meinung/Reflexion mit Diskussions-Analyse eines Artikels; keine spezifischen AI-Tools/Anbieter im Kerninhalt erwähnt (nur kurze Sponsoren-Nennung von Augment und Unblocked), aber starker praktischer Bezug zu Claude und CodeX bei der Chess-Engine-Demo.

Tim Carambat

Keine neuen Videos in diesem Zeitraum.

Unsupervised Learning (2 neues Videos)

• AI WILL Replace Knowledge Workers
  21.3.2026, 16:00:55

  Zusammenfassung: “AI WILL Replace Knowledge Workers”

  Der Sprecher argumentiert entgegen der verbreiteten Beschwichtigung, dass KI Wissensarbeiter sehr wohl ersetzen wird – und begründet dies mit detaillierter Kritik am aktuellen Zustand von Unternehmensarbeit.

  Die Ausgangslage in Unternehmen: Der Sprecher, der 25+ Jahre in Großkonzernen und als Berater tätig war, beschreibt typische Probleme: Ziele sind unklar oder nicht kommuniziert, Standard Operating Procedures (SOPs) existieren nicht oder werden nicht befolgt, die Ausgabequalität ist massiv inkonsistent (abhängig von der Einzelperson statt vom Prozess), und es gibt massive Informationsverluste bei Mitarbeiterwechsel. Führungskräfte haben oft keine Transparenz darüber, welche Arbeiten geleistet werden, wie viel sie kosten oder wie gut sie sind. Diese Erkennung braucht Monate oder externe Berater für Hundertausende Dollar.

  Die falsche Sicht auf Menschliche Überlegenheit: Der Sprecher widerlegt zwei Argumente: (1) Menschen seien chaotisch denkende Maschinen – Meditation zeigt, dass wir nicht wissen, woher unsere Gedanken kommen, Sätze nicht planen und Erinnerungen verzerrt und dynamisch sind, nicht statisch wie Datenblöcke. (2) Menschliche Expertise basiere auf vier Fähigkeiten: Wissen, Verständnis, Intelligenz und Kreativität. KI beherrscht die ersten drei bereits exzellent – Wissen (umfassendes Faktenwissen), Verständnis (Mustererkennung über Domänen hinweg) und Intelligenz (Anpassung an neue Anforderungen, dynamische Ziele). Kreativität fehlt KI, ist aber für durchschnittliche Knowledge Work in 95% der Fälle nicht nötig.

  Warum die Expertise-Lücke vermeintlich existiert: Die eigentliche Lücke ist nicht, dass KI weniger können, sondern dass Expertenwissen in Menschenköpfen verbleibt – nicht aufgeschrieben, nicht dokumentiert. Wenn Wissen in „Skills” (strukturierte Kontexte, Prozesse, Dokumentation) umgewandelt wird, kann KI dieses vollständig nutzen. Tools wie Claude Code zeigen dies: nicht ein besseres Modell, sondern besseres Scaffolding (Kontextmanagement, Verknüpfung) machte den Unterschied.

  Die Lattice-Architektur (geplantes Open-Source-Projekt): Der Sprecher stellt ein System vor, das Transparenz in Unternehmen schaffen soll: Jede Ebene (Mitarbeiter, Team, Abteilung, Unternehmen) veröffentlicht ihre SOPs, Ziele, Metriken, Budget und Arbeitsergebnisse über APIs. Ein zentraler Daemon ermöglicht Abfragen in Echtzeit – statt Monaten für Transparency-Audits dauerts dann Sekunden. Ziele und SOPs können zentral aktualisiert und sofort über alle Ebenen propagiert werden. Diese Sichtbarkeit macht sowohl das Erkennen von Redundanzen als auch KI-gestützte Automatisierung ermöglicht.

  Fazit: Die „Bequemlichkeitserzählung”, KI könne Wissensarbeiter nicht ersetzen, ist falsch und gefährlich, weil sie zu Unvorbereitetheit führt. Die wahre Grenze liegt nicht in KI-Fähigkeiten, sondern in mangelnder Dokumentation von Prozessen – ein Problem, das die beschriebene Architektur löst. Unternehmen, die schnell diese Transparenz und Strukturierung erreichen, werden die Automatisierung früh nutzen können.

  Referenzen: Keine spezifischen Tools oder Anbieter erwähnt (Claude Code als generisches Beispiel); Lattice und PI sind Projekte des Sprechers. – Format: Meinung/Deep-Dive mit Systemdesign-Elementen.

• A Conversation With Rishi Sharma
  19.3.2026, 16:00:45

  Zusammenfassung: A Conversation With Rishi Sharma

  Rishi Sharma von Project Discovery stellt Neo vor, eine KI-native Plattform für Cybersecurity, die LLMs nutzt, um Sicherheitsaufgaben in Organisationen zu automatisieren. Neo kombiniert zwei Funktionen: Mapping der Organisationsstruktur (externe und interne Sicht auf APIs, Tools, Apps) sowie Identifikation von echten, exploitablen Sicherheitslücken.

  Das zentrale Problem, das Neo löst, ist die Reduzierung von False Positives. Traditionelle Scanner produzieren massenhaft ungültige Befunde; Neo trennt hier bewusst die Erkennungs- von der Validierungsphase. Scanagenten führen eine initiale Bewertung durch, daran schließt sich eine separate Validierungspipeline an (mit Sandbox, Browsern, eigens entwickelten Tools), die tatsächlich ausnutzbar ist. Die False-Positive-Quote konnte um über 90% gesenkt werden. Gleichzeitig unterstützt Neo damit auch die Triage bestehender Vulnerability-Backlogs und beschleunigt Pentest-Workflows.

  Neo verwendet mehrere Designprinzipien: Sub-Agenten für Kontextmanagement, Refresh-Loop-Engineering (jede Iteration mit frischem Kontext), und die sogenannte “Bitter Lesson” (dem Modell Ziele und Tools geben, nicht Schritt-für-Schritt-Anweisungen). Dadurch verbessert sich die Performance automatisch mit besseren LLM-Modellen. Das System nutzt separate Knowledge-Tools und strukturierte Indexierung statt große Textmengen ins Kontextfenster zu laden. Agenten können lange Chains durchlaufen, wobei jeder Schritt Reasoning und Tool-Calls kombiniert.

  Der Demo zeigt die API-first Oberfläche: Tasks definieren (z.B. „täglich auf API nach kritischen Findings prüfen”), Credentials und Dateiupload hinzufügen, sowie Integrationen (Jira, Linear, Slack) konfigurieren. Der Agent erstellt einen Plan, delegiert an Sub-Agenten, merkt sich frühere Erkenntnisse, validiert Befunde und liefert einen Bericht mit Reproduzierungsanleitung. Reports können in die Ticketing-Systeme fließen. Mehrere Agenten können parallel Aufgaben übernehmen und ihre Ergebnisse in einem gemeinsamen Speicher sammeln; ein Aggregations-Agent kann dann über alle berichten.

  Preismodell ist nutzungsbasiert (Infrastruktur, LLM-Compute, Third-Party-Tools). Ein Pentest kostet etwa 20–30 Neo-Credits. Neo läuft auf Project Discovery Cloud oder kann auch in eigenen VPCs (AWS, GCP) deployed werden. Zugang via project discovery.io mit Demo-Request.

  Tech-Stack & Format: Project Discovery, Neo; Demo/Interview mit praktischer Systemvorfühle. Keine spezifischen LLM-Namen genannt, aber LLMs als Backbone bestätigt.

WorldofAI (6 neues Videos)

• Google AI Studio 2.0 – NEW Powerful Autonomous AI Coding Agent Can Build ANYTHING & IS FULLY FREE!
  21.3.2026, 06:50:30

  Zusammenfassung: Google AI Studio 2.0

  Google hat Google AI Studio mit einem großen Update überarbeitet, das ein neues “Build Mode” oder “Agent Mode” einführt. Damit lassen sich vollständige Full-Stack-Anwendungen mit Backend erstellen, das direkt mit Firebase integriert ist – alles kostenlos. Das System nutzt einen AI-Coding-Agent und ermöglicht es, komplexe Projekte wie animierte Landing Pages oder multiplayer-fähige Spiele allein durch Prompts zu generieren.

  Neue Kernfunktionen sind: Real-time-Multiplayer-Support (inklusive AI-Bots, Scoring-Systemen und Live-Leaderboards), Echtzeit-Kollaboration zwischen mehreren Nutzern (z.B. gemeinsame 3D-Particle-Experiences mit automatischer Synchronisation), Visualisierung von Physik und Game-Design-Elementen sowie Integrationen mit externen Services wie Firebase. Das UI wurde komplett überarbeitet, und der Nutzer kann verschiedene State-of-the-Art-Modelle wie Gemini 3.1 Pro auswählen und Frameworks konfigurieren.

  Die Demo zeigt ein Anwendungsbeispiel: Ein CRM-Dashboard mit funktionsfähigem Backend, Google-Sign-In und integiertem Gemini-Chatbot für Datenbankabfragen, alles automatisch generiert. Zusätzlich können Versionen verwaltet, Secrets und Integrationen direkt im Panel verwaltet und der Code als ZIP-Datei heruntergeladen werden. GitHub-Integration und Sharing mit anderen Nutzern via Gmail sind möglich. Eine Besonderheit ist die Verknüpfung mit Google Stitch: Front-End-Komponenten aus Stitch können in AI Studio exportiert und mit dem Agent weiterentwickelt werden.

  Die Roadmap erwähnt Pläne für Design Mode, Figma-Integration, Google Workspace-Integration, GitHub-Support, Planning Mode und Immersive UIs. Das Video demonstriert ein multiplayer-Tankspiel, das vollständig aus einem Prompt entstand.

  Explizit genannt: Google AI Studio, Stitch, Firebase, Gemini 3.1 Pro; Format: Demo mit Meinung/Reflexion.

• MiniMax M2.7 IS INSANE! Best Agentic/Coding Model! Beats Opus 4.6 and 50x Cheaper! (Fully Tested)
  20.3.2026, 02:21:19

  Zusammenfassung: MiniMax M2.7 – Test und Bewertung

  MiniMax hat mit dem M2.7 ein neues agentic AI-Modell veröffentlicht, das sich durch autonome Selbstverbesserung über 100+ Iterationen (ohne menschliche Einmischung) entwickelt hat und dabei eine 30%-Leistungssteigerung erreichte. Das Modell zeichnet sich durch starke Benchmark-Ergebnisse aus: 56,22% auf SWE-bench Pro (Opus-Niveau), 55,6% auf Vibe Pro und 57% auf Terminal Bench 2. Es kann große Systeme mit über 50 Skills und 100+ Features handhaben, während es zuverlässig Anweisungen befolgt und Tools nutzt.

  Preislich ist der M2.7 revolutionär: Mit 30 Cent pro 1 Million Input-Tokens und 1,20 Dollar pro 1 Million Output-Tokens kostet er bis zu 50x weniger als Opus und liefert dabei GLM5-ähnliche Intelligenz zu weniger als einem Drittel der Kosten. Der 24K-Context-Window unterstützt komplexe Workflows.

  Praktische Tests zeigen starke Leistungen in realen Szenarien wie Log-Analyse, Code-Refactoring, Machine-Learning-Pipelines und Android-Entwicklung. Der Reviewer führte mehrere Hands-on-Tests durch: Ein macOS-styled Browser-OS, dynamische Landing Pages mit Animationen und Shader-Rendering, ein Minecraft-Clone mit Terrain-Generierung, einen Casino-Slot-Machine mit State-Management und Animationen, sowie ein 360°-Produkt-Viewer und ein Casual-Gold-Miner-Spiel. Bei direkten Vergleichen mit Opus 4.6 produziert M2.7 oft bessere Frontend-Qualität, insbesondere bei Animationen und interaktiven Elementen.

  Der Zugang erfolgt über verschiedene Kanäle: Direct API, kostenloses Chatbot-Interface, Open Router, Kilo (mit Open-Source CLI und kostenlosen Credits) oder verschiedene Token/Coding-Pläne. Der Reviewer empfiehlt das Modell als echte Konkurrenz zu Opus 4.6 für agentic Multi-Agent-Systeme und nennt besonders die Fähigkeit zur autonomen Systemverbesserung hervorzuheben.

  Explizit getestete Modelle: MiniMax M2.7, Opus 4.6, Gemini 3.1 Pro; Tools/Plattformen: Kilo CLI, Open Router; Format: Demo mit vergleichenden Tests.

• Google’s NEW AI Vibe Design Tool IS INSANE! The Greatest AI Design System I’ve Ever Used! (Stitch)
  18.3.2026, 18:01:14

  Zusammenfassung: Google Stitch – AI-natives Design-System

  Google hat Stitch, seinen Gemini-gestützten Design-Agent, zu einer vollständig AI-nativen Design-Plattform umgestaltet. Die Kernkomponente ist eine großzügige, native Canvas, die Bilder, Code und Text gleichzeitig verwaltet und paralleles Arbeiten mit mehreren Agents ermöglicht – etwa um gleichzeitig eine Landing-Page und eine User-Profile-Page zu erstellen.

  Der überarbeitete Agent ist leistungsfähiger: Er kann Logos austauschen, Designs kritisieren, PRDs generieren, Design-Systeme mit vordefinierten Farben und Typografie aufbauen und diese von Websites importieren. Das Instant-Prototype-Feature stellt Screens in Sekunden zusammen, zeigt interaktive Flows sofort an und generiert automatisch das nächste logische Screen basierend auf Benutzer-Interaktionen. Die Canvas unterstützt Vorschau in verschiedenen Formaten (Mobil, Tablet, Web) sowie Variationen und Heatmaps.

  Das neu eingeführte Voice-Vibe-Design nutzt Gemini Live-Integration und ermöglicht freihändiges Prototyping durch Spracheingabe – der Agent beantwortet Fragen, generiert Designs live und gibt Echtzeit-Feedback. Design-Systeme lassen sich detailliert tweaken (Farben, Schriften, Border-Radius) und konsistent über alle Canvases anwenden. Exportierter Code kann weiterverarbeitet werden; Nutzer können zwischen verschiedenen KI-Modellen wählen (etwa Gemini 3 Flash). Das Tool ist kostenlos mit Google-Account zugänglich.

  Behandelte Tools/Modelle: Google Stitch, Gemini Live, Gemini 3 Flash — Format: Demo.

• AI Agents That Control Your Computer! Automate Your Life With AI FOR FREE!
  18.3.2026, 04:19:54

  Zusammenfassung:

  Das Video stellt Neo vor, einen kostenlosen KI-nativen Browser von Norton, der Automation, Datenschutz und KI-Assistenz in den Mittelpunkt stellt. Der gesamte Prozess bleibt lokal auf dem Gerät und erfordert keine Cloud-Synchronisation. Nach Installation und Profilsetup bietet Neo eine Hauptchat-Oberfläche, über die man URLs eingeben, Befehle mit dem @-Symbol verwenden oder einfach Fragen stellen kann. Der Browser hat Vorsets-Snippets für häufige Aufgaben wie Zusammenfassungen, Schreiben und Code-Hilfe. In den Einstellungen können lokale KI aktiviert, Ad-Block aktiviert und Sidebar-Verhalten konfiguriert werden.

  Die Kern-Features sind: Das AI-Seitenpanel fasst Nachenartikel zusammen und beantwortet Folge-Fragen; ein Ad-Blocker entfernt Werbung automatisch; Smart Tab Grouping organisiert Tabs; Videos und Podcasts können zusammengefasst werden, statt sie vollständig anzuschauen; beim Hovern über Links erscheint ein Preview-Button ohne Klick; Texte im Browser können hervorgehoben und erklärt oder zusammengefasst werden. Der KI-Agent findet Rabattcodes mit Ablaufdaten, entwickelt Long-Term Memory basierend auf Nutzung, speichert Vorlieben wie Schreibstil und zeigt eine personalisierte News-Feed. Neo kann auch große Dokumente verarbeiten, Bilder generieren und wurde als Galerie einsehbar machen, sowie Inline-Text-Generierung (etwa in E-Mails oder Notizen) bietet. Der Browser funktioniert auf Windows und Mac und kostet nichts.

  Format & Tools: Demo eines KI-Browsers (Neo von Norton); Privacy-focused, lokal verarbeitend; keine spezifischen anderen KI-Anbieter im Kern thematisiert, aber Claude und Gemini 3.1 Pro kurz erwähnt — Demo-Video.

• Codex Subagents, Minimax M2.7, Claude Code Update, NVIDIA GTC, AI CMO, Google AI Tool! HUGE AI News
  17.3.2026, 05:59:47

  Zusammenfassung: HUGE AI News – KW-Update

  Diese Woche brachte mehrere größere AI-Ankündigungen:

  OpenAI Codex Sub-Agents: OpenAI hat Sub-Agents für Codex eingeführt, die spezialisierte Agenten parallel spawnen können, um verschiedene Teile einer Aufgabe zu bearbeiten und deren Outputs intelligent zu kombinieren – besonders für komplexe Workflows wie Codebase-Explorationen oder Multi-Step-Feature-Pläne.

  Minimax M2.7: Das Modell erscheint diese Woche und zeigt sich bereits auf Design Arena. Tests zeigen verbesserte Code-Generation und Frontend-Fähigkeiten (z.B. macOS-OS-Simulation mit funktionalen UI-Elementen), kann aber bei Vollständigkeit noch zulegen.

  VS Code Agent-Mode: VS Code erhielt ein neues agentic browsing tool, das Agenten ermöglicht, Live-Browser zu steuern – Seiten zu öffnen, Inhalte zu lesen, Elemente anzuklicken und Änderungen in Echtzeit zu überprüfen.

  Nvidia GTC 2026: Ankündigungen umfassten Nemotron Ultra (neues Open-Source-Modell für Reasoning und Robotik), Nemoclaw (Open-Source-Stack auf Openclaw), und DLSS5 (AI-gestützte Grafikverbesserung für Games).

  Mistral Small 2: 128-Expert-Modell mit 119 Milliarden Parametern, Apache-2.0-lizenziert, 40% schneller, 3x mehr Throughput, aber mit nur 256k Context-Fenster. Mistral kündigte zudem strategische Partnership mit Nvidia an.

  Claude Updates: 1-Million-Token-Context-Window für Opus und Sonnet 4.6, Opus 4.6 erreicht 78,3% auf MRCR v2, bis zu 600 Bilder/PDF-Seiten pro Request. Bonus ab 14. März: 2x Usage außerhalb Peak-Zeiten für zwei Wochen.

  Google Design-Tool: Desktop-App mit Voice-Control, Canvas-Layout und Agent-Vision zum automatisierten Erstellen von Designs (Marketing Kits, Frontends, Dashboards, Slides) mit React-Integration – Veröffentlichung im aktuellen Monat erwartet.

  Weitere Tools: Okra präsentiert erste AI CMO (automatisierte User-Acquisition), Perplexity bringt „Personal Computer” (Always-On-AI-System), Manis Desktop-App mit lokalem Agent, Stitch veröffentlicht TypeScript SDK für agentic Workflows.

  Moonshot Intention Residual: Neue Architektur-Idee, bei der Modelle statt blind alle Layerdaten zu stapeln, selektiv nur relevante Information aus früheren Layern auswählen – erzielt bei 48B-Parametern 1,25x bessere Compute-Efficiency.

  AI-Tools/Anbieter: OpenAI, Claude (Anthropic), Minimax, Nvidia, Mistral, Google, Okra, Perplexity, Moonshot, VS Code – Format: News-Roundup

• Claude Code + Obsidian = UNLIMITED Memory! Solves Claude’s Memory Problem!
  16.3.2026, 07:30:55

  Claude + Obsidian für persistentes Projektgedächtnis

  Das Video zeigt eine Lösung für Claude-Code’s bekanntes Problem: Das Modell verliert über längere Kontexte hinweg den Fokus und vergisst zuvor gegebene Anweisungen. Die Kombination mit Obsidian, einer kostenlosen Notiz-App, behält alle Projekt-Informationen strukturiert und dauerhaft verfügbar.

  Obsidian-Grundlagen: Die App speichert Notizen als Plain-Markdown-Dateien in einer lokalen Vault (Ordner) – kein proprietäres Format, vollständig privat und offline. Claude-Code kann direkt auf diese Markdown-Dateien zugreifen, sie durchsuchen, referenzieren und aktualisieren.

  Vault-Struktur: Man füllt die Vault mit relevantem Kontext: Projektüberblick, Architektur-Entscheidungen, Coding-Standards, GitHub-Informationen, Prisma-Schemas, Session-Summaries, Bug-Notes, Meeting-Transkripte – alles was Claude beim Treffen von Entscheidungen braucht. Nach jeder Session kann Claude selbst neue Notizen schreiben und die Vault aktualisieren.

  Obsidian-Skill: Ein installiertes Plugin (über Marketplace) lehrt Claude-Code, besser mit der Vault zu interagieren: Markdown-Dateien lesen, Notizen schreiben/aktualisieren, Vault durchsuchen, Inhalte referenzieren. Mit dem /obsidian-Befehl kann Claude direkt die Obsidian-CLI nutzen.

  Praktisches Beispiel: Im Demo wird ein CRM-Dashboard erweitert. Claude zieht zuerst die Projekt-Kontexte aus der Vault (bestehende Architektur, Prisma-Schema, Shad-CN-Komponenten-Muster), baut dann ein Deal-Kanban-Board konsistent mit den vorhandenen Patterns und aktualisiert die Vault danach. Mehrere Agents können parallel arbeiten und dieselbe Projekt-Memory nutzen, ohne Abweichungen.

  Ergebnis: Keine erneuten Erklärungen nötig, Claude bleibt mit der ursprünglichen Vision aligned, Details bleiben über Wochen/Monate erhalten, Code wird konsistenter, Workflows reibungsloser – besonders bei großen, langfristigen Projekten.

  Claude-Code + Obsidian; Tutorial mit praktischer Demo.

Zubair Trabzada | AI Workshop (3 neues Videos)

• Give Claude Superpowers with These 3 MCPs (Step-by-Step)
  21.3.2026, 14:00:52

  Zusammenfassung: Give Claude Superpowers with These 3 MCPs (Step-by-Step)

  Das Video zeigt, wie man drei MCPs (Model Context Protocols) in Claude Desktop installiert und nutzt, um Clauds Funktionalität deutlich zu erweitern.

  Grundvoraussetzung: Man muss die Claude Desktop App von claude.com/download herunterladen. MCPs werden über das Plus-Icon → Connectors → Manage Connectors hinzugefügt.

  Die drei MCPs:

  1. Canva MCP – Ermöglicht es, Claude Design-Aufgaben direkt zuweisen zu können, statt Canva manuell zu nutzen. Man kann z.B. in natürlicher Sprache eine Instagram-Carousel-Serie über “fünf Morgengewohnheiten” erstellen und erhält mehrere Design-Optionen, die Claude automatisch mit Canva generiert. Danach kann man die Designs noch im Canva-Editor anpassen oder weitere Iterationen mit Claude durchlaufen.
  1. Zapier MCP – Verbindet über einen einzigen MCP Zugang zu über 8.000 Apps (Gmail, Google Calendar, Slack, Google Sheets, Salesforce etc.), statt diese einzeln zu verknüpfen. Man kann granulare Berechtigungen pro Tool festlegen (z.B. nur Meetings hinzufügen, nicht löschen). Im Demo fragt Claude nach morgigen Terminen, fasst sie zusammen und versendet eine Slack-Nachricht – alles automatisch ohne expliziten Befehl, welches Tool zu nutzen.
  1. Stripe MCP – Automatisiert die Rechnungs- und Zahlungslink-Erstellung. Claude kann Rechnungen mit Kundendaten generieren und Zahlungslinks erstellen, die direkt auf das eigene Stripe-Konto führen. Die Authentifizierung erfolgt über die Stripe-API, wobei man vorher festlegt, welche Berechtigungen (z.B. Rechnungsschreiben, Zahlungslinks) erteilt werden.

  Bei jeder Nutzung fragt Claude um Bestätigung; man kann “Always Allow” setzen, um wiederkehrende Anfragen zu vermeiden.

  Format: Tutorial/Demo mit Claude und den MCPs Canva, Zapier und Stripe.

• Build and Sell AI Websites + CRM to Local Contractors (Zite)
  19.3.2026, 01:05:40

  Build and Sell AI Websites + CRM to Local Contractors

  Der Videoproduzent zeigt, wie man mit Zite ein professionelles Website- und CRM-System für lokale Handwerksbetriebe (am Beispiel eines Elektrikers) mit nur einem Prompt erstellt und verkauft.

  Die Lösung adressiert ein echtes Problem: Viele Handwerker arbeiten noch mit verpassten Anrufen, Textnachrichten und Tabellenkalkulationen – ohne System zur Leadverfolgung oder Kundenverwaltung.

  Zite-Workflow: Nach kostenlosen Kontoerstellung beschreibt man sein Business-Tool in englischer Sprache. Das System baut dann automatisch die gesamte Infrastruktur (Backend, Datenbank, Authentication) auf einmal auf – statt diese über mehrere separate Tools zusammenzusetzen.

  Die Prompt-Struktur umfasst zwei verbundene Apps:

  1. Public Website: Präsentation des Unternehmens mit Service-Request-Formular, Seiten zu Services, Kontakt und Geschäftszeiten
  2. CRM-Dashboard: Backend für den Contractor zum Verwalten eingehender Anfragen

  Datenbank: Service-Request-Tabelle mit Feldern wie Kundennamen, Telefon, E-Mail, Adresse, Service-Typ, Urgenz, bevorzugte Zeit, Status, Notizen.

  Demonstrated Features: Automatische Email-Notifications, visuelle Bearbeitung der Website-Inhalte, Workflow-Automation, Filterung nach Bedingungen (z.B. nur „scheduled”-Status anzeigen), Benutzer-Management mit Invite-Only-Registrierung, mehrere Anmeldemethoden (Google, Magic Link).

  Verkaufsansatz: Man baut schnell ein Demo-System, sendet es dem Contractor mit Zugang zum Backend und Formular-Testmöglichkeit – live zeigen, wie Anfragen in die CRM-Datenbank fließen und Leads verwaltet werden.

  Iterationen möglich: Man kann jederzeit Änderungen beschreiben und das System neu bauen lassen.

  Zite-Demo mit benutzerdefinierten No-Code-Apps und CRM-Funktionalität als Geschäftsmodell-Tutorial.

• I Switched From Clawdbot to Claude Dispatch (Here’s What Happened)
  18.3.2026, 23:21:33

  Das Video zeigt die Installation und Nutzung von Claude Dispatch, Entropics neu veröffentlichte Funktion, um Aufgaben vom Smartphone aus auf den Desktop zu delegieren.

  Installation und Grundsetup: Man lädt die Claude-Desktop-App herunter, aktiviert den „Co-work”-Tab, scannt einen QR-Code zur Verbindung mit der mobilen Claude-App und gibt der Anwendung Zugriff auf Dateien sowie Browserzugriff. Wichtig ist, dass der Computer aktiv bleibt und die Verbindung funktioniert wie ein „Walkie-Talkie” zwischen Telefon und Desktop.

  Anwendungsfall 1 – Browseraktionen und Recherche: Claude wird beauftragt, bei Google nach den Top-3-KI-Produktivitätstools 2026 zu suchen, deren Seiten zu öffnen, Preise und Features zu sammeln und eine Vergleichstabelle in den Dokumenten zu speichern. Das System erledigt dies automatisch und erstellt ein professionelles Vergleichsdokument mit Details zu ChatGPT, Notion AI und Microsoft Copilot.

  Anwendungsfall 2 – Komplexe Datenanalyse: Claude analysiert rohe Verkaufsdaten und ungeordnete Teamnotizen aus lokalen Ordnern, identifiziert Top-Performer und erstellt einen sauberen Executive-Summary-Bericht mit Grafiken, Umsatztrends und Empfehlungen – alles automatisch im Output-Ordner gespeichert.

  Workflows mit Markdown-Dateien: Für wiederholte oder komplexe Aufgaben können detaillierte Anweisungen in Markdown-Dateien (sog. „Skills”) hinterlegt werden – vom einfachen Briefing bis zu mehrphasigen Workflows mit Sub-Agenten (Beispiel: ein 5-Agenten-SEO-Audit mit 11 Skills). Claude liest diese Dateien und führt die Anweisungen schrittweise aus.

  Anwendungsfall 3 – Assistenz-Features: Einfache tägliche Aufgaben wie Kalenderprüfung, E-Mail-Zusammenfassungen, Meeting-Vorbereitung und automatische Notizen werden erwähnt.

  Sicherheitsvorteil: Anders als OpenClaw oder CloudBot läuft Dispatch lokal auf dem eigenen Computer, wodurch das Risiko von Datenlecks und API-Expositionen erheblich sinkt – besonders für nicht-technische Nutzer.

  Video-Typ und Tools: Demo mit Tutorial-Elementen; Claude Dispatch (Entropic) wird durchgehend demonstriert, Claude-Desktop-App erwähnt, GitHub-Repository „GEO-SEO für Claude” referenziert.

---

Automatisch generiert aus den letzten YouTube-Videos der kuratierten Kanal-Auswahl. Bei Feedback, Anregungen oder zum Austragen: einfach auf diese Mail antworten.